磁共振纹理动态特征鉴别乳腺良恶性肿块

林帆， 胡若凡， 梁超， 余娟， 刘侠静， 雷益

·乳腺影像学·

磁共振纹理动态特征鉴别乳腺良恶性肿块

林帆， 胡若凡， 梁超， 余娟， 刘侠静， 雷益

目的提取乳腺病灶的时空变化特征作为新的DCE-MRI标记(称为纹理动态特征)并证明其鉴别良恶性肿块的能力。方法回顾性分析52个乳腺肿块，其中恶性肿瘤30个，良性肿块22个，提取并对动态特征信号强度特征、纹理特征、形态特征、边缘特征进行分组。为了更好评估这些特征，采用不同的特征类建立分组模型，计算正确率，敏感度，特异性及曲线下面积(AUC)。结果结合纹理动态特征所建立的良恶性肿瘤分类器具有最大的AUC=0.94，准确率90%，敏感度92%，特异性85%，优于其他各组分类器，与信号强度特征所建立的模型差异有统计学意义(AUC=0.80,P<0.05)。结论磁共振纹理动态特征有助于鉴别良恶性肿块，甚至优于临床上最流行的DCE-MRI标记信号强度动态特征。

磁共振成像； 纹理； 乳腺肿瘤； 人工智能

乳腺动态磁共振增强扫描(dynamic contrast-enhanced magnetic resonance imaging，DCE)已成为临床常规检查手段，通过测量信号强度的动态变化(如时间-信号强度曲线)来分析病灶的血流动力学[1-3]。然而根据乳腺BI-BADS分级的要求和实际工作经验，除了信号强度以外，病灶内部纹理特征、边缘特征等随时间的变化同样重要[4]。动态增强图像去分析这些特征，耗费时间和精力[5-10]，并容易出错。

因此，本文拟采取计算机辅助的方法解决问题，通过图像处理算法提取乳腺病灶内部及边缘等的动态变化特征，然后基于机器学习的方法进行良恶性样本训练，筛选出诊断良恶性病变最有价值的特征，从而成为DCE-MRI新的标记。

材料与方法

1.研究对象

回顾分析2013年-2017年的乳腺动态增强MRI病例52例。纳入标准：乳腺MRI上显示肿块病灶，经过手术或者穿刺病理证实恶性肿瘤30个(均为浸润性导管癌)，良性肿块22个(纤维腺瘤19例，腺病3例)。

2.扫描参数

扫描机器为西门子Avanto 1.5T磁共振，使用乳腺专用breast线圈扫描。行T1WI,T2WI平扫后，使用3D GRE序列行动态增强扫描：TR 4.5 ms，TE 1.2 ms， 翻转角10°，层厚1.2 mm，层间隔0 mm，视野280 mm×280 mm，矩阵384×257，激励次数1.0，扫描次数7次，第一次为蒙片，最后再扫描一次矢状面的增强及其他序列图像。乳腺增强对比剂是对比剂钆喷酸葡胺通过肘静脉以0.1 mol/kg的剂量、2.0 mL/s的流率注入，注射完毕后加注20 mL生理盐水。

3.病灶分割

由1名放射科12年年资的副主任医生通过计算机进行，先在动态增强序列上选择病灶边界最明显的时相，分别在3个方位均取病灶径线最大的层面，在自行编写的半自动的程序下勾画病灶的边界。

4.提取病灶特征

通过图像处理算法提取病灶内部各种特征[11-12，17]。对不同时相(t0, t1，t2，t3，t4，t5，t6)的病灶提取纹理特征。

①形态学特征：a.病灶与最小外接圆的面积比；b.平均半径比；c.半径标准差；d.光滑性；e.紧凑性。

②病灶内部特征：a.一阶统计量(平均值，标①准差，变异系数 )；b.Haralick纹理(4个角度)；c.Gabor滤波参数(8个角度，5个波长);d.Wavelet小波，以symlet wavelet滤波把每副图像分解4次，每次分解生成4组小波系数，分别是低频(LL)，水平 (HL)，垂直(LH)和对角(HH)。因此共有16个系数(表1)。Gabor函数公式如下：

X′=Xcosθ+Ysinθ

Y′=-Xsinθ+Ycosθ

其中λ波长，θ方向，φ相位，σ高斯标准差，γ spatial aspect ratio

方向θ={0,π/8,2π/8,3π/8,4π/8,5π/8,6π/8,7π/8}

波长λ={4π/5,π,4π/3,2π,4π}

③边缘分析(拟合sigmoid曲线，以曲线参数表示边缘变化程度)，先沿病灶轮廓插值重建以病灶为中线的图，再沿中线平均各数值，以垂直中线的方向为x轴，以平均值为y轴，再拟合sigmoid函数。sigmoid函数公式如下：

其中a值的绝对值越大，表示曲线越陡，反映病灶边缘的变化程度。

④增强动态特征(时间特征量曲线各参数),形态学特征，边缘特征以及内部构造特征等均采用以下方法提取动态增强特征。a.多项式拟合的系数；b.次序。根据不同时间点特征变量数值的大小排序，有7×6×5×4×3×2=5040种可能性，每种可能性对照一个号作为特征向量。

5.机器学习

由于病灶特征数相对于病例数较大(总的提取特征1818个特征 )，需对特征进行分类和筛选：首先将特征分为4组，分别是形态学组、内部纹理组、病灶边缘组、病灶平均信号强度。然后在分类器上进行筛选变量及分类。本文采用的分类器为随机森林，它是一种集成统计学习方法[13-15]，使用多个决策树进行组合，从而获得较高的预测精度。特征向量按不同组别输入良恶性二分类模型(随机森林参数为mtry=4，ntrees=500)，再用交叉检验的方法评估学习效果，分别计算出各组特征的敏感度和特异性、受试者工作特征曲线 (receiver operating characteristic curve，ROC)曲线下面积(area under curve，AUC)等来评价该组特征的诊断能力，最后比较各组的AUC差异。统计过程在软件R[16]上进行。

表1 具体提取的特征向量

结 果

所有病灶在自主编写的半自动分割程序下完成分割，医师检查分割结果，分割区域基本反映病灶轮廓范围(图1)。鉴别良恶性分类器显示：形态学组的诊断ROC曲线下面积为0.90，诊断正确率为83%，敏感度90%，特异度75%。纹理组的ROC曲线下面积0.92，准确率86%，敏感度90%，特异度84%。边缘特征组的ROC曲线下面积:0.75，准确率76%，敏感度80%，特异度65%。而单独以信号强度为特征的ROC曲线下面积0.80，准确率81%，敏感度92%，特异度62%。综合各组诊断所得的ROC曲线下面积0.94，准确率90%，敏感度92%，特异度85%(图2)。综合诊断组ROC曲线下面积要高于包括内部纹理特征组在内的所有特征类别，但与内部纹理特征和形态学特征差异无统计学意义(P>0.05)，而内部纹理特征组的ROC曲线下面积要高于信号强度特征及边缘特征，差异有统计学意义(P<0.05，表2)。

图1 a) 乳腺腺瘤病灶，边缘光整，轻度分叶; b) 乳腺腺瘤病灶分割的结果，红色区为分割的部分，基本能反映病灶的实际范围； c) 乳腺浸润性导管癌病灶呈边缘毛糙，轮廓呈小波浪状； d) 乳腺导管癌病灶的分割结果，红色的分割区域基本反映病灶的实际范围。

图2 各类动态特征ROC曲线(Signal Intensity：信号强度；Texture:内部纹理；Morphology：形状或形态；Margin Feature：边缘特征；All Feature:所有特征)

表2 不同特征组的AUC的P值比较

注：*差异有统计学意义。

讨 论

乳腺动态增强扫描有助于医生了解病灶的血流动力学改变，然而，由此产生的大量的图像会耗费医生大量的时间和精力进行后处理和分析。目前临床上多用时间-信号曲线来简化原始动态图像来达到降维分析的效果，这种曲线虽然简便可行，但它只能反映平均信号强化的变化，然而，目前，无论是BI-RAS分类还是平时的经验，都提示病灶的纹理特征及其随着动态增强的改变更为重要，然而，如此大量的图像信息，对人脑是很具挑战性的。

因此，本文解决该问题的关键是通过计算机辅助的方法来实现，具体来说是通过图像处理的方法，首先要解决的问题是在特征选择方面，本文比以往国内外的研究采用更多的特征量，同时兼顾了病灶的形态特征、内部特征和边缘特征；病灶的形态特征包括病灶与外接圆的面积比、半径比、光滑度和紧凑度等。而病灶的内部特征有一阶统计纹理征， Haralick纹理特征(包括角二阶矩、熵、对比度、逆差分矩、相关性)，Gabor滤波，Wavelet小波；边缘特征：利用Sigmoid函数拟合边缘特征[17]，进而提取参数，这项在国外文献鲜有使用。

由于本文采用较多的特征个数，同时，每个特征都有5个动态增强的时间点，输入的特征量相对样本数来说较为巨大，增大了噪声并容易出现过拟合。因此，本文将特征降维成主要的几种特征类，分别为代表形态学的特征，边缘的特征，病灶内部纹理的特征还有信号强度的特征，而特征的动态变化信息蕴藏于各组特征之中。

训练方法：本文选取较为经典的随机森林方法，将多个决策树进行组合以提高预测精度。随机森林有以下特点：相对其它算法，准确率很高；不容易形成过度拟合；速度快，能够处理大数据；能处理很高维度的数据，自动做特征选择；由于抽样的原因，会有一些未被抽中的样本，这形成了所谓的“out of bag”数据，并据此来估计泛化误差，比较适合本文的数据。

在结果中，动态纹理特征显示出其较高的诊断能力，其效果比其他几种动态特征要好，高于目前临床常用的动态信号强度特征(AUC 0.72～0.88)[18]，这一点与既往研究相一致[7,9]；另外，动态形态学特征也比较重要，但笔者推测其中起诊断作用的因素与“动态”无关，因为动态增强时病灶强化范围的形态学一般变化不明显，所以病灶的轮廓(如圆形、星芒状、分叶等)可能更重要； 病灶的边缘特征在肝脏病变的鉴别诊断中起重要作用[17]，而本研究中其诊断能力是4组特征中最弱的一组，笔者推测可能因为肝脏肿瘤更容易出现有特征性的边缘强化模式，比如肝血管瘤的边缘结节状强化和假包膜的出现，而乳腺肿瘤这种特征性的边缘改变较少。最后，值得一提的是本文的结果显示综合所有特征所得诊断模型诊断效率最高，这也是符合预期的。

未来可以以增强时间点为横轴，病灶特征为纵轴，建立“时间-病灶特征”曲线，像“时间-信号强度”曲线那样应用于临床，令医生更为直观地理解和使用。本文结果已经证明了内部纹理的动态特征比单纯信号强度的变化更具优势。因此，笔者相信“时间-病灶特征”曲线比“时间-信号强度”曲线更有诊断价值，但此不在本文的研究范围内。另外，该研究与影像组学的研究一脉相承，但后者要获得更佳的结果，需要更大量影像、临床和分子病理资料等，有望在以后的研究中进行。

本研究紧密结合机器学习、医学图像处理、医学影像诊断学3个学科，应用图像处理的方法提取病灶特征，机器学习的方法选择特征，以医学影像诊断学的方法分析和利用这些特征，是目前计算机辅助影像甚至人工智能医学的发展的方向。

[1] 许玲辉,顾雅佳.乳腺磁共振在乳腺癌诊断治疗中的运用[J].中国癌症杂志，2013，23(8):613-617.

[2] 何东峰,马大庆,靳二虎.动态增强MRI在鉴别乳腺良、恶性肿瘤和提示恶性肿瘤病理分级中的作用[J].中华放射学杂志，2012，46(12)：1075-1078.

[3] Saslow D,Boetes C,Burke W,et al.American cancer society guidelines for breast screening with MRI as an adjunct to mammography[J].CA Cancer J Clin，2007，57(2):75-89.

[4] American College of Radiology (ACR):Breast imaging reporting and data system atlas (BIRADS Atlas).American College of Radiology,Reston,2003

[5] 陈文静,牟玮,张文馨,等.MR动态增强图像纹理分析判断乳腺结节良恶性的价值[J].中国医学影像技术,2017,33(5):647-651.

[6] Nie K,Chen JH,Yu HJ,et al.Quantitative analysis of lesion morphology and texture features for diagnostic prediction in breast MRI[J].Acad Radiol，2008，15(12):1513-1525.

[7] Agner SC,Soman S,Libfeld E,et al.Textural kinetics:a novel dynamic contrast-enhanced (DCE)-MRI feature for breast lesion classification[J].J Digit Imaging，2011，24(3):446-463.

[8] Gibbs P,Turnbull LW.Textural analysis of contrast-enhanced MR images of the breast[J].Magn Reson Med，2003，50(1):92-98.

[9] Zheng Y,Englander S,Baloch S，et al.STEP:spatiotemporal enhancement pattern for MR-based breast tumor diagnosis[J].Med Phys，2009，37(7):3192-3204.

[10] Honda E,Nakayama R,Koyama H,et al.Computer-aided diagnosis scheme for distinguishing between benign and malignant masses in breast DCE-MRI[J].J Digit Imaging,2016,29(3):388-393.

[11] Rakoczy M,McGaughey D,Korenberg M,et al.Feature selection in computer-aided breast cancer diagnosis via dynamic contrast-enhanced magnetic resonance images[J].J Digit Imaging.Springer-Verlag,2013,26(2):198-208.

[12] Abdel-Nasser M,Rashwan HA,Puig D,et al.Analysis of tissue abnormalityand breast density in mammographic images using a uniform local directional pattern[J].Expert Syst Appl，2015，42(24):9499-9511.

[13] Zhou Z.Machine Learning[M].Beijing:Tsinghua University Press,2016:229-232.

[14] Lu W,Li Z,Chu J.A novel computer-aided diagnosis system for breast MRI based on feature selection and ensemble learning[J].Comput Biol Med，2017，83(1):157-165.DOI:10.1016/j.compbiomed.2017.03.002.

[15] Strobl C,Boulesteix AL,Kneib T,et al.Conditional variable importance for random forests[J].BMC Bioinformatics,2008,9(307):471-2105.

[16] R Core Team.A language and environment for statistical computing.Foundation for Statistical Computing, Vienna, Austria. (Accessed December 10, 2012 at http://www.R-project. org/.)

[17] Fan L,Yi L.Image features related to margin and enhancement pattern improve the performance of computer-aided diagnosis for hepatic diseases using multi-phase computed tomography[J].Chinese Medical J,2014,127(19):3406-3417.

[18] El Khouli RH,Macura KJ,Barker PB,et al.The relationship of temporal resolution to diagnostic performance for dynamic contrast enhanced (DCE) MRI of the breast[J].JMRI,2009,30(5):999-1004.

DifferentiateddiagnosisbetweenmalignantandbenignbreastmassusingtexturalkineticMRIfeatures

LIN Fan,HU Ruo-fan,LIANG Chao,et al.

Department of Radiology,Shenzhen Second People's Hospital,Guangdong 518035,China

Objective:In this study,we proposed a new DCE-MRI descriptor (called textural kinetics) to capture the spatiotemporal changes of lesion texture for the better discrimination of benign and malignant lesions.MethodsWe retrospectively collected 52 breast mass lesions (30 malignant and 22 benign).Kinetic features were extracted from breast DCE-MRI and divided into four categories:signal intensity,texture,morphology,margin feature.In order to evaluate these features,we created classification model using different feature classes.Accuracy,sensitivity and specifity and area under curve (AUC) were calculated.ResultsWhen textural kinetic features were combined with other features,the classifier yielded 90% accuracy,92% sensitivity and 85% specificity,and 0.94 AUC,showing the best differentiation between benign and malignant lesions.The difference for AUC between combined classifier and signal intensity classifier is significant (AUC=0.80,P<0.05).ConclusionsTextural kinetic features in DCE-MRI is helpful in distinguishing malignant from benign lesions,which is even better than the most popular DCE-MRI descriptor of signal intensity kinetics feature in clinic.

Magnetic resonance imaging; Texture; Breast neoplasms; Artificial intelligence

R445.2; R737.9; R05

A

1000-0313(2017)10-1037-05

2017-09-19

2017-10-09)

518035 广东，深圳市第二人民医院 放射科

林帆(1981-)，男，广东梅县人，硕士，副主任医师，主要从事计算机辅助诊断工作。

雷益，E-mail：13602658583@163.com

深圳市科技研究资金(JCYJ20150330102720117)

10.13609/j.cnki.1000-0313.2017.10.009