肿瘤影像组学成像方式及分割感兴趣区方法进展

秦思源,刘 珂,郎 宁

(北京大学第三医院放射科,北京 100191)

时至今日,传统影像学方法诊断癌症及预测预后仍面临挑战。影像组学是新兴图像分析方法,可从ROI中提取高维度特征,结合临床或基因特征建立诊断或预测模型,以指导临床决策;其核心步骤包括图像预处理、图像分割、特征提取及建立模型[1]。图像分割质量对影像组学模型的有效性至关重要,但对于如何选定ROI尚无统一标准。本文就肿瘤影像组学成像方式及分割ROI方法研究进展进行综述。

1 成像方式

1.1 CT CT具有成本低、可快速扫描、分辨力高及无组织叠加的优势,根据病变形态学特征、CT值及其与周围组织的关系可进行定性诊断。影像组学能从医学图像中提取肉眼难以辨识的纹理特征,通过筛选关键特征为诊断提供依据,现已广泛用于各系统肿瘤[2-4]及肺部疾病。姬慧君等[5]提取184例胸部病变患者胸部平扫CT的影像组学特征,发现以影像组学特征联合临床因素鉴别肺炎型黏液腺癌与大叶性肺炎的曲线下面积(area under the curve, AUC)达0.933。对于CT具有明显诊断优势的疾病,CT影像组学更具价值。CHEE等[6]联合应用62例椎体压缩骨折患者的CT图像及临床因素训练模型,用于鉴别良、恶性压缩性骨折,其在验证集55例中的AUC达0.948,高于临床模型。基于增强CT的影像组学研究近年来备受关注,可用于量化评估不同时相增强CT和平扫图像的影像组学特征差异。CHEN等[7]基于299例CT患者资料分别建立平扫CT影像组学和平扫+增强影像组学模型以预测肺腺癌的侵袭性,发现后者预测效果(AUC=0.902)优于前者(AUC=0.856),表明平扫+增强CT影像组学具有潜在应用价值。

1.2 MRI MRI具有高分辨率、多平面和多序列成像等优势,可提供丰富的病变信息;T1WI可清晰显示解剖结构,T2WI则能清楚描绘病变,弥散加权成像(diffusion weighted imaging, DWI)及表观弥散系数(apparent diffusion coefficient, ADC)可从分子水平反映组织功能。相比单序列MRI影像组学,多序列MRI影像组学能从多角度提供病变信息,借助图像信息互补优势提升模型的准确性,但分割图像用时较长、特征筛选难度加大,工作量亦大幅增加。ZENG等[8]提取160例胰腺导管腺癌多序列MRI(T1WI和T2WI)及多期增强CT影像组学特征,于其中筛选5个出现频率最高的特征用于预测胰腺导管腺癌淋巴结转移,发现前者的预测能力(AUC=0.786)显著高于后者(AUC=0.655)。功能MRI影像组学研究也日益增多,如ZHANG等[9]基于ADC、T2WI及动态对比增强(dynamic contrast enhancement, DCE)MRI利用U-Net自动分割模型分割乳腺病变,发现多序列影像组学特征鉴别乳腺良、恶性病变的效能(AUC=0.946)明显优于乳腺影像报告和数据系统评分(AUC=0.872)。

1.3 PET PET利用组织对显像剂摄取的不同区分肿瘤细胞与正常细胞,能反映组织缺氧、细胞坏死等代谢信息[10]。PET/CT可通过一次检查获取全身信息,敏感度高;用于影像组学研究能从肿瘤、肿瘤微环境中获取组织代谢信息,现已广泛用于肿瘤分期、预测预后及评估治疗反应[10-11]。MILARA等[12]基于PET/CT图像以半自动分割方式分离全身骨骼,再以组织CT值去除致密的骨组织和椎管而得到骨髓ROI,发现利用该方法可评估多发性骨髓瘤患者接受治疗后的残余病灶。

2 分割ROI方法

2.1 原发灶 临床诊断肿瘤及判断预后与原发灶的异质性密切相关,需要针对不同目标和对象适当选择分割ROI方法。根据研究目的和内容,可仅勾画肿瘤最大层面的二维ROI,亦可勾画包含肿瘤所有层面在内的三维ROI,其在分割时间及获取信息方面各具优势。XIE等[13]以平扫CT影像组学预测恶性胸膜间皮瘤有无BAP1基因突变,发现三维模型在观察者内及观察者间选择影像组学特征的一致性及预测表现方面均优于二维模型;LI等[14]采用CT影像组学鉴别卵巢良、恶性肿瘤,发现二维模型与三维模型诊断性能相当,考虑到时间和成本效益,建议选择二维模型。

分割肿瘤时,判定肿瘤边界可影响模型结果。周振等[15]基于T2WI观察2种以不同分割肿瘤方法建立的模型术前评估直肠癌T分期的效能,其中最小轮廓法沿病灶最明确边界进行勾画、不包括边缘模糊区,最大轮廓法则沿病灶最大边界进行勾画、包括肿瘤周围的模糊影,结果显示以最大轮廓法特征建立的模型优于最小轮廓法(AUC:0.928vs. 0.838);分析原因,可能是前者包含肿瘤更多信息、更能反映肿瘤的侵袭性。治疗后随访中可将治疗后的残余肿瘤作为ROI,但需要结合治疗前图像;若治疗后肿瘤完全消失,则需勾画肿瘤原始区域作为ROI[16]。

2.2 肿瘤周围组织 肿瘤周围组织对于肿瘤生长、转移、炎症反应及血管生成等方面具有重要影响。相比仅依靠肿瘤影像组学特征,结合瘤周特征可提升预测或鉴别诊断能力[17-21]。分割瘤周组织方法包括边缘等距扩增、分割瘤周正常组织及分割瘤周异常组织。边缘等距扩增为最常用方法,即沿肿瘤边缘扩增一定距离,再加以手动调整。LI等[22]采用CT增强影像组学预测肝细胞癌术后复发,分别将瘤周0～1 cm和1～2 cm范围作为微转移区和潜在肝硬化背景区,并手动去除非肝脏组织;WANG等[23]将肺癌病灶周围15 mm区域作为瘤周区域,并手动去除支气管、大血管和正常组织。瘤周正常组织可能存在肉眼无法直接识别的与肿瘤生物学行为相关的微环境改变,并引起影像组学特征变化。CHONG等[24]利用影像组学术前预测肝细胞癌微血管浸润,随机于不同肝叶组织中勾画5～10个区域,结果显示,结合上述区域影像组学特征能提升模型的预测能力。瘤周异常组织指肿瘤周围存在异常信号/密度的组织;观察瘤周异常组织影像组学特征可评估神经系统肿瘤[25-26],例如MALIK等[27]评估胶质母细胞瘤时,将T1WI中肿瘤明显强化区定义为肿瘤核心区,将其外的T2液体衰减反转恢复序列图像呈高信号区域定义为瘤周异常组织,并发现该区主要为瘤周水肿及恶性肿瘤细胞。HU等[28]将食管鳞状细胞癌周围组织定义为紧邻食管周围的组织和淋巴结。根据不同研究对象及目的适当选择分割瘤周组织方法可提高影像组学模型的判别能力。

2.3 肿瘤相关血管 肿瘤相关血管也与预后密切相关,而传统影像学难以显示肿瘤相关血管与健康血管的差异。定量测量肿瘤周围血管网络形态和结构指标对于预测预后的重要性已经既往研究[29-30]证实。BULLITT等[29]前瞻性纳入31例乳腺癌脑转移患者,以MR血管成像评估治疗期间颅内血管形态变化,发现血管曲度变化可为早期预测肿瘤治疗反应提供有效信息。BRAMAN等[30]分别基于CT和增强MRI对558例非小细胞肺癌或乳腺癌患者于化疗前分离肿瘤脉管系统并提取其定量形态学特征,发现其曲度、扭矩和组织异质性等形态特征与肿瘤预后相关。未来或将开发自动分割血管模型,以进一步探索血管相关影像组学特征与肿瘤生物学行为的关系。

2.4 肿瘤周围淋巴结 淋巴结是肿瘤常见转移部位,其病理状态对于评估肿瘤分期、选择治疗方案和判断预后至关重要。淋巴结的传统影像学特征包括淋巴结短径、边缘是否规则、内部信号/密度是否均匀等,对其进行评价时多依赖医师个人经验,导致可重复性欠佳。淋巴结影像组学特征对于预测淋巴结转移、患者预后等具有重要作用,是原发肿瘤特征的重要补充。近期研究[31-33]发现淋巴结影像组学特征对于预测淋巴结转移和治疗预后方面有显著意义。CHEN等[31]通过分割瘤周淋巴结ROI预测216例食管鳞状细胞癌患者淋巴结状态,结果显示联合应用淋巴结影像组学特征、深度影像组学特征及临床特征能有效预测淋巴结转移(AUC=0.80)。NAKANISHI等[32]报道,对于晚期直肠癌,相比盆腔侧方淋巴结的短径,以其影像组学特征更能判断淋巴结状态。LI等[33]利用原发肿瘤和外周淋巴结特征构建融合CT影像组学模型,用于预测Ⅱ期结直肠癌患者无病生存期及总生存期,其AUC分别为0.76和0.91,显著优于单一肿瘤或淋巴结影像组学特征模型。

3 小结

随着人工智能日益成熟,影像组学在诊断肿瘤与预测预后中的应用越来越广泛,正在实现从理论向临床实践的转变。图像分割是影像组学研究的关键,适当选择成像模式和分割ROI方法可提高影像组学的可重复性及准确率,进一步促进影像组学模型的临床应用。