3.0T磁共振图像计算机特征鉴别诊断 前列腺良恶性病变的价值

王为刚， 张国凯， 李军衡， 华 婷， 李 伟， 赵炳辉

(1. 同济大学附属第十人民医院放射科，上海 200072； 2. 同济大学软件学院，上海 201804)

前列腺癌是一种与年龄相关的老年性疾病，好发于60岁以上的男性，且随年龄增加发病率亦明显增加，是威胁男性健康的常见恶性肿瘤之一。多项研究显示，MRI是前列腺癌早期检出、定性、分期等最有效的影像手段[1-4]。MRI以其较高的软组织分辨、任意平面和多参数成像、多序列成像、无电离辐射等优点，已成为无创性早期诊断前列腺肿瘤的首选方法。计算机图像特征能够有效地阐述图像内部变化规律，且提取的特征不依赖放射科诊断医师的临床经验或主观因素，或提供肉眼无法分辨的图像客观信息，近年来被逐渐应用于医学图像诊断中[5]。支持向量机(support vector machine, SVM)分类器可在小数据量上实现监督式学习，通过学习输入的特征进行分类模型的构建，是图像分类任务中的一个重要的算法。本研究旨在探讨3.0MRI图像特征鉴别诊断前列腺良恶性病变中的价值。

1 资料与方法

1.1 一般资料

回顾性分析同济大学附属第十人民医院2016年10月—2018年2月符合以下标准的前列腺患者的临床及影像资料。入组标准如下: (1) 患者配合检查，前列腺MRI图像清晰；(2) 经超声引导下细针多点穿刺或根治性切除术证实的前列腺良恶性病变；(3) 穿刺前或术前7d内接受过前列腺常规MRI检查，包括T1加权像(T1WI)、T2加权像(T2WI)、多b值(b值分别为0、500、800、1200、1500)弥散加权成像(DWI)扫描(ADC图)和多期动态增强MRI(DCE-MRI)检查。排除标准: (1) MRI图像质量不佳，不能用于诊断；(2) 病理诊断结果与MRI图像有一项缺失者；(3) MRI检查前进行过相关的治疗或活检；(4) 图像序列不全的患者。

总共收集403例患者的临床资料，43例患者缺乏病理诊断结果，20例患者在检查前进行过穿刺活检，10例患者图像移动伪影，最终330例前列腺患者纳入研究，年龄55～80岁，中位年龄68岁。198例经病理证实为前列腺癌。132例为良性前列腺增生，其中16例合并前列腺炎症，12例合并钙化，7例合并囊肿。

1.2 MRI检查方法

采用德国Siemens公司MagnetomVerio 3.0T MRI扫描仪，通道腹部相控线圈为射频接受线圈。患者仰卧位，足先进，线圈中心置于耻骨联合上缘。横断面行前列腺及精囊范围扫描，矢状面及冠状面自盆底至腹主动脉分叉处水平行大范围扫描。序列和扫描参数如下。(1) 横断面T2WI: 脂肪抑制反转恢复序列，重复时间(TR)4410ms，恢复时间(TE)96ms，矩阵224×320，扫描野(FOV)200mm×200mm，层厚3.50mm，层间距0.70mm；(2) 横断面T1WI: 快速自旋回波序列，TR 599ms，TE 11ms，矩阵256×192，FOV 200mm×200mm，层厚5.50mm，层间距0.70mm；(3) 横断面DWI序列: 采用单次激发回波平面成像序列，TR 9900ms，TE 93ms，矩阵102×160，FOV 221mm×260mm，层厚3.60mm，层间距0.70mm；(4) DCE-MRI: 采用采用容积式插入法屏气检查(VIBE)序列，TR 5.10ms，TE 1.70ms，矩阵138×192，FOV 260mm×260mm，层厚3.60mm，层间距0.70mm。首先完成第1期T1原始图(蒙片)扫描，然后以2.5～3ml/s的流率团注对比剂Gd-DTPA，剂量为231mmol/kg，行注射后40s、65s、90s和120s动态增强检查。扫描范围覆盖前列腺底部至前列腺尖部。

1.3 分类模型构建运行环境

本研究是在Windows 10系统下，采用Python语言进行研究分析，其中方向梯度直方图(HOG)特征、局部二值模式(LBP特征)、哈尔特征(Haar特征)采用scikit-image包进行特征提取，SVM分类器通过scikit-learn进行构建。

1.4 图像数据的选择与收集

本组研究采用T2WI图像、长b值1200ms/mm2的DWI图像和ADC图像。在西门子Siemens syngo专用工作站Workplace上进行图像导出时以原始的“.ima”文件格式进行导出，导出时调整图像的窗宽、窗位，使图像窗宽、窗位保持一致，并存于硬盘中，用于进一步分析。在Siemens syngo专用工作站Workplace上，Siemens 3.0T MRI扫描结束系统自动生成ADC图，并保存。由两名分别具有13年和19年腹部影像诊断经验的高年资影像科医生进行阅片。结合病理结果共同选出病灶最大层面的图像，并确定病灶范围，如有不同意见需协商一致达成共识。本组研究没有采用DCE-MRI增强图像进行计算机图像特征对比分析，基于以下原因: (1) PI-RADS v2版对前列腺结节病变的动态增强分为DCE阴性和阳性分类，没有用于前列腺结节病变分级评估；(2) DCE的阴性与阳性判断仍需要依托前列腺结节T2WI与DWI的变化；(3) 对无对比剂使用的T2WI、DWI与ADC计算机图像特征分析可行性进行初步研究评估，无DCE的图像特征分析将有利于前列腺癌的治疗随访评估、减少对比剂的使用。

1.5 图像特征分析

1.5.1 图像感兴趣区(region of interest, ROI)区域的选取 通过专业的DICOM视图软件进行病患区域的标注，在进行标注时采用不同序列病患区域的最大切面作为基础的标注图像，并根据病患区域的大小框选感兴趣区(ROI)作为最终的模型输入数据。选择病灶最大层面的图像，手动截取ROI，然后采用scikit-image包提取ROI区域的HOG特征、Haar特征以及LBP特征[6]，输入SVM分类器进行分类分析。MRI以常规T2WI序列显示前列腺解剖结构为佳，可清晰显示前列腺分带结构，故首先在T2WI上手动截取ROI，ROI应尽量包括病变的实质部分，并保存选定的ROI，其他序列选取ROI使之与T2WI序列的ROI保持一致。

1.5.2 图像特征的选择此次研究通过分别提取图像HOG特征、Haar特征、LBP特征来进行分析研究，此外，本文还将HOG+LBP+Haar(HHL)特征融合来进行分析研究。

本研究中采用以上4类图像特征分类分析方法分别对所选择的各序列的图像特征参数进行分类分析，评估鉴别诊断前列腺良恶性病变的准确度，鉴别诊断结果以受试者工作特征曲线(ROC曲线)下面积(AUC值)表示。AUC值越大说明该序列对前列腺良恶性病变的识别度越高，模型所蕴含的鉴别前列腺良恶性病变图像特征越丰富。

1.5.3 图像分类模型的构建本研究以MRI图像中的T2WI、DWI、ADC图3个序列作为研究的基本对象，采用330例数据作为模型数据构建分类模型，通过提取病灶ROI区域的HOG、Haar及LBP特征进行图像特征分析[6]，通过3种不同特征的融合将融合构建特征向量输入到分类器SVM中进行训练，将训练好的模型在测试数据集上进行相应的测试并得到最后的分类结果[7]。SVM是一种经典的根据统计学理论建立起来的机器学习方法，SVM在对于小数据量样本训练时，可有效获取数据特征之间的关系，通过采用该算法能够最大限度地避免参数陷入局部最优[8]，该类分类器还具有很强的可解释性，能够有效对所输入的特征以及最终的结果建立相应的关联关系。模型训练整体流程见图1。

图1 模型训练整体流程图Fig.1 The overall flow chart of model training

1.5.4 具体步骤 步骤1: 分别从ADC、T2WI、DWI等3个序列中提取病患区域最大切面的ROI图像[9]；步骤2: 将提取后的ROI图像进行特征提取，图像特征提取中主要采用了HOG特征、Haar特征以及LBP特征；步骤3: 将3类提取的特征进行特征组合，本模型特征的组合方式为将3种不同的特征向量进行连接处理；步骤4: 将融合后的特征输入到SVM分类器中进行训练，训练模型参数并得到分类模型；步骤5: 将训练好的模型在测试集上进行预测分析，并输出分类结果(前列腺增生或前列腺癌)。

1.6 统计学处理

采用sklearn.metrics包进行统计学分析。评价模型的灵敏度、特异度、准确率，绘制ROC曲线对特征进行分析，计算AUC。以AUC值最高的图像特征作为图像特征分析参数判断前列腺病变良恶性，并与病理结果对照。P<0.05为差异有统计学意义。

2 结 果

2.1 Haar条件下T2WI、DWI、ADC图像特征

在Haar特征条件下，模型总数330例，T2WI阳性预测数150例，DWI阳性预测数164例，ADC阳性预测数158例。T2WI的准确度及特异度均高于DWI与ADC图，而T2WI灵敏度低于DWI与ADC图。ROC分析ADC图的AUC值较大，高于T2WI及ADC图的AUC值(图2)。

图2 Haar条件下T2WI、DWI、ADC 图像特征ROC分析Fig.2 ROC analysis and comparison of image features of T2WI, DWI and ADC under Haar feature conditions

2.2 HOG条件下T2WI、DWI、ADC图像特征

在HOG特征条件下，模型总数330例，T2WI阳性预测数174例，DWI阳性预测数154例，ADC阳性预测数145例。T2WI的准确度及灵敏度均高于DWI序列与ADC图，而T2WI特异度低于DWI与ADC图。ROC分析DWI的AUC值较大，高于T2WI及ADC图的AUC值(图3)。

2.3 LBP条件下T2WI、DWI、ADC图像特征

LBP特征条件下，模型总数330例，T2WI阳性预测数154例，DWI阳性预测数125例，ADC阳性预测数158例。ADC的准确度、灵敏度及特异度均高于T2WI与DWI。ROC分析ADC图的AUC值较大，高于T2WI及DWI序列的AUC值(图4)。

图3 HOG条件下T2WI、DWI、ADC 图像特征ROC分析Fig.3 ROC analysis and comparison of features of T2WI, DWI and ADC diagrams under HOG characteristics

图4 LBP条件下T2WI、DWI、ADC 图像特征ROC分析Fig.4 ROC analysis and comparison of image features of T2WI, DWI and ADC under LBP feature conditions

2.4 HOG+LBP+Haar融合条件下T2WI、DWI、ADC图像特征分析

三种特征融合的HLH(HOG+LBP+Haar)条件下，模型总数330例，T2WI阳性预测数154例，DWI阳性预测数164例，ADC阳性预测数158例。DWI的准确度、灵敏度及特异度均高于T2WI与ADC图。ROC分析DWI序列AUC值亦较大，高于ADC图及T2WI序列的AUC值(图5)。

综合研究显示: Haar、HOG、LBP三种图像特征分析与HLH图像融合分析方法中，LBP特征区分两种病变的AUC值较大(0.87)，大于Haar特征(0.85)和HOG特征(0.78)，HLH融合特征方法的AUC值(0.89)大于任一特征，具有最优的鉴别诊断结果。

图5 HLH条件下T2WI、DWI、ADC 图像特征ROC分析Fig.5 ROC analysis and comparison of image features of T2WI, DWI and ADC under HLH image features

3 讨 论

HOG特征是一种在计算机视觉以及物体检测中常用的一种特征提取方法，该方法主要计算统计来描述物体的局部区域梯度方向特征，该类型特征能够有效的提取图像中局部形状信息特别是对于图像的几何变换及光学变换具有良好的不变性[10]，该特征学习方法还能够有效的获取图像中的空间位置关系，HOG特征提取在行人识别及其他基础的计算机视觉任务中得到了广泛的应用。Haar特征是常用的一种图像物体识别算法，传统的通过直接采用红绿兰(RGB)的数值作为特征进行计算其计算量相对较大，相关研究通过采用基于Haar小波的特征变换来代替RGB的数值特征，在计算Haar特征时通过计算每一个矩阵像素的差值作为区域的特征并组合成为最终的图像特征。LBP特征，局部二值模式，主要用来描述图像的局部纹理特征[11]，该算法在特征描述过程中具有旋转以及灰度不变性的特点。图像的纹理特征指的是某指定点与周围或者邻接区域之间的关系，通过设定不同的特征提取条件可以形成不同的纹理特征种类。

本研究显示，不同计算机特征分析方法对前列腺良恶性结节评价的准确度、灵敏度和特异度存在较大差异[12]。Haar特征分析显示T2WI诊断前列腺良恶性肿瘤的准确度(0.79)与特异度(0.83)均优于DWI和ADC成像，但T2WI灵敏度(0.76)低。ROC分析ADC图的AUC值(0.85)较大，高于T2WI及ADC图(0.80、0.82)。而在HOG特征条件下，T2WI的准确度(0.76)及灵敏度(0.88)均高于DWI序列与ADC图，而T2WI特异度低(0.60)。HOG特征分析除显示前列腺恶性结节的灵敏度有优势外，其他方面优势不明显。而LBP特征分析和HLH融合分析多图像鉴别前列腺良恶性肿瘤的价值较高，明显优于HOG和Haar特征分析。研究显示，LBP特征区分前列腺良恶性病变的AUC值较大(0.87)，大于Haar特征(0.85)和HOG特征(0.78)，HLH AUC值(0.89)大于其中三种特征分析方法的任一特征，具有最优的鉴别诊断结果。在分析的稳定性方面亦优于Haar与HOG特征分析。HLH图像融合分析是较为有前景的计算机辅助图像分析技术。

T2WI、DWI成像与ADC图在前列腺结节PI-RADS评分中占有较高权重，是诊断与鉴别前列腺良恶性病变的重要检查序列。本研究结果显示，在Haar图像特征条件下，ADC图的AUC值最大(0.85)，在HOG条件下DWI序列的AUC值最大(0.78)，在LBP条件下ADC图的AUC值最大(0.87)，在采用三种特征融合(HOG+LBP+Haar)的条件下，DWI序列的AUC值(0.89)大于ADC图及T2WI序列(0.88、0.84)。显示在不同计算机特征分析条件下，显示DWI、ADC与T2WI的权重不同，有学者研究认为，DWI序列与ADC图蕴含更多具有鉴别前列腺良恶性病变价值的图像特征[13]。且MRI多参数成像能明显提高前列腺癌的检查灵敏度和诊断准确度，而计算机辅助的图像特征分析有助于提高诊断准确度和病理分级评价的分级水平[14]，有利于前列腺癌患者的治疗和随访。不同的特征条件下计算机图像特征分析能显示不同参数的图像特征，有利于前列腺MRI的多参数成像诊断的准确度和合理的参数选择，而多参数图像的HLH分析有利于前列腺病变图像特征的的进一步认识，其应用前景广阔。

本次研究利用SVM分类器提取特征来分析T2WI、DWI、ADC图的图像特征在鉴别前列腺良恶性肿瘤的价值，是考虑T2WI、DWI、ADC在前列腺癌诊断中的权重和随访患者的MRI检查方式的选择，MRI非增强扫描方式的评估具有更实际的临床应用价值[15]，有利于前列腺结节的治疗后随访，减少对比剂的使用。本组研究采用单幅图像进行病灶ROI区域的选择，将来需进行三维建模，以获取容积的图像特征信息，使分析更加科学、准确。但是，本组研究存在不足: (1) DWI序列选取的b值为1200ms/mm2，当选用其他b值图像进行研究时，对所得到的结果，是否仍有较高的价值，还需进一步实验证实。(2) 实际临床工作中，DCE-MRI在前列腺癌的诊断与鉴别诊断中具有重要的价值，其图像特征分析的潜在价值本研究没有涉及。

综上，3.0T MRI T2WI与DWI、ADC图像计算机特征分析可为前列腺良恶性病变的鉴别诊断提供可靠的信息，长b值1200ms/mm2的DWI和ADC图对鉴别前列腺良恶性结节具有重要地位，而HLH融合的计算机图像特征分析能为前列腺良恶性病变鉴别诊断提供可靠依据。