基于CT平扫图像的纹理分析鉴别肉芽肿性肺曲霉菌病与肺隐球菌病

陈立鹏 刘伟锋 赵 钊

侵袭性肺曲霉菌病（invasive pulmonary aspergillosis，IPA）、 肺 隐 球 菌 病（pulmonary cryptococcosis，PC）是常见肺部真菌感染类型，两者临床表现无特征性，CT上均可表现肺部结节或肿块等肉芽肿性改变，鉴别困难[1-2]。近年来，计算机辅助诊断技术蓬勃发展，图像纹理分析方法则广泛应用于各种医学影像处理过程，可获得对临床疾病诊断和治疗的有用信息[3-4]。本实验基于肺部CT平扫图像，尝试用纹理分析方法对肉芽肿性肺曲霉菌病与肺隐球菌病进行鉴别诊断，以提高诊断准确率。

方 法

1．临床资料

搜集6年来（2011年12月-2017年12月）确诊的肺部真菌感染49例。其中侵袭性肺曲霉菌病（IPA）28例，男性17例，女性11例，年龄13～76岁，平均年龄51．52±12．55岁；肺隐球菌（PC）21例，男性15例，女性6例，年龄29～65岁，平均年龄53．25±11．33岁。全部病例均有病原学或病理学检查证实，肺部CT检查资料完整。

2．检查方法

肺部CT平扫，采用东芝16CT排及320排CT常规CT扫描，管电压120V，管电流250mA，准直 1．0mm×16．0， 螺 距 0．9375（15/16）， 层 厚2mm，层间隔2mm，矩阵512×512。

3．分析方法

3．1图像选择及ROI选择：从肺部CT平扫图像上选择病灶最大层面的图像，以bmp格式保存。采用MaZda 4．6纹理分析软件对病变进行纹理分析[5-6]，由一名从事胸部影像诊断10年以上的放射科医生评价图像并在软件上手动画出ROI，为了减少容积效应的影响，ROI 范围在距病灶内侧缘2～3 mm，ROI绘制避开病灶内坏死、囊变及出血部分，见图1。

3．2图像纹理特征的提取：先进行图像灰度均一化处理，减少图像对比度及亮度的影响。然后提取4种统计学纹理特征，包括直方图、绝对梯度、灰度共生矩阵及灰度游程矩阵的254个特征，

3．3图像纹理特征的选择及分类：MaZda软件可提供3种特征选择方法，即Fisher系数(Fisher)、分类错误概率联合平均相关系数(POE+ACC)及交互信息(MI)，每种方法可自动选择10个最有鉴别意义的特征参数；FPM（Fisher、POE+ACC及MI联合应用)可提供30个最佳纹理特征参数。对上述提取出的最佳纹理特征参数，采用B11模块提供的线性判别分析方法(LDA)及非线性判别分析方法(NDA)进行数据降维，然后将LDA数据以K-最近邻分类器(K-NN)进行分类，其中K=1，将NDA数据以人工神经网络(ANN)进行分类。软件自动计算出各分类方法鉴别诊断IPA和PC的最小错误率。

3．4统计学分析：采用SPSS 19．0统计分析软件进行统计分析。根据纹理特征分类误判率，采用χ2检验分析上述特征选择分类方法间的差异；采用t检验比较FPM特征选择方法所提取的30个最佳纹理特征参数，在IPA组及PC组间的差异，P值＜0．05为差异有统计学意义；并对上述有统计学差异的纹理参数绘制ROC曲线，评价其诊断效能。

3．5人工鉴别：选择3名从事胸部CT诊断5年以上主治医师在不知病理结果情况下对两组病例进行判读归类，以肺曲霉菌病及隐球菌病在分布、形态、密度、边缘等形态学特征为依据进行鉴别。分别计算误判率，取平均值，并与纹理分析误判率进行比较。

结 果

1．纹理特征的提取及纹理特征选择、分类方法的比较

49个研究对象，共49个层面纳入分析，每个层面均作为独立样本进行统计。3种独立的特征选择方法（Fisher、POE+ACC及MI)共选择30个最佳纹理参数，9个源于直方图，4个源于灰度游程矩阵，15个源于灰度共生矩阵，3个源于绝对梯度。

图1 A．患者男性，52岁，侵袭性肺曲霉菌病（IPA），可见左肺下叶结节；B．患者男性，48岁，肺隐球菌病（PC），可见右肺下叶结节。

图2 ROC曲线分析。A．图峰度(Kurtosis)诊断效能：曲线下面积0．706，95%CI为(0．562，0．850)(P=0．015)；B．图偏度(Skewness)诊断效能：曲线下面积 0．803，95%CI为(0．682，0．923)(P=0．000)。

表1 肺部CT平扫图像的纹理特征对诊断IPA和PC的最小错误率〔%(错误病灶数目/总病灶数目)〕

表2 袭性肺曲霉菌病（IPA）与肺隐球菌病（PC）纹理特征参数比较

纹理分类中，FPM（Fisher、POE+ACC及MI三者联合）+NDA/ANN方法具有最佳分类能力，具有最低的误判率4．08%（2/49），小于10%（效能优秀），且优于其余7种分类方法，详见表1。经χ2检验分析，差异有统计学差异，χ2=14．715，P=0．040。

2．纹理特征参数在两组病例间比较

FPM特征选择方法所提取的30个最佳纹理特征参数，经独立样本t检验，源于直方图中的峰度(kurtosis)，偏度(skewness)，及源于共生阵中的平方和（sum of squares）在两组病例（IPA及PC）间有统计学差异，P＜0．05。其中，肺隐球菌病的峰度、偏度及平方和的值均低于肺曲霉菌病组，详见表2。

对峰度、偏度及平方和3个特征参数的诊断效能进行评价，绘制受试者工作特征曲线（ROC曲线），其中峰度、偏度曲线下面积大于0．7（诊断价值中等）。峰度诊断效能：曲线下面积0．706，95%CI为(0．562，0．850)(P=0．015)，截断点 1．65，敏感度 64．3%，特异度61．9%；偏度诊断效能：曲线下面积0．803，95%CI为 (0．682，0．923)(P=0．000)，截断点 1．16，敏感度85．7%，特异度61．9%；详见图2。

3．纹理分析与人工鉴别误判率的比较

3名诊断医生在肉芽肿性肺曲霉菌病及隐球菌病鉴别中，误判率分别为26．53%（13/49）、24．49%（12/49）、20．41%（10/49），平均为23．81%，明显高于纹理分析的最小错误率。

讨 论

侵袭性肺曲霉菌病主要是由于曲菌孢子经鼻吸入，具有强烈的嗜血管性，可直接穿入血管壁，在血管内引起血栓形成、出血及梗死，典型CT表现主要有结节或肿块，伴有“晕征”、“空气新月征”等[7]。新生隐球菌是一种有厚壁荚膜包裹的酵母菌，不形成菌丝，其夹膜物质能抑制粒细胞的趋向性和吞噬作用，因此渗出性炎性反应轻微，而易被巨噬细胞识别及吞噬，在肺组织内形成肉芽肿性病变，常见的CT表现主要包括孤立性或多发的肺结节或肿块影及肺段或肺叶的实变影[8-9]。两者均可表现为肉芽肿性病变，影像学表现缺乏特异性，诊断准确率受医生经验等主观因素影响较大，尤其表现为单纯结节或肿块型时容易误诊。而纹理分析作为一种客观、定量的分析方法，有助于两种疾病鉴别。

图像纹理分析是通过一定的计算机辅助图像处理后技术，从灰度直方图、绝对梯度、灰度游程矩阵、灰度共生矩阵等方面提取出纹理特征参数，从而获得纹理特征的定量或定性描述的处理过程。在医学图像中，纹理特征的定量变化往往反映了机体的病理改变，能够区别正常及病变组织及不同病变组织的类型，为疾病诊断和治疗提供新的辅助途径[10-11]。本研究应用MaZda 软件对IPA及PC病变的纹理特征进行提取、分类计算，结果显示FPM-NDA/ANN 法鉴别效果最好，最小错误率仅为4．08%，诊断价值优秀；错误率明显低于人工鉴别的错误率。

纹理特征参数本质上是定量反映像素灰度分布的数学模型。①灰度直方图(histogram)，反映图像中某种灰度出现的频率，是最简单的纹理分析方法，可以提取诸如均值、方差、偏度、峰度等一阶图像纹理等特征来描述纹理的平滑、粗糙、规则性。②灰度共生矩阵(GLCM)方法是目前最经典且最常用的一种纹理分析方法，可提取角二阶矩、平方和、熵等二阶统计量用于描述纹理特征，反映图像灰度分布均匀程度以及纹理粗细复杂度。③灰度游程矩阵(run-length matrix)，是对图像灰度关系的高阶统计，反映图像纹埋的粗细程度，在相同大小的区域中，长游程优势值越大，对应的图像纹理越粗，短游程优势值约大，对应的图像纹理则更细[12-13]。

本研究中发现PC组CT图像的峰度、偏度、平方和低于IPA组，差异均有统计学差异 (P＜0．05)。峰度是描述某变量所有取值分布形态陡缓程度的统计量，偏度则是描述某变量取值分布对称性的统计量，两者属于灰度直方图的参数，描述了图像中纹理灰度的反差；平方和属于灰度共生矩阵的参数，反映图像灰度分布均匀程度以及纹理粗细复杂度。

与CT扫描反映的病灶密度不同，这3个参数反映病灶在组织构成、排列的规则性，表明结节或肿块型肺隐球菌病较侵袭性肺曲霉菌病的病灶纹理更细、均匀、规则。这种CT图像纹理的差异可能归因于2种病变病理特征的差异，因为IPA存在强的嗜血管性，菌丝容易侵入血管壁，引起出血性梗死、坏死；相比之下，结节或肿块型肺隐球菌病以单纯性病变为主的肉芽肿，主要由吞噬了隐球菌体的巨噬细胞、组织细胞以及淋巴细胞组成，组织结构较均匀。纹理特征反映了病变生长的异质性，内部结构的复杂性，而这种差异可能肉眼不能识别。

对峰度、偏度及平方和3个纹理特征参数的诊断效能进行评价，绘制ROC曲线，其中峰度、偏度曲线下面积大于 0．7，得到截断点1．65及1．16，敏感度和特异度均较高。

本研究的局限性：使用单层 CT影像进行测量，而不是容积测量，可能会遗漏部分纹理信息，在今后的研究中将进一步完善。

总之，肺部CT平扫图像纹理分析技术运用在肉芽肿性肺曲霉菌病及肺隐球菌病鉴别诊断方面是可行的，可以提供更多客观、可靠的信息帮助诊断。

利益关系说明

研究过程及结果均未受到厂商的影响。