纹理分析在心脏MR 成像中的研究进展

王春华 王哲涛 任静 周鹏 郜发宝*

心脏磁共振（cardiac magnetic resonance，CMR）成像可以实现多方位、多参数、多序列扫描，且具有良好的组织分辨力。CMR 成像能够通过不同的序列检测心功能以及心肌组织特征，评估疾病心功能障碍、心肌缺血、心肌水肿以及心肌纤维化[1-3]。但是，传统分析手段对CMR 成像影像的综合分析及利用有限，无法识别微小病变，对疾病的诊断以及预测价值有待提高。纹理分析是影像组学中最常见的分析方式，利用不同技术对图像的特点以及像素相互关系进行定量，获得图像灰度强度的直方图、分布、梯度、相邻关系以及随机性，代表图像的异质性[4-5]。CMR 成像纹理分析可以发现肉眼无法辨识的微小改变，提高诊断效能与预测价值[6-7]。目前国内外基于CMR 成像不同序列的纹理分析用于缺血性心肌病和非缺血性心肌病方面的研究均有报道，本文将对CMR 成像纹理分析在疾病诊断与预测中的价值进行综述。

1 纹理分析概述

纹理特征提取方式包括统计法、模型法和变换法[8-9]，其中统计方法是最早出现、最常使用的方法，包括一阶、二阶及高阶统计量。一阶统计量指不考虑像素位置的情况下，评估兴趣区内灰度的直方图频率分布，包括平均强度、百分位数、熵、标准差、偏度和峰度。二阶统计特征利用空间矩阵来描述兴趣区的相邻关系，包括灰度共生矩阵（gray level cooccurrence matrix,GLCM）、灰度游程长度矩阵（gray level run length matrix,GLRLM）等。高阶统计量反映3 个或更多像素的位置关系。模型法是利用复杂的数学模型表征纹理特征。变换法将空间信息转换成频率或尺度，例如傅里叶变换、小波变换、Gabor 变换。纹理分析主要步骤包括图像获取、图像分割、特征提取、特征筛选、模型建立及统计分析，常用于临床诊断、预后评估。CMR 成像纹理特征提取常见软件包括TexRad、MaZda 以及利用Matlab 自主编写的程序[10-12]。特征筛选、预测模型的建立与统计分析均可以通过R 语言实现[11]。通过纹理分析获得的特征有利于评估肉眼无法观察到的细微结构改变。纹理分析已成为目前的研究热点，尤其是肿瘤方面；但有关CMR 成像不同序列的研究尚处于初期阶段[7,13]。

2 不同序列CMR 成像纹理分析的应用

2.1 钆对比剂延迟强化序列 钆对比剂延迟强化（late gadolinium enhancement,LGE）序列是检测心肌纤维化的金标准，不同心脏疾病具有不同的延迟强化方式，传统分析方式可以通过延迟强化体积来预测疾病的预后，纹理分析可以提取更多定量特征有助于诊断疾病，预测临床不良事件以及评估风险。利用GLCM、GLRLM 等纹理特征可以鉴别急慢性心肌梗死，选择合适的分类器可以达到良好的诊断效能[14-15]。LGE 纹理分析还可以对病人进行心肌梗死后风险分层，预测心律失常[16-17]。心肌坏死等异质组织可以造成心律失常，纹理分析可以比传统分析方式更精准地发现心肌异质性[18]。Ali 等[19]纳入了经埋藏式心律转复除颤器治疗的心肌梗死后病人，根据其是否发生不良事件分为高风险组和低风险组，对病人LGE 影像进行分析，发现高风险组具有更高的直方图峰度、更多负偏态。纹理分析除了应用于缺血性心肌病的研究，还应用于非缺血性心肌病[20]。有研究[21]显示，肥厚型心肌病（hypertrophic cardiomyopathy，HCM）病人心肌肥厚节段的LGE 游程长非均匀度（run-length non-uniformity，RLNU）和灰度非均匀度（grey-level non-uniformity，GLNU）高于非肥厚节段，非肥厚非纤维化节段的上述2 项指标高于健康志愿者的。Cheng 等[7]通过纹理分析评估LGE纹理特征对收缩功能不全HCM 病人的预后价值发现，X0_H_skewness、X0_GLCM_cluster_tendency、X0_GLRLM_energy 与无事件生存率相关，病人LGE 异质性增加与不良临床结局相关。Amano 等[10]将HCM病人分为有和无室性心动过速病史2 组，结果表明有室性心动过速病史病人LGE_entrophy LL 更低，提示其LGE 在微观上具有同质性，而随机性更小，可能与更多同质的纤维化有关。Alis 等[22]研究也发现LGE-CMR 成像纹理分析可以很好区分HCM 病人是否发生室性心动过速；既往研究[23]报道左心室熵值是扩张型心肌病病人室性心律失常风险分层的新指标。

2.2 非增强电影序列 非增强电影成像经传统分析可以测量心功能及心肌应变，对心肌组织特征改变诊断价值有限，而通过纹理分析则可以得到不同的定量特征，能够反映心肌异质性，以及检测传统分析无法识别的病变。Baessler 等[6]对电影CMR 成像影像提取纹理特征，结果显示Teta1、Perc.01、Variance、WavEnHH.s-3 和 S（5，5）SumEntrp 5 个特征能够诊断缺血性瘢痕，其中Perc.01 和Teta1 相结合诊断大面积心肌梗死和小面积心肌梗死的受试者操作特征曲线下面积（AUC）可以高达0.93、0.92。Larroza 等[11]利用LGE 定义可挽救心肌和不可挽救心肌，并将左室电影图像分割为17 节段，经纹理分析可以很好地诊断不可挽救心肌节段（AUC 0.849，敏感度0.92）。Cetin 等[24]研究显示，传统心脏电影影像分析手段无法检测到高血压个体心脏的细微变化，但通过纹理分析可以发现其特征改变。有研究者[12,25]利用TexRAD 软件对舒张末中间段电影影像进行纹理分析，结果显示HCM、心肌淀粉样变性以及主动脉硬化的纹理特征有差异，表明电影序列经纹理分析可以用于追踪左室肥厚的病因。江等[26]对心肌淀粉样变性和HCM 病人的CMR 成像电影影像进行纹理分析，发现偏度、峰度、熵值差异有统计学意义，且经中等纹理过滤下室间隔熵值诊断效能最佳。

2.3 Native T1mapping Native T1mapping 作为识别心肌纤维化的备选序列，传统影像分析手段可以通过T1值改变发现心肌异常，纹理分析可以提取更多特征表征心肌异质性，显示健康人群心肌的性别差异以及鉴别不同的心脏疾病。吴等[27]在一项纳入59 名健康汉族志愿者的研究中发现，男女志愿者间有10 个Native T1mapping 纹理特征的差异有统计学意义。Neisius 等[28]利用Native T1mapping 纹理特征鉴别高血压心脏病和HCM，筛选出6 个重要特征，包括2 个GLRLM 特征和4 个局部二值模式特征，鉴别准确度为86.2%，高于Native T1值的鉴别能力。Neisius 等[29]还对T1mapping 定量影像进行纹理分析，用于预测HCM 病人心肌层面LGE 的阳性和阴性，筛选出5 个最优纹理特征，包括1 个GLRLM、1 个GLCM 和3 个局部二值模式特征，通过分类器可以识别全部LGE 阳性层面和大约三分之一LGE 阴性层面。

2.4 T1WI 序列 T1WI 序列可以显示心脏解剖结构，主要通过肉眼观察组织改变，辅助其他序列诊断疾病，纹理分析可以提高其诊断价值。有研究者[30]在一项概念验证性研究中利用T1WI 影像提取纹理特征，结果发现在HCM 病人与健康志愿者间，4 个纹理特征的差异有统计学意义。当GLNU≥46 时，区分HCM 病人和健康志愿者的敏感度、特异度分别为0.94、0.90，鉴别LGE 阴性病人和健康志愿者的敏感度、特异度分别为1.00、0.90。

2.5 多序列联合 MR 多序列联合成为影像组学研究的一种趋势，通过多序列联合可以提高诊断及预测价值。有研究[31-32]表明不同序列联合可以提高对肿瘤的预测效能。在CMR 成像领域也有研究者进行多序列联合研究，多序列纹理分析可以提高诊断价值。Baessler 等[33]对 T1mapping、T2mapping 进行纹理分析，探讨其对梗死样急性心肌炎的诊断价值，筛选出6 个重要特征，包括3 个来自GLCM 的二阶特征、2 个来自GLRLM 的二阶特征和1 个高阶特征，其中5 个特征差异有统计学意义。T1值、T2值和路易斯湖标准诊断效能较低，而T2_RLNU 结合T2_GLNU 诊断梗死样急性心肌炎的AUC、敏感度、特异度分别为 0.88、0.89、0.92。Baessler 等[34]还分析T1mapping、T2mapping 纹理特征对急慢性心力衰竭样心肌炎的诊断价值，对于急性心力衰竭样心肌炎，T2_GLNU 与平均T2值诊断效能相似（AUC 0.69），两者结合能获得较好的诊断效能（AUC 0.76）；对于慢性心力衰竭样心肌炎，T2峰度诊断能力较强（AUC0.81），T2峰度结合 T1_GLNU 时 AUC 高达 0.85。

3 小结

在大数据时代，纹理分析成为精准医疗、人工智能的研究热点，它能够弥补传统影像分析手段的不足，扩展CMR 成像影像的利用价值，提高心脏疾病的诊断、预后及预测价值，将传统分析手段与纹理分析相结合是未来的发展趋势。目前CMR 成像影像组学的多数研究属于概念验证性研究，样本量有限，而且目前关于CMR 成像影像组学的研究主要为单中心研究，不同医疗机构的设备及其扫描参数等不一致导致原始图像不一致，进而影响研究结果，因而制定统一的成像标准，开展多中心合作十分必要。尽管CMR 成像影像组学的发展还处于早期阶段，从图像的采集到建模分类均存在亟待解决的问题，目前尚不能广泛应用于临床，但是它能够获取肉眼无法观察到的高通量客观量化特征，提高CMR 成像的诊断及预测价值，故具有良好的临床应用前景。