基于圖像處理技術(shù)的肺結(jié)節(jié)分割和肺部良惡性分型

曾朝強(qiáng)，王 晶，張福洲，何孔明，聶 麟

(南充市中心醫(yī)院 影像科，四川 南充 637000)

肺部健康是世界公認(rèn)的健康問(wèn)題，當(dāng)前肺癌成為中國(guó)致死率最高的癌癥。研究表明，低劑量CT檢查的早期肺癌檢出率要優(yōu)于常規(guī)的X線胸片檢查，并能夠相對(duì)的降低死亡率、提升治愈率[1]。肺結(jié)節(jié)良惡性是進(jìn)行肺癌早期篩查的重要內(nèi)容之一，然而在CT檢查的基礎(chǔ)上檢查肺結(jié)節(jié)的良惡性仍然存在一定的困難。一般的影像學(xué)檢查會(huì)分析病變的影像學(xué)特征，包括毛刺征、分葉征以及鈣化等，并未對(duì)圖像進(jìn)行完全利用[2]。CAD技術(shù)結(jié)合圖像處理算法可定量化測(cè)量CT影像，并精確提取圖像紋理特征，全面挖掘圖像中各項(xiàng)數(shù)據(jù)[3]。當(dāng)前，CAD技術(shù)結(jié)合圖像處理算法在醫(yī)療領(lǐng)域應(yīng)用非常廣泛，包括了結(jié)節(jié)良惡性分類和影像學(xué)性質(zhì)、肺癌預(yù)后預(yù)測(cè)、肺腺癌鑒別等，具有一定可復(fù)制性[4-5]。因此，本實(shí)驗(yàn)將通過(guò)對(duì)本院數(shù)據(jù)庫(kù)中的肺結(jié)節(jié)CT圖像進(jìn)行定量描述，并構(gòu)建出肺結(jié)節(jié)良惡性分類模型，以探討CAD技術(shù)和圖像處理算法應(yīng)用于肺結(jié)節(jié)分割和肺部良惡性分型的效果，現(xiàn)報(bào)道如下。

1 資料與方法

1.1 數(shù)據(jù)資料 選擇2015年1月至2020年12月在我院數(shù)據(jù)庫(kù)中的肺結(jié)節(jié)CT圖像2 856個(gè)進(jìn)行回顧性分析。將其中的2 744個(gè)肺結(jié)節(jié)作為訓(xùn)練集，良性和惡性分別為2 380、364個(gè)；剩下的112個(gè)作為驗(yàn)證集，良性和惡性分別為62、50個(gè)。納入標(biāo)準(zhǔn)：①圖像清晰且能夠正常進(jìn)行研究；②肺結(jié)節(jié)直徑在3～30 mm；③選取的肺結(jié)節(jié)CT圖像可明確診斷為良性或惡性。排除標(biāo)準(zhǔn)：無(wú)法進(jìn)行正常研究的圖像或圖像質(zhì)量較差。

1.2 圖像分割方法 建立被試文件夾并導(dǎo)入訓(xùn)練集實(shí)驗(yàn)影像數(shù)據(jù)，同時(shí)提取出大于3 mm結(jié)節(jié)的分割及良惡性的醫(yī)師評(píng)價(jià)結(jié)果，并且超過(guò)1個(gè)以上醫(yī)師對(duì)結(jié)節(jié)的最終分割范圍中包括結(jié)節(jié)內(nèi)體素。將全部醫(yī)師對(duì)結(jié)節(jié)良惡分型后的平均值作為良惡性判定標(biāo)準(zhǔn)，低于4分為良性結(jié)節(jié)，其余為惡性結(jié)節(jié)。

對(duì)驗(yàn)證集而言，通過(guò)某位專業(yè)的放射科主任醫(yī)師在影像文件中，應(yīng)用3D-slicer計(jì)算機(jī)輔助診斷軟件進(jìn)行肺結(jié)節(jié)坐標(biāo)的輔助繪制，繪制過(guò)程中采用手動(dòng)方式逐層仔細(xì)勾畫(huà)ROI，以得到準(zhǔn)確的3D-ROI，并用于影像組學(xué)特征的提取[6]。同時(shí)將勾畫(huà)出的ROI結(jié)果交給具有豐富經(jīng)驗(yàn)的放射科醫(yī)師檢查，若存在分割爭(zhēng)議，需要經(jīng)過(guò)多方的重新商討后在重新繪制并分割。

1.3 提取影像組學(xué)特征 對(duì)影像組學(xué)特征進(jìn)行提取時(shí)，設(shè)定CT影像肺窗的窗位與窗寬分別為750HU、1 500HU，以準(zhǔn)確定位結(jié)節(jié)所在灰度區(qū)域。重采樣全部結(jié)節(jié)體素，確保采樣大小為1 mm×1 mm×1 mm。本實(shí)驗(yàn)應(yīng)用了Pyradiomics 2.2.0軟件包對(duì)各個(gè)肺結(jié)節(jié)影像3D-ROI進(jìn)行了特征提取，共計(jì)提取了946個(gè)，其中有18個(gè)一階統(tǒng)計(jì)學(xué)特征、688個(gè)小波濾波后特征、22個(gè)灰度共生矩陣(GLCM)特征、172個(gè)拉普拉斯高斯(LOG)算子濾波后特征、14個(gè)灰度依賴矩陣(GLDM)特征、16個(gè)灰度大小區(qū)域矩陣(GLSZM)、16個(gè)灰度游程矩陣(GLRLM)特征。

1.4 特征選擇及模型構(gòu)建 應(yīng)用嵌套交叉驗(yàn)證對(duì)訓(xùn)練集進(jìn)行特征選取后，并優(yōu)化模型參數(shù)，再將模型放入訓(xùn)練集中進(jìn)行性能驗(yàn)證。先訓(xùn)練集樣本隨機(jī)分為10組，確保各組內(nèi)數(shù)據(jù)不重復(fù)，各組的良、惡性樣本構(gòu)成均為10%。接著在進(jìn)行每次交叉驗(yàn)證時(shí)，選擇9組為驗(yàn)證訓(xùn)練集，1組為測(cè)試集，實(shí)現(xiàn)交叉驗(yàn)證外循環(huán)，以使各組都可成為測(cè)試集并參與交叉驗(yàn)證1次。

參與以上各次交叉驗(yàn)證的訓(xùn)練集為選擇的9組數(shù)據(jù)樣本，應(yīng)用Wilcox或者t檢驗(yàn)(數(shù)據(jù)滿足正態(tài)分布)進(jìn)行組間對(duì)比分析，列標(biāo)準(zhǔn)化處理具有顯著性差異的特征(P<0.05)，達(dá)到消除組間特征尺度差異的目的。特征選擇過(guò)程應(yīng)用三聯(lián)法或者選擇算子(LASSO)、絕對(duì)值收斂算法[7]。其中選擇算子算法的回歸特征應(yīng)用交叉驗(yàn)證內(nèi)循環(huán)嵌套方法，選取模型參數(shù)λ時(shí)，要遵循最簡(jiǎn)模型標(biāo)準(zhǔn)差范圍的最小模型二項(xiàng)誤差原則，以保證模型的有效性[8]。保留參數(shù)λ下系數(shù)非零的特征，并應(yīng)用該參數(shù)建立分類模型。在三聯(lián)法的基礎(chǔ)上應(yīng)用Fisher系數(shù)、互信息以及平均相關(guān)系數(shù)分別結(jié)合分類錯(cuò)誤概率方法，得到最優(yōu)特征值10個(gè)，再將全部30個(gè)特征綜合成三聯(lián)法的選擇特征[9]。應(yīng)用線性支持向量機(jī)算法(SVM)提出肺結(jié)節(jié)良惡性分型方法，計(jì)算出樣本的概率輸出和分型，評(píng)價(jià)模型分類能力。將嵌套交叉檢驗(yàn)反復(fù)練習(xí)至少上百次，計(jì)算結(jié)果的平均值，以提升模型結(jié)果的準(zhǔn)確性。接著調(diào)整支持向量機(jī)算法參數(shù)C，并重復(fù)以上操作，并得到不同參數(shù)C下的分類性能，可以得到特征曲線曲線下面積(AUC)最大時(shí)的參數(shù)能夠使模型預(yù)測(cè)結(jié)果最優(yōu)。

通過(guò)以上方法取得模型的最優(yōu)參數(shù)后，將所有訓(xùn)練集通過(guò)以上相同的方法得到建立模型需要的特征，對(duì)SVM算法模型進(jìn)行重復(fù)訓(xùn)練，以建立最終模型[10]。為了能驗(yàn)證以上方法得出的影像組學(xué)特征的分型能力，通過(guò)層次聚類算法無(wú)監(jiān)督聚類(類別數(shù)2)肺結(jié)節(jié)樣本，以達(dá)到檢驗(yàn)特征是否符合良惡性結(jié)節(jié)分型的標(biāo)準(zhǔn)。

1.5 模型分類性能評(píng)估 本實(shí)驗(yàn)采用統(tǒng)計(jì)軟件包R語(yǔ)言3.6.0對(duì)結(jié)果圖像進(jìn)行制作。采用提出的分類模型評(píng)價(jià)了數(shù)據(jù)庫(kù)中的數(shù)據(jù)影像，主要在訓(xùn)練集中，對(duì)最優(yōu)參數(shù)的模型進(jìn)行了訓(xùn)練集內(nèi)部的效能評(píng)價(jià)。在驗(yàn)證集數(shù)據(jù)庫(kù)中，應(yīng)用特征標(biāo)準(zhǔn)化參數(shù)標(biāo)準(zhǔn)化測(cè)試樣本，同時(shí)將最終分類模型導(dǎo)入計(jì)算，得出各測(cè)試樣本的分型。實(shí)驗(yàn)過(guò)程中，構(gòu)建模型的分型評(píng)價(jià)主要應(yīng)用了AUC、工作特性曲線(ROC)、陰性(NPV)和陽(yáng)性(PPV)預(yù)測(cè)值、敏感度、分類符合率、特異度等指標(biāo)[11]。補(bǔ)充數(shù)據(jù)的描述，統(tǒng)計(jì)學(xué)檢驗(yàn),檢驗(yàn)水準(zhǔn)。

1.6 統(tǒng)計(jì)學(xué)分析 對(duì)所有特征進(jìn)行組間差異分析，若兩組數(shù)據(jù)均滿足正態(tài)分布，采用雙側(cè)獨(dú)立樣本t檢驗(yàn)；否則，采用Wilcox秩和檢驗(yàn)。對(duì)組間比較(P<0.05)的特征進(jìn)行列標(biāo)準(zhǔn)化處理，以消除特征間尺度差異的影響，然后使用絕對(duì)值收斂和選擇算子(LASSO)回歸算法或三聯(lián)法進(jìn)行進(jìn)一步特征選擇。

2 結(jié)果

2.1 特征選擇結(jié)果 本實(shí)驗(yàn)首先對(duì)訓(xùn)練集采用嵌套交叉驗(yàn)證，結(jié)果顯示組間對(duì)比的差異為811.38±6.32，具有顯著性意義(P<0.05)。應(yīng)用LASSO算法、三聯(lián)法進(jìn)行特征選擇，保留的特征分別為(12.59±2.82、29.85±0.06)個(gè)。接著再確定最優(yōu)模型參數(shù)，通過(guò)訓(xùn)練樣本重復(fù)進(jìn)行特征選擇，結(jié)果顯示組間對(duì)比的特征差異為820，具有顯著性意義(P<0.05)，并應(yīng)用LASSO確定了特征17個(gè)(見(jiàn)圖1)。

通過(guò)三聯(lián)法保留的特征有小波19個(gè)、7個(gè)LOG、1個(gè)GLSZM、1個(gè)GLDM、1個(gè)GLCM、1個(gè)一階統(tǒng)計(jì)學(xué)特征；通過(guò)LASSO算法保留的特征有小波12個(gè)、4個(gè)LOG、1個(gè)GLDM。對(duì)LASSO算法選擇的特征在驗(yàn)證集中使用無(wú)監(jiān)督聚類算法的熱圖，如圖2所示。通過(guò)無(wú)監(jiān)督聚類觀察驗(yàn)證集，本實(shí)驗(yàn)構(gòu)建的分類模型在肺部良惡性分型中的準(zhǔn)確率達(dá)到了0.697%，其中特異度0.680、敏感度0.651，NPV、PPV分別為0.680、0.707，反映出本實(shí)驗(yàn)所選取的特征在訓(xùn)練集和測(cè)試集中均存在較好的分類能力。圖2中，行、列分別表示一個(gè)特征與一個(gè)結(jié)節(jié)，顏色深淺表示數(shù)據(jù)樣本的值。

圖2 對(duì)LASSO算法選擇的特征在驗(yàn)證集中使用無(wú)監(jiān)督聚類算法的熱圖

2.2 預(yù)測(cè)模型評(píng)估 取訓(xùn)練集中交叉檢驗(yàn)結(jié)果的平均值。應(yīng)用三聯(lián)法得出特異度為0.880、符合率為0.874、敏感度為0.760、AUC為0.899、PPV和NPV分別為0.502、0.960；應(yīng)用LASSO算法得出特異度為0.887、符合率為0.860、敏感度為0.799、AUC為0.903、PPV和NPV分別為0.503、0.975。

根據(jù)訓(xùn)練集構(gòu)建出模型后，需要在數(shù)據(jù)庫(kù)驗(yàn)證集中進(jìn)行驗(yàn)證，應(yīng)用三聯(lián)法得出特異度為0.478、符合率為0.647、敏感度為0.851、線下面積AUC為0.748、PPV和NPV分別為0.579、0.789，其中AUC的95%可信區(qū)間為[0.519,0.836]，P<0.05；應(yīng)用LASSO算法得出特異度為0.711、符合率為0.756、敏感度為0.811、AUC為0.776、PPV和NPV分別為0.690、0.819,其中AUC的95%可信區(qū)間為[0.529,0.814]，P<0.05。由上述評(píng)估結(jié)果可以看出應(yīng)用LASSO算法后的模型最優(yōu)，具體參數(shù)及系數(shù)如表1所示。本實(shí)驗(yàn)提出模型的ROC曲線見(jiàn)圖3A，對(duì)應(yīng)的混合矩陣間(見(jiàn)圖3B)；圖4為基于本次實(shí)驗(yàn)?zāi)Ｐ偷牟糠址谓Y(jié)節(jié)診斷結(jié)果。

表1 應(yīng)用LASSO算法后肺結(jié)節(jié)分類模型特征的具體參數(shù)及系數(shù)

A:ROC曲線；B:混淆矩陣。

3 討論

本實(shí)驗(yàn)應(yīng)用數(shù)據(jù)庫(kù)中的肺結(jié)節(jié)數(shù)據(jù)，基于CAD技術(shù)和圖像處理算法對(duì)肺結(jié)節(jié)分割和肺部良惡性分型進(jìn)行研究，并在驗(yàn)證集上對(duì)提出的模型進(jìn)行有效性驗(yàn)證。本實(shí)驗(yàn)結(jié)果顯示，由高通量提取的CT影響特征，能夠作為獲得肺結(jié)節(jié)內(nèi)部紋理特性的無(wú)創(chuàng)新工具，提升肺結(jié)節(jié)診斷準(zhǔn)確率。有研究發(fā)現(xiàn)，影像組學(xué)紋理特征能夠更好預(yù)測(cè)早期肺結(jié)節(jié)癌變風(fēng)險(xiǎn)，且AUC值為0.841[12]。也有實(shí)驗(yàn)通過(guò)影像組學(xué)特征建立了分型模型，特異度與敏感度分別為0.821和0.933，證明了影像組學(xué)對(duì)肺部結(jié)節(jié)診斷的有效性[13]。還有實(shí)驗(yàn)采用LIDC-IDRI數(shù)據(jù)庫(kù)建立肺結(jié)節(jié)良惡性分類模型，AUC、符合率分別達(dá)到0.891、0.857，效能顯著優(yōu)于常規(guī)肺影像分級(jí)方法[14]。以上研究結(jié)果說(shuō)明影像組學(xué)能夠提升模型分級(jí)效能，但均未進(jìn)行獨(dú)立驗(yàn)證集的選取，無(wú)法對(duì)模型泛化能力進(jìn)行驗(yàn)證。

本實(shí)驗(yàn)應(yīng)用我院數(shù)據(jù)庫(kù)中的肺結(jié)節(jié)CT圖像2 856個(gè)，并使用LASSO特征選擇算法構(gòu)建最優(yōu)影像組學(xué)分類模型，在訓(xùn)練集內(nèi)部的驗(yàn)證時(shí)的特異度為0.887、符合率為0.860、敏感度為0.799、AUC為0.903、PPV和NPV分別為0.503、0.975，與既往研究結(jié)果基本一致[15]。本次建立的分類模型在獨(dú)立分類模型中的特異度為0.711、符合率為0.756、敏感度為0.811、AUC為0.776、PPV和NPV分別為0.690、0.819，測(cè)試結(jié)果雖相對(duì)低于內(nèi)部驗(yàn)證的結(jié)果，但性能仍然較好，反映出應(yīng)用影像組學(xué)方法在我院數(shù)據(jù)庫(kù)基礎(chǔ)上建立的模型，泛化能力較好。并且三聯(lián)法、LASSO算法的應(yīng)用增強(qiáng)分類模型的能力，反映影像組學(xué)特征具有一定的穩(wěn)定性，在肺結(jié)節(jié)良惡性分型中的辨別能力優(yōu)于其他方法，能夠更深入的應(yīng)用在臨床輔助診斷中[16]。

有學(xué)者指出，根據(jù)某一數(shù)據(jù)集構(gòu)建的CAD模型，需要具有一定的泛化性，能夠與多個(gè)不同數(shù)據(jù)集構(gòu)建的CAD模型進(jìn)行比較，并且比較結(jié)果在差異較小時(shí)，模型才具備一定的可信度[17]。所以需要將不同來(lái)源的數(shù)據(jù)集作為驗(yàn)證集加入實(shí)驗(yàn)中，由于本次實(shí)驗(yàn)資源有限，在今后的研究中會(huì)加入更多不同來(lái)源的數(shù)據(jù)，并將數(shù)據(jù)作為驗(yàn)證本次實(shí)驗(yàn)提出的模型，以提升模型的泛化能力。綜上所述，CAD技術(shù)和圖像處理算法在肺結(jié)節(jié)分割和肺部良惡性分型中應(yīng)用效果較好，具有一定的泛化性，可以進(jìn)一步在計(jì)算機(jī)輔助診斷中推廣。