乳腺PET影像的定量分析研究进展

高东芳，赵书俊，贠明凯，李琳，朱研佳

1.郑州大学物理工程学院，河南郑州 450001；2.中国科学院高能物理研究所核技术应用研究中心，北京 100049；3.天津医科大学肿瘤医院，国家肿瘤临床医学研究中心，天津市“肿瘤防治”重点实验室，乳腺癌防治教育部重点实验室，天津 300060； *通讯作者 朱研佳 18502220916@163.com

乳腺癌是危害女性健康的主要恶性肿瘤之一，早发现、早治疗能大幅提高乳腺癌患者的生存率，5年生存率可达到90%以上[1]。PET 作为一种非侵入性的功能成像技术能够在病变组织发生结构变化前发现其代谢异常，为乳腺癌的早期诊断、早期治疗及改善预后提供了可能。然而，传统的全身PET 在对乳腺组织进行成像时，成像精度特别是图像空间分辨率难以满足临床需求。因此，研制具有高空间分辨率的乳腺专用PET（positron emission mammography，PEM），并针对PEM 的特点研究其图像特征以及这些图像特征与临床诊断指征之间的对应关系，充分发挥其在个性化诊断、治疗以及疗效评估方面的作用是影像组学领域亟需解决的科学问题。PEM 作为一种专用PET 设备，获取的影像具备PET 的一般性特征，并且其具有较高的空间分辨率，可有效提升PET 的一般性特征的精度，同时也将进一步丰富量化特征的种类，为乳腺癌的早期精准诊断提供了更为全面系统的影像信息。本文对目前乳腺PET 影像的定量分析方法分类及其特点和发展趋势进行综述，并在分析自主研制的PEM设备前期临床影像的基础上，针对乳腺PET 特点对一些可能拓展应用到这一领域的图像特征提取方法进行阐述。

1 PET 图像定量分析方法的分类

PET 图像的诊断一方面观察肿瘤组织的代谢特征和形态特征，另一方面考虑肿瘤内异质性。PET 图像的代谢特征通过反映肿瘤组织吸收放射性药物程度表示其代谢情况，肿瘤体积形状等形态特征能反映肿瘤进展、边缘浸润情况，有助于临床决策。由于细胞增殖、缺氧和坏死等原因在肿瘤内呈现异质性导致放射性药物在肿瘤内摄取一般不均匀，且不均匀性可能随肿瘤发展过程而改变，故需要借助对PET 图像的纹理分析描述肿瘤内部体素灰度空间变化，即肿瘤内异质性。图1、2 为中科院高能所自主研发的PEM 设备[2]显示的肿瘤内部均匀性和异质性图像。本文根据PET 图像特征提取方法所基于的理论基础和反映特征类型的不同，将PET 图像的特征分为代谢特征、形态特征、灰度特征和纹理特征（图3）。

图1 女，47 岁，乳腺浸润性导管癌。A. PEM 影像矢状位切片，可见肿瘤（箭）内18F-FDG 均匀分布；B 为A 的肿瘤部位放大图，肿瘤内18F-FDG 均匀分布

图2 女，43 岁，乳腺浸润性导管癌。A. PEM 影像矢状位切片，可见肿瘤（箭）内18F-FDG 不均匀分布，呈现肿瘤内异质性；B 为A 的肿瘤部位放大图，肿瘤内18F-FDG 不均匀分布，呈现肿瘤内异质性

图3 PET 图像特征分类。SUV 为标准化摄取值，SUVmean 为标准化摄取值平均值，SUVmax 为最大标准化摄取值，SUVpeak为标准化摄取值峰值，TNR 为肿瘤-正常组织之比，AUCcsh 为CSH 曲线下面积，MTV 为肿瘤代谢体积，TLG 为病灶糖酵解总量

2 代谢特征的提取

代谢特征是医学图像中PET 图像特有的特征指标。正常组织发生病变时，其细胞增殖和代谢速度加快。SUV 指肿瘤组织摄取的显像剂活度浓度与全身平均活度浓度的比值，能反映病变细胞葡萄糖代谢的活跃程度，是诊断肿瘤时最常用的半定量指标，计算方法见公式（1）。

基于SUV 的统计特征有SUVmax、SUVmean、SUVpeak。SUVmax 基于最大体素灰度值计算，不受勾画感兴趣区（ROI）大小的影响，但对图像噪声敏感，可用于初步判断肿瘤良恶性。SUVmean 指ROI 的SUV 平均值，适用于SUV 离散程度大的病灶区域，对图像噪声不敏感，但勾画大的ROI 或感兴趣体积VOI会增加部分容积效应（partial volume effect，PVE），使SUVmean 值降低。为了减小PVE 对SUV 值的影响，Dooms 等[3]和Bundschuh 等[4]对PVE 进行了校正[3-4]。SUVpeak 指ROI 内各像素点邻域1 cm3的SUVmean 的最大值，适用于肿瘤疗效评价、PERCIST分析和多中心研究。SUVmax 在小肿瘤图像中受PVE影响最小，且计算重复性好，是最推荐的表示方法。然而，SUV 受药物、仪器、重建方法、生理条件和肿瘤本身等因素的影响，所以保持不变的检查参数和过程至关重要。

肿瘤-正常组织比（tumor normal ratio，TNR）是肿瘤区域与正常组织区域的SUV 比值，消除了肿瘤图像的本底噪声，可用于病变良、恶性的诊断[5]。肿瘤代谢体积（metabolic tumor volume，MTV）指ROI 或VOI 内药物摄取增高异常的全部体素体积之和，计算MTV 一般采用百分比阈值法，常用阈值为40%SUVmax，该方法计算简单、可行性强，但单一的百分比阈值会造成对高、低级别的肿瘤MTV 值偏小或偏大。病灶MTV 和该体积内SUVmean 的乘积代表了病变区域糖酵解总量（total lesion glycolysis，TLG），因为TLG 同时考虑MTV 和SUV，无论MTV 偏大或偏小，TLG 总是不变，故比MTV 更好地预测肿瘤级别，肿瘤级别越高，TLG 值越大。另外，一种新兴的累积SUV 体积直方图方法（cumulative SUV-volume histograms，CSH）得到的定量指标AUCcsh 可以评估肿瘤异质性水平[6]。

3 形态特征的提取

乳腺影像报告和数据系统（breast imaging and data report system，BI-RADS）中乳腺肿块的大小和形态是诊断乳腺癌的特征之一[7]。MTV 和TLG 不仅是肿瘤代谢参数，也是肿瘤体积参数，既往研究表明MTV 和TLG 诊断精度优于SUV[8-9]。似圆度可以反映肿瘤各向生长是否均匀，计算方法见公式（2）。肿瘤的恶性程度越高，其浸润性越明显，边缘毛刺程度越大，故毛刺度是判断肿瘤良恶性很好的指标，纹理分析对于PET 肿瘤浸润情况有很好的判断能力[10]。

其中，A 为肿瘤面积，p 为肿瘤边界周长。

4 灰度特征的提取

PET 图像的灰度分布由图像重建即根据投影数据求解出人体组织内部核素浓度分布的逆过程得到，所以灰度特征可从图像层面反映组织的核素浓度分布。对于同一位受检者，图像采集时长、重建算法等会影响PET 图像灰度值，但对整个PET 图像的灰度分布特点影响很小。假设图像共有N 个像素、L 个灰阶，灰度为i 的像素有n 个，则图像的灰度直方图定义为：其中，H（i）表示灰度i 占整个图像的百分比。表1 为灰度直方图特征的计算方法。

Antunovic 等[11]发现乳腺癌PET 图像的一阶灰度特征如均值、最小值、标准差，与代谢特征SUVmean、TLG 呈强相关关系，所以图像灰度特征可以反映肿瘤代谢情况。灰度特征计算简单，仅需根据图像的灰度值即可计算，应用广泛，不仅可用于光学、遥感等图像分析，也可用于PET、CT、MRI 等医学图像肿瘤分割和分期诊断。

表1 灰度特征

5 纹理特征的提取

高精度的乳腺PEM 图像可以呈现出肿瘤内部体素的变化，为对肿瘤图像进行纹理分析提供了可能。不同的患病部位或病症类型可能由不同的纹理特征描述，具有个性化特点，乳腺PET 图像纹理特征提取方法主要采用统计法，相关方法及特征总结见图4。

图4 纹理特征

灰度共生矩阵（gray-level co-occurrence matrix，GLCM）可以得到14 种纹理特征，但计算耗时较长。文献[12]表明GLCM 的熵是研究肿瘤异质性最稳定的特征。Moscoso 等[13]认为熵、同质性、差异性能指导乳腺癌分期。Groheux 等[14]研究发现GLCM 的熵和TLG 显著相关，同质性、差异性和MTV 相关，认为GLCM 的纹理特征也能反映肿瘤组织代谢情况。

灰度邻域差分矩阵（gray level neighborhood difference matrix，GLNDM）[15]利用图像体素与其相邻体素之间的灰度差描述图像纹理，得到5 个特征。粗糙度和对比度能反映肿瘤内灰度差异的大小，频度表示灰度变化的空间频率即变化速度的快慢。由于邻域体积限制，此方法不适用于微小体积病灶。

灰度区域大小矩阵（gray level size zone matrix，GLSZM）可导出11 个图像纹理特征，其在PET 影像纹理方面比GLCM 和灰度行程矩阵具有更好的性能。Groheux 等[14]发现区域百分比（zone percentage，ZP）和GLCM 的同质性、差异性显著相关，高灰度大区域重点度（high-intensity large area emphasis，HILAE）与代谢特征AUCcsh 相关。GLSZM 的ZP、HILAE 还能作为指导乳腺癌分期和组织病理SBR 等级分类的参数[13]。

局部二进制模式（local binary patterns，LBP）对细致纹理提取特征性能较好，不太适用于粗糙纹理分析，故适用于乳腺癌。由于原始LBP 方法有对图像旋转和噪声敏感、分析尺度小等局限性，许多研究者提出了不同的改进方法。Morgado[16]将具有旋转不变性的均匀LBP 方法应用于阿尔茨海默病PET 影像的自动诊断系统中。Oliver 等[17]将均匀LBP 应用于乳腺钼靶图像数据库，诊断准确率达84%。

通过统计方法能计算出大量的纹理特征，但因为很多特征相关性强，冗余的特征量会造成计算量大、模型训练时间长，甚至会降低模型分类准确率，因此，为了获得准确而高效的特征向量还需对这些特征进行降维处理得到最优特征向量。Seunggyun 等[18]计算了18F-FDG PET/CT 乳腺癌的109 个纹理特征，大部分特征与SUV 相关，其中表达肿瘤内异质性最好的纹理参数是GLSZM 的ZP 和GLCM 的熵、同质性。

6 展望

精确的肿瘤分割是提取PET 图像特征的重要前提，高精度的乳腺PEM 图像在一定程度上提高了PET肿瘤分割的精准度，对于乳腺这种软组织肿瘤的分割精度的进一步提高有望于PET/MRI 的应用。影像特征的精确提取是影像组学和影像基因组学研究的重要环节，人工智能技术在影像组学和影像基因组学中的应用前提是影像规范化，故图像预处理环节必不可少，单模态PET 图像的原始灰度值由计数率得到，需将其变换为SUV 值再提取特征。在所有乳腺PET 图像的特征中，肿瘤摄取指标主要是用SUV 及SUV 相关阈值表示，即肿瘤代谢特征和形态特征应用最多，但应注意减少PVE 的影响。代谢特征是反映组织病理学SBR 等级分类、肿瘤分型、乳腺癌分期最全面的特征[13,19]，基于图像的肿瘤异质性分析对肿瘤分型、乳腺癌分期也有重要作用，甚至其在疗效评估中比SUV更加敏感[20]，因此，联合这几种特征全面描述肿瘤特性能更好地发挥其在个性化诊断、治疗以及疗效评估方面的作用。