基于CT平扫图像纹理分析鉴别浸润性肺腺癌与非钙化结核球

黄栎有，王延花，高先聪

(1.徐州医科大学附属宿迁医院 南京鼓楼医院集团宿迁市人民医院肿瘤科,2.放射科，江苏 宿迁 223800)

肺癌已成为目前我国发病率最高的恶性肿瘤，其中腺癌最常见[1]，当浸润范围大于5 mm时可认为是浸润性腺癌。近年来影像学筛查肺癌大为普及，检出越来越多的孤立性结节[2]。早期浸润性肺腺癌CT表现多为肺内孤立性结节或肿块；而肺非钙化结核球为包裹性干酪性病灶，CT表现为孤立性结节或团块影，可有分叶及毛刺；2者早中期CT表现多无明显特异性，易误诊。

相比主观视觉识别法，CT纹理分析能提取纹理特征参数，定量分析病变内组织结构的异质性，提供肉眼无法观察到的病灶图像内所包含的潜在信息，并将其量化，其结果具有普遍性、客观性和可重复性等特点。目前纹理分析技术已用于鉴别脑[3]、肺[4]、乳腺[5]、肝脏[6]和肾脏[7]等器官的良恶性肿瘤，或评估病变治疗效果及预后。本研究探讨基于CT平扫图像纹理分析鉴别浸润性肺腺癌与非钙化结核球的可行性。

1 资料与方法

1.1 一般资料 收集2017年8月—2019年4月52例于南京鼓楼医院集团宿迁市人民医院接受胸部CT平扫发现肺内单发结节或肿块、并经穿刺或手术病理证实为肺浸润性肺腺癌或非钙化结核球的患者，男27例,女25例，年龄21～82岁,平均(57.8±14.3)岁；其中31例浸润性肺腺癌，21例非钙化结核球。纳入标准：①肺内单发结节或肿块最大直径<4 cm；②肿块内无明显钙化或空洞坏死；③有明确病理及临床诊断结果。

1.2 仪器与方法 采用Siemens Somatom Definition FLASH或Philips Brilliance 64 CT扫描仪，扫描参数为管电压120 kV，管电流210 mA，层厚1～5 mm；重建层厚2～5 mm，窗宽200～300 HU，窗位30～40 HU，螺距 0.9。

1.3 纹理特征提取 采用MaZda[8]纹理分析软件提取图像纹理特征，对CT纵隔窗横断位图像上的结节或肿块直径最大层面进行分析。将所有图像导入软件，并进行图像灰度归一化处理。由1名具有10年以上胸部影像学诊断经验的主治医师沿肿块内缘手动勾画ROI，其边缘距肿块内缘2～3 mm(图1)。根据病理类型定义2组ROI，分别对应浸润性肺腺癌和非钙化结核球，以不同颜色区分不同类别病灶。采用6种纹理分析方法：①灰度直方图；②灰度绝对梯度；③游程矩阵；④灰度共生矩阵；⑤自回归模型；⑥小波变换；分析2组ROI纹理，每组获得300个纹理特征。

表1 2组间差异存在统计学意义的最佳纹理特征

图1 勾画浸润性肺腺癌(A，红色)和非钙化结核球ROI示意图(B，绿色)

以费希尔参数法(fisher coefficients, Fisher)、最小分类误差与最小平均相关系数法(minimization of both classification error probability and average correlation coefficients, POE+ACC)和相关信息测度法(mutual information coefficients, MI)3种特征选择方法提取2组图像最佳纹理特征。每种方法各从纹理特征中筛选出10个对鉴别浸润性肺腺癌和非钙化结核球最有意义的纹理特征，共获得3组最佳纹理特征，并将其合并，得到3种方法联合的纹理特征组(MPF)。

1.4 最佳纹理特征分析 采用MaZda软件提供的线性判别分析法(linear discriminant analysis, LDA)和非线性判别分析法(nonlinear discriminant analysis, NDA)分别对Fisher、POE+ACC、MI及MPF 4组最佳纹理特征组进行分类。LDA以K-近邻分类器(K-NN)进行分类，K=1(决策时只依据最邻近的1个样本的类别来决定待分类样本的类别)；NDA采用人工神经网络(artificial neutral network， ANN)进行分类。分类后计算每组纹理特征鉴别浸润性肺腺癌和非钙化结核球的最小错误率。

1.5 统计学分析 采用SPSS 22.0统计分析软件。计数资料以百分比表示。采用皮尔逊χ2检验分别比较NDA/ANN-Fisher分类错误率与LDA/KNN-Fisher、LDA/KNN-POE+ACC、LDA/KNN-MI、LDA/KNN-MPF、NDA/ANN-POE+ACC、NDA/ANN-MI及NDA/ANN-MPF的差异。以Mann-WhitneyU检验分别比较2组病变间30个最佳纹理特征的差异，绘制以最佳纹理特征鉴别浸润性肺腺癌和非钙化结核球的ROC曲线，并计算AUC以分析其诊断效能，0.50≤AUC<0.60为差，0.60≤AUC<0.70为中等，0.70≤AUC<0.80为较好，0.80≤AUC<0.90为非常好，0.90≤AUC≤1.00为极好。采用Medcalc软件分析其AUC差异。P<0.05为差异有统计学意义。

2 结果

2.1 分类错误率比较 NDA/ANN-Fisher法的分类错误率[7.69%(4/52)]低于LDA/KNN-Fisher[25.00%(13/52)]、LDA/KNN-POE+ACC[26.92%(14/52)]、LDA/KNN-MI[48.08%(25/52)]、NDA/ANN-POE+ACC[23.08%(12/52)]及NDA/ANN-MI[25.00%(13/52)](χ2=5.70、6.72、21.09、4.73、5.70，P均<0.05)，与LDA/KNN-MPF[17.31%(9/52)]、NDA/ANN-MPF法[5.77%(3/52)]差异无统计学意义(χ2=2.20、0.15，P均>0.05)。

2.2 最佳纹理特征诊断效能 2组病变间存在10个差异有统计学意义的最佳纹理特征见表1。绘制其鉴别2组病变的ROC曲线，其中诊断效能较好的最佳纹理特征为差异熵S(1,1)、差方差S(1,1)和梯度方差(AUC=0.71、0.71、0.70)，见表2、图2。差异熵S(1,1)与差方差S(1,1)及梯度方差、差方差S(1,1)与梯度方差间AUC差异均无统计学意义(Z=0.04、0.09、0.07，P均>0.05)。

3 讨论

生物学异质性是肿瘤的重要特征之一，可能由肿瘤内部血管密度不均匀、血管灌注、肿瘤细胞增殖以及坏死等因素造成[9-10]。纹理特征分析通过定量分析图像中体素的分布及相关性，最大化获取当前图像的临床信息，可定量、客观地评估病灶的异质性[11-12]。目前通过分析胸部CT的纹理特征而鉴别良恶性病变的研究越来越多。DENNIE等[13]发现熵、方差与平方和可有效区分肺癌与肉芽肿性炎症；SUO等[14]认为均差和熵差可较好地区分良恶性肺结节；张娜等[4]提出熵、总和熵、差异熵对鉴别肺良恶性结节具有良好诊断效能。以上研究均提示与熵相关的纹理特征对鉴别肺部良恶性结节具有重要价值。本研究仅对浸润性肺腺癌与非钙化结核球2种不同病理类型的肺结节进行鉴别，排除了多种病理类型肺结节间纹理特征差异造成的干扰，以期获得更具特异性的结果。本研究结果显示MaZda软件中NDA/ANN-Fisher分类法能较好地区分浸润性肺腺癌与非钙化结核球，其分类错误率为7.69%，与NDA/ANN-MPF法(5.77%)的差异无统计学意义，但后者增加了20个纹理特征参数，其原因可能为对鉴别2种病变诊断效能较好的纹理特征大部分源于Fisher方法选择的特征组合，其余20个纹理特征的诊断效能有限。分析最佳纹理特征鉴别2种病变的ROC曲线显示差异熵和方差相关的纹理特征具有重要意义，与既往研究[13-14]结果相符。熵和方差特征均反映图像中结节的灰度偏差程度，其中方差反映像素值均值偏差的度量，而熵是对图像包含信息量的随机性度量；差异熵对应图像中灰度变化区域，其值增高提示图像灰度变化不规则，可能反映相比肉芽肿病变，浸润性肺腺癌内部结构更复杂及不均匀，具有更高的异质性。

表2 最佳纹理特征鉴别2种病变的ROC曲线分析结果

图2 3种最佳纹理特征鉴别浸润性肺腺癌与非钙化结核球的ROC曲线

本研究仅针对CT平扫图像，目前围绕增强CT对纹理特征分析是否有所帮助仍存在争议。GANESHAN等[15]认为增强扫描可增加血管对比度，更好地反映病灶的异质性；而DENNIE等[13]指出采用3个相同的纹理特征于增强CT鉴别肺癌的敏感度(38%)低于平扫CT(88%)。

综上所述，通过CT平扫图像纹理分析可较好地区分浸润性肺腺癌与非钙化结核球，为鉴别诊断提供客观、可靠的依据。本研究尚存不足：①样本数量少；②采用不同设备采集CT图像，虽预先对图像进行了归一化处理，仍有可能影响纹理特征；③ROI为手工勾画；④仅分析病灶最大横断位层面纹理特征，难免造成三维方向的纹理缺失，影响等于病灶异质性的评估结果。