基于超声影像纹理分析鉴别诊断乳腺分叶状肿瘤和纤维腺瘤

李卫民，贾 磊，高骐磊，吴文娟，朱束华，范晓芳

0 引 言

乳腺分叶状肿瘤(phyllodes tumor of the breast，PTB)是一种由乳腺上皮组织和纤维结缔组织组成的纤维上皮性肿瘤，占乳腺肿瘤的0.3%～1%，其病理成分与纤维腺瘤(fibroadenoma of breast，FB)一致,穿刺病理往往难以准确与其鉴别[1]。同时，由于PTB常采用扩大切除术，且第一次手术方式的选择与复发率和死亡率密切相关[2]。因此，术前对于PTB和FB的准确鉴别具有重要意义。超声作为乳腺检查常用的影像学手段，具有简单方便的优点。然而，PTB和FB的超声特征具有一定重合，这在一定程度上增加了PTB与FB的超声鉴别难度，特别是体积较小的PTB更易误诊为FB[3-4]。本研究通过对53例PTB和114例FB的超声影像资料进行纹理分析，提取常规超声无法观察的纹理特征参数，探讨其对PTB和FB的鉴别价值。

1 资料与方法

1.1 研究对象回顾性分析2018年1月至2020年4月间于江南大学附属医院就诊的PTB患者53例，均为女性，年龄35～82岁，平均(46.60±11.45)岁；同时选取FB患者114例，均为女性，年龄17～65岁，平均(35.53±7.45)岁。纳入标准：①首次发现乳腺肿瘤；②经手术病理诊断，有明确的诊断结果；③超声影像资料完整、可靠。排除肿瘤体积过大，感兴趣区(region of interest，ROI)无法进行勾画的肿块。

1.2仪器与检查方法采用西门子Acuson Antares S3000彩色多普勒超声诊断仪，探头频率为7.5～12.0 MHz。患者取仰卧位，充分暴露双侧乳房及腋窝，以乳头为中心，二维超声采用扇形扫查法扫查乳腺，对肿块进行多切面、多角度观察。在超声二维影像的基础上，行彩色多普勒超声检查，观察病灶内部及周边血流情况，超声影像资料的采集由具有10年以上工作经验的超声医师进行。

1.3超声医师评估超声影像资料的评估由2名具有10年以上工作经验的副主任医师进行。根据相关研究结果将患者年龄较大、肿块>3 cm、边缘呈分叶状、血供丰富等特征的乳腺肿块评估为PTB；将患者年龄较轻，肿块体积<3 cm，边缘光整，血供较少等特征的乳腺肿块评估为FB[5-7]。评估后将超声医师评估结果与术后病理结果进行对照，以获取超声医师对PTB和FB的误判率。

1.4纹理分析采用罗兹工业大学研制的纹理分析软件MaZda 4.6。将超声二维影像以bmp格式导入软件中，对超声影像进行归一化处理。采用多边形功能手动模式尽可能勾画病灶的全部区域。勾画完成后，分析病灶的纹理特征，并通过软件自带的纹理特征分析方法选择最具鉴别价值的纹理参数，包括Fisher系数、分类错误概率联合平均相关系数(classification error probability combined with average correlation coefficients，POE+ACC)、交互信息(mutual information,MI)及3种方法联合(Fisher+ POE+ACC+MI)。前3种方法各提取10项纹理参数，Fisher+ POE+ACC+MI共提取30项纹理特征参数。将简化后的纹理特征参数输入MaZda 自带的B11统计分析软件包中，构建人工神经网络(artificial neural network，ANN)模型，反复自动训练，将其与病理对比，得出纹理分析方法对PTB和FB的误判率。

2 结 果

2.1 PTB和FB的超声特征比较本组患者PTB和FB的超声特征中，大小、边缘、内部回声、囊性变、血流分级等差异均有统计学意义(P<0.05)。与病理结果比较，超声医师的总误判率为29.34%(49/167)，其中对PTB的误判率为54.72%(29/53)，对FB的误判率为17.54%(20/114)。见表1。

2.2PTB和FB超声影像ROI标识及纹理特征统计PTB和FB患者ROI标记前后的典型超声影像见图1、图2。4种纹理分析方法共选取30项纹理参数，前10组为Fisher系数方法选取，中间10组为POE+ACC选取，后10组为MI选取的纹理参数。结果表明，Fisher系数选取的纹理参数中有3组差异有统计学意义(P<0.05)；POE+ACC选取的纹理参数中4组差异有统计学意义(P<0.05)；MI选取的纹理参数中仅有1组差异有统计学意义(P<0.05)；3种方法联合选取的纹理参数共8组差异有统计学意义(P<0.05)。见表2。

表 1 PTB和FB的超声特征比较

a：标记ROI前; b：标记ROI后

a：标记ROI前; b：标记ROI后

表 2 PTB 和FB 超声影像纹理特征参数比较

2.3纹理分析和超声医师的误判率比较对于所有PTB和FB病灶，MI方法进行纹理分析的总误判率为48.50%(81/167)，POE+ACC为32.93%(55/167)，Fisher系数为37.13%(62/167)，3种方法联合为19.76%(33/167)，超声医师的误判率为29.34%(49/167)。其中，3种方法联合分析的误判率最低，与MI、POE+ACC、Fisher系数以及超声医师的评估结果比较，差异均具有统计学意义(χ2值分别为30.683、7.467、12.371、4.138,P<0.05)。各种纹理分析方法在PTB和FB 2组患者之间的误诊率差异无统计学意义(P>0.05)。超声医师对PTB的误诊率明显高于FB的误诊率(54.72%vs17.54%，P<0.05)。见表3。

表 3 纹理分析PTB和FB误诊率比较(%)

3 讨 论

纹理分析作为人工智能的重要内容，可通过一定的图像处理技术提取出纹理特征，从而获得图像的定量或定性描述[8]。在影像学诊断方面，纹理分析通过提取肉眼难以发现的纹理特征，而更加细致地分析图像，这可为鉴别病灶的性质提供一定的依据[9]。本研究使用的MaZda 软件提供了 6 种纹理分析方法和4种纹理选择方法，6 种纹理分析方法包括：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；⑤ 小波变换。4种纹理选择方法包括MI、POE+ACC、Fisher系数以及三种方法的联合(MI+POE+ACC+Fisher)，共提取30种纹理参数信息，有利于增加诊断的准确性[10-12]。研究表明，X线纹理分析可提高PTB和FB诊断的准确率[13]。这也为超声影像纹理分析鉴别诊断PTB和FB奠定了一定的基础。

本文的研究结果表明，超声影像纹理分析有助于鉴别诊断PTB和FB。本研究选用的Mazda纹理分析软件共提取了30组纹理参数，其中MI中仅有1组纹理参数具有统计学差异，POE+ACC中有4组纹理参数具有统计学差异，Fisher系数中3组纹理参数有统计学差异，而有价值的纹理参数与肿块的纹理信息呈正相关，纹理参数越多，所提供具有鉴别价值的信息就越多，因此，在总误判率方面，MI>Fisher系数>POE+ACC。而MI+POE+ACC+Fisher是 Fisher系数、MI+PA+F及MI三种方法的结合，所包括的纹理参数较多，可弥补使用Fisher系数、POE+ACC、MI这3种方法相对训练不足导致的缺陷，因而总误判率最低，本研究中，MI+POE+ACC+Fisher的误判率为19.76%，均明显低于MI、POE+ACC、Fisher 3种方法。本研究通过对PTB和FB两组的误判率分析发现，纹理分析在2组误判率之间的差异均不具有统计学意义，这说明纹理分析对将PTB误诊为FB，以及将FB误诊为PTB的比率无明显差异。

相对于超声医师的评估结果，纹理分析方法中的3种方法联合评估的价值明显高于超声医师，而3种纹理分析方法均低于超声医师。3种方法联合评估共8组纹理参数具有统计学意义，与超声医师的评估相比，纹理分析所提取的信息可排除超声医师主观因素的干扰。超声医师对PTB的评估主要根据病灶大小、边缘、内部回声、血流以及发病年龄等信息。本研究结果表明，PTB和FB在大小、边缘、内部回声、血流分级等方面差异具有统计学意义，然而，两者超声特征均具有一定的重合，这与相关研究结果相同，这可能是本研究中超声医师评估出现误诊的主要原因[14]。研究表明，交界性、恶性PTB与FB的声像图特点差异较大，超声检查较易诊断，而良性PTB与FB的超声鉴别难度较大[5]，这在一定程度上增加了超声医师的评估的主观性，从而将PTB评估为FB，这也是本研究中超声医师对PTB的误诊率高于FB的原因所在。而纹理分析可提取肉眼无法观察到的肿瘤信息，不受超声医师主观因素的影响，增加了纹理分析的准确性。

综上所述，超声影像纹理分析可用于鉴别乳腺分叶肿瘤和FB，值得进一步推广，从而为精准的诊疗方案提供依据。