CT纹理分析技术在孤立性肺结节良恶性鉴别诊断中的研究进展

温笑楠，孙建男，阎冬琪

1.牡丹江医学院 研究生院，黑龙江 大庆 163000；2.大庆油田总医院 CT室，黑龙江 大庆 163000

引言

肺癌是全球恶性肿瘤中患病率和死亡率最高的疾病之一[1-2]，肺癌早期阶段在胸部CT 图像中常常表现为孤立存在的结节，因此在孤立性肺结节（Solitary Pulmonary Nodule，SPN）被发现后，尽早鉴别其良恶性具有重要意义。常规CT 图像仅仅提供了病灶表面的信息，而在病灶内部，潜在的遗传信息仍然未被揭示。

CT 纹理分析（CT Texture Analysis，CTTA）是用于分析医学图像中像素和体素灰度的分布和关系的强大工具。该技术可提取病变的定量或定性纹理特征参数，从而可以客观观察肉眼看不到的信息。CTTA 解决了常规CT 定量评估的不足，降低了放射科医生主观性的影响，提高了恶性SPN 的检出率。总体而言，CTTA 提供了一种更精确和可靠的方法来分析医学图像。

1 CTTA概述

CTTA 作为影像组学的一个分支，是一种新兴起的图像后处理技术。CTTA 主要借助计算机软件分析CT图像中的像素或体素灰度的分布排列关系，量化评估图像的异质性，因其具有普遍性、客观性和可重复性等特点，从而备受广大研究者的青睐[3-4]。除此之外，CTTA还可以分别从功能和分子水平获取病灶内的微观信息，反映病灶内的生物学异质性，从而揭示人体生理内部特征与组织结构的细微变化，并对其进行量化分析[5]。

2 CT纹理分析的主要步骤

CT 纹理分析涉及的步骤通常包括CT 图像获取，感兴趣区域（Region of Interest，ROI）的勾画，纹理特征的提取，统计分析和受试者工作曲线分析。这些步骤对于为科学研究产生准确可靠的结果至关重要。第一步，使用标准成像协议采集CT 图像；第二步涉及使用自动或手动方法概述ROI；在此之后，使用专门的软件工具提取纹理特征；然后进行统计分析以确定显著特征，并使用受试者工作曲线分析来评估研究结果的可重复性。这些步骤有助于确保从CT 纹理分析研究中获得结果的有效性和可重复性。

2.1 CT图像获取

在CT 纹理分析中，获取高质量图像至关重要。在图像采集过程中，保持CT 设备、成像方法和重建后处理技术的一致性非常重要。研究表明，设备和图像重建方法的差异会显著影响结果图像的质量。因此，坚持一致性原则对于确保图像的质量和可靠性是必要的，可通过定期校准设备，遵循标准化成像协议并在所有成像程序中使用一致的重建方法来实现。这些措施可以提高CT 纹理分析结果的精度和可重复性[6-7]。除此之外，在获取CT 图像之后要进行图像的预处理，由于干扰、不相关信息和噪声等问题，图像的质量直接影响后续分析过程的有效性，这些问题可能会掩盖相关数据。因此，降低噪声干扰，增强有效信息，提高分析过程数据的有效性至关重要，可通过各种图像处理技术来实现，如降噪和增强对比度，这可以帮助删除不相关的信息并增强相关数据的可见性。最终，这些方法可以提高后续图像分析程序的准确性和可靠性，并在临床实践中带来更好的结果[8]。

2.2 勾画ROI

在勾画纹理分析的ROI 时，主要有两种方法：面积法和体积法。面积法涉及选择病变的最大横截面，而体积法需要勾勒出病变的所有层。研究人员可以手动绘制，也可以通过机器使用半自动或全自动方法绘制，后一种方法具有效率、速度和一致性等优势。然而，自动划定的一个局限性是大血管可能包含在ROI 中，特别是在血管穿过病变的情况下，这对从ROI 中提取的特征参数有影响，可能会影响后续分析的准确性。解决这一限制是未来医学成像研究的一个重要领域。虽然手动划定比机器自动划定更精确，但过程费力，会导致操作员疲劳。为保持一致性，数据收集通常依赖于同一个操作员，但这种方法在处理大型数据集时带来了挑战。

目前，研究人员倾向于使用手动和半自动组合的方法来划定ROI，以在准确性和效率之间取得平衡。这种方法可保证数据处理更高效，同时确保数据收集的一致性。未来的研究可能会探索对自动描绘技术的进一步改进，以提高准确性并减少操作员的疲劳感[9-10]。

2.3 纹理特征提取

目前存在多种纹理特征提取方法，包括统计，结构，基于变换、模型，基于图，基于学习和基于熵的方法[11]。其中，研究人员最常使用统计、结构、基于模型和变换的方法进行纹理分析。这些方法允许对纹理特征进行定量分析，并已证明可以有效地从医学图像中提取有用的信息[12]。

2.3.1 统计法

统计法主要采用区域统计来分析相邻图像像素的灰度值的空间分布。此方法可以根据定义局部特征的像素数细分为一阶、二阶和高阶统计：一个像素用于一阶，两个像素用于二阶，三个或更多像素用于高阶统计。由于效率和有效性较高，统计方法在纹理特征提取中得到了广泛应用。

灰度共生矩阵（Grey Level Co-occurrence Matrix，GLCM）和局部二元模（Local Binary Patterns，LBP）是图像处理中广泛使用的统计分析技术。GLCM 也称为空间灰度相关矩阵（Spatial Gray Level Dependence Matrix，SGLDM），用于检查像素对之间的空间关系，是一种二阶直方图方法，考虑二阶统计并研究像素对的灰度分布[13]。同样，LBP 是一种纹理分析算子，工作原理是阈值化每个像素的邻域并将生成的二进制模式与参考表进行比较。GLCM 和LBP 均能有效地从图像中提取纹理信息，在医学图像分析和遥感等各个领域的应用已得到广泛探索。GLCM 方法在处理时间和复杂性方面显示出有效的结果，但是，在某些噪点图像中，它提供的结果不完全有效。LBP 方法成功地结合了结构和统计方法，对每个图像像素利用二进制模式，并采用简单而有效的计算方法来增强纹理分析性能，因此引起了研究人员的极大兴趣。但原始的LBP 方法仍然存在某些局限性，如生成的直方图较冗长，从而降低了唯一性并需要更大的存储空间。同时，该方法仅考虑相邻像素之间的差异，缺乏收集局部纹理信息的能力。此外，LBP 方法还对噪声和模糊高度敏感[14-15]。

2.3.2 结构法

纹理分析的结构法将纹理划分为元素、基元和纹素，它将纹理视为由以常规方式复制的纹理元素或基元组成[11,16]。基元具有特定的放置规则，并定期在纹理中复制，结构法的目标是识别纹理基元并概述其放置规则。鉴于对规则的强调，结构法主要用于分析具有可预测模式的纹理，而不是表现出高度随机性的纹理。

2.3.3 基于变换法

基于变换法主要涉及在空间中解释图像的坐标系，如频率或尺度，并且与纹理特征密切相关。该方法包含一系列技术，包括滤波方法、基于傅里叶变换的方法、基于Gabor 分解的方法、基于小波的方法、基于希莱特的方法、基于轮廓的方法和本地编码转换特征直方图。其中，基于Gabor 分解的方法和基于小波的方法被广泛采用。基于Gabor 分解的方法在空间和频域中都具有局部分析的优势，并且可以通过使用Gabor 滤波器进行多分辨率分解。相反，基于小波的方法能够最小化海森堡的不确定性，从而捕获局部频率和空间信息[11]。

2.3.4 模型法

模型法主要通过建立数学模型并利用模型的参数来获取纹理特征，这种方法包括基于网络的复杂方法、马赛克模型、随机场模型、基于分形的纹理测量、引力模型以及Word 分解，其中随机场模型提供了表达空间相关随机变量的相互关系，因而应用较为广泛。

3 SPN概述

SPN 被定义为实性或亚实体性病变，表现为单个、边界明确、直径≤30 mm 的结节[17]。SPN 通常不伴有胸腔积液、肺不张或肺门增大，周围有正常的肺组织。根据大小，SPN 可分为小结节和微小结节，而密度可用于区分实结节和亚实性结节。反过来，亚实性结节可进一步分为纯磨玻璃结节（Pure Ground-Glass Nodule，pGGN）和混合磨玻璃结节（Mixed Ground-Glass Nodules，mGGN）。

SPN 可分为恶性和良性病变。恶性病变主要由肺腺癌、肺鳞状细胞癌和细支气管肺泡癌组成，良性病变包括硬化性肺细胞瘤、肺曲霉病、错构瘤、肺结核瘤和肺假瘤等[18-19]。

4 CCTA在SPN良恶性诊断中的应用

4.1 CCTA在SPN的大小及倍增时间预测中的应用

以往研究一致发现，SPN 的直径与恶性肿瘤的风险之间存在正相关关系。具体来说，随着SPN 直径的增加，恶性肿瘤的风险也会增加。SPN 的倍增时间定义为结节体积增加1 倍或直径增加25%所需的时间间隔。SPN 的倍增时间因良性和恶性病例而异，是鉴别二者的标准[20]。

恶性SPN 的不同病理分类表现出不同的倍增时间，大多数研究表明，小细胞癌的生长速度最快，而细支气管肺泡癌的生长速度最慢[20-23]。恶性肿瘤在不同时期的倍增时间也存在一定差异性，早期肺癌的倍增时间长，肿瘤生长相对缓慢，但随着肿瘤进展，肿瘤倍增时间不断减少，生长速度不断加快[24]。通常来说，SPN 在30 d 内快速增大，考虑感染、炎症或淋巴瘤可能[25-26]，除此之外，一些炎性结节在进行抗炎治疗后复查发现结节的体积明显缩小，一些良性结节在随诊复查多年后体积并无明显改变。

以前的研究经常使用公式体积倍增时间（Volume Doubling Time，VDT）=[ln2×ΔT]/[ln（Vfinal/Vinitial）] 来计算肺结节的倍增时间，以预测SPN的生长速度并区分良性和恶性SPN。恶性SPN 的倍增时间通常约为30～400 d，而良性SPN 的倍增时间＞400 d[27-28]。然而，这种方法给患者带来了负担，因为他们必须在检查前后进行两次CT 扫描，同时会增加患者心理压力，并在两次检查期间引起与辐射暴露和疾病状况相关的焦虑。

CCTA 具有预测肺结节倍增时间的能力。研究人员已经确定了影响亚实体肺结节倍增时间的影像组学特征参数：GLCM entropy、GLSZM small area emphasis、Fractal Dimension、Compactness2，并成功开发了此类结节倍增时间的预测模型。该模型提供了客观和定量的信息，有助于确定长期亚实体肺结节患者的随访周期和临床决策[29]。也有学者在研究中发现纹理特征参数均匀性与VDT 之间存在良好的正相关关系[30]。

4.2 CTTA在SPN的形态特征预测模型中的应用

分叶征、毛刺征、胸膜凹陷征和血管集束征通常用作鉴别良性和恶性SPN 的关键指标。先前的研究一致表明，恶性SPN 中这些征象的发生明显高于良性SPN。在对522 例SPN 患者的回顾性分析中，祝筱茜等[31]确定了区分良性和恶性结节的几个独立危险因素，包括上叶位置、毛刺征、小叶征、血管束征、边界不清和结节最大直径。基于这些结果，作者建立了SPN 诊断的预测模型：P=ex/（1+ex），X=-3.742+（0.185×结节最大径）+（1.423×毛刺征）+（1.143×分叶征）+（3.783×血管集束征）+（2.526×边界不清）+（0.730×上叶），且模型诊断效能较好。然而，在临床实践中观察到，一些良性结节与恶性结节具有相同的征象，这在准确诊断和规划适当的治疗策略方面带来了相当大的挑战。因此，该预测模型的准确性需要通过更大的样本量和更全面的数据分析来进一步验证和提高。此外，预测模型中还应考虑其他因素，如患者年龄、吸烟史和病史，以提高诊断准确性。

一些学者开发了肺结节形态学模型，CT 纹理分析模型以及结合两种方法的联合模型。根据他们的发现，肺结节形态学和CT 纹理分析的组合模型比单独的肺结节形态学模型显示出更高的诊断准确性，曲线下面积（Area Under Curve，AUC）值分别为0.911 和0.824[31]。总体而言，SPN 诊断是一项复杂且具有挑战性的任务，需要整合临床、影像学和病理信息才能实现准确的诊断和适当的治疗。

4.3 CTTA在SPN的密度及实性成分纹理特征参数预测中的应用

SPN 根据密度分为实性和亚实性结节，亚实性结节又分为pGGN 和mGGN。肺结节的恶性肿瘤风险因密度而异，相关研究表明，与pGGN 相比，mGGN 恶性程度可能性较高[18]。然而，仅基于密度和实性成分对SPN 的良性或恶性进行定性诊断是不可行的。因此，需要一种新的视角来有效诊断良性和恶性SPN。

Sun 等[30]对89 例肺GGN 进行了回顾性分析，并将其分为3 组：癌症组、生长组和非生长组，其中包括42 例pGGN 和47 例mGGN。该研究对结构特征参数进行了统计分析，包括均匀性、平均值、熵和能量，在熵和能量参数中观察到了显著的结果，AUC 值分别为0.886、0.919。此外，结果表明，与生长组和非生长组相比，癌症组的熵值明显更高，而癌症组的能量远低于生长组和非生长组。此外，pGGN 的均匀性越低，恶性结节的可能性就越高[32]。一些学者进行的一项单独研究涉及77 例GGN 结节性腺癌患者，结果表明：提取的纹理特征参数在均值、标准差、P10、P25、P50、P75和P90以及能量、熵、相关性和均匀性方面存在显著差异。值得注意的是，发现能量和熵具有更好的诊断效能[33]。基于此，恶性与良性SPN 在熵和能量等纹理特征参数上的差异可以作为预测恶性肿瘤的有意义的定量指标。

5 总结与展望

随着医疗技术的进步和公众意识的提高，SPN 的发病率呈上升趋势，区分良性和恶性结节对于有效的临床治疗计划至关重要。虽然病理活检是诊断的“金标准”，但它是一种侵入性手术，患者更青睐于CT 扫描等非侵入性技术。这可能会显著改变目前的侵入性诊断方法，并提高成像测试的临床实用性。CTTA 在良恶性SPN 的准确区分方面具有巨大前景，并为区分两种类型的结节提供了一种新的方法，使纹理特征成为临床诊断和治疗的潜在有价值的生物标志物。

虽然CTTA 在肺结节诊断方面已经取得了一定的进展，但仍存在一些问题和挑战：① CTTA 需要大量的CT 影像数据和精确的标注信息，以支持机器学习算法的训练和优化；② 不同的CT 设备和扫描参数也可能会对CTTA 的结果产生影响；③ 纹理特征提取方法繁多，在选择纹理特征提取方法时，需要考虑数据集的特点、所需的特征维度、时间和空间复杂度等方面的因素。在未来研究中，研究者应该认真评估这些因素，尝试不同的方法进行比较，以确定哪种方法最适合解决具体的问题。除了纹理特征提取方法本身，还需要结合具体的应用场景，如图像分类、目标检测、医学图像分析等，综合考虑不同方法的准确度、速度、鲁棒性等指标进行选择。

综上所述，CTTA 作为一种新兴的肺结节诊断技术，具有广阔的发展前景，但同时也需要进一步研究和探索。随着医学影像技术的不断发展和机器学习算法的不断优化，CTTA 有望成为未来肺结节诊断的重要手段之一。