基于TIRM序列不同區(qū)域的GLCM紋理特征對(duì)乳腺腫塊的診斷價(jià)值＊

錢 麗 李 通 唐彩銀

南京醫(yī)科大學(xué)附屬泰州人民醫(yī)院影像科 (江蘇 泰州 225300)

根據(jù)國(guó)際癌癥研究機(jī)構(gòu)2021年初發(fā)布的數(shù)據(jù)，2020年乳腺癌新發(fā)病例高達(dá)226萬例，居所有新發(fā)癌癥病例的首位[1]。乳腺M(fèi)RI檢查軟組織分辨率高，對(duì)多中心及深部病灶的敏感性高于其他檢查[2]，T2反轉(zhuǎn)恢復(fù)壓脂(turbo inversion recovery magnitude,TIRM)序列作為乳腺M(fèi)RI平掃的常規(guī)掃描序列，脂肪抑制技術(shù)的應(yīng)用使病灶與周圍組織的信號(hào)對(duì)比更加突出，顯示細(xì)節(jié)較常規(guī)T1WI和T2WI清晰，病灶檢出率在一定程度上提高[3]。傳統(tǒng)MRI影像診斷主要依靠病灶的形態(tài)特征及醫(yī)生的臨床經(jīng)驗(yàn)，診斷效能有限。紋理分析可以通過分析圖像灰度分布情況以及像素與空間之間的關(guān)系，定量分析腫瘤的異質(zhì)性[4-5]，其中常用的二階紋理分析方式為灰度共生矩陣(gray level co-occurrence matrix，GLCM)。目前大部分紋理分析是針對(duì)病灶整體進(jìn)行，所繪制的感興趣區(qū)(region of interest，ROI)覆蓋病灶整體區(qū)域。Gatenby等[6]研究發(fā)現(xiàn)病灶內(nèi)不同區(qū)域(如：中央和邊緣)的紋理特征對(duì)病灶的診斷效能有差別。因此，本研究探討基于TIRM序列不同區(qū)域的GLCM紋理特征鑒別乳腺良惡性腫塊的價(jià)值。

1 資料與方法

1.1 一般資料本研究通過我院醫(yī)學(xué)倫理委員會(huì)批準(zhǔn)(批準(zhǔn)文號(hào)：KY202107901)?；仡櫺允占?016年5月至2021年4月在我院就診并經(jīng)病理確診的女性乳腺病變患者臨床資料(發(fā)病年齡、病理結(jié)果)及MRI檢查影像資料。

納入標(biāo)準(zhǔn)：MRI檢查前未曾接受過針對(duì)性治療及病理活檢；MRI檢查后一周內(nèi)行活檢穿刺或手術(shù)切除，病理結(jié)果明確。排除標(biāo)準(zhǔn)：MRI圖像質(zhì)量較差，影響觀察；病灶過小(短徑＜0.5cm)，無法準(zhǔn)確設(shè)置ROI。

本研究共納入88例患者(98個(gè)病灶)。其中41例病例發(fā)現(xiàn)良性病灶48個(gè)，年齡在23至65歲之間，平均40.9±10.2歲；47例病例發(fā)現(xiàn)惡性病灶50個(gè)，年齡在18至79歲之間，平均49.5±11.6歲。

1.2 檢查方法使用Siemens Skyra 3.0T和Siemens Verio 3.0T超導(dǎo)磁共振掃描儀及專用4通道乳腺線圈進(jìn)行掃描。患者取標(biāo)準(zhǔn)俯臥位，頭先進(jìn)，將雙側(cè)乳腺自然懸垂并適當(dāng)固定于線圈中。常規(guī)掃描序列包括雙乳矢狀位T2WI-FS序列、軸位TIRM、T1WI序列及擴(kuò)散加權(quán)成像序列。動(dòng)態(tài)增強(qiáng)掃描采用3D FLASH序列重復(fù)掃描6個(gè)時(shí)相，包括1期蒙片和5期增強(qiáng)，掃描完第一期后注射對(duì)比劑，以高壓注射器經(jīng)靜脈注射釓噴酸葡胺對(duì)比劑(0.1mmol/kg)，流速為2.0mL/s，而后開始連續(xù)掃描。其中兩臺(tái)MRI掃描儀TIRM序列的具體掃描參數(shù)見表1。

表1 TIRM序列掃描參數(shù)

1.3 紋理分析方法由2名分別具有4年及15年乳腺M(fèi)RI診斷經(jīng)驗(yàn)的醫(yī)師遵循盲法原則協(xié)商選擇TIRM序列中病灶最大層面。選擇完成后從PACS工作站中將所選層面圖像以BMP格式保存并導(dǎo)入MaZda軟件(Version4.6，http://www.eletel.p.lodz.pl/mazda)。選擇μ±3σ選項(xiàng)進(jìn)行圖像灰度歸一化處理，以便最大限度地減少亮度和對(duì)比度變化對(duì)紋理分析結(jié)果的影響。勾畫ROI時(shí)，首先沿病灶邊緣手動(dòng)繪制整體區(qū)ROI，然后通過形態(tài)學(xué)操作侵蝕(Erosion)縮小感興趣區(qū)域。根據(jù)既往研究[7],我們將侵蝕至病灶直徑一半的區(qū)域定義為中央?yún)^(qū),整體區(qū)減去中央?yún)^(qū)得到的環(huán)形區(qū)域定義為邊緣區(qū)(圖1-4)，繪制過程中盡量避免壞死、囊變區(qū)域。最后分別提取三個(gè)區(qū)域的GLCM參數(shù)，包括角二階距(AngScMom)、對(duì)比度(Contrast)、平方和(SumOfSqs)、逆差距(InvDfMom)、和平均(SumAverg)、和方差(SumVarnc)、和熵(SumEntrp)、熵(Entropy)、差方差(DifVarnc)、差熵(DifEntrp)共計(jì)十個(gè)參數(shù)。

1.4 統(tǒng)計(jì)學(xué)方法應(yīng)用SPSS 25.0統(tǒng)計(jì)軟件進(jìn)行數(shù)據(jù)分析，符合正態(tài)分布的數(shù)據(jù)行獨(dú)立樣本t檢驗(yàn)進(jìn)行組間比較，以(±s)表示；若不符合正態(tài)分布，則采用Mann-Whitney U檢驗(yàn)進(jìn)行組間比較，以中位數(shù)(上四分位數(shù)，下四分位數(shù))表示，以P＜0.05認(rèn)為差異具有統(tǒng)計(jì)學(xué)意義。比較各參數(shù)在良惡性兩組間的差異，繪制受試者工作曲線(ROC)評(píng)估其診斷效能。進(jìn)一步選取三個(gè)不同ROI兩組間差異有統(tǒng)計(jì)學(xué)意義的紋理參數(shù)分別建立多參數(shù)Logistic回歸診斷模型，繪制ROC曲線評(píng)估不同模型對(duì)良惡性病灶的診斷效能，確定診斷效能最優(yōu)的感興趣區(qū)。

2 結(jié)果

2.1 GLCM紋理參數(shù)的組間比較及診斷價(jià)值良惡性兩組間差異有統(tǒng)計(jì)學(xué)意義(P＜0.05)的GLCM參數(shù)共計(jì)20個(gè)(詳見表2-4)，其中整體區(qū)有6個(gè)：角二階距、對(duì)比度、和方差、和熵、熵、差熵；邊緣區(qū)有7個(gè)：角二階距、對(duì)比度、逆差距、和方差、和熵、熵、差熵；中央?yún)^(qū)有7個(gè)：角二階距、平方和、和平均、和方差、和熵、熵、差熵。良性組中三個(gè)感興趣區(qū)的和方差、和熵、熵、差熵均低于惡性組，而角二階矩均高于惡性組，差異有統(tǒng)計(jì)學(xué)意義(P＜0.05)。其中以邊緣區(qū)的差熵診斷效能最高，AUC為0.783，當(dāng)閾值為1.556時(shí)，診斷乳腺癌的敏感度和特異度分別為76.0%、79.2%(詳見表5)。

表2 良惡性病變組整體區(qū)紋理參數(shù)比較

表3 良惡性病變組邊緣區(qū)紋理參數(shù)比較

表4 良惡性病變組中央?yún)^(qū)紋理參數(shù)比較

表5 良惡性病變組差異有統(tǒng)計(jì)學(xué)意義的各參數(shù)診斷效能

2.2 不同ROI的紋理參數(shù)聯(lián)合診斷模型的診斷效能將兩組間差異有統(tǒng)計(jì)學(xué)意義的紋理參數(shù)分別聯(lián)合，并建立基于三個(gè)不同ROI的二元Logistic回歸診斷模型。繪制ROC曲線評(píng)估發(fā)現(xiàn)，邊緣區(qū)紋理參數(shù)的聯(lián)合診斷模型效能最高，AUC為0.840，當(dāng)閾值為0.569時(shí)，診斷乳腺癌的敏感度和特異度分別為82.0%和81.3%。整體區(qū)紋理參數(shù)的聯(lián)合診斷模型效能次之，AUC為0.817，當(dāng)閾值為0.529時(shí)，敏感度和特異度分別為76.0%和72.9%。(詳見表6、圖5)

圖5 良惡性病變組不同ROI紋理參數(shù)聯(lián)合診斷模型ROC曲線

表6 良惡性病變組不同ROI紋理參數(shù)聯(lián)合診斷效能

3 討論

3.1 GLCM紋理參數(shù)對(duì)鑒別乳腺良惡性病變的價(jià)值GLCM是二階紋理特征的一種，通過統(tǒng)計(jì)圖像中一定距離和方向的兩像素之間的灰度空間關(guān)系得到共生矩陣，以此來描述紋理的粗細(xì)程度及重復(fù)方向[8]。常見的GLCM紋理參數(shù)有角二階矩、相關(guān)性、熵、和熵、差熵等。角二階矩反映了圖像分布的均勻程度，當(dāng)圖像均勻性越高或像素強(qiáng)度越規(guī)則時(shí)，角二階矩的值越高[9]。本研究中良性組的角二階矩高于惡性組，這提示乳腺良性病變的圖像分布更均勻，異質(zhì)性更低，與既往文獻(xiàn)報(bào)道一致[10]。和熵及差熵屬于熵相關(guān)的紋理特征，反映了圖像灰度分布的隨機(jī)性，圖像灰度分布的隨機(jī)性越高，熵值越大[11]。Zhao等[12]基于特發(fā)性肉芽腫性乳腺炎和浸潤(rùn)性乳腺癌的ADC全容積直方圖和紋理特征進(jìn)行研究，結(jié)果發(fā)現(xiàn)浸潤(rùn)性乳腺癌的差熵和熵比特發(fā)性肉芽腫性乳腺炎高，與本研究結(jié)果一致。這可能是由于乳腺正常組織結(jié)構(gòu)被腫瘤細(xì)胞取代，腫瘤細(xì)胞呈現(xiàn)無規(guī)律的生長(zhǎng)增殖、液化壞死，導(dǎo)致病灶內(nèi)細(xì)胞分布混亂，圖像紋理結(jié)構(gòu)變得雜亂無章，從而熵相關(guān)的紋理參數(shù)高于良性病變。

3.2 不同ROI紋理分析的應(yīng)用價(jià)值紋理分析通過捕捉人眼通常無法識(shí)別或無法區(qū)分的圖像模式，分析圖像像素灰度值的局部特征、變化規(guī)律及其分布模式，從而客觀量化腫瘤的異質(zhì)性[13]。有學(xué)者[14]研究發(fā)現(xiàn)，病灶內(nèi)不同區(qū)域細(xì)胞增殖活躍度存在差異，因此，僅僅對(duì)腫瘤整體區(qū)域進(jìn)行紋理分析評(píng)估是不夠的，有必要將病灶分為不同區(qū)域進(jìn)行研究。

在本研究中，邊緣區(qū)的紋理特征在鑒別乳腺良惡性腫塊診斷價(jià)值最高，整體區(qū)次之，中央?yún)^(qū)最低。高先聰?shù)萚7]基于乳腺X線圖像不同區(qū)域的紋理特征來鑒別乳腺腫塊良惡性，結(jié)果也發(fā)現(xiàn)邊緣區(qū)域的紋理特征相較于整體區(qū)域顯示出更好的診斷效能，與本研究結(jié)果一致。這可能是因?yàn)槟[瘤中央?yún)^(qū)主要由纖維組織和壞死細(xì)胞組成，血管化不良，組織結(jié)構(gòu)較單一[15]，而病灶邊緣區(qū)域含有更豐富的新生微血管、成纖維細(xì)胞及淋巴細(xì)胞浸潤(rùn)分布，微結(jié)構(gòu)更復(fù)雜，分布更混亂[16-17]。

邊緣區(qū)的紋理特征在一定程度上可以輔助鑒別乳腺良惡性腫塊，為臨床提供一定的參考依據(jù)。然而各學(xué)者對(duì)腫瘤邊緣區(qū)的劃分范圍各不相同。Braman等[18]在評(píng)估乳腺癌新輔助化療的病理完全緩解時(shí)，根據(jù)腫瘤大小不同，選擇的瘤周區(qū)域?yàn)槟[瘤周圍的2.55.0mm之間。Wang等[19]選擇肺癌瘤周ROI時(shí)，采用形態(tài)擴(kuò)張和侵蝕操作在距離病灶邊界15mm處進(jìn)行分割。Kamiya等[20]利用MaZda軟件的擴(kuò)張功能，將乳腺腫瘤邊界線由1像素?cái)U(kuò)張為3像素，將其覆蓋的區(qū)域定義為腫瘤周圍區(qū)域。目前對(duì)腫瘤邊緣區(qū)域的劃分方式尚未達(dá)到統(tǒng)一，有研究[21]發(fā)現(xiàn)，由于腫瘤周圍組織細(xì)胞的組成成分及空間分布不同，所選擇的腫瘤邊緣范圍不同，結(jié)果會(huì)有很大差異。因此，未來需要進(jìn)一步聯(lián)合多中心研究，共同探索腫瘤邊緣區(qū)域的劃分方式，完善本研究結(jié)果。

3.3 本研究的局限性本研究存在一些不足之處，第一，使用了來自兩臺(tái)不同MRI機(jī)器的數(shù)據(jù)進(jìn)行研究，可能會(huì)因?yàn)椴煌膾呙鑵?shù)導(dǎo)致圖像質(zhì)量不同，從而影響紋理分析的結(jié)果。第二，只選擇了腫瘤最大層面的二維圖像進(jìn)行紋理分析，無法體現(xiàn)腫瘤的三維特征。第三，目前對(duì)腫瘤的邊緣區(qū)域沒有達(dá)成共識(shí)，本研究中邊緣區(qū)的ROI被簡(jiǎn)單地定義為腫瘤直徑一半的環(huán)形區(qū)域，未來需要進(jìn)一步的研究來優(yōu)化腫瘤邊緣區(qū)的定義。第四，本研究為單中心回顧性分析，接下來需要收集更多樣本數(shù)據(jù)進(jìn)行驗(yàn)證。

綜上所述，基于TIRM圖像的GLCM紋理參數(shù)可以有效鑒別乳腺良惡性腫塊，其中乳腺腫塊邊緣區(qū)域的紋理特征診斷價(jià)值最高，為未來臨床診斷提供新的研究思路和方向。