高分辨率CT图像纹理分析对孤立性肺实性结节的诊断价值研究

徐志华，杨光钊，陈松宽，王 健，邵美华，贾玉柱

（浙江省立同德医院放射科，浙江 杭州 310012）

孤立性肺实性结节是临床日常工作常见疾病之一。早期准确定性对临床诊疗、预后评估等具有重要的临床意义。随着肺结节人工智能应用，一方面提高了肺结节检出率，另一方面利用计算机辅助诊断肺结节进行定性诊断成为可能[1]。以往主要通过高分辨CT检查影像征象进行分析，鉴别肺结节良恶性[2-4]，但由于存在重叠的影像征象，从而仅凭影像征象的观察鉴别良恶性存在一定的困难。纹理分析通过综合分析图像的灰阶、素值、及其排列方式的细微变化来提取图像中组织细微病变特征，可得到肉眼无法识别的图像信息，被称为图像显微镜[5]。为此，本研究拟探讨高分辨率CT图像纹理分析对孤立性肺实性结节的良恶性鉴别诊断的价值，为肺结节人工智能肺结节定性诊断寻找新的方法。

1 资料与方法

1.1 一般资料

搜集我院2017年1月—2018年12月经组织病理学证实的98例孤立性肺实性结节患者临床及影像资料。男50例，女48例，年龄（65.32±12.05）岁。入选标准：①肺结节性质经手术或穿刺活检组织病理学证实；②穿刺活检或手术前1周内行高分辨率CT检查，且图像完整；③结节直径≤30 mm；④未见淋巴结或其他远处转移。排除标准：①图像质量不佳（比如呼吸不配合患者），不能满足纹理分析要求；②磨玻璃密度结节。

1.2 CT检查方法

所有患者均使用美国GE Optima CT680扫描仪行高分辨CT扫描，扫描参数：120 kV，35 mAs，螺距1.2，视野320 mm×320 mm，采集矩阵512×512，重建层厚1.25 mm。

1.3 图像分析

首先，选取肺结节最大截面（窗宽1600，窗位-400）图像以BMP格式从PACS工作站导出。然后，应用Mazda软件 （The Technical University of Lodz，Institute of Electronics，http://www.eletel.p.lodz.pl/mazda/）分析所选择图像。分析过程（图1）：①沿病灶轮廓手动勾画感兴趣区域（Region of interests，ROI）；②计算分析ROI纹理参数特征，包含灰度共生矩阵（角矩、二阶矩、对比度、自相关、方差和、逆差矩、平方和、方差和、熵和、熵、逆差矩、熵差），绝对梯度（梯度均数、方差、偏度、峰度、非零位），游程检验（游程长不均匀性、灰阶不均匀性、长游程权重、短游程权重、游程中的图像分数）等；③由于Mazda提取的纹理参数较多，分别采用Fisher系数、交互信息、分类错误概率组合平均相关系数法自动选择出10个，以及3种方法联合（FPM法）选择30个对鉴别诊断实性肺结节良恶性具有代表意义的特征参数；④应用Mazda软件自带B11统计软件包进行分类判别，计算纹理参数特征诊断实性肺结节良恶性效能，以错判率表示。

同时，由2名中级职称胸部影像医师在未知病理结果的情况下阅读入选病例图像，主要观察征象[3-4]：结节是否存在分叶、短毛刺、胸膜凹陷、空泡征、支气管血管集束征、棘突征等，至少其中2项为阳性定为恶性；对于仅1项阳性患者，如存在长毛刺、卫星灶、钙化等定为良性病变，否则定为恶性病变；其余定为良性病变。如有异议，与1名高级职称胸部影像医师讨论、协商取得一致意见。以病理结果作为金标准，计算出胸部影像医师诊断的误判率，并与纹理分析技术所得诊断误判率进行对比分析。

1.4 统计学分析

应用Mazda软件自带B11统计软件包，对自动选择出纹理特征参数进行分类判别，分类判别方法包含线性判别分析、非线性判别分析（Nonlinear discriminant analysis，NDA）、原始数据分析、主要成分分析，结果以错判率表述（%）。

使用SPSS 20.0统计软件，纹理分析与胸部影像医师对实性肺结节诊断误判率对比分析采用卡方检验，P＜0.05为差异具有统计学意义。

2 结果

98例孤立性肺结节大小（2.3±0.6）cm，其中右肺上叶19例，右肺中叶17例，右肺下叶21例，左肺上叶15例及左肺下叶26例。良性肺结节37例，其中错构瘤3例，结核5例，隐球菌病4例，硬化性肺泡细胞瘤4例，21例肉芽肿性炎；恶性肺结节61例，腺癌34例，鳞癌9例，类癌4例，小细胞肺癌4例，淋巴瘤1例，转移性癌9例。

图1 纹理分析过程示意图。图1a：先勾画感兴趣区域，然后点击分析（analysis），得出图1b所示纹理参数特征。下一步点击Feature selection（图1b）获取具有代表性纹理参数。图1c示自带软件包b11进行分类判别（LDA、NDA、RDA、PCA)，获取错判率，图例示NDA分类判别误判率为6.12%（6/98）。Figure 1.The procedure of texture analysis.Figure 1a:The region of interests was drawn,and then the texture parameters were analyzed.Moreover,selection of typical texture parameters was shown in Figure 1b.Finally,classification of the typical texture parameters.Figure 1c:Linear discriminant analysis,nonlinear discriminant analysis,and raw data analysis was performed by software b11 and the results were presented with the misclassification rate.Figure 1c showed the misclassification rate was 6.12%(6/98).

表1 实性肺结节HRCT基本征象检出率对比分析

孤立性肺结节高分辨率CT基本征象对比分析见表1，分叶、短毛刺、胸膜凹陷、空泡征、支气管血管集束征、棘突征有利于诊断恶性病变（P<0.05）；长毛刺、卫星灶、钙化有利诊断良性病变（P<0.05）。依据基本征象，本研究胸部影像医师鉴别孤立性肺实性结节良恶性错判率为16.3%（16/98），其中1例类癌误判为良性病变，6例腺癌误判为炎性病变，9例炎性肉芽肿性或机化性肺炎病变误判为癌性病变（图2）。

高分辨率CT图像纹理分析鉴别孤立性肺实性结节良恶性错判率为6.1%～46.9%，见表2。应用FPM法提取特征性纹理参数并采用DNA分类判别方法孤立性肺实性结节良恶性时，错判率为6.1%（6/98）。

胸部影像医师与纹理分析（采用FPM法提取特征参数，NDA分类判别错判率6.1%）鉴别孤立性肺实性结节良恶性的错判率进行卡方检验进行对比分析，差异具有统计学意义（P=0.041）。

图2 误诊病例。图2a：右肺上叶结节，形态规则，边缘光整，穿刺活检前诊断为良性病变，病理证实为类癌。图2b：左肺下叶结节，与胸膜宽基底相邻，穿刺活检前诊断为良性病变，病理证实为腺癌。图2c：左肺上叶结节伴空泡，边缘不光整毛糙、棘突，穿刺前诊断为肺癌，病理证实为肉芽肿性炎症。图2d：右肺上叶结节，边缘不光整，可见长、短毛刺，棘突，穿刺活检前诊断为肺癌，病理证实为机化性肺炎。Figure 2.Illustrations of misdiagnosed cases before biopsy.Figure 2a:A nodule in the right upper lobe with well-defined margin was diagnosed a benign lesion before biopsy,however,it was confirmed a carcinoid after biopsy.Figure 2b:A nodule in the left inferior lobe with clear margin and wide basement adjacent to pleura was diagnosed a benign lesion before biopsy,however,an adenocarcinoma was confirmed by histopathologic examination.Figure 2c:A nodule in the left upper lobe with ill-defined margin and cyst was diagnosed with a malignant lesion before biopsy,however,it was confirmed a granulomatous inflammation after biopsy.Figure 2d:A nodule in the right upper lobe with ill-defined margin and spiculation sign was diagnosed a malignant lesion before biopsy,however,it was confirmed an organized pneumonia after biopsy.

表2 纹理分析鉴别诊断实性肺结节良恶性错判率

3 讨论

孤立性肺实性结节的定性诊断对临床下一步诊疗工作具有重要的指导意义。本研究显示高分辨率CT图像纹理分析采用FPM法提取特征参数，NDA分类判别诊断孤立性肺实性结节良恶性效能最佳，错判率为6.1%，优于胸部影像医师单纯依靠影像征象进行诊断。因此，我们认为高分辨率CT图像纹理分析对孤立性肺实性结节具有重要的诊断价值，可作为一种新的辅助手段。

医学图像纹理分析主要通过分析ROI灰度共生矩阵、绝对梯度、游程检验等来定量分析图像的素值，及其排列的细微变化，从而达到观察肉眼无法识别或观察的组织异质性的目的。任采月等[6]通过利用CT图像纹理分析对胃肠间质瘤的危险度进行分级，具有较好的预测效能。Larroza等[7]利用纹理分析心脏磁共振图像发现其可以鉴别急性与慢性心肌梗死。赵丽等[8]对增强MRI图像进行纹理分析，研究发现增强MRI图像多纹理参数联合可在术前预测肝内胆管细胞癌术后早期复发情况。纹理分析逐渐被临床广泛应用，包括鉴别诊断、预后及疗效评估等，为临床决策提供了客观依据。为此，本研究探讨高分辨率CT图像纹理分析对孤立性肺实性结节的诊断价值。

目前国内外学者认为图像纹理分析可以提取病变微观特征，反应组织的异质性，即反映不同的病理变化[9-10]。众所周知，肺恶性肿瘤通常细胞增殖快，可见大量癌巢，由于血管生成因子的刺激，可诱导癌组织形成大量的新生血管，血管通透性高，发育不成熟，易发生粘液变、坏死等；肺良性肿瘤或肿瘤样病变通常细胞增殖慢，以炎性肉芽组织为例，其病灶内多为大量的炎性细胞和纤维组织的聚集，血管多为正常肺部血管的炎性改变。本研究采用高分辨率CT扫描，可减少容积效应，真正更多地显示病灶的细微结构。基于这些病理组织学的差异和高分辨率CT检查的优势，CT图像上必然存在一定差异。但是，这些细微的差异凭肉眼观察却难以鉴别。纹理分析是一种全局、微观的图像分析方法，可以从图像灰阶、像素、空间特征等多维度来分析，得出大量的纹理特征性参数；然后通过不同的计算方法得出鉴别孤立性肺实性结节的准确率。图像纹理分析从微观分析图像之间的差异，反应不同组织间的差异[11-12]，从而可提取我们肉眼无法识别的特征。这也很好地诠释了纹理分析能够很好鉴别良恶性孤立性肺实性结节。

虽然目前有多篇报道总结了肺结节高分辨率CT通过多种影像征象（分叶、短毛刺、胸膜凹陷、空泡征、支气管血管集束征、棘突征、长毛刺、卫星灶、钙化等）来鉴别诊断其良恶性，但是由于存在影像征象的重叠，错判率约10%～17%[13-14]，与本组胸部影像医师准确率相仿。也有研究结合PET-CT鉴别肺结节良恶性其准确率可达97%[14-15]，但是费用昂贵，并且得注射核素。本研究应用高分辨率CT图像纹理分析鉴别孤立性肺实性结节良恶性效果优于胸部影像医师经验性诊断。因此，我们认为高分辨率CT图像纹理分析可作为鉴别孤立性肺实性结节良恶性的一种新方法。但是，由于本研究为单中心、相对小样本量研究，可能结果会产生偏倚，未来需要大样本多中心进一步研究。

综上所述，高分辨率CT影像纹理分析诊断孤立性肺实性结节准确率高，为临床鉴别诊断提供客观依据，有助于指导临床制定下一步治疗方案。