X线纹理分析鉴别诊断乳腺叶状肿瘤与纤维腺瘤

张锦超，胡汉金

(安徽医科大学附属安庆医院放射科，安徽 安庆 246003)

乳腺叶状瘤(breast phyllodes tumors， BPTs)和乳腺纤维腺瘤(breast fibroadenoma， BF)具有相似的临床表现、分子表达及组织学特征，且可相互转化或并存[1-2]。BPTs发病率较低，且多单侧乳腺发病，有双向分化和短期复发的倾向；为防止复发，需扩大切除、密切随访[3-4]。BF是发病率最高的乳腺良性肿瘤，可单发或多发，一般行单纯切除术或保守治疗。术前鉴别诊断2种疾病对选择治疗方案及改善患者预后非常必要[5-6]。乳腺X线成像是诊断乳腺疾病的重要手段，但BPTs、BF的X线表现相似，且诊断结果易受医师主观因素影响。利用纹理分析技术可从ROI内像素灰度值的分布、变化规律中提取一系列纹理特征，并对特征进行简化，从而找出最有助于揭示病灶内肉眼无法识别的潜在异质性的纹理特征参数[7]，用于诊断传统影像学技术难以鉴别的病变[8]。本研究探讨X线纹理分析鉴别诊断BPTs和BF的价值。

1 资料与方法

1.1 一般资料 回顾性分析2014年1月—2018年2月我院收治的55例女性乳腺肿瘤患者的资料。其中BPTs 31例(32个病灶)，年龄31～75岁，平均(47.0±11.4)岁，单侧多发1例、单侧单发30例，病灶最大径(5.20±4.60)cm；BF 24例(32个病灶)，年龄17～64岁，平均(42.0±12.6)岁，单侧单发16例、单侧多发8例，病灶最大径(3.50±2.30)cm。所有患者均于术前接受乳腺X线检查，并经术后组织病理检查明确诊断。

1.2 仪器与方法

1.2.1 乳腺X线检查 采用Siemens Mammomat Balance乳腺X线机，头足位和内外侧位投照。轴位：使患者胸壁紧贴平台，受检侧乳房下皱褶平齐置于平台中央；侧斜位：机架倾斜30°～60°，嘱患者抬高受检侧上臂，伸直臂、腰，使胸大肌平行于摄影平台，充分显露腋窝。

1.2.2 主观阅片 由2名分别具有10年和15年乳腺影像诊断经验的高级职称影像医师共同评估X线片，诊断BPTs或BF，并与术后病理结果对照，得出影像医师对BPTs及BF的错判率。BPTs诊断标准：乳腺X线片示病灶呈均匀高密度影，边界清晰，有不同程度分叶(典型表现)，周围可见低密度环及增多增粗的血管影[9]；BF诊断标准：乳腺X线片可见结节或肿块影，形态规则，呈圆形或卵圆形，密度均匀，边界清楚，周围常有低密度晕环环绕，可伴钙化。

1.2.3 纹理分析 调整乳腺X线片的窗宽、窗位，并将相关数据导入罗兹工业大学免费纹理分析MaZda软件(Version 4.6)进行图像纹理分析。选择病灶最大层面，采用多边形功能手动勾画ROI，使其尽量包含病灶全部实质(图1、2)，并获取选定ROI的纹理特征参数。为减小窗宽、窗位变化对分析结果的影响，对所有图像的灰阶水平进行标准化。将BPTs设为ROI1，BF设为ROI2。分别采用 MaZda软件提供的Fisher系数、聚类偏差几率结合平均关联系数(classification error probability combined with average correlation coefficients， POE+ACC)、协同信息(mutual information， MI)及联合应用上述3种方法(MI+PA+F)选择最具鉴别价值的纹理特征参数，前3种方法各提取10个、MI+PA+F提取30个纹理特征参数。将简化后的纹理特征参数输入MaZda自带b11统计软件中人工神经网络(artificial neural networks， A-NN)模型，自动训练，得出A-NN模型对BPTs及BF的错判率。

1.3 统计学分析 采用SPSS 22.0统计分析软件。计数资料以百分率表示。采用χ2检验比较影像学医师主观阅片、Fisher、POE+ACC、MI及MI+PA+F错判率的差异。P<0.05为差异有统计学意义。

2 结果

影像医师主观阅片对BPTs及BF的错判率为20.31%(13/64)；采用Fisher系数进行纹理分析的错判率为14.06%(9/64)，POE+ACC为23.44%(15/64)，MI为25.00%(16/64)，MI+PA+F为3.12%(2/64)。MI+PA+F的错判率低于影像医师主观阅片、POE+ACC及MI(χ2=9.14、11.46、12.67，P均<0.05)。

MI+PA+F错判的2个病灶中，1个病灶术后病理结果为BPTs，错判为BF；另1个病灶病理结果为BF，错判为BPTs。

3 讨论

BPTs一般由单克隆的间质细胞(具有过度增殖的特征)发展而来，瘤体呈浸润性生长，并刺激瘤内正常腺体增生，表现为腺管、间质混杂分布，瘤体边界模糊。BF主要由多克隆的上皮细胞和间质细胞构成，富含黏液样基质及成纤维细胞。X线鉴别BPTs与BF的主要依据为病灶大小、是否分叶及生长速度等，但BPTs与BF的X线表现多有重叠，尤其是复杂病例，鉴别较为困难。

纹理分析不依赖于医师的主观因素及临床经验，通过定量分析图像的纹理特征参数辅助诊断疾病[10]。

图1 患者女，58岁，左乳BPTs，于病灶最大层面采用纹理分析技术手动勾画ROI A.白色团块为乳腺X线显示病灶； B.灰色团块为MaZda软件中ROI画取后显示病灶 图2 患者女，53岁，左乳BF，于病灶最大层面采用纹理分析技术手动勾画ROI A.白色团块为乳腺X线显示病灶； B.灰色团块为MaZda软件中ROI画取后显示病灶

谭红娜等[11]报道，应用灰度直方图及灰度共生矩阵纹理分析方法分析乳腺X线片，可辅助诊断乳腺癌腋窝淋巴结转移。MaZda软件是纹理分析的主要工具，其所计算的各类纹理特征参数包括直方图、灰度共生矩阵、游程检验、绝对梯度、自回归模型及小波转换，共6类287种，涵盖病灶形状、纹理走行、像素信号强度分布和小波转换等特征，且均属于定量数据。MaZda软件自带的A-NN分类分析法是机械学习方法中的一种，由预处理、特征提取和分类等子部分组成。该方法包含一种反向传播算法，具有非线性映射能力[12-13]，将每单次训练与期望值对照，不符时转入反向传播，根据误差调整各超平面权重，从而不断接近真实值[14]。此法稳定性好，可在医学图像分析中对检测到的病灶进行分类。MaZda软件筛选并提取最有价值的纹理特征作为A-NN二分类函数的因变量。一般将设置的ROI作为因变量(最多允许同时设置16个ROI，不同名称的ROI代表不同的病理类型)，自动训练并得出错判率。Peng等[15]对乳腺X线片采用A-NN分类分析鉴别乳腺恶性、良性病变和正常组织，其特异度为98.00%，敏感度为97.33%，准确率为97.50%，错判率为2.50%，表明A-NN可用于鉴别诊断乳腺良恶性疾病。

本研究采用纹理分析方法处理乳腺X线片信息，并通过A-NN分类分析探讨其鉴别BPTs及BF的价值。为简化并提取对诊断最有价值的信息，本研究选择MaZda软件提供的4种特征简化方法，即Fisher系数、POE+ACC、MI及MI+PA+F，筛选出10或30种纹理特征进行分析，结果显示Fisher系数、POE+ACC、MI及MI+PA+F方法鉴别BPTs及BF的错判率分别为14.06%(9/64)、23.44%(15/64)、25.00%(16/64)及3.12%(2/64)，其中MI+PA+F的错判率明显低于影像医师主观阅片(13/64，20.31%，P<0.05)，表明纹理分析对鉴别BPTs和BF具有高度应用价值。

MI+PA+F是Fisher系数、POE+ACC及MI 3种方法的结合，所涵盖的纹理特征更全面，A-NN训练次数更多，弥补了单一使用Fisher系数、POE+ACC、MI这3种方法相对训练不足的缺陷，故超平面的权值最稳定，错判率最低，相较于传统的影像医师主观阅片更具优势。一般情况下，增加A-NN层数可使神经元的输入输出模式由一对一变为一对多，不断接近期望值，但会增加过度拟合的风险[16]。A-NN的原理决定A-NN只能无限接近真实值，但不可能与真实值完全吻合。本研究中，MI+PA+F输出结果中错判2个病灶，均属于不典型病灶，病灶内坏死液化或钙化较多，与周围病灶像素信号强度差异巨大，可能造成图像纹理扭曲，影响部分纹理特征参数；此外，A-NN模型本身的局限性，亦是造成错判的原因。

综上所述，X线纹理分析可用于鉴别BPTs和BF，能够为鉴别BPTs和BF提供客观依据。但本研究未对不同病理类型、不同组织分级的BPTs进行纹理分析，结果可能存在偏倚，有待进一步完善资料、深入研究。