基于超声图像的灰度直方图分析对乳腺炎性病变与良性肿瘤的鉴别诊断

栾 云，吴意赟，许华宁，高 慧

江苏省中医院/南京中医药大学附属医院超声医学科，江苏 南京210029

乳腺良性病变包括炎性病变、良性肿瘤/肿瘤样病变，其发生率远高于乳腺恶性肿瘤［1］。炎性病变临床治疗多以抗感染、局部对症处理为主；良性肿瘤则多行外科切除并定期随访，以防止恶变［2］。因此，准确鉴别诊断乳腺炎性病变与良性肿瘤可为治疗及随访策略等提供依据。

超声检查是乳腺病变评估的重要手段［3］。常规超声基于病灶及周围组织的声像特征对病灶进行鉴别，但受检查医师经验及手法等主观因素影响［4］。近年来，乳腺影像报告和数据系统（breast imaging reporting and data system，BI-RADS）［5］、弹性成像［6］、造影［7］等超声定量指标在临床实践中受到关注，但在鉴别乳腺炎性病灶与良性肿瘤中应用较少。灰度直方图分析（histogram analysis，HA）是一种基于数学/统计学的图像处理方法，能表征图像内灰度值及分布特征［8］，已在临床得到较多应用［9-11］。

本研究采用HA 对乳腺病变常规超声图像进行分析，定量病灶回声强度及均质度的差异，以鉴别乳腺炎性病变与良性肿瘤。

1 资料与方法

1.1 一般资料

回顾性研究2018 年1 月至2020 年12 月我院收治的乳腺病变女性患者的超声资料。纳入标准：①在我院行乳腺病灶穿刺和/或手术切除，有明确病理结果；②手术或穿刺前行超声检查；③术后病理结果为乳腺炎性病变或良性实性肿瘤；④单发病灶。

排除标准：①非初诊、初治患者，手术治疗导致乳腺腺体结构不完整，或放化疗导致病灶内/周围结构复杂，出现坏死、囊变、出血；②超声图像质量差，无法进行图像分析；③病理结果提示为乳腺恶性肿瘤，或其他非炎性/良性实性肿瘤病变。

最终纳入患者216 例，年龄23～85 岁，平均（53.48±12.13）岁。炎性病变88 例，其中急性化脓性乳腺炎62 例，乳腺脓肿6 例，肉芽肿性乳腺炎10 例，浆细胞性乳腺炎10 例；良性肿瘤128 例，其中纤维腺瘤75 例，导管内乳头状瘤43 例，神经纤维瘤10 例。本研究获医院伦理委员会批准（2018NL-KS71）。

1.2 仪器与方法

采用Philips IU-22 型超声诊断仪，探头频率12 MHz。患者取仰卧位，双手上举过头，充分暴露乳腺。由乳头向周围腺体呈放射状、顺时针扫查；发现病灶后，重点观察病灶大小、周围结构及内部回声特征，并测量数据。

1.3 图像分析

采用GE 公司Omni-Kinetics 软件，将DICOM 格式图像导入软件，由2 位从事乳腺超声诊断的高年资医师采用双盲法分别于病灶最大截面沿病灶轮廓勾画ROI，软件自动生成病灶区灰度直方图（图1），记录HA 定量参数。复制ROI，于正常腺体区再次生成正常腺体HA 参数。为消除个体差异影响，取病灶区HA参数与正常腺体对应参数的比值，即各HA 参数相对值。取2 位医师测量的平均值作为最终数据，纳入后续分析。后处理软件共生成16 个HA 参数相对值，包括最小灰度值（Min intensity）、最大灰度值（Max intensity）、灰度中位值（Median intensity）、灰度平均值（Mean value）、灰度值标准差（Standard deviation）、偏 度（Skewness）、峰 度（Kurtosis）、能 量（Energy）、熵（Entropy）及灰度值7 个百分位点（Quantile）对应值。

图1 乳腺病变超声图像、灰度直方图及术后病理 注：图1a～1d 患者，女，32 岁，左乳包块。图1a 为超声图像，图1b 为病灶勾画，图1c 为病灶区灰度直方图，图1d 为术后病理示肉芽肿性小叶性乳腺炎。图1e～1h 患者，女，66 岁，左乳包块。图1e 为超声图像，图1f 为病灶勾画，图1g 为病灶区灰度直方图，图1h 为术后病理示纤维腺瘤

1.4 统计学方法

采用SPSS 22.0 软件对数据进行统计处理。2 位医师的一致性评价采用组内相关系数（intraclass correlation coefficient，ICC），其中ICC＜0.4 为一致性差，0.4≤ICC≤0.75 为一般，ICC＞0.75 为良好。采用Kolmogorov-Smirnov 检验对16 个HA 参数相对值行正态性检验，符合正态分布以表示，不符合则表示为［M（IQR）］。采用Levene 检验分析2 组数据方差是否齐同，符合正态部分且方差齐同的组间比较采用t 检验，否则采用非参数Mann-Whitney U 检验。组间比较差异性显著的HA 参数相对值纳入二元logistic 回归分析，并根据相应回归系数，构建参数联合诊断模型。绘制ROC 曲线，比较各参数及参数联合的鉴别诊断效能。以P＜0.05 为差异有统计学意义。

2 结果

2.1 一致性检验

2 位医师提取的16 个HA 参数一致性良好，ICC最小为0.754，对应HA 参数为Energy；ICC 最大为0.994，对应参数为Kurtosis。

2.2 HA 参数比较（表1）

表1 超声直方图参数的组间对比［M（IQR）］

16 个HA 参数相对值均不符合正态分布，组间比较采用Mann-Whitney U 检验，结果显示，除Min intensity、Max intensity、Skewness 外，余13 个参数相对值在炎性病变与良性肿瘤间差异均有统计学意义（均P＜0.05）。

2.3 参数联合模型的构建

将上述13 个HA 参数相对值纳入二元logistic 回归分析后，筛选出Median intensity（P＜0.001）、Mean value（P=0.034）、Energy（P=0.034）和Quantile50（P＜0.001）为乳腺炎性病变与良性肿瘤鉴别诊断的独立预测因子；依据各自回归系数，构建参数联合诊断模型，y=Median intensity-0.024×Mean value+0.001×Energy-0.988×Quantile50。

2.4 各参数及参数联合对乳腺炎性病变和良性肿瘤的诊断效能（表2，图2）

图2 直方图分析参数鉴别乳腺炎性病变与良性肿瘤的ROC曲线 注：Median intensity 为最大灰度值，Mean value 为灰度平均值，Energy 为能量，Quantile50 为灰度值50%对应值

表2 各直方图参数及参数联合对乳腺炎性病变与良性肿瘤的鉴别效能

ROC 曲线示，与其他4 个HA 参数相对值相比，参数联合鉴别诊断效能最佳（AUC=0.871），当截断值为-0.003 时，鉴别诊断乳腺炎性病变与良性肿瘤的敏感度为70.3%、特异度为100.0%。

3 讨论

本研究采用基于超声灰度图像的HA 方法鉴别诊断乳腺炎性病变和良性肿瘤，首先验证了该方法的可靠性和一致性（ICC 0.754～0.994）；通过提取组间差异性显著的HA 定量参数，构建参数联合模型，其鉴别诊断效能较高（AUC=0.871）；能够对病灶内部结构的异质性进行定量分析，克服观察者经验、手法等主观因素的影响。

目前，已有多家机构利用HA 技术对乳腺癌MRI图像进行分析、处理［12-14］。2014 年Sadeghi-Naini 等［15］在对20 例乳腺癌的小样本研究中，首次发现化学治疗（化疗）1 周后，HA 定量参数随病灶内肿瘤细胞坏死而发生变化，可据此有效预测化疗的效果（敏感度100%，特异度93%）。2016 年，Sudarshan 等［16］提出可借助小波变换技术，提取超声图像的分割及特征，实现病灶定量分析。但采用超声灰度图像提取HA 定量参数鉴别乳腺炎性病变和良性实性肿瘤的相关研究鲜有报道。

本研究分析了2 位医师测量HA 定量参数的一致性，16 个定量参数均ICC＞0.75，结果与Saftoiu 等［17］研究（多中心胰腺癌研究，HA 参数ICC 范围0.84～0.96）一致，从数据可重复性角度证实了将HA 应用于乳腺超声图像分析的可行性。组间比较，13 个HA参数相对值差异有统计学意义，logistic 二元回归显示Median intensity、Mean value、Energy 和Quantile504 个参数相对值可作为乳腺炎性病变与良性肿瘤鉴别诊断的独立预测因子，在此基础上构建的参数联合诊断模型具有最佳鉴别诊断效能。Lv 等［18］采用相同方法，得到参数联合诊断模型鉴别良恶性椎体骨折的AUC 为0.754（P＜0.001）。

本研究中的HA 定量参数包括灰度值（intensity、value、Quantile）与灰度分布特征（Standard deviation、Skewness、Kurtosis、Energy、Entropy）。乳腺病灶内钙化灶和囊变区表现分别为高、低回声，从而表达为灰度的极值（Max/Min intensity），极值的大小影响ROI内灰度的中位值（Median intensity）与平均值（Mean value）。病灶内成分越复杂、均质性越低/异质性越高，则表现为Energy 越小、Standard deviation 或Entropy越大［18-19］。本研究采用相对于正常腺体的比值计算方法，炎性病变和良性肿瘤的超声灰度极值（Max intensity、Min intensity）差异无统计学意义，而良性肿瘤的总体灰度值水平低于炎性病灶，可能与肿瘤相对结构密实、透声性差有关［20］。皮肤和皮下水肿、动静脉扩张充血与乳腺导管增粗、管壁增厚，管腔内分泌物等结构异常是乳腺炎性病灶的病理特征［21］，病灶与正常腺体间无明确分界。因此，相对于良性肿瘤，炎性病变更具复杂性（Entropy 增大）、均质性更低（Energy 更低）、灰度值分布离散程度更高（Standard deviation 增加）。Saftoiu 等［17］在对慢性胰腺炎与胰腺癌的研究中得到类似结论，即炎性病变Standard deviation 较良性肿瘤更高。

本研究存在的不足之处：①受限于单中心研究，检查设备及后处理软件是否会对数据及结构产生影响尚不确定，需多中心加以验证；②未对HA 技术与常规超声诊断效能进行对比，需在今后研究中补充；③手工勾画ROI，仅对HA 参数进行收集整理，图像分割技术、高阶纹理参数、人工智能方法可在后续研究中加以探讨；④将乳腺病灶分为炎性病变和良性实性肿瘤，后续研究可分类细化。

综上所述，基于超声灰度图像提取的HA 参数能够定量反映乳腺炎性病变与良性肿瘤的回声强度和均匀度等声学差异，有助于2 种病变的临床鉴别诊断。