磁共振增強圖像三維紋理分析對乳腺良惡性病變的鑒別診斷價值

鄧義， 楊壁然， 劉志強， 鮑軍芳， 唐亞霞

乳腺癌是臨床常見腫瘤，近年來我國女性乳腺癌的死亡率呈上升趨勢，早期發現、診斷和及時治療是乳腺癌防治的重要策略[1]。乳腺MRI檢查診斷乳腺癌的敏感度高，但是乳腺良惡性病變的影像表現有一定的重疊，有待進一步研究。圖像紋理分析是一種計算機輔助圖像分析方法，可以量化分析圖像像素的灰度值局部特征、像素灰度值變化規律及其空間分布結構信息，不局限于肉眼的觀察。本研究旨在探討乳腺磁共振增強圖像的三維紋理分析在鑒別乳腺良惡性病變中的診斷價值。

材料與方法

1.臨床資料

搜集2016年10月-2018年4月在本院就診的34例女性患者的臨床和影像檢查資料。其中乳腺癌患者16例，年齡31～68歲，中位年齡51歲；浸潤性導管癌14例，導管原位癌2例。乳腺良性病變患者18例，年齡31～59歲，中位年齡45歲；纖維瘤9例，乳腺腺病7例，乳腺炎2例。所有病例經手術病理證實，于術前1周行MRI檢查。

2.成像設備和方法

使用Siemens Avanto 1.5T磁共振掃描儀和四通道相控陣乳腺專用線圈。患者取俯臥位、頭先進，雙乳自然懸垂于線圈內。先行常規MR平掃，包括T1WI、T2WI和DWI序列，隨后采用橫軸面三維容積內插法快速擾相梯度回波序列行動態增強掃描，完成蒙片掃描后，注射釓對比劑(馬根維顯)，劑量0.1 mmol/kg，注射流率2 mL/s，隨即以同樣流率注射生理鹽水20 mL，對比劑注射完成后立即啟動掃描，共掃描7個期相，每期的掃描時間為90 s。掃描參數：TR 4.58 ms，TE 1.87 ms，矩陣384×384，視野36 cm×36 cm，層厚1.5 mm，層間距0.3 mm。

3.圖像后處理和分析

圖像選擇和導出：自PACS將MR圖像回傳至思創工作站，由具有豐富影像診斷經驗的影像醫師在工作站上進行閱片分析，將動態增強掃描第一期相的圖像以“BMP”格式導出至移動硬盤，導出圖像的窗寬、窗位需保持一致。

圖像紋理參數提取：使用紋理分析軟件MaZda(Version 4.6，http://www.eletel.p.lodz.pl/mazda)，由具有豐富影像診斷工作經驗的影像科醫師對增強圖像進行紋理分析，使用軟件中的三維感興趣區編輯器(3D ROI editor)在病灶內勾畫ROI，編輯器可變形，表面網可自動探測病變的邊界，ROI包括整個病灶，隨后軟件即可計算出病變的紋理特征參數(圖1～2)。為減小對比度和亮度變化對分析結果可能存在的影響，在提取圖像紋理參數之前，先將圖像的灰階水平在[μ-3δ，μ+3δ](μ和δ分別是平均灰度值和標準差)范圍進行標準化。紋理參數的分析方法包括灰度直方圖、灰度游程矩陣、灰度絕對梯度和灰度共生矩陣等。

紋理特征和分類分析：采用MaZda軟件的3種最優紋理參數選擇方法，分別是交互信息(mutual information，MI)、Fisher系數(Fisher coefficient，Fisher)和最小分類誤差與最小平均相關系數法(inimisation of both classification error probability and average correlation coefficients，POE+ACC)，分別提取每種方法當中的前10個最優紋理參數，總共30個紋理參數進行后續分析。MaZda軟件自帶B11統計分析軟件包，提供4種常用的分類分析方法，包括：原始數據分析(raw data analysis，RDA)、主要成分分析(principal component analysis，PCA)、線性分類分析(linear discriminant analysis，LDA)和非線性分類分析(nonlinear discriminant analysis，NDA)。采用上述4種方法分別對最優紋理參數進行分析，評估其在乳腺癌與乳腺良性病變鑒別診斷中的價值，鑒別診斷結果以誤判率表示。誤判率越小說明圖像的紋理特征參數越具有鑒別診斷價值。

使用SPSS 16.0統計分析軟件，對上述30個最優紋理參數在良惡性病變間的差異采用兩獨立樣本Mann-Whitney U檢驗進行統計學分析，以P<0.05為差異有統計學意義，對其中組間差異具有統計學意義的紋理參數，采用MedCalc 15.8統計軟件進行受試者工作特征曲線(ROC)分析。

結 果

基于動態增強早期圖像的不同紋理特征選擇方法及分類分析方法對良惡性病變的誤判率見表1。基于最優紋理特征的4種分類分析方法中，以非線性分類分析(NDA)對于乳腺良惡性病變的誤判率最低，其中以POE+ACC聯合NDA的誤判率最低(圖3)，誤判率為5.88%。采用3種紋理參數選擇方法選取的30個最優紋理參數中，以灰度共生矩陣參數最多(17個)，直方圖參數6個，游程矩陣參數6個、絕對梯度參數1個。其中10項紋理參數在乳腺良惡性病變之間的差異具有統計學意義(P<0.05)，這10項參數的測量值及組間比較結果見表2。10項紋理參數鑒別病灶良惡性的診斷效能見表3。受試者工作特征曲線分析結果顯示，各項紋理參數的AUC范圍為0.717～0.755。

表2 乳腺良惡性病變見差異有統計學意義的10項紋理參數值

表3 乳腺良惡性病變的三維紋理參數受試者工作特征曲線分析

圖1 右側乳腺導管癌患者對比增強T1WI，在病灶內勾畫ROI進行紋理參數的測量，此病灶的99%灰度百分位值為4.096×103，50%灰度百分位值為3.133×103，直方圖均值為3.073×103，均值和(0，1，0)為0.976×102，均值和(1，0，0)為0.975×102，均值和(1，1，0)為0.979×102，均值和(0，0，1)為0.981×102，均值和(1，-1，0)為0.974×102，90%灰度百分位值為3.647×103，10%灰度百分位值為2.426×103。 圖2 左側乳腺纖維腺瘤患者對比增強T1WI，在病灶內勾畫ROI進行紋理參數的測量，此病灶的99%灰度百分位值為3.277×103，50%灰度百分位值為1.639×103，直方圖平均值為1.725×103，均值和(0，1，0)為0.552×102，均值和(1，0，0)為0.550×102，均值和(1，1，0)為0.551×102，均值和(0，0，1)為0.552×102，均值和(1，-1，0)為0.551×102，90%灰度百分位值為2.346×103，10%灰度百分位值為1.189×103。 圖3 POE+ACC/NDA法分類結果示意圖，1代表乳腺癌組，2代表良性病變組，1和2之間僅有少許重疊，重疊越少則對兩組的誤判率越低。

表1 各種紋理特征選擇方法及分類分析方法的誤判率 (%)

討 論

乳腺良惡性病變的影像學鑒別診斷對于臨床選擇治療方案具有非常重要的意義。常規MRI序列包括DWI對乳腺良惡性病變的診斷具有較大價值，但是良惡性病變的影像表現仍有重疊[2]。圖像紋理分析技術通過數學運算來反映數字圖像中像素灰度的分布特征，能夠提供影像科醫師肉眼所不能觀察到的客觀信息。既往有研究基于乳腺X線攝影進行紋理分析，結果顯示結合紋理分析的方法可以明顯提高乳腺X線攝影對乳腺良惡性病變的診斷效能[3]。有學者研究發現基于T2WI序列的紋理分析對乳腺病變的誤判率低于T1WI和延遲增強T1WI[4]。基于T2WI和對比增強T1WI的紋理分析可以幫助預測乳腺癌對治療后的反應[5-6]。MR增強圖像的紋理分析聯合MR乳腺影像報告和數據系統(BI-RADS)可以提高乳腺良惡性病變的診斷準確性[7]。目前多數文獻關于圖像紋理分析采用的是二維圖像分析，未能分析全部瘤體的紋理參數，對于腫瘤的異質性和腫瘤成份的空間分布信息可能出現遺漏。本研究采用三維紋理分析法，結果顯示MR增強圖像三維紋理分析對于良惡性腫瘤的誤判率低，POE+ACC聯合非線性分類分析(NDA)的誤判率僅5.88%。在MaZda軟件中，NDA是采用人工神經網絡來實現分類。對于乳腺良惡性腫塊的紋理特征的分類分析方法中，NDA的誤判率最低，與張竹偉等[4]的研究報道一致，在他們的研究中基于增強T1WI的誤判率為14.71%。

本研究中獲取的乳腺良惡性病變的MRI三維紋理分析參數中，經統計學分析，結果顯示有10項紋理參數的差異具有統計學意義，其中5個為直方圖參數，5個為灰度共生矩陣參數，提示這些紋理特征在乳腺良惡性病變的診斷中具有應用價值。直方圖參數在腫瘤的影像診斷和鑒別診斷中的價值已經有相關研究，直方圖可以反映不同腫瘤區域的灰度特征，對全部瘤體的直方圖分析在腫瘤的診斷和分級中具有優勢。本研究中以50%灰度百分位值的診斷價值最高，其AUC為0.755，敏感度93.75%，特異度61.11%，最佳臨界值為2.217×103。

灰度共生矩陣是一種描述圖像表面灰度分布周期規律的紋理分析方法，具有豐富的紋理特征參數，本研究中選取的30個最佳紋理特征中有17個來自于灰度共生矩陣。10個具有統計學差異的參數中有5個為灰度共生矩陣參數。均值和是度量圖像區域內像素點平均灰度值的參數，反映了圖像的整體明暗深淺。良惡性病變間均值和的差異具有統計學意義，從影像學特征方面反映了乳腺良惡性腫瘤的組織結構的差異。

本研究的局限性在于樣本量不大，良惡性組病變組為對具體疾病類型進行進一步細分，需要在今后的的研究中進一步深入分析。總之，磁共振增強圖像三維紋理分析對于乳腺良惡性病變的鑒別診斷具有良好的臨床應用價值。