CT 纹理分析技术在甲状腺结节影像研究中的应用进展

茅枭骁，征 锦

（1.扬州大学医学院附属靖江市人民医院影像科，江苏靖江214500；2.扬州大学附属苏北人民医院影像科，江苏扬州225000）

0 引言

甲状腺结节在临床上较为常见，发病率为4%～8%，其中5%左右为恶性结节[1]。尽管绝大多数甲状腺结节为良性，但部分结节较大会产生颈部压迫等临床症状，且存在潜在恶变可能。甲状腺恶性结节包括甲状腺乳头状癌、滤泡癌、髓样癌及未分化癌等，其中以乳头状癌亚型最为多见，预后较好，而未分化癌恶性程度高、预后较差。近年来甲状腺癌发病率逐步上升[2]，且呈现出年轻化趋势，因此甲状腺结节的良恶性鉴别及甲状腺癌的早期筛查尤为重要。有创活检和无创成像技术是目前临床应用的2 种主要方法。前者为B 超引导下细针穿刺活检，是目前甲状腺结节诊断的“金标准”，但结节定位难度较大，易并发术后出血等问题。无创检查主要包括超声、CT、MRI和核素检查等[3]。超声、MRI 对于粗大钙化及胸骨后病变的评估具有局限性，核素检查放射性高，价格昂贵。而CT 能清楚地显示颈部淋巴结和胸骨后部病变，对环状钙化和孤立性粗大钙化的显示也较为敏感[4]。然而上述影像学检查主要依赖于诊断医师的主观判断，诊断经验和标准不一，缺乏影像特征定量参数的支持。CT 纹理分析技术是计算机技术在医学图像后处理中的新应用，通过数学方法对医学图像信息进行深度挖掘和量化分析，能够反映疾病的异质性[5]。本文就CT 纹理分析技术在甲状腺结节影像研究中的应用进行综述，并对存在的问题进行分析，指出下一步的重点研究方向。

1 纹理分析概述

纹理分析是指对影像图像进行后处理，通过对图像中像素或体素灰度值的局部特征、分布及相互关系进行分析，可以提取、分析和解释定量成像特征的技术[6]。CT 纹理分析技术不仅能有效避免主观因素的影响，对局部纹理特征进行量化，精准评价病灶的异质性，还能有效反映患者的组织微环境，为计算机识别及深度学习提供基础[7]。纹理分析流程包括CT图像获取、图像预处理（降噪、归一化等）、感兴趣区勾画、纹理参数生成、纹理特征提取及机器学习模型的构建，如图1 所示[8]。其中，纹理特征提取主要有4种方法，包括统计法、结构法、模型法以及频谱法，统计法是目前最常用的纹理特征提取方法[9]。

纹理参数主要可以分为一阶、二阶及高阶统计量。一阶统计量基于灰度直方图分析法，描述感兴趣区图像局部纹理特征，包括平均强度、不均匀度、标准差、偏度（不对称性）、峰度（强度分布幅度）等[10]。例如，峰度是衡量数据是否呈正态分布的指标。二阶统计量描述的是一个像素与另一个像素强度之间的相关性，主要基于灰度共生矩阵、灰度游程矩阵等[11]。常用纹理参数主要包括熵值（纹理的复杂程度）、能量（图像灰度值分布的均匀程度）、逆差距（图像纹理的同质性）、相关性（相邻矩阵的相似程度）等。高阶统计量描述区域内多个像素强度的分布情况及相互关系[12]，主要基于绝对梯度、自回归模型及小波转换等。此外，形态特征是基于重建的三维图像的几何特征，这些纹理特征包括体积、表面积体积比、形状和致密性等，也是评价肿瘤特征的重要信息。但是这些从感兴趣区提取的大量纹理特征对于特定任务可能是冗余的，因此在后续分析中使用机器算法选择有用的信息是至关重要的。机器学习算法包括决策树和随机森林、支持向量机、深度神经网络等。目前大多数研究集中于一阶、二阶纹理参数的学习模型构建，而有关高阶统计量的研究较少，其应用价值仍有待进一步的探索[13]。

2 CT 纹理分析在甲状腺结节影像研究中的应用

2.1 CT 纹理分析在甲状腺结节筛查中的应用

图1 甲状腺结节纹理分析流程图[8]

正常甲状腺组织的像素强度及纹理分布比较均匀、平滑，而在良性或恶性结节中，像素强度及纹理分布是不均匀的，目前已有研究将CT 纹理分析技术应用于甲状腺结节的筛查及诊断中[14-16]。Peng 等[17]通过计算甲状腺CT 平扫图像一阶纹理参数的差异性，包括熵值、均匀性、平均强度、标准差、峰度和偏度，能够辅助筛查CT 图像中的甲状腺结节。研究结果表明，与正常甲状腺组织相比，除峰度外，甲状腺结节平扫CT 图像的熵值、均匀性、平均强度、标准差、偏度均具有显著统计学差异（P＜0.05）。由此可见，基于纹理分析的图像处理技术能够帮助放射科医生检测出CT 图像中的甲状腺结节，进一步提高其临床工作效率。

2.2 CT 纹理分析在甲状腺良恶性结节鉴别中的应用

CT 纹理分析能够定量评估肿瘤的异质性，对于存在微小差别的甲状腺良、恶性结节，同样能够有效地鉴别出来。Liu 等[18]收集了90 例患者共计52 个甲状腺良性结节和46 个恶性结节的CT 图像，从中提取一阶统计量和灰度共生矩阵特征，联合应用支持向量机、线性判别分析、随机森林和自举聚合等多种分类算法，结果发现采用17 种纹理特征联合支持向量机的诊断效果最好，准确度、ROC 的AUC 值、敏感度、特异度、阳性预测值和阴性预测值分别为0.867 3、0.910 5、0.913 0、0.826 9、0.823 5 和0.914 6，总体表现较为优秀。吴宇强等[8]基于增强CT 图像的灰度共生矩阵参数鉴别甲状腺良、恶性结节，结果显示纹理参数熵值、分形维数（fractal dimension，FD）值在良恶性结节鉴别诊断中具有统计学意义（P＜0.01），其鉴别二者的敏感度、特异度分别为65.8%、60.9%和78.9%、65.2%，AUC 值分别为0.653、0.788。田晓燕等[19]分别基于平扫和增强CT 的灰度直方图统计甲状腺良恶性结节的一阶纹理参数的差异性，研究结果显示熵值在甲状腺平扫和增强图像中差异均具有统计学意义（P＜0.05），而方差和第90、95 百分位数只在增强图像中具有显著性差异（P＜0.05）。其中平扫和增强图像中熵值的AUC 值分别为0.698、0.841，敏感度分别为43.8%、81.2%，特异度分别为89.2%、81.1%。CT增强图像甲状腺结节的熵值均高于平扫，说明增强图像比平扫更能体现肿瘤内部的复杂程度，对甲状腺结节良恶性鉴别有更高的诊断价值。各研究中熵值的阈值都有一定差异，分析原因或许是甲状腺结节内部病理特征决定了纹理的复杂性，其中囊变、坏死和钙化涵盖了部分固定的纹理信息。综上所述，CT 纹理分析技术不仅能帮助放射科医师筛查出甲状腺结节，还能提高甲状腺良、恶性结节的诊断准确性。

2.3 CT 纹理分析对预测甲状腺癌淋巴结转移的应用价值

甲状腺癌虽然恶性程度低、进展缓慢，但是淋巴结转移率较高，即使在微小乳头状癌（直径＜5 mm）中，有33%的病灶可出现中央区淋巴结转移，甚至会出现侧颈部淋巴结转移[20]。已有学者研究发现可以通过原发癌灶的纹理分析来预测肿瘤淋巴结转移，为临床诊疗、肿瘤分期及预后评估提供影像学依据[21]。沈莎莎等[22]的研究基于甲状腺乳头状癌灶的静脉期CT 图像进行小波纹理分析，对中央区淋巴结转移的预测具有一定价值。研究结果显示中央区淋巴结转移组与无淋巴结转移组间的小波纹理共有124 个特征参数均具有显著性差异（P<0.05）。其中静脉期CT图像纹理参数对于预判中央区淋巴结转移的训练组AUC 值为0.693，敏感度、特异度和准确度分别为62.84%、60.47%、62.96%。此外，Su 等[23]回顾性分析了甲状腺癌27 例转移性颈淋巴结和32 例非转移性颈淋巴结的动脉期、静脉期CT 图像，获得包括平均灰度强度、偏度、峰度、熵值和均匀性等纹理参数。结果发现转移性颈淋巴结组的动脉期平均灰度值、熵值明显高于非转移性颈淋巴结组（P<0.001），动脉期峰度和静脉期峰度明显低于非转移性颈淋巴结组（P<0.05）。ROC 曲线分析表明，动脉期峰度值的AUC 值达到0.884，具有较高的特异度（92.59%），而动脉期平均灰度值具有较高的敏感度（90.62%）。多因素Logistic 回归分析显示，动脉期平均灰度值[P=0.006，比值比（odds ratio，OR）=24.297]和静脉期峰度（P=0.014，OR=19.651）是颈淋巴结转移的独立预测因素。

2.4 CT 纹理分析与甲状腺结节关联基因表达的相关性研究

癌基因的异常表达在肿瘤的恶化、增殖、侵袭等生物学行为中起着非常重要的作用[24]。CT 纹理分析能够对甲状腺癌灶的医学图像进行深度挖掘和量化分析，进一步反映甲状腺结节的生物学行为。齐家学等[25]研究发现，基于CT 图像的纹理参数熵值在甲状腺癌恶性程度与基因表达中呈正相关，其中恶性结节的增殖基因BRD4、TPX2、FoxM1、TBX2、MDM2、CRNDE mRNA 的表达量高于良性结节，恶性结节中的侵袭基因Six1、Stat5、Twist1 mRNA 的表达量同样高于良性结节（P<0.05）。王敬忠等[26]研究发现甲状腺恶性结节纹理参数熵值高于良性结节，恶性结节CT 图像熵值与原癌基因表达量（RET、RAS、TRK、PAX8-PPARγ1 mRNA）呈正相关，与抑癌基因表达量（DMBT1、DPC4、PTEN、TIP30 mRNA）呈负相关（P均<0.05）。并且甲状腺恶性结节原癌基因的表达量均高于良性结节，抑癌基因的表达量均低于良性结节（P 均<0.05）。在精准医疗背景下，CT 纹理分析技术不仅能够鉴别甲状腺结节的良恶性，同样可预测其与关联基因表达的相关性，有助于患者个体化治疗的进一步开展。

3 CT 纹理分析技术在甲状腺结节影像研究中存在的问题

CT 纹理分析技术在甲状腺结节影像研究中已经取得了显著进展，但在临床上尚未得到广泛应用，仍存在一系列问题亟待解决：（1）纹理分析软件及算法之间存在差异。随着计算机技术和医学工程技术的快速发展，能提取纹理参数的软件如雨后春笋般兴起，不同的软件对于图像的格式，感兴趣区的分割，纹理参数的提取、分析及算法都不尽相同，使得目前已发表的研究之间可重复性较差[27]。下一步应制定标准化的纹理分析技术处理流程、通用的纹理分析方法与标准化的纹理参数。（2）在目前甲状腺结节的CT 纹理分析研究中，大多数采用回顾性研究方式，各研究使用的扫描设备、扫描参数（层厚、层间距、管电流、管电压）、成像方法（平扫、多期增强、灌注）不尽相同[28]。有研究发现CT 扫描参数的不同会影响组织的衰减，继而改变病灶的灰度值及纹理特征[29]。下一步可在多中心研究中基于深度卷积神经网络对图像进行标准化预处理。（3）甲状腺结节CT纹理分析研究中感兴趣区的勾画主要采用手工分割的方式，不仅费时费力，还存在个体差异性。未来可以通过半自动勾画感兴趣区来减少人为误差，或通过卷积神经网络方法自动勾画感兴趣区[30]。

4 结语

纹理分析技术作为较新颖的CT 图像后处理技术，是一个典型的医工结合的交叉研究方向。该技术能够提取丰富的特征参数，定量化分析甲状腺结节和肿瘤的异质性，在甲状腺结节的筛查、良恶性鉴别及淋巴结转移的预判中具有良好的应用价值，前景广阔。正如既往定量影像检查技术的应用与发展一样，新兴的CT 纹理分析技术处于起步阶段，在甲状腺结节的影像研究中还存在不足，临床推广尚需努力。但在医疗设备及计算机技术的不断发展中，软硬件设施参数的标准化、感兴趣区的自动化勾画、纹理参数的规范化提取、多中心及多维度医学数据的共享等都是可以实现的。在后续研究中，可以从建立临床危险因素、影像特征、纹理特征的联合模型，多中心的大量医疗数据共享及验证以及结合深度学习算法（如卷积神经网络）等方面着手，与计算机专家合作挖掘数据，推动纹理分析技术的标准化、可重复及其更加深入的应用，为甲状腺结节的鉴别诊断、临床分期、预后评估等方面提供更加全面的影像学参考依据。