磁共振增强图像三维纹理分析对乳腺良恶性病变的鉴别诊断价值

邓义， 杨壁然， 刘志强， 鲍军芳， 唐亚霞

乳腺癌是临床常见肿瘤，近年来我国女性乳腺癌的死亡率呈上升趋势，早期发现、诊断和及时治疗是乳腺癌防治的重要策略[1]。乳腺MRI检查诊断乳腺癌的敏感度高，但是乳腺良恶性病变的影像表现有一定的重叠，有待进一步研究。图像纹理分析是一种计算机辅助图像分析方法，可以量化分析图像像素的灰度值局部特征、像素灰度值变化规律及其空间分布结构信息，不局限于肉眼的观察。本研究旨在探讨乳腺磁共振增强图像的三维纹理分析在鉴别乳腺良恶性病变中的诊断价值。

材料与方法

1.临床资料

搜集2016年10月-2018年4月在本院就诊的34例女性患者的临床和影像检查资料。其中乳腺癌患者16例，年龄31～68岁，中位年龄51岁；浸润性导管癌14例，导管原位癌2例。乳腺良性病变患者18例，年龄31～59岁，中位年龄45岁；纤维瘤9例，乳腺腺病7例，乳腺炎2例。所有病例经手术病理证实，于术前1周行MRI检查。

2.成像设备和方法

使用Siemens Avanto 1.5T磁共振扫描仪和四通道相控阵乳腺专用线圈。患者取俯卧位、头先进，双乳自然悬垂于线圈内。先行常规MR平扫，包括T1WI、T2WI和DWI序列，随后采用横轴面三维容积内插法快速扰相梯度回波序列行动态增强扫描，完成蒙片扫描后，注射钆对比剂(马根维显)，剂量0.1 mmol/kg，注射流率2 mL/s，随即以同样流率注射生理盐水20 mL，对比剂注射完成后立即启动扫描，共扫描7个期相，每期的扫描时间为90 s。扫描参数：TR 4.58 ms，TE 1.87 ms，矩阵384×384，视野36 cm×36 cm，层厚1.5 mm，层间距0.3 mm。

3.图像后处理和分析

图像选择和导出：自PACS将MR图像回传至思创工作站，由具有丰富影像诊断经验的影像医师在工作站上进行阅片分析，将动态增强扫描第一期相的图像以“BMP”格式导出至移动硬盘，导出图像的窗宽、窗位需保持一致。

图像纹理参数提取：使用纹理分析软件MaZda(Version 4.6，http://www.eletel.p.lodz.pl/mazda)，由具有丰富影像诊断工作经验的影像科医师对增强图像进行纹理分析，使用软件中的三维感兴趣区编辑器(3D ROI editor)在病灶内勾画ROI，编辑器可变形，表面网可自动探测病变的边界，ROI包括整个病灶，随后软件即可计算出病变的纹理特征参数(图1～2)。为减小对比度和亮度变化对分析结果可能存在的影响，在提取图像纹理参数之前，先将图像的灰阶水平在[μ-3δ，μ+3δ](μ和δ分别是平均灰度值和标准差)范围进行标准化。纹理参数的分析方法包括灰度直方图、灰度游程矩阵、灰度绝对梯度和灰度共生矩阵等。

纹理特征和分类分析：采用MaZda软件的3种最优纹理参数选择方法，分别是交互信息(mutual information，MI)、Fisher系数(Fisher coefficient，Fisher)和最小分类误差与最小平均相关系数法(inimisation of both classification error probability and average correlation coefficients，POE+ACC)，分别提取每种方法当中的前10个最优纹理参数，总共30个纹理参数进行后续分析。MaZda软件自带B11统计分析软件包，提供4种常用的分类分析方法，包括：原始数据分析(raw data analysis，RDA)、主要成分分析(principal component analysis，PCA)、线性分类分析(linear discriminant analysis，LDA)和非线性分类分析(nonlinear discriminant analysis，NDA)。采用上述4种方法分别对最优纹理参数进行分析，评估其在乳腺癌与乳腺良性病变鉴别诊断中的价值，鉴别诊断结果以误判率表示。误判率越小说明图像的纹理特征参数越具有鉴别诊断价值。

使用SPSS 16.0统计分析软件，对上述30个最优纹理参数在良恶性病变间的差异采用两独立样本Mann-Whitney U检验进行统计学分析，以P<0.05为差异有统计学意义，对其中组间差异具有统计学意义的纹理参数，采用MedCalc 15.8统计软件进行受试者工作特征曲线(ROC)分析。

结 果

基于动态增强早期图像的不同纹理特征选择方法及分类分析方法对良恶性病变的误判率见表1。基于最优纹理特征的4种分类分析方法中，以非线性分类分析(NDA)对于乳腺良恶性病变的误判率最低，其中以POE+ACC联合NDA的误判率最低(图3)，误判率为5.88%。采用3种纹理参数选择方法选取的30个最优纹理参数中，以灰度共生矩阵参数最多(17个)，直方图参数6个，游程矩阵参数6个、绝对梯度参数1个。其中10项纹理参数在乳腺良恶性病变之间的差异具有统计学意义(P<0.05)，这10项参数的测量值及组间比较结果见表2。10项纹理参数鉴别病灶良恶性的诊断效能见表3。受试者工作特征曲线分析结果显示，各项纹理参数的AUC范围为0.717～0.755。

表2 乳腺良恶性病变见差异有统计学意义的10项纹理参数值

表3 乳腺良恶性病变的三维纹理参数受试者工作特征曲线分析

图1 右侧乳腺导管癌患者对比增强T1WI，在病灶内勾画ROI进行纹理参数的测量，此病灶的99%灰度百分位值为4.096×103，50%灰度百分位值为3.133×103，直方图均值为3.073×103，均值和(0，1，0)为0.976×102，均值和(1，0，0)为0.975×102，均值和(1，1，0)为0.979×102，均值和(0，0，1)为0.981×102，均值和(1，-1，0)为0.974×102，90%灰度百分位值为3.647×103，10%灰度百分位值为2.426×103。 图2 左侧乳腺纤维腺瘤患者对比增强T1WI，在病灶内勾画ROI进行纹理参数的测量，此病灶的99%灰度百分位值为3.277×103，50%灰度百分位值为1.639×103，直方图平均值为1.725×103，均值和(0，1，0)为0.552×102，均值和(1，0，0)为0.550×102，均值和(1，1，0)为0.551×102，均值和(0，0，1)为0.552×102，均值和(1，-1，0)为0.551×102，90%灰度百分位值为2.346×103，10%灰度百分位值为1.189×103。 图3 POE+ACC/NDA法分类结果示意图，1代表乳腺癌组，2代表良性病变组，1和2之间仅有少许重叠，重叠越少则对两组的误判率越低。

表1 各种纹理特征选择方法及分类分析方法的误判率 (%)

讨 论

乳腺良恶性病变的影像学鉴别诊断对于临床选择治疗方案具有非常重要的意义。常规MRI序列包括DWI对乳腺良恶性病变的诊断具有较大价值，但是良恶性病变的影像表现仍有重叠[2]。图像纹理分析技术通过数学运算来反映数字图像中像素灰度的分布特征，能够提供影像科医师肉眼所不能观察到的客观信息。既往有研究基于乳腺X线摄影进行纹理分析，结果显示结合纹理分析的方法可以明显提高乳腺X线摄影对乳腺良恶性病变的诊断效能[3]。有学者研究发现基于T2WI序列的纹理分析对乳腺病变的误判率低于T1WI和延迟增强T1WI[4]。基于T2WI和对比增强T1WI的纹理分析可以帮助预测乳腺癌对治疗后的反应[5-6]。MR增强图像的纹理分析联合MR乳腺影像报告和数据系统(BI-RADS)可以提高乳腺良恶性病变的诊断准确性[7]。目前多数文献关于图像纹理分析采用的是二维图像分析，未能分析全部瘤体的纹理参数，对于肿瘤的异质性和肿瘤成份的空间分布信息可能出现遗漏。本研究采用三维纹理分析法，结果显示MR增强图像三维纹理分析对于良恶性肿瘤的误判率低，POE+ACC联合非线性分类分析(NDA)的误判率仅5.88%。在MaZda软件中，NDA是采用人工神经网络来实现分类。对于乳腺良恶性肿块的纹理特征的分类分析方法中，NDA的误判率最低，与张竹伟等[4]的研究报道一致，在他们的研究中基于增强T1WI的误判率为14.71%。

本研究中获取的乳腺良恶性病变的MRI三维纹理分析参数中，经统计学分析，结果显示有10项纹理参数的差异具有统计学意义，其中5个为直方图参数，5个为灰度共生矩阵参数，提示这些纹理特征在乳腺良恶性病变的诊断中具有应用价值。直方图参数在肿瘤的影像诊断和鉴别诊断中的价值已经有相关研究，直方图可以反映不同肿瘤区域的灰度特征，对全部瘤体的直方图分析在肿瘤的诊断和分级中具有优势。本研究中以50%灰度百分位值的诊断价值最高，其AUC为0.755，敏感度93.75%，特异度61.11%，最佳临界值为2.217×103。

灰度共生矩阵是一种描述图像表面灰度分布周期规律的纹理分析方法，具有丰富的纹理特征参数，本研究中选取的30个最佳纹理特征中有17个来自于灰度共生矩阵。10个具有统计学差异的参数中有5个为灰度共生矩阵参数。均值和是度量图像区域内像素点平均灰度值的参数，反映了图像的整体明暗深浅。良恶性病变间均值和的差异具有统计学意义，从影像学特征方面反映了乳腺良恶性肿瘤的组织结构的差异。

本研究的局限性在于样本量不大，良恶性组病变组为对具体疾病类型进行进一步细分，需要在今后的的研究中进一步深入分析。总之，磁共振增强图像三维纹理分析对于乳腺良恶性病变的鉴别诊断具有良好的临床应用价值。