纹理分析在乳腺良恶性病变鉴别中的研究进展

吴旭宁，刘四斌（通讯作者）

（长江大学第二临床医学院放射科 湖北 荆州 434000）

引言

近年来，乳腺癌的发病率逐年上升，严重危及全球女性的健康。目前，乳腺良恶性病变鉴别诊断的常用影像方法有X线摄影、超声、MRI等，但每种方法在检出率、精确度上存在差异性和优劣势。超声、X线检查是乳腺病变筛查及诊断的首选方法，但特异性及敏感性较低[1]。MRI在乳腺诊断中敏感性高，常作为乳腺癌高危人群的检查手段，但特异性欠佳，部分良恶性病变的影像表现存在重叠，常易造成不必要的活检创伤或过度治疗[2]；因此探索适用于乳腺的影像检查技术及提高乳腺疾病影像诊断的特异性及敏感性一直以来都是研究的热点和难点。

纹理分析（TA）作为一种新型的图像后处理分析技术，可对组织的异质性进行定量和客观的评估。多重病理、临床研究表明乳腺癌是一种高度异质性疾病，病灶在分子、细胞及病理生理水平上的异质性往往也能体现在病灶影像图像上[3]。目前，国内外已开展了一些关于乳腺纹理分析的影像学研究，这些研究通过不同的影像学检查方法从不同角度对乳腺良恶性病变异质性进行分析。本文主要对国内外纹理分析技术应用于乳腺良、恶性病变鉴别上的相关影像学研究进行综述，以探讨影像纹理分析在乳腺疾病诊断上的临床价值和应用潜能。

1 纹理分析原理概述

纹理是指图像中像素（或子区域） 的灰度变化规律，常体现为图像中局部不规则而宏观有规律的特性[3]。纹理特征可对兴趣区域内灰度级变化的特征进行定量或定性的描述[4]。图像的纹理特征分析即对组织的图像像素灰度值局部特征、变化规律及其分布模式进行研究，并通过提取纹理参数进行量化，从而提供病变图像的客观信息。纹理分析早期仅应用于CT、MRI，随着技术的发展进步，纹理分析也在其他医学图像得到广泛应用，如超声、X线、细胞图像等。

2 影像纹理分析技术在乳腺良、恶性病变鉴别中的应用

2.1 X线摄影

目前钼靶诊断主要依赖于病变的形状、边缘、密度和钙化性质，还可结合如皮肤增厚、乳头内陷和乳头分泌物等其他间接征象加以判断，但这些多受影像医生经验影响，有失客观性。以往研究已证实，纹理特征能够量化病灶变化引起的图像异质性[4]，而肿瘤组织的浓度和粗糙度以及钙化等特征的分布常是进行鉴别时的重要信息。较多学者研究表明，X线纹理分析可以有效鉴别乳腺的良恶性病变，有助于提高乳腺X线检查在乳腺癌诊断与病理结果中的一致性。Li等[5]研究指出，多个纹理特征对乳腺良恶性肿瘤具有鉴别诊断能力，ROC曲线显示直方图、GLCM 和RLM存在较高的敏感性，而在对乳癌鉴别诊断中，更将常规影像诊断AUROC提升至0.961。X线图像上聚集的微钙化是发现早期乳腺癌的重要标志之一。柳哲等[6]通过对乳腺微钙化簇周围组织纹理分析并进行算法研究，提示计算机辅助诊断系统在乳腺微钙化簇周围组织中表现出较好效能。

以上研究通过不同的技术对不同ROI中的纹理特征进行采样，并通过统计学分析、后处理得到鉴别良恶性病变有意义的纹理参数，进而提高阳性率的诊出及减少假阳性所带来的潜在危害。提示纹理分析不仅可以用于乳腺肿瘤的鉴别诊断，而且与基于图像的分析相结合可以提高诊断性能。

2.2 超声

国内外的研究均表明，乳腺超声纹理分析能较好描述正常乳腺组织的纹理特征及乳腺病灶的纹理征象，提示了其在乳腺疾病鉴别中潜在的价值。在乳腺病变的分类中，还通过纹理分析与其他技术相结合以提高诊断效能，如将纹理特征与形态学参数相联合。种美玲等人[7]研究得出，超声联合纹理分析可提高乳腺良恶性肿瘤的分类能力，将纹理分析评估的敏感性、准确性分别由0.64、0.83提升至0.88、0.86。此外有研究表明，乳腺肿瘤病灶周围癌细胞的侵袭也是一个与患者复发和死亡风险增加显著相关的预后因素。Klimonda等[8]基于灰度共生矩阵对来自肿瘤周围组织的超声图像纹理定量参数分析得出，瘤围组织数据形成的多参数分类器能更好地区分肿瘤变化，且肿瘤本身和瘤周组织中包含的定量超声信息在肿瘤良恶性鉴别中具有互补性。

以上研究涉及乳腺病灶本身超声纹理分析、纹理特征与其他参数结合及灶周感兴趣区的纹理分析，均不同程度的体现出超声纹理分析在乳腺良恶性病变鉴别中的价值，相信随着该领域的不断发展，将会开发出更多的定量评估方法。

2.3 MRI

以往已有文章报道乳腺磁共振成像的纹理分析可以有效鉴别乳腺肿瘤的良恶性，提高疾病的诊断率及特异性。Gibbs[9]通过对DCE-MRI图像中提取到的14个GLCM纹理特征分析表明，方差、和熵、熵等纹理特征在鉴别良恶性病变上最有意义，初步提示量化图像纹理特征可作为定性病变的有用工具。随后的研究借鉴了这一初步研究，利用更复杂的图像纹理分析来鉴别乳腺病变的良恶性。Gibbs,P等[10]通过提取DCE-MRI图像特征纹理，并利用AVM分析构建多参数预测模型来区分乳腺1cm以下微小病灶良恶性，所构建的模型均具有较高的特异性、阴性预测值和阳性预测值。梁挺等[11]的研究证实DCEMRI定量参数的直方图纹理特征在乳腺纤维瘤和浸润性导管癌的鉴别上有显著价值，其中速率常数的平均值的ACU最高，约为92%。Anger等[12]对DCE-MRI图像进行纹理特征提取后利用支持向量机分类器对乳腺纤维腺瘤与三阴型乳腺癌进行分类，AUC高达0.97，并发现静态纹理特征强度方差和强度平均值具有最大的相关性，相比于三阴性乳癌，其在纤维腺瘤中具有更高的局部纹理值。此外，王清霖[13]等从DWI图像上获取纹理参数区分乳腺纤维腺瘤和浸润性导管癌，发现两组间相对偏差、平均偏差具有显著性差异。然而磁共振序列较多，不同序列软组织对比度不同，纹理参数在各序列中的特征也不尽相同，对乳腺良恶性病变鉴别的能力也有差异。张竹伟等人[14]研究表明，纹理分析应用于T2WI序列对乳腺良、恶性病变鉴别价值明显高于平扫及增强T1WI序列，且误判率最小（4.35%）。为了提供生物组织的“真实纹理”信息，Parekh,V等[15]在其研究中基于多成像序列提出多参数成像放射组学（mpRad）框架用于区分乳腺良恶性病变，其灵敏性为82.5%，特异性为80.5%，AUC为0.87；与单一放射参数相比，mpRad对AUC指标有了9%～28%的提升。

以上研究主要通过提取乳腺MRI不同成像序列图像中的纹理参数来鉴别乳腺良恶性病变，并结合不同纹理参数来提高诊断效果，有望成为乳腺疾病诊断中的新型辅助工具。

3 总结与展望

综上所述，迄今纹理分析技术在各种乳腺相关影像检查中均有不同程度的研究应用，且多数研究结果暗示纹理分析能较为有效提升乳腺良恶性病变鉴别的能力。不过由于各种医学影像设备自身成像特点，其纹理分析技术对乳腺良恶性病变鉴别的能力也存在差异。总体来讲，钼靶及超声只能做到病变ROI的2D研究，其所得到的纹理参数不能很好的反应病灶整体情况。而且钼靶图像易受乳腺重叠组织的影响，超声图像易受到散斑噪声等图像伪影的影响，对研究所得到的纹理参数干扰较大。MRI不仅能够对病变做相对全面的3D研究，还能够得到多序列图像的纹理参数，在乳腺良恶性鉴别中纹理分析中的优势较为明显。

当前不同影像设备纹理分析技术在乳腺良恶性病变鉴别的应用中，多是利用评估所得特异纹理参数结合所设计的分类器，以求通过计算机学习来探求区分乳腺良恶性病变的方法。但各研究、各方法间缺少有力且有效的对比研究，以致没有统一标准。在未来的研究中，不同医学影像检查技术、不同部位分别最适用于哪些纹理分析的体位、图像的期像或序列等是图像纹理分析中工作中需要解决的问题。目前影像设备新技术正在不断研发与完善，未来乳腺纹理分析将在乳腺癌的临床医疗事业中展现出更重要的价值。