CAD在乳腺纖維腺瘤鉬靶X線診斷中的應(yīng)用

林盼盼 黃愷 吳仁華

摘要：目的：探討計(jì)算機(jī)輔助檢測(cè)（CAD）在乳腺纖維腺瘤鉬靶X線診斷中的應(yīng)用價(jià)值。方法：收集本院109例乳腺纖維腺瘤患者的鉬靶圖像，使用CAD系統(tǒng)標(biāo)識(shí)感興趣區(qū)域（ROIs）并觀察系統(tǒng)勾畫(huà)的病灶位置及形狀，探討CAD在乳腺纖維腺瘤診斷中的應(yīng)用價(jià)值。結(jié)果：在109例乳腺纖維腺瘤患者鉬靶圖像中，CAD系統(tǒng)對(duì)脂肪型乳腺的識(shí)別率最高，達(dá)到100%，對(duì)致密型、多量腺體型和少量腺體型乳腺的識(shí)別率分別為5.88%、5.41%和4.55%。結(jié)論：CAD能夠識(shí)別高于其周?chē)袤w組織密度的乳腺纖維腺瘤，本結(jié)論對(duì)于數(shù)字圖像處理的優(yōu)化研究有一定參考價(jià)值。

關(guān)鍵詞：乳腺纖維腺瘤;鉬靶;計(jì)算機(jī)輔助檢測(cè)

中圖分類(lèi)號(hào)：R445.4;R814文獻(xiàn)標(biāo)識(shí)碼：BDOI：10？郾3969/j.issn.1001-0270.2021.05.03

The Value of CAD in the Mammography Diagnosis for Breast Fibroadenoma

LIN Pan-pan1， 2， HUANG Kai3， WU Ren-hua3

（1. School of Clinical Medicine， Quanzhou Medical College， Fujian 362000，China; 2. Department of Imaging， Peoples Hospital of Quanzhou Medical College， Fujian 362000， China; 3. Department of Radiology， Second Affiliated Hospital， Shantou University School of Medicine， Guangdong 515041， China）

Abstract： Objective： To investigate the value of computer-aided detection （CAD） in the diagnosis of mammography for breast fibroadenoma. Methods： We collected 109 breast fibroadenoma patients mammogram images，identifiedthe regions of interest（ROIs） by using CAD software， and observed the breast lumpslocation and shape. Results： Among the mammograms of 109 breast fibroadenoma patients， the CAD software has the 100% recognition rate for fatty breasts， and 5.88%， 5.41% and 4.55% for dense breasts， multiple glandular breastsand small amounts of glandular breasts， respectively. Conclusions： CAD could identify breast fibroadenoma with higher density than its surrounding glandular tissue， and the conclusion providescertain reference values for the optimization of image processing software.

Key Words： breast fibroadenoma; mammography; computer-aided detection

乳腺腫瘤屬于婦科高發(fā)病，嚴(yán)重影響著全球女性的身心健康。乳腺纖維腺瘤是由纖維組織、腺上皮混合形成的良性腫瘤[1]，若未能對(duì)其早期診斷和及時(shí)治療，可能導(dǎo)致病灶區(qū)域梗死、硬化性乳腺病甚至乳腺癌。因此，乳腺纖維腺瘤的早期診療有極大的臨床意義。Mittra等（2012）[2]指出，每2年對(duì)婦女的乳腺進(jìn)行1次常規(guī)檢查有助于降低其乳腺疾病的發(fā)病率和死亡率。鉬靶X線攝影作為乳腺腫瘤首選的影像學(xué)檢查技術(shù)，其診斷結(jié)果受多種因素影響，比如微小病灶不易發(fā)現(xiàn)、多發(fā)病灶引起重疊、病理表現(xiàn)復(fù)雜多變、閱片醫(yī)師經(jīng)驗(yàn)不足和診斷醫(yī)師視覺(jué)疲勞等[3]。

計(jì)算機(jī)輔助檢測(cè)（CAD）系統(tǒng)于1966年由Ledley首次提出[4]，該系統(tǒng)能對(duì)醫(yī)學(xué)圖像的感興趣區(qū)（ROIs）進(jìn)行識(shí)別，已廣泛應(yīng)用于醫(yī)學(xué)圖像處理，如病灶識(shí)別以及協(xié)助醫(yī)師診斷以提高病灶檢出率。目前，CAD已在肺部電子計(jì)算機(jī)斷層掃描（CT）[5-6]，乳腺、前列腺、甲狀腺和肝臟磁共振成像（MRI）[7-8]，乳腺和甲狀腺超聲（US）[9]以及結(jié)腸鏡等[10]檢查中取得相關(guān)的研究成果。與此同時(shí)，Chen等（2018）[11]開(kāi)發(fā)并測(cè)試了一個(gè)CAD系統(tǒng)，將深度學(xué)習(xí)網(wǎng)絡(luò)結(jié)合CAD（DNN-CAD）對(duì)結(jié)腸直腸息肉進(jìn)行精確分類(lèi)。由此可見(jiàn)，CAD系統(tǒng)具有巨大的臨床應(yīng)用潛力。臨床和科研工作中，評(píng)估CAD系統(tǒng)性能的指標(biāo)包括準(zhǔn)確率、特異性、敏感性、陽(yáng)性預(yù)測(cè)值和陰性預(yù)測(cè)值等[12-14]。本研究著重分析CAD對(duì)乳腺纖維腺瘤的標(biāo)識(shí)率及其與人工勾畫(huà)結(jié)果的相似度，為CAD在乳腺腫瘤診斷中的應(yīng)用提供參考。

1 資料與方法

1.1 一般資料

選取2018年6月至2021年1月于泉州醫(yī)學(xué)高等專(zhuān)科學(xué)校附屬人民醫(yī)院影像科行鉬靶X線檢查，并經(jīng)影像科醫(yī)師診斷為乳腺纖維腺瘤的患者109例，所有受檢者均為女性，年齡范圍21歲至69歲，平均年齡（40.66±19.32）歲。其中，年齡低于35歲的受檢者47名，占比43.12%，高于（含等于）35歲的受檢者62名，占比56.88%。所有納入研究的病例均采用美國(guó)國(guó)家癌腫研究所制定的乳腺影像報(bào)告與數(shù)據(jù)系統(tǒng)（BI-RADS）標(biāo)準(zhǔn)進(jìn)行分級(jí)。

納入標(biāo)準(zhǔn)：①經(jīng)2名具有15年以上鉬靶攝影資質(zhì)和診斷經(jīng)驗(yàn)的影像科副主任醫(yī)師診斷，均為乳腺纖維腺瘤;②鉬靶X線影像學(xué)資料完整、清晰;③所納入病例具有可靠的檢查前觸診記錄，且記錄完整、清楚;④所納入病例均有完整的臨床病歷數(shù)據(jù)，包括年齡、性別和既往病史。

排除標(biāo)準(zhǔn)：①對(duì)頭尾位（CC位）、雙側(cè)斜位（MLO位）顯示效果不佳者;②腫瘤體積過(guò)大，ROIs未能勾畫(huà)的腫塊;③受檢者既往存在乳房假體隆乳術(shù)等可能影響研究結(jié)果的情況;④檢查過(guò)程不配合或中途退出者。

1.2 儀器和方法

1.2.1 儀器

本研究采用的儀器為意大利艾蒙斯公司GIOTTO IMAGE 3D高頻乳腺鉬靶機(jī)，檢查前設(shè)置診斷參數(shù)。所有研究對(duì)象均通過(guò)鉬靶X線機(jī)攝影，常規(guī)行乳腺CC位和MLO位攝片，并在攝片前保留完整詳實(shí)的觸診記錄。CAD的基點(diǎn)設(shè)置為1，命令框設(shè)置為正中間。

1.2.2 CAD信息采集及分析方法

本研究中CAD的圖像采集信息僅包括病灶位置和形狀，導(dǎo)入乳腺纖維腺瘤X線影像圖片后，CAD自動(dòng)勾畫(huà)腫塊邊界，并生成ROIs。本院2名鉬靶診斷醫(yī)師共同協(xié)商并達(dá)成一致意見(jiàn)之后，手動(dòng)勾畫(huà)病灶區(qū)域，并記錄乳腺纖維腺瘤在系統(tǒng)中的位置和形狀，以便后續(xù)比較。

1.3 觀察指標(biāo)

①乳腺纖維腺瘤鉬靶X線圖像的觀察指標(biāo)：病灶數(shù)目（單發(fā)、多發(fā)），部位（外上象限、內(nèi)上象限、外下象限、內(nèi)下象限和中央?yún)^(qū)），形態(tài)（規(guī)則、不規(guī)則），形狀（圓形、類(lèi)圓形），邊緣（光滑、不光滑），密度（均勻、不均勻），大?。ㄈ?.9cm×4.5cm）和鈣化情況（大片狀、簇狀、細(xì)沙樣和蛋殼樣等）等;②CAD系統(tǒng)觀察指標(biāo)：以識(shí)別率作為其診斷乳腺纖維腺瘤的診斷效能，并觀察系統(tǒng)勾畫(huà)的位置和形狀;③影像科的2名鉬靶診斷醫(yī)師對(duì)病灶區(qū)域進(jìn)行手工勾畫(huà)，并將其與系統(tǒng)勾畫(huà)出的形狀進(jìn)行比較。

1.4 統(tǒng)計(jì)學(xué)方法

采用SPSS 25.0軟件進(jìn)行數(shù)據(jù)分析，計(jì)量資料表示為均數(shù)±標(biāo)準(zhǔn)差（x±s），計(jì)數(shù)資料表示為百分率（%）。

2 結(jié)果

2.1 乳腺鉬靶X線診斷結(jié)果

2.1.1 乳腺纖維腺瘤鉬靶X線圖像特征

乳腺纖維腺瘤多呈單發(fā)，大多數(shù)位于外上象限。乳腺纖維腺瘤的鉬靶X線影像表現(xiàn)為呈圓形、類(lèi)圓形的腫塊，邊界光滑，部分病例邊緣伴透亮?xí)灜h(huán)。本文納入研究的109例乳腺纖維腺瘤最小約（0.5cm×0.5cm），最大約（1.9cm×4.5cm），平均大小約為（1.2cm×1.3cm），腫塊密度較均勻。

本研究中，乳腺纖維腺瘤的密度與周?chē)Ｏ袤w比較，呈低密度的有54例，呈等密度的有22例，呈（稍）高密度的有33例。部分病例出現(xiàn)鈣化，鈣化呈片狀、輪狀或融合為大塊狀。

2.1.2 乳腺纖維腺瘤發(fā)病部位及BI-RADS分級(jí)結(jié)果統(tǒng)計(jì)

納入本研究的109例乳腺纖維腺瘤中，單發(fā)腫瘤79例，其中左側(cè)發(fā)病32例，占比29.36%;右側(cè)47例，占比43.12%。雙側(cè)發(fā)病30例，占比27.52%。BI-RADS分級(jí)結(jié)果：1級(jí)9例，占比8.26%;2級(jí)27例，占比24.77%;3級(jí)73例，占比66.97%。

2.1.3 乳腺纖維腺瘤檢出情況及初步分析

乳腺纖維腺瘤鉬靶診斷結(jié)果與乳腺分型的例數(shù)匯總?cè)绫?所示。其中，乳腺增生病例為30例（27.52%），均為雙側(cè)發(fā)病。

在30例乳腺增生病例中，伴有多發(fā)纖維腺瘤的11例。經(jīng)查閱臨床資料可知，11例乳腺增生伴多發(fā)纖維腺瘤患者發(fā)病的平均年齡為（22.66±11.32）歲。

在30例乳腺增生病例中，伴有鈣化的有7例，且鈣化灶均為片狀、輪狀或融合為大塊狀。經(jīng)查閱上述7例受檢者的臨床資料得出，7例乳腺增生伴有良性鈣化的纖維腺瘤患者發(fā)病的平均年齡為（46.71±9.32）歲，受檢年齡均為35歲以上。

2.2 CAD診斷結(jié)果

最終納入本研究的109例乳腺纖維腺瘤樣本中，有98例樣本的CAD系統(tǒng)勾畫(huà)區(qū)域無(wú)法與人工勾畫(huà)區(qū)域較好貼合，占比89.91%，且這些系統(tǒng)勾畫(huà)區(qū)域均偏大;有11例樣本的自動(dòng)勾畫(huà)區(qū)域位于人工勾畫(huà)范圍內(nèi)，占比僅為10.09%，這表明CAD系統(tǒng)自動(dòng)勾畫(huà)的病灶體積較手工勾畫(huà)體積稍偏大的可能性較大。同時(shí)，本研究統(tǒng)計(jì)出CAD系統(tǒng)對(duì)乳腺纖維腺瘤的識(shí)別率，見(jiàn)表2。CAD系統(tǒng)對(duì)于脂肪型乳腺的識(shí)別率最高，達(dá)到100%，對(duì)致密型、多量腺體型和少量腺體型乳腺的識(shí)別率分別為5.88%、5.41%和4.55%。

3 討論

乳腺纖維腺瘤是女性最常見(jiàn)的乳腺良性腫瘤，好發(fā)于外上象限，與本研究結(jié)果一致[15]。乳腺纖維腺瘤多見(jiàn)于青年女性，發(fā)病年齡多為14-35歲[16]，絕經(jīng)后的婦女少見(jiàn)。本研究納入的病例中，年齡范圍21-69歲，平均年齡（40.66±19.32）歲，其中，年齡低于35歲的受檢者47名，占比僅為43.12%，高于（含等于）35歲的受檢者62名，占比56.88%。表明本研究樣本中有相當(dāng)一部分受檢者的發(fā)病年齡超過(guò)35歲，這可能導(dǎo)致本研究和乳腺纖維腺瘤密度有關(guān)的研究結(jié)果有所偏差[17-19]，在今后的研究中，需要納入更多的樣本以減少此類(lèi)偏差。

鉬靶X線攝影具有操作簡(jiǎn)單、價(jià)格低廉的優(yōu)勢(shì)，是乳腺腫瘤普查的首選方法。隨著受檢人員的增加，需要尋找一種能夠輔助醫(yī)師對(duì)大規(guī)模受檢人員篩查的技術(shù)手段。計(jì)算機(jī)算法能力的提升以及影像設(shè)備性能的完善，使得CAD系統(tǒng)逐步應(yīng)用于臨床[20-21]。目前CAD系統(tǒng)仍然需要醫(yī)師對(duì)圖像進(jìn)行人工預(yù)處理和特征提取，工作量較大，且其輔助檢測(cè)的準(zhǔn)確性不明[22]。本研究通過(guò)分析109例乳腺纖維腺瘤的鉬靶X線診斷結(jié)果，結(jié)合受檢者的臨床資料，探討CAD系統(tǒng)在乳腺纖維腺瘤識(shí)別中的應(yīng)用。針對(duì)本研究結(jié)果中CAD對(duì)乳腺纖維腺瘤的識(shí)別率作如下討論。本研究結(jié)論指出，CAD系統(tǒng)對(duì)于脂肪型乳腺的識(shí)別率最高，達(dá)到100%，然而該系統(tǒng)對(duì)致密型乳腺的識(shí)別率僅為5.88%，即17例病例中僅識(shí)別出1例，且被CAD系統(tǒng)識(shí)別出的這1例乳腺纖維腺瘤病灶邊緣伴透亮?xí)灜h(huán)，其余16例乳腺纖維腺瘤病灶邊緣均無(wú)暈環(huán)。由此表明，該系統(tǒng)可能易于識(shí)別密度對(duì)比強(qiáng)烈的區(qū)域，而對(duì)于密度低于或者接近于周?chē)M織的病灶無(wú)法識(shí)別或較難識(shí)別。CAD對(duì)致密型乳腺識(shí)別率較低可能存在以下原因：首先，乳腺纖維腺瘤腫塊的大小和形狀沒(méi)有規(guī)律，難以使用常規(guī)的CAD系統(tǒng)進(jìn)行自動(dòng)識(shí)別;其次，致密型乳腺的腺體與腫塊的密度接近，造成二者的對(duì)比度較差，系統(tǒng)辨別難度較大;第三，本研究中的乳腺纖維腺瘤平均大小約為（1.2cm×1.3cm），對(duì)于較小的乳腺纖維腺瘤，病灶可能被致密型腺體包裹，導(dǎo)致顯示欠缺或者無(wú)法顯示。因此，如果能在系統(tǒng)的圖像預(yù)處理階段，將致密型腺體部分去除或者降低其密度，將有助于提高識(shí)別率。進(jìn)一步的研究結(jié)果表明，CAD對(duì)多量腺體型乳腺的識(shí)別率為5.41%，即在37例多量腺體型乳腺中，系統(tǒng)僅識(shí)別出2例病灶，其中1例病患58歲，鉬靶征象顯示其乳腺纖維腺瘤伴有良性鈣化，另1例病患26歲，鉬靶征象顯示為乳腺增生伴有多發(fā)乳腺纖維腺。另外，CAD對(duì)少量腺體型乳腺的識(shí)別率為4.55%，即在22例少量腺體型乳腺中，系統(tǒng)僅識(shí)別出1例病灶，該病患62歲，鉬靶征象顯示其伴有鈣化。由此可見(jiàn)，CAD對(duì)于鈣化的識(shí)別率較高，并且這2例鉬靶征象中伴有鈣化的患者年齡均超過(guò)55歲。隨著年齡增加，女性乳腺會(huì)逐漸出現(xiàn)生理性的退行性鈣化，且形態(tài)多樣，這些鈣化在鉬靶X線中的表現(xiàn)與乳腺癌的微鈣化不同，多表現(xiàn)為散在分布的粗大鈣化[23-24]。這與本研究中出現(xiàn)粗大鈣化征象的患者年齡均超過(guò)55歲相一致。

乳腺的鉬靶X線圖像表現(xiàn)存在個(gè)體差異，且同一個(gè)體在不同的年齡階段也存在差異，這種差異和乳腺中脂肪含量、腺體含量以及二者的比例密切相關(guān)。女性的乳腺在青春期時(shí)期屬于致密型乳腺，隨著年齡增加，乳腺逐漸由致密型向脂肪型乳腺過(guò)渡。有報(bào)道指出，鉬靶攝影對(duì)致密型乳腺的診斷有一定的局限性，而致密型乳腺是乳腺癌的獨(dú)立危險(xiǎn)因素，有必要輔以其他影像學(xué)檢查手段對(duì)其進(jìn)行早期篩查[25]。目前已有卷積神經(jīng)網(wǎng)絡(luò)（CNN）等深度學(xué)習(xí)模型結(jié)合CAD對(duì)病灶進(jìn)行檢測(cè)、識(shí)別、分割和分類(lèi)診斷的研究[26-27]，未來(lái)如果能進(jìn)一步優(yōu)化CAD系統(tǒng)，輔以人工智能手段，將使影像科醫(yī)師從高強(qiáng)度的工作中解脫出來(lái)，有更多的時(shí)間和精力用于臨床和科研工作。

參考文獻(xiàn)：

[ 1 ] Krings G，Bean G R，Chen Y Y.Fibroepithelial lesions; The WHO spectrum[J].Semin Diagn Patho.，2017，34（5）：438-452.

[ 2 ] Mittra I，Mishra G A，Dikshit R P，et al.Effect of screening by clinical breast examination on breast cancer incidence and mortality after 20 years：prospective，cluster randomised controlled trial in Mumbai[J].Bmj，2021，372 n256.

[ 3 ] Lee C S，Moy L，Hughes D，et al.Radiologist Characteristics Associated with Interpretive Performance of Screening Mammography：A National Mammography Database（NMD） Study[J].Radiology，2021，204379.

[ 4 ] Ledley R S.High-speed photomicrographic analysis by digital computer[J].Med Biol Illus，1966，16（2）：114-115.

[ 5 ] Zhang S，Sun F，Wang N，et al.Computer-Aided Diagnosis（CAD） of Pulmonary Nodule of Thoracic CT Image Using Transfer Learning[J]. Digit Imaging，2019，32（6）：995-1007.

[ 6 ] Li X，Wang X，Yang X，et al.Preliminary study on artificial intelligence diagnosis of pulmonary embolism based on computer in-depth study[J]. Ann Transl Med，2021，9（10）：838.

[ 7 ] Collins M J，Hoffmeister J，Worrell S W.Computer-aided detection and diagnosis of breast cancer[J].Semin Ultrasound CT MR，2006，27（4）：351-355.

[ 8 ] Alksas A，Shehata M，Saleh G A，et al.A novel computer-aided diagnostic system for accurate detection and grading of liver tumors[J]. Sci Rep，2021，11（1）：13148.

[ 9 ] Wu W J，Moon W K.Ultrasound breast tumor image computer-aided diagnosis with texture and morphological features[J].Acad Radiol，2008，15（7）：873-880.

[10] Hassan C，Spadaccini M，Iannone A，et al.Performance of artificial intelligence in colonoscopy for adenoma and polyp detection：a systematic review and meta-analysis[J].Gastrointest Endosc，2021，93（1）：77-85.

[11] Chen P J，Lin M C，Lai M J，et al.Accurate Classification of Diminutive Colorectal Polyps Using Computer-Aided Analysis[J].Gastroenterology，2018，154（3）：568-575.

[12] Fenton J J，Xing G，Elmore J G，et al.Short-term outcomes of screening mammography using computer-aided detection：a population-based study of medicare enrollees[J].Ann Intern Med，2013，158（8）：580-587.

[13] Tajbakhsh N，Shin J Y，Gotway M B，et al.Computer-aided detection and visualization of pulmonary embolism using a novel，compact，and discriminative image representation[J].Med Image Anal，2019，58：101541.

[14] Fenton J J，Abraham L，Taplin S H，et al.Effectiveness of computer-aided detection in community mammography practice[J]. J Natl Cancer Inst，2011，103（15）：1152-1161.

[15] Somasegar S，Li L，Thompson C L.No association of reproductive risk factors with breast cancer tumor grade[J].Eur J Cancer Prev，2018，27（2）：140-143.

[16] Ajmal M，Khan M，Van Fossen K.Breast Fibroadenoma[M]. In StatPearls，StatPearls Publishing Copyright■2021，StatPearls Publishing LLC：Treasure Island（FL），2021.

[17] Conant E F，Barlow W E，Herschorn S D，et al.Association of Digital Breast Tomosynthesis vs Digital Mammography With Cancer Detection and Recall Rates by Age and Breast Density[J]. JAMA Oncol，2019，5（5）：635-642.

[18] Hu C Y，Ma W J，Liu J，et al. Correlation between breast density and age，breast cancer molecular subtype[J]. Zhonghua Yi Xue Za Zhi，2019，99（1）：49-52.

[19] Holowko N，Eriksson M，Kuja-Halkola R，et al.Heritability of Mammographic Breast Density，Density Change，Microcalcifications，and Masses[J].Cancer Res.，2020，80（7）：1590-1600.

[20] Kooi T，Litjens G，Van Ginneken B，et al.Large scale deep learning for computer aided detection of mammographic lesions[J].Med. Image Anal.，2017，35：303-312.

[21] Lehman C D，Wellman R D，Buist D S，et al.Diagnostic Accuracy of Digital Screening Mammography With and Without Computer-Aided Detection[J]. JAMA Intern Med，2015， 175（11）：1828：1837.

[22] Fenton J J，Taplin S H，Carney P A，et al.Influence of computer-aided detection on performance of screening mammography[J].New Engl. J. Med.，2007，356（14）：1399-1409.

[23] Vanna R，Morasso C，Marcinnò B，et al.Raman Spectroscopy Reveals That Biochemical Composition of Breast Microcalcifications Correlates with Histopathologic Features[J].Cancer Res.，2020，80（8）：1762-1772.

[24] Luiten J D，Voogd A C，Luiten E J T，et al.Recall and Outcome of Screen-detected Microcalcifications during 2 Decades of Mammography Screening in the Netherlands National Breast Screening Program[J].Radiology，2020， 294（3）：528-537.

[25] Kim S H，Kim H H，Moon W K. Automated Breast Ultrasound Screening for Dense Breasts[J].Korean J. Radiol.，2020，21（1）：15-24.

[26] Al-Antari M A，Al-Masni M A，Kim T S. Deep Learning Computer-Aided Diagnosis for Breast Lesion in Digital Mammogram[J].Adv. Exp. Med. Biol.，2020，1213：59-72.

[27] Non. Deep Learning Algorithm Aids Breast Cancer Detection by Mammography[J].Cancer Discov，2021，11（3）：9.