超声图像纹理分析在鉴别良恶性乳腺结节中的价值

顾悦凡

【摘 要】目的：探讨超声图像纹理分析在鉴别乳腺良恶性结节中的作用。方法：回顾性分析经穿刺活检或手术病理证实的乳腺良恶性结节共92例的超声影像学资料，其中良性40例，恶性52例。使用Image J软件手动勾画结节感兴趣区（ROI），进行GLCM纹理分析，获得5个参数：角二阶矩、对比度、相关、逆差距和熵。使用Mann-WhitneyU检验比较各个参数在良性组和恶性组之间的差异。采用ROC曲线分析有统计学意义的参数对两者的鉴别诊断效能。结果：良性组的熵值为6.84（6.63，6.99），恶性组的熵值为6.89（6.77，7.13），其差异有统计学意义，曲线下面积（AUC）为0.623。两组间角二阶矩、对比度、相关、逆差距差异无统计学意义。结论：超声图像纹理分析中CLCM熵值能为乳腺良恶性结节的鉴别诊断提供依据，具有一定的临床意义。

【关键词】乳腺疾病；超声；纹理分析

The value of ultrasound image texture analysis in differentiating benign and malignant breast nodules

GuYuefan Department of ultrasound， Suzhou Hospital Affiliated to Nanjing Medical University， Jiangsu Suzhou 215000，China

【Abstract】Objective： To explore the value of ultrasound image texture analysis in the differential diagnosis of benign and malignant breast nodules. Methods： Retrospectively analyzed the ultrasound image data of 92 cases of benign and malignant breast nodules confirmed by biopsy or surgical pathology， of which 40 were benign and 52 were malignant. Using Image J software to manually outline the nodule region of interest（ROI）， perform GLCM texture analysis， and obtain five parameters of angle second moment， contrast， correlation， inverse difference moment and entropy. The Mann-Whitney U test was used to compare the differences in parameters between the benign and malignant groups. The ROC curve was used to analyze the diagnostic power of statistically significant parameters for the differential diagnosis of the two. Results： The entropy value of the benign group was 6.84 （6.63， 6.99）， and the entropy value of the malignant group was 6.89 （6.77， 7.13）， the difference was statistically significant， and the AUC was 0.623. There was no statistically significant difference in angle second moment， contrast， correlation， and inverse difference moment between the two groups. Conclusion： The CLCM entropy value in the ultrasound image texture analysis can provide a basis for the differential diagnosis of benign and malignant breast nodules， which has certain clinical significance.

【Key？Words】Breast disease； Ultrasound； Texture analysis

乳腺癌是我國女性发病率最高的恶性肿瘤[1]。目前对于乳腺癌常规采用超声作为筛查手段，但乳腺良恶性病变在影像学表现上具有一定的相似性，导致部分患者需接受穿刺活检或手术切除，给患者造成了痛苦。Haralick等[2]于1973年提出用灰度共生矩阵（gray level co-occurrence matrix，GLCM）来描述纹理特征。GLCM通过研究灰度的空间相关特性来描述纹理，可提供医学图像中肉眼无法察觉的客观信息，具备潜在的临床应用价值。即有研究显示，在良恶性肿瘤鉴别、术前评估及疗效评价方面有较高的效能[3-4]。本文则是基于灰阶超声图像，采用GLCM方法进行纹理分析，探讨其在乳腺良恶性结节鉴别中诊断的价值。

1 资料与方法

1.1 研究对象

回顾性分析2019年1月至12月于我院经穿刺活检或手术切除病理证实的乳腺疾病患者的超声图像资料。纳入标准：（1）DICOM格式图像；（2）图像清晰，无明显伪影。共纳入92例患者，均为女性，其中良性组40例，年龄20岁～64岁，平均年龄（48.57±14.05）岁；恶性组52例，年龄35岁～85岁，平均年龄（49.03±13.93）岁。

1.2 检查方法 采用迈瑞Resona 7彩色多普勒超声诊断仪，选用L11-3U探头，探头频率为5MHz～14MHz，选取乳腺条件。患者仰卧，暴露乳腺、两侧腋窝。采用放射状扫查及纵横扫查，选取结节或肿块最大切面留存图像。

1.3 图像分析

图像导入ImageJ软件进行分析。由一位具有两年工作经验的超声医师手动沿病灶边缘进行勾画（见图1），作为感兴趣区（region of interest，ROI）。GLCM纹理分析插件采用默认值，图像类型设置为8 bit，像素间距（d）=1，方向（q）=0°。由ImageJ软件计算得出5个纹理参数，分别为角二阶矩、对比度、相关、逆差距和熵。

1.4 统计学分析

使用SPSS 26.0统计学软件进行数据分析。对各参数进行正态分布检验和方差齐性分析，正态分布参数以（χ±s）表示，非正态分布资料采用M（P25，P75）表示。使用Mann-Whitney U检验比较两组病例超声图像GLCM参数的差异。采用受试者工作特征（receiver operating characteristic，ROC）曲线分析有统计学意义的参数诊断两者的效能。以P<0.05为差异有统计学意义。

2 结果

2.1 GLCM纹理参数分析结果

对分析所得的五组参数行正态分布检验和方差齐性分析，结果显示两组患者的角二阶矩、对比度、相关、逆差距和熵均未同时满足正态分布及方差齐性。

使用Mann-Whitney U检验对两组患者GLCM的 5个参数进行比较，其中熵值的差异有统计学意义，见表1。

2.2 GLCM纹理参数的ROC曲线分析结果

对两组间差异有统计学意义的参数熵值进一步行ROC曲线分析，曲线下面积（area under the curve，AUC）、最佳临界值、敏感度和特异度见表2、图2。

3 討论

在乳腺良恶性结节的超声表现存在一定重叠，为明确诊断，部分患者进行了不必要的穿刺活检或手术。因此，目前亟需一种能够无创鉴别乳腺良恶性结节的新技术。

物体表面物理属性的差异引起灰度或颜色变化，即为纹理。对人来说，纹理虽然很容易从直观上区分，但却很难用精准的数学公式来表述。纹理分析则解决了这一问题，它提取出纹理特征参数，进而可以定性或定性定量的描述纹理[5]。GLCM作为一种常用纹理分析方法，用灰度的空间分布表征纹理，被广泛应用于医学图像的分析中[6-9]。

本研究采用GLCM纹理分析的方法对乳腺良恶性结节的超声图像进行定量分析，评估乳腺肿瘤的异质性，对两者进行鉴别诊断，为临床决策提供参考。结果显示熵值有助于鉴别乳腺良恶性结节，而角二阶矩、对比度、相关和逆差距在两者间差异无统计学意义。理论上，熵值代表图像灰度分布的复杂程度，图像越复杂，熵值越大，提示肿瘤的异质性越强，这可以解释我们的结果，与其他学者对于乳腺、肝脏良恶性病变的鉴别研究结果相似[10-11]。

本研究的不足：（1）本研究纳入的样本量较少。（2）仅提取5个GLCM定量参数，未建立预测模型。（3）未比较超声图像纹理分析参数与常规超声诊断效能的差异。

综上所述，超声图像纹理分析对乳腺结节良恶性结节的鉴别诊断有一定的临床意义，提供了一种鉴别乳腺良恶性结节的新思路和新方法。

参考文献

[1] CHEN Wanqing，ZHENG Rongshou，BAADE P D，et al.Cancer Statistics in China， 2015[J].CA：A cancer journal for clinicians，2016，66（2）：115-132.

[2] HARALICK R M，SHNMUGAM K，DINSTEIN I.Textural Features for Image Classification[J]. Studies in Media and Communication，1973，SMC-3（6）：610-621.

[3] 迟淑萍.CT图像纹理分析在鉴别良恶性肺结节中的价值[J].实用放射学杂志，2016，32（11）：1789-1792.

[4] HORVAT N，VEERARAGHAVAN H，KHAN M，et al.MR Imaging of Rectal Cancer： Radiomics Analysis to Assess Treatment Response after Neoadjuvant Therapy[J]. Radiology，2018，287（3）：833-843.

[5] TOMITA F，TSUJI S.Computer Analysis of Visual Textures[M].Springer，Boston，MA，1990-1-1.

[6] 杨韬，夏建国，缪锦林，等.基于灰度共生矩阵的乳腺钼靶图像分析[J].中国医学影像学杂志，2012（4）：306-309.

[7] 李小虎，徐海，徐璐瑶，等.肾脏CT容积纹理分析及机器学习相结合的影像组学评价肾透明细胞癌病理分级的价值初探[J].中华放射学杂志，2018，52（5）：344-348.

[8] 钟熹，江魁明，麦慧，等.基于灰度共生矩阵的MRI纹理分析预测舌癌患者颈部淋巴结转移的价值初探[J].中华放射学杂志，2018，52（9）：649-654.

[9] 宋歌声，刘文慧，李进叶，等.利用超声图像纹理特征鉴别甲状腺实性结节良恶性的研究[J].医学影像学杂志，2015（4）：612-616.

[10] 张竹伟，华婷，徐婷婷，等.常规MRI纹理分析鉴别乳腺良、恶性病变的价值初探[J].中华放射学杂志，2017，51（8）：588-591.

[11] 郭冬梅，邱天爽，康伟，等.基于灰度共生矩阵的大鼠肝细胞癌、肝硬化结节超顺磁性氧化铁MR增强图像纹理特征分析[J].中国医学影像技术，2010（3）：563-566.