丁玖乐,陈蕾,孙玲玲,田小娟,陈杰,邢伟
苏州大学附属第三医院影像科,江苏常州 213003; *通讯作者 邢伟suzhxingwei@126.com
医学图像的纹理分析在医学领域的应用已体现出一定的优势[1-3];同时,纹理分析生成定量参数值便于学术交流,更有利于大数据时代数据的进一步处理。但是医学图像的纹理分析也面临着诸多问题,如不同设备和扫描条件产生的图像纹理分析结果不同[4]。在临床实践中,CT图像扫描的管电压、重建层厚相对固定,但不同设备间图像算法及患者体型的差异均可导致两种机型扫描图像的纹理分析差异。因此,探索对这种差异不敏感的参数,或通过预处理减少这种差异是目前医学图像分析的研究重点。Yang等[5]在肺部图像的纹理分析发现,平滑处理可以消除不同机型下噪声的干扰,可能有一定的临床实用价值。本研究通过在不同机型中对VX2肿瘤动物模型扫描,再结合平滑预处理手段,旨在评价不同CT机型下常规腹部扫描的纹理分析差异及预处理方法。
1.1 动物实验 选取健康新西兰大白兔7只,2~3月龄,体重1.8~2.5 kg [实验动物合格证号:SCXK(苏)2014-0004]。于竖脊肌(约肾门水平)注射107/ml的VX2肿瘤细胞悬液0.5 ml后行单个兔笼饲养。卫生水及标准兔饲料条件下饲养14 d。种植后第14天,于右侧股四头肌注射3%戊巴比妥钠(1 ml/kg),约20 min后实验兔达到深麻醉状态(无角膜反应),取俯卧位,固定四肢,行CT平扫及增强扫描。
1.2 CT扫描 采用两种CT机型扫描,分别为Toshiba Aquilion ONE 320层(CT320)和Siemens 16层CT(CT16)。CT320的常规腹部扫描参数:管电压120 kV,X线球管输出功率151 mAs,未采用自动毫安技术,矩阵512×512,探测器宽度0.6 mm,重建层厚5 mm,重建算法kernel FC18。CT16常规腹部扫描参数:管电压120 kV,X线球管输出功率150 mAs,未采用自动毫安技术,矩阵512×512,探测器宽度0.75 mm,重建层厚5 mm,重建算法B31f。CT扫描顺序:CT320平扫、CT16平扫和CT16增强扫描。经耳缘静脉手动推注碘比醇注射液(XENETIX 350 100 ml),用量3 ml,9~12 s内完成推注,对比剂推注后30 s开始增强扫描。
1.3 图像分析 由1名有5年以上工作经验、对实验研究目的及设计方法未知的副主任医师进行图像分析。采用IBEX软件分析,首先载入7个VX2瘤的CT图像(2台机型扫描共计14个影像号),参考增强图像(增强后异常强化的边缘),选取肿瘤面积最大的3个层面,分别勾画肿瘤的轮廓,生成感兴趣区(ROI);然后导出到相应的ROI文件中,准备进行纹理分析[6]。纹理分析包括以下步骤:①预处理采用两种:直接阈值处理,即自动去除CT值<0的体素,避免ROI内有肿瘤周围脂肪密度的干扰,生成对应的参数标记为CT320non或CT16non;平滑预处理(滤过),在上述阈值处理后,再平滑处理(3个体素内平滑处理),生成对应的参数标记为 CT320smooth或 CT16smooth。②纹理分析:纹理分析包括直方图分析及灰度共生矩阵分析,分别选取 6个最常用的直方图参数(峰度、偏度、四分位差、下分位点、中分位点和上分位点)和6个最常用的共生矩阵参数(对比度、自相关、能量、熵、同质性和协方差)[7]。其中灰度分布范围设定0~4096;各共生矩阵的参数为对应的4个角度(0°、45°、90°和 135°)的平均参数值,以减少临床实践中体位因素导致的差异[8];步长距离为 1个体素。各特征参数均为每个肿瘤3个最大层面对应特征参数的均值。
1.4 统计学方法 采用SPSS 13.0软件。计量资料以或中位数(四分位间距)表示,两种CT机型间或两种预处理方法间的比较均采用配对t检验或Wilcoxon检验。P<0.05表示差异有统计学意义。
2.1 VX2肿瘤的CT表现 VX2肿瘤种植14 d后,每只兔子均负荷1枚肿瘤。在不同CT机型中,7枚肿瘤均呈混杂密度影,其中2例肿瘤中心见斑片状稍高密度影。增强后7枚肿瘤均表现为不均匀强化,见图1。
图1 VX2瘤在两种CT机型中扫描图像的比较。CT320(A)和CT16(B、C)均采用相同的窗位60 HU、窗宽200 HU显示图像,左侧竖脊肌明显增粗,内见类圆形混杂密度影,边缘欠清,中心可见斑点状稍高密度影,提示瘤内出血;增强后见肿瘤边缘明显强化(C);根据增强后图像勾画肿瘤的轮廓(红色圈),设定为ROI;IBEX软件生成VX2瘤(CT平扫,未进行平滑滤过预处理)的频数直方图(D),CT320机型扫描的VX2瘤的直方图最高峰较CT16稍向右侧偏移,提示CT320机型的图像灰度整体稍偏大
2.2 不同CT机型间图像的体素差异 CT320扫描像素边长为0.846(0.843,0.846)mm;CT16扫描像素边长为0.641(0.633,0.668)mm,两组间差异有统计学意义(W=28,P=0.022)。
2.3 纹理分析结果 共生矩阵中6个特征参数和直方图分析中,3个特征参数(峰度、偏度、四分位差)在两种机型间差异均无统计学意义(P>0.05),而直方图分析的其他3个特征参数(上、中、下分位点)在CT320机型中更高,差异有统计学意义(P<0.05)。经过平滑预处理后,仅CT16组中的一项特征参数(峰度)无明显变化,其余11项特征参数均有明显变化,为非平滑预处理前的2.4~11.54倍,其中3个特征参数(偏度、对比度和协方差)变化最为明显,即偏度、对比度和协方差参数值在 CT320机型中分别是平滑预处理前的11.54倍、6.44倍和4.3倍,在CT16机型中分别是平滑预处理前的9.81倍、3.25倍和2.4倍,见表1。同时,平滑滤过预处理后,两种机型间无差异的特征参数也减少至25%(3/12),分别为偏度、自相关和能量。
表1 平滑预处理前后VX2瘤的纹理分析特征参数比较
鉴于恶性肿瘤在大体解剖、显微镜下和基因层面均呈现异质性,且这种异质性与肿瘤的恶性生物学行为及预后明显相关,故临床工作中需要一种简单方法客观地量化肿瘤的异质性[9-10]。目前以直方图分析和共生矩阵的应用最为广泛。在临床工作中,CT视野的大小通常需要根据患者的体型及体位等因素设置,故每位患者 CT图像像素存在差异。本研究中,尽管CT320扫描的肿瘤像素明显大于 CT16,但在未经平滑预处理的直方图分析中,与直方图形态有关的3个参数(峰度、偏度、四分位差)在两种CT机型间差异均无统计学意义,而与原始图像灰度值范围直接相关的参数则存在差异。因而推测两种CT机型间不同的软组织算法导致图像整体的灰度改变,这与Yasaka等[11]的研究结果一致。Mackin等[4]分别采用平均 CT值位于-864~652 HU的组织为样本,结果表明组织的平均CT值越低,不同CT机型间的CT值及纹理参数差异越大。本研究以软组织(VX2瘤)为研究对象,其CT值通常位于30~60 HU,其对应纹理分析参数波动幅度较小,故适合在临床实践中推广。
与直方图分析不同,灰度共生矩阵分析更加关注在矩阵内一定空间关系的灰度排列信息,在病灶较大的情况下不易受到体素大小的影响[12]。Rangayyan等[13]的乳腺钼靶的病灶鉴别中,尽管图像分辨率在 50~1000 μm间变化,但是聚类分析的能力均相对稳定(受试者特征曲线下面积为 0.55~0.65),提示纹理分析允许体素在一定范围内变化。该研究借助动物模型,直接证实了图像纹理分析中的灰度共生矩阵参数在两个CT机型间比较稳定。
本研究中,在经过平滑预处理后,12个参数中11个变化明显,而且CT320机型对应的纹理分析参数变化幅度较CT16大,可能与CT320机型的体素较大有关,提示平滑预处理明显改变了原始图像的纹理特征。但是仍然不能否认这种纹理特征改变的优越性,需要结合具体需要解决的问题综合考虑。在经过预处理后,3个特征参数(偏度、自相关和能量)在两种CT机型间差异无统计学意义。部分临床研究采用“偏度”“一致性”“熵”等参数分析[14-15];但这些研究的CT图像均来自某一扫描机型,不会干扰研究结果。Hodgdon等[16]的临床研究中,尽管数据来自6台不同的CT设备,但是其研究结果表明纹理分析鉴别乏脂性错构瘤和肾细胞癌的价值仍然较高(受试者工作特征曲线下面积为 0.73~0.90),也可以间接地推测纹理分析参数在不同CT设备间的表现相对比较稳定。
本研究的局限性为:①CT320和CT16对同一批次肿瘤扫描,同时存在两个干扰因素,即体素大小和图像算法的不同。Lu等[17]研究发现,当同一设备的算法和重建层厚均存在较大差异时,对应的纹理分析参数值变化幅度较大。本研究中,2台CT机的图像均为软组织算法,其不同导致的差异较为微弱。②纹理分析的具体算法(包括软件的参数设置)在不同软件中也可能存在差异。本研究仅比较IBEX的纹理分析所得部分参数。在采用其他软件分析时,需要谨慎参考。③为便于临床推广,本研究模拟临床扫描条件,分析2D的CT图像,但是肿瘤的3D成像可能更有利于比较不同扫描条件或后处理方法间的差异。
总之,在常规腹部扫描条件下,未经过平滑预处理时共生矩阵分析更适合在不同 CT机型间推广应用。经过平滑预处理后,偏度、自相关和能量特征更适合在不同CT机型间推广应用。在临床实践中,虽然存在诸多具有潜在临床价值的纹理分析特征参数,但需要对其临床推广应用价值进行评估。
[1]Raman SP, Chen Y, Schroeder JL, et al. CT texture analysis of renal masses: pilot study using random forest classification for prediction of pathology. Acad Radiol, 2014,21(12): 1587-1596.
[2]Huang YQ, Liang CH, He L, et al. Development and validation of a radiomics nomogram for preoperative prediction of lymph node metastasis in colorectal cancer. J Clin Oncol, 2016, 34(18): 2157-2164.
[3]Mazurowski MA, Zhang J, Grimm LJ, et al. Radiogenomic analysis of breast cancer: luminal B molecular subtype is associated with enhancement dynamics at MR imaging.Radiology, 2014, 273(2): 365-372.
[4]Mackin D, Fave X, Zhang L, et al. Measuring computed tomography scanner variability of radiomics features. Invest Radiol, 2015, 50(11): 757-765.
[5]Yang J, Zhang L, Fave XJ, et al. Uncertainty analysis of quantitative imaging features extracted from contrastenhanced CT in lung tumors. Comput Med Imaging Graph,2016, 48: 1-8.
[6]Zhang L, Fried DV, Fave XJ, et al. IBEX: an open infrastructure software platform to facilitate collaborative work in radiomics. Med Phys, 2015, 42(3): 1341-1353.
[7]迟淑萍. CT图像纹理分析在鉴别良恶性肺结节中的价值.实用放射学杂志, 2016, 32(11): 1789-1792.
[8]苑丽红, 付丽, 杨勇, 等. 灰度共生矩阵提取纹理特征的实验结果分析. 计算机应用, 2009, 29(4): 1018-1021.
[9]Gerlinger M, Rowan AJ, Horswell S, et al. Intratumor heterogeneity and branched evolution revealed by multiregion sequencing. N Engl J Med, 2012, 366(10): 883-892.
[10]刘慧, 王小宜, 龙学颖. 基于 CT图像纹理分析肿瘤异质性的研究进展及应用. 国际医学放射学杂志, 2016, 39(5):543-548.
[11]Yasaka K, Akai H, Mackin D, et al. Precision of quantitative computed tomography texture analysis using image filtering:a phantom study for scanner variability. Medicine(Baltimore), 2017, 96(21): e6993.
[12]Hatt M, Tixier F, Pierce L, et al. Characterization of PET/CT images using texture analysis: the past, the presenta…any future. Eur J Nucl Med Mol Imaging, 2017, 44(1): 151-165.
[13]Rangayyan RM, Nguyen TM, Ayres FJ, et al. Effect of pixel resolution on texture features of breast masses in mammograms. J Digit Imaging, 2010, 23(5): 547-553.
[14]黄燕琪, 马泽兰, 何兰, 等. 基于 CT图像的纹理分析鉴别肝脏实质局灶性病变. 中国医学影像学杂志, 2016,24(4): 289-292.
[15]颜智敏, 冯智超, 曹鹏, 等. 多层螺旋 CT图像纹理分析对直肠癌转移性淋巴结的诊断价值. 中华放射学杂志,2017, 51(6): 432-436.
[16]Hodgdon T, Mcinnes MD, Schieda N, et al. Can quantitative CT texture analysis be used to differentiate fat-poor renal angiomyolipoma from renal cell carcinoma on unenhanced CT images? Radiology, 2015, 276(3): 787-796.
[17]Lu L, Ehmke RC, Schwartz LH, et al. Assessing agreement between radiomic features computed for multiple CT imaging settings. PLoS One, 2016, 11(12): e0166550.