吳宇強(qiáng)，靳激揚(yáng)，馮銀波

(1.東南大學(xué) 醫(yī)學(xué)院，江蘇 南京　210009; 2.東南大學(xué)附屬中大醫(yī)院 醫(yī)學(xué)影像科，江蘇 南京　210009；

3.南京醫(yī)科大學(xué)附屬無錫人民醫(yī)院 影像科，江蘇 無錫　214023)

?

甲狀腺意外結(jié)節(jié)增強(qiáng)CT的紋理特征分析對良惡性鑒別的價值研究

吳宇強(qiáng)1，靳激揚(yáng)2，馮銀波3

(1.東南大學(xué) 醫(yī)學(xué)院，江蘇 南京210009; 2.東南大學(xué)附屬中大醫(yī)院 醫(yī)學(xué)影像科，江蘇 南京210009；

3.南京醫(yī)科大學(xué)附屬無錫人民醫(yī)院 影像科，江蘇 無錫214023)

[摘要]目的：探討基于灰度共生矩陣(GLCM)的紋理特征值測量技術(shù)在甲狀腺良惡性結(jié)節(jié)鑒別中的價值。方法：回顧性分析經(jīng)病理證實(shí)的具有甲狀腺意外結(jié)節(jié)患者(46例，結(jié)節(jié)共61個)的增強(qiáng)CT資料，其中甲狀腺良性結(jié)節(jié)23個，甲狀腺惡性結(jié)節(jié)38個。使用Image J軟件剪影病灶同一層面的平掃圖像與動脈期圖像后，測量結(jié)節(jié)內(nèi)部的紋理特征值(對比度、熵和FD值)。結(jié)果：甲狀腺惡性結(jié)節(jié)的熵為5.170±0.404，F(xiàn)D值為1.374±0.093，均高于甲狀腺良性結(jié)節(jié)(熵為4.194±1.625，F(xiàn)D值為1.210±0.169)，且組間差異有統(tǒng)計(jì)學(xué)意義(P<0.01)。而對比度在良惡性結(jié)節(jié)間測量差異無統(tǒng)計(jì)學(xué)意義(P>0.05)。經(jīng)ROC曲線分析，判斷FD最佳臨界點(diǎn)為1.300，此時診斷的靈敏度為78.9%，特異度為65.2%；Entropy最佳臨界點(diǎn)為5.000，其診斷的靈敏度為65.8%，特異度為60.9%。結(jié)論：甲狀腺結(jié)節(jié)內(nèi)部CT增強(qiáng)前后剪影圖像的紋理特征值(熵和FD值)可以為定性診斷提供相對可靠的特征參數(shù)。

[關(guān)鍵詞]甲狀腺意外結(jié)節(jié); 增強(qiáng)CT; 紋理分析

甲狀腺結(jié)節(jié)是指甲狀腺細(xì)胞在局部異常生長所引起的散在病變。體檢未能觸及而在影像學(xué)檢查偶然發(fā)現(xiàn)的結(jié)節(jié)為“甲狀腺意外結(jié)節(jié)”。甲狀腺意外結(jié)節(jié)早期無明顯臨床癥狀，判斷結(jié)節(jié)性質(zhì)的非侵入性的常規(guī)檢查手段包括超聲多普勒、CT等[1]。其中，CT主要通過觀察結(jié)節(jié)的形態(tài)、邊緣、密度、鈣化情況、周圍組織侵犯及淋巴結(jié)轉(zhuǎn)移等征象來鑒別良惡性。目前，甲狀腺意外結(jié)節(jié)的影像診斷及鑒別診斷研究不斷深入。隨著計(jì)算機(jī)輔助診斷系統(tǒng)的研發(fā)，基于灰度共生矩陣(GLCM)的紋理特征值(對比度、熵和FD值)測量在腫瘤影像學(xué)中逐步開始應(yīng)用[2- 3]。本研究旨在探討此技術(shù)在甲狀腺良惡性結(jié)節(jié)鑒別中的價值。

1資料與方法

1.1一般資料

回顧性分析丹陽市人民醫(yī)院及無錫市人民醫(yī)院2012年6月至2015年5月期間手術(shù)切除且病理證實(shí)為甲狀腺乳頭狀癌(T1、T2期)、結(jié)節(jié)性甲狀腺腫和增生甲狀腺組織的患者46例，均有完整的臨床資料及術(shù)前CT檢查。入組資料符合：(1) 患者偶然發(fā)現(xiàn)甲狀腺結(jié)節(jié)；(2) 結(jié)節(jié)為單發(fā)或多發(fā)，術(shù)后組織學(xué)標(biāo)本最大直徑均≤4.0 cm；(3) 病理示結(jié)節(jié)內(nèi)無鈣化及壞死；(4) 排除亞急性甲狀腺炎。

1.2檢查方法

采用西門子雙源CT機(jī)，患者取仰臥位，頸部過伸，掃描范圍自舌骨水平至胸廓入口。所有患者均行CT平掃及雙期增強(qiáng)檢查。掃描螺距1.00，層厚3.00 mm，層距3.00 mm。高壓注射器經(jīng)肘部靜脈團(tuán)注碘氟醇 (300 mg·ml-1)80 ml，注射流率2～3 ml·s-1，雙期延遲時間分別為25、50 s。

1.3圖像處理及分析

使用Image J軟件將甲狀腺結(jié)節(jié)同一層面的平掃圖像與動脈期圖像剪影后(圖1)進(jìn)行圖像分析，獲得結(jié)節(jié)內(nèi)分形維數(shù)(FD)值、熵及對比度。

圖1甲狀腺CT圖像處理

1.3.1FD值測量流程(1) 導(dǎo)入剪影后圖像并根據(jù)結(jié)節(jié)的大小標(biāo)化圖像；(2) ROI取33pixel×33pixel位于結(jié)節(jié)中心區(qū)域，邊緣避開正常甲狀腺組織；(3) ROI以外區(qū)域剪除；(4) 二值化(binary)，算法為Ij- Isodata；(5) 骨化(skeletonize)；(6) 分形盒計(jì)數(shù)(fractal box count， 32pixel×32pixel)。

1.3.2熵及對比度測量流程(1) 導(dǎo)入剪影后圖像；(2) 選取結(jié)節(jié)橫斷面徑線最大層面，根據(jù)結(jié)節(jié)的實(shí)際大小，ROI取9pixel×9pixel至16pixel×16pixel，盡可能位于結(jié)節(jié)內(nèi)部區(qū)域；(3) glcm texture工具箱選擇測量熵及對比度參數(shù)。

1.4統(tǒng)計(jì)學(xué)處理

2結(jié)果

2.1甲狀腺結(jié)節(jié)診斷及一般資料描述

46例患者中男23例，女23例，年齡21~67歲，平均(43.5±12.5)歲，共檢出甲狀腺結(jié)節(jié)61個。良性結(jié)節(jié)23個，包括結(jié)節(jié)性甲狀腺腫、結(jié)節(jié)性甲狀腺腫伴腺瘤、增生甲狀腺組織；惡性結(jié)節(jié)38個，為甲狀腺乳頭狀癌。其中，同時存在良惡性結(jié)節(jié)的患者10例。

2.2甲狀腺結(jié)節(jié)CT紋理特征參數(shù)

甲狀腺惡性結(jié)節(jié)的熵為5.170±0.404，F(xiàn)D值為1.374±0.093；甲狀腺良性結(jié)節(jié)的熵值為4.194±1.625，F(xiàn)D值為1.210±0.169；甲狀腺惡性結(jié)節(jié)的熵和FD值于大于良性節(jié)結(jié)，差異有統(tǒng)計(jì)學(xué)意義(P<0.01)。而對比度在良惡性結(jié)節(jié)間差異無統(tǒng)計(jì)學(xué)意義(P>0.05)。見表1。

表1甲狀腺良、惡性結(jié)節(jié)CT紋理特征參數(shù)的比較

CT紋理特征病理類型n平均數(shù)標(biāo)準(zhǔn)差95%CI下限上限最小值最大值對比度良性結(jié)節(jié)2357.00336.96641.01872.9891.969144.580惡性結(jié)節(jié)3871.64635.88259.85283.44015.704177.516熵良性結(jié)節(jié)234.1941.6253.4914.8970.3426.422惡性結(jié)節(jié)385.170a0.4045.0375.3034.5006.087FD值良性結(jié)節(jié)231.2100.1691.1371.2830.7961.447惡性結(jié)節(jié)381.374b0.0931.3441.4051.2111.596

與良性結(jié)節(jié)比較，at=-3.542，P=0.001；bt=-4.933，P=0.000

2.3ROC曲線分析

利用SPSS軟件中ROC曲線法選取最佳靈敏度及特異度時的臨界值，F(xiàn)D界值為1.300時，靈敏度為78.9%，診斷的特異度為65.2%；熵界值為5.000時，診斷的靈敏度為65.8%，特異度為60.9%(圖2，表2、3)。

圖2對比度、熵和FD值的ROC曲線分析

表2FD值、熵及對比度的ROC曲線分析

參數(shù)曲線下面積標(biāo)準(zhǔn)誤P值95%CI下限上限FD值0.7880.0630.0000.6650.912熵0.6530.0840.0460.4890.817對比度0.6060.0760.1660.4580.755

表3FD值及熵閾值設(shè)定

參數(shù)界值病理類型/例良性結(jié)節(jié)惡性結(jié)節(jié)靈敏度/%特異度/%FD值<1.300830>1.30015878.965.2熵<5.000925>5.000141365.860.9

3討論

本研究目的是評估基于GLCM的紋理特征值(對比度、熵和FD值)在甲狀腺意外結(jié)節(jié)(結(jié)節(jié)性甲狀腺腫與甲狀腺癌T1/T2期)良惡性診斷鑒別中是否有價值。我們發(fā)現(xiàn)，熵和FD值在良惡性節(jié)結(jié)間的差異明顯，而對比度的差異不明顯。這表明，我們可以通過CT增強(qiáng)圖像的紋理特征值中的熵和FD值對甲狀腺結(jié)節(jié)定性診斷。紋理是圖像分割和分類的常用概念，每一種物體都有自己的獨(dú)有的紋理。有研究表明，在現(xiàn)有CT空間及密度分辨率下，CT圖像紋理分析可以評估腫瘤內(nèi)部的病理性質(zhì)。例如，有轉(zhuǎn)移灶的肝臟CT圖像的熵值等會發(fā)生變化[4]。肺結(jié)節(jié)的CT圖像紋理分析(平均灰度值、熵及均勻度)對于良惡性鑒別有一定的價值[5- 7]。本研究測量結(jié)節(jié)CT圖像內(nèi)部熵值，是對瘤體內(nèi)增強(qiáng)后動脈期造影劑分布改變的客觀度量。分形數(shù)維是描述結(jié)節(jié)內(nèi)部復(fù)雜度、粗糙度及不規(guī)則度等的CT圖像紋理特征，已經(jīng)廣泛應(yīng)用于影像診斷中[8- 9]。熵值和FD值越大，結(jié)節(jié)內(nèi)部灰度分布的程度越復(fù)雜，內(nèi)部越粗糙，異質(zhì)性越差，結(jié)節(jié)越趨向于惡性。而對比度是反映局部圖像的清晰度，即紋理清晰程度的指標(biāo)。本實(shí)驗(yàn)中，良惡性結(jié)節(jié)的對比度相同，即反映出同一流程獲得的紋理清晰程度相同。對比度能否作為鑒別甲狀腺結(jié)節(jié)良惡性的參數(shù)有待進(jìn)一步研究。

基于GLCM的圖像紋理分析是建立在不同病變病理基礎(chǔ)上的[2，7]。正常甲狀腺含碘高，天然對比度良好，各種甲狀腺病變可造成相應(yīng)部位的密度改變。造影劑注入后，正常甲狀腺有著豐富的血運(yùn)而明顯強(qiáng)化，結(jié)節(jié)的病理不同導(dǎo)致其CT 強(qiáng)化方式也不同。甲狀腺結(jié)節(jié)增強(qiáng)后碘含量的增加由細(xì)胞攝碘和血供兩方面引起。惡性結(jié)節(jié)攝碘較良性結(jié)節(jié)低，有學(xué)者認(rèn)為是因?yàn)榧谞钕侔┘?xì)胞增殖速度快，乳頭尖端易發(fā)生梗死并分泌某些物質(zhì)如黏多糖、糖蛋白[10]，所以在CT上顯示低密度。也有學(xué)者認(rèn)為惡性結(jié)節(jié)內(nèi)新生血管密度較良性高，呈高速血流，但這種血管組織又會被癌結(jié)節(jié)惡性生長所破壞，使得強(qiáng)化幅度偏低[11]。有些較小結(jié)節(jié)的強(qiáng)化方式，我們難以用肉眼描述、分類及定性[12]。通過同一解剖層面的動脈期及平掃圖像剪影，可以客觀地反映出結(jié)節(jié)異常強(qiáng)化，并通過GLCM紋理特征值描述來定量描述CT增強(qiáng)圖像中相應(yīng)的變化。惡性結(jié)節(jié)引起甲狀腺局部微環(huán)境改變，導(dǎo)致局部不均質(zhì)性增加及由于血流變化造成造影劑灌注改變。

本研究的熵及FD值獲取流程簡單易行。采用增強(qiáng)與平掃數(shù)字剪影的方法可以減少偽影及噪聲的干擾，更真實(shí)顯示結(jié)節(jié)的范圍。文獻(xiàn)報道在其他腫瘤(肝轉(zhuǎn)移灶、肺癌等)研究的流程中使用濾波技術(shù)對CT圖像進(jìn)行紋理測量前標(biāo)化處理[13]。我們認(rèn)為濾波對于近體表腫瘤的有效信息損失較大，故沒有使用。本研究對CT圖像中結(jié)節(jié)有一定要求，如果結(jié)節(jié)鈣化、囊變及出血會影響結(jié)果的準(zhǔn)確性，故有一定局限性，但對于肉眼難以辨別的良惡性腫瘤內(nèi)部的異質(zhì)性可通過灰階度量不同而數(shù)字化獲得，從而更加精確。熵值獲取須基于一定大小灰度矩陣(最小為9pixels×9pixels)。對于FD值，我們將結(jié)節(jié)灶通過像素?fù)Q算，標(biāo)化至32pixels×32pixels后進(jìn)行，使測量具有統(tǒng)一性和標(biāo)準(zhǔn)化。本研究最主要的局限性是使用CT單層圖像進(jìn)行測量，下一步我們使用甲狀腺三維圖像進(jìn)行研究，以獲取容積紋理信息，為良惡性結(jié)節(jié)的判斷提供更多的信息。

[參考文獻(xiàn)]

[1] 趙炎斌，劉方舟，張園，等.超聲彈性成像及CT檢查對術(shù)前甲狀腺腫物性質(zhì)判斷的相關(guān)性研究[J].東南大學(xué)學(xué)報：醫(yī)學(xué)版，2014，3(3)：296- 299．

[2] TIXIER F，HATT M，le REST C C，et al.Reproducibility of tumor uptake heterogeneity characterization through textural feature analysis in 18F- FDG PET[J].J Nucl Med， 2012， 53(5)：693- 700．

[3] OLIVERIRA M S D，BETTING L E，MORY S B，et al.Texture analysis of magnetic resonance images of patients with juvenile myoclonic epilepsy[J].E&B， 2013，27(1):22- 28．

[4] RAO S X，LAMBREGTS D M，SCHNERR R S，et al.Whole- liver CT texture analysis in colorectal cancer:does the presence of liver metastases affect the texture of the remaining liver？ [J].UEG，2014，2(6):530- 538．

[5] GANESHAN B，ABALEKEA S，YOUNG R，et al.Texture analysis of non- small cell lung cancer on unenhanced computed tomography:initial evidence for a relationship with tumour glucose metabolism and stage[J].Cancer Imaging，2010(10):137- 143．

[6] 汪家旺，于立燕，王德杭，等.肺癌分形維數(shù)特征的研究[J].中國醫(yī)學(xué)物理學(xué)雜志，2005，22(1)：393- 395．

[7] GROVEL O，BERGLUND A E，SCHAB M B.Quantitative computed tomographic descriptors associate tumor shape complexity and intra tumor heterogeneity with prognosis in lung adenocarcinoma[J].Pone，2015，10(3):e0118261．

[8] RANGAYYAN R M，NGUYEN T M.Fractal analysis of contours of breast masses in mammograms[J].J Digit Imaging， 2007，20(3):223- 237．

[9] 邵元智，劉立志，王風(fēng)華，等.不同生長方式腫瘤的CT/MRI影像觀察及數(shù)據(jù)分析方法[J].中華醫(yī)學(xué)雜志，2008，88(21):1503- 1506．

[10] 張博，蘇俊平，白楊，等.甲狀腺結(jié)節(jié)合并微鈣化與甲狀腺癌關(guān)系及其危險因素分析[J].現(xiàn)代醫(yī)學(xué)，2015，43(2)：214- 217．

[11] 李恒國，盧紹輝，梁久平，等.甲狀腺結(jié)節(jié)的CT灌注評價[J].中華放射學(xué)雜志，2011，45(9)：831- 834．

[12] GANESHAN B，MILES K A，YOUNG R.Texture analysis in non- contrast enhanced CT:impact of malignancy on texture in apparently disease- free areas of the liver[J].Eur J Radiol，2009，70:101- 110．

[13] BROOKS F J， GRIGSBY P W.The effect of small tumor volumes on studies of intratumoral heterogeneity of tracer uptake[J].J Nucl Med，2014，55(1):37- 42．

Analysis of incidental thyroid nodules in differentiating benign and malignant using texture feature calculated from enhanced CT images

WU Yu- qiang1，JIN Ji- yang2，F(xiàn)ENG Yin- bo3

(1.MedicalSchoolofSoutheastUniversity，Nanjing210009，China; 2.DepartmentofMedicalImaging，ZhongdaHospital，SoutheastUniversity，Nanjing210009，China; 3.DepartmentofMedicalImaging，WuxiFirstPeople’sHospital，Wuxi214023，China)

[Abstract]Objective: To investigate the value of CT texture analysis based on gray level co- occurrence matrix(GLCM) for differentiating malignant from benign thyroid nodule. Methods: The retrospective study was based on 46 cases of the incidental thyroid nodule (61 lesions) which were collected from June 2012 to May 2015.The final diagnosis was confirmed by surgery and pathology. 23 lesions were benign nodule， and 38 lesions were malignant nodule. We analyzed the CT images using Image J software as follow:firstly，pre- processing of CT images(subtraction of arterial phase and non- enhanced phase in the same slice of lesion);then， measured the value of texture parameters(entropy， contrast and FD) based on fractal theory and GLCM texture plugin. Results: Mean entropy and FD for the malignant nodules were significantly higher when compared with the benign nodules. But， mean contrast was not significantly different between malignant and benign nodules. Utilized receiver operator characteristic curve(ROC curve) in SPSS to select critical value of optimum sensitivity and specificity. When critical value of FD was 1.300，sensitivity was 78.9%，specificity was 65.2%; critical value of entropy was 5.000，sensitivity was 65.8%，specificity was 60.9%. Conclusion: Texture analysis of CT images of incidental thyroid nodule holds promise to differentiate between malignant and benign lesions.

[Key words]incidental thyroid nodule; enhanced computed tomography; texture analysis

doi:10.3969/j.issn.1671- 6264.2016.01．026

[中圖分類號]R736.1; R445.3

[文獻(xiàn)標(biāo)識碼]A

[文章編號]1671- 6264(2016)01- 0112- 05

[通信作者]靳激揚(yáng)E- mail:jy_jin@126.com

[作者簡介]吳宇強(qiáng)(1981-)，男，江蘇丹陽人，主治醫(yī)師，在讀碩士研究生。E- mail:737430760@qq.com

[收稿日期]2015- 08- 18[修回日期] 2015- 12- 06

[引文格式] 吳宇強(qiáng)，靳激揚(yáng)，馮銀波.甲狀腺意外結(jié)節(jié)增強(qiáng)CT的紋理特征分析對良惡性鑒別的價值研究[J].東南大學(xué)學(xué)報:醫(yī)學(xué)版，2016，35(1)：112- 116.

·論著·