楊春然，郭翌，汪源源

復(fù)旦大學(xué)電子工程系，上海 200433

·專題論著·

基于影像組學(xué)的肺結(jié)節(jié)惡性程度預(yù)測

楊春然，郭翌，汪源源

復(fù)旦大學(xué)電子工程系，上海 200433

楊春然，理學(xué)學(xué)士，本科畢業(yè)于復(fù)旦大學(xué)信息科學(xué)與工程學(xué)院電子工程系，現(xiàn)為復(fù)旦大學(xué)信息科學(xué)與工程學(xué)院電子工程系醫(yī)學(xué)信號處理實(shí)驗(yàn)室在讀碩士研究生。研究方向?yàn)榉尾緾T圖像中肺結(jié)節(jié)的檢測與診斷，主要使用的方法為影像組學(xué)與機(jī)器學(xué)習(xí)等。

目的：探討基于影像組學(xué)的肺結(jié)節(jié)惡性程度預(yù)測。方法：對肺部圖像影像數(shù)據(jù)庫(The Lung Image Database Consortium，LIDC)-IDRI (Image Database Resource Initiative)中604例肺結(jié)節(jié)患者的CT圖像進(jìn)行分析，其中含肺結(jié)節(jié)的CT圖像共2 803幅，醫(yī)師手工勾畫肺結(jié)節(jié)輪廓。根據(jù)肺結(jié)節(jié)診斷標(biāo)準(zhǔn)，共提取96個(gè)灰度、形態(tài)和紋理高通量特征，輸入基于隨機(jī)森林的多類分類器進(jìn)行惡性程度預(yù)測。惡性程度分為5級，以數(shù)字1～5表示。隨機(jī)選取1 000幅CT圖像作為訓(xùn)練樣本，剩余的1 803幅CT圖像作為測試樣本，實(shí)驗(yàn)重復(fù)10次。結(jié)果：對于單個(gè)肺結(jié)節(jié)，5類惡性程度的平均預(yù)測準(zhǔn)確率為77.85%。對于每一類預(yù)測，曲線下面積(area under curve，AUC)均在0.94以上。對于每例患者，肺結(jié)節(jié)惡性程度的預(yù)測準(zhǔn)確率為75.16%。結(jié)論：該研究提出的基于影像組學(xué)的方法對肺結(jié)節(jié)惡性程度的預(yù)測性能良好，可為臨床診斷提供可靠的輔助信息，以利于早期發(fā)現(xiàn)病灶。

肺結(jié)節(jié)；CT圖像；隨機(jī)森林；影像組學(xué)

肺癌是當(dāng)今世界范圍內(nèi)發(fā)病率最高的癌癥。2015年，中國有73.33萬例肺癌新發(fā)病例和61.02萬例肺癌死亡病例，高居癌癥發(fā)病率和死因首位[1]。臨床研究表明，早期得到檢測與治療的肺癌患者，5年存活率從14%上升至49%[2]。肺癌在早期階段常表現(xiàn)為肺結(jié)節(jié)形式，因此對肺結(jié)節(jié)的檢測及早期治療能明顯提高肺癌患者的存活率。

CT相比于普通X線檢查，可消除骨骼重疊的影響，還可提供更高的圖像分辨率及灰度對比度。肺結(jié)節(jié)在CT圖像上表現(xiàn)為圓形或類圓形高密度亮影，長徑一般在3 mm～3 cm。為了能以較高的靈敏度檢測肺結(jié)節(jié)，CT采用對患者肺部進(jìn)行層厚較小的掃描，目前最薄層可達(dá)0.5 mm。因此，在使用CT對肺癌患者進(jìn)行診斷時(shí)，每次掃描均會產(chǎn)生上百幅全肺部CT圖像。放射科醫(yī)師在閱片過程中，對肺結(jié)節(jié)的惡性程度打分，以數(shù)值的形式來表示其惡性程度。惡性程度通常分為5級，以1～5表示，等級越高表示惡性程度越高。在肺癌發(fā)病率持續(xù)增高和醫(yī)學(xué)影像學(xué)數(shù)據(jù)量與日俱增的情況下，大量閱片工作給醫(yī)師帶來了很大負(fù)擔(dān)并可能發(fā)生漏檢。

針對以上問題，人們提出了各類基于醫(yī)學(xué)影像學(xué)的計(jì)算機(jī)輔助檢測與診斷系統(tǒng)，借此來減輕醫(yī)師的負(fù)擔(dān)，并去除診斷過程中的主觀因素，使結(jié)果更加標(biāo)準(zhǔn)化和定量化。近年來，數(shù)據(jù)技術(shù)與醫(yī)學(xué)影像輔助診斷的有機(jī)融合產(chǎn)生了新的影像組學(xué)方法。該方法通過從影像中提取海量信息，實(shí)現(xiàn)腫瘤分割、特征提取與模型建立，憑借對海量影像學(xué)數(shù)據(jù)進(jìn)行更深層次的挖掘、預(yù)測和分析，幫助醫(yī)師作出準(zhǔn)確診斷，具有重要臨床價(jià)值[3]。目前，影像組學(xué)方法已應(yīng)用于肺結(jié)節(jié)診斷，預(yù)測肺結(jié)節(jié)良惡性的準(zhǔn)確率達(dá)76.10%[4]，表明其在肺結(jié)節(jié)診斷中的可行性。為進(jìn)一步研究基于影像組學(xué)的肺結(jié)節(jié)惡性程度的預(yù)測，本研究提取肺結(jié)節(jié)CT圖像的高通量特征，建立了基于隨機(jī)森林的多類分類器，實(shí)現(xiàn)了肺結(jié)節(jié)惡性程度的預(yù)測。

1 資料和方法

1.1 實(shí)驗(yàn)流程

本研究的實(shí)驗(yàn)流程圖如圖1所示，主要包括3個(gè)部分。

圖1 實(shí)驗(yàn)流程圖

首先，從數(shù)據(jù)集中篩選出含有肺結(jié)節(jié)的肺部CT圖像；然后，根據(jù)醫(yī)師勾畫的肺結(jié)節(jié)邊緣提取出相應(yīng)的感興趣區(qū)(region of interest，ROI)；接著對ROI提取高通量特征，輸入基于隨機(jī)森林的5類分類器進(jìn)行訓(xùn)練或預(yù)測。在訓(xùn)練階段，以醫(yī)師打分的惡性程度作為金標(biāo)準(zhǔn)使分類器收斂。在預(yù)測階段，由收斂的分類器給出肺結(jié)節(jié)惡性程度預(yù)測結(jié)果。

1.2 資料來源

本研究所使用的數(shù)據(jù)來自美國國家癌癥研究所(National Cancer Institute，NCI)發(fā)起的大型公開數(shù)據(jù)集——肺部圖像影像數(shù)據(jù)庫(The Lung Image Database Consortium，LIDC)-IDRI (Image Database Resource Initiative)，包含從7個(gè)學(xué)術(shù)中心和8家醫(yī)學(xué)影像公司采集到的1 018例患者的肺部CT掃描成像結(jié)果。圖2分別給出一幅含肺結(jié)節(jié)和不含肺結(jié)節(jié)的CT圖像。

圖2 肺部CT圖像示例

每例患者CT掃描層厚為0.6～5 mm[5]。對每例患者的肺部CT圖像，均由放射科醫(yī)師進(jìn)行診斷。在診斷過程中，首先勾畫結(jié)節(jié)輪廓，對長徑≥3 mm的結(jié)節(jié)勾畫出輪廓，對長徑＜3 mm的結(jié)節(jié)僅給出結(jié)節(jié)的中心點(diǎn)，并給出該結(jié)節(jié)的病理信息建議分級。病理信息共9類，包括精細(xì)處、內(nèi)部結(jié)構(gòu)、鈣化程度、球形度、邊緣、分葉征、毛刺征、紋理及惡性程度。其中惡性程度最重要，直接代表診斷結(jié)果[6]。肺結(jié)節(jié)的惡性程度分為5級，統(tǒng)一存儲于XML文件中，方便研究者參考與查看。

考慮到最新肺結(jié)節(jié)診斷標(biāo)準(zhǔn)已將長徑＜3 mm的肺結(jié)節(jié)排除在外[7]，故本研究僅考慮長徑為3 mm～3 cm的結(jié)節(jié)。根據(jù)該標(biāo)準(zhǔn)篩選數(shù)據(jù)集中的病例，獲得含肺結(jié)節(jié)病例604例，合計(jì)CT圖像2 803幅。每幅含結(jié)節(jié)圖像均有與之對應(yīng)的惡性程度打分。

由表1可見，該數(shù)據(jù)集中5類樣本分布不均勻，其中第1級最少，僅317例，占11.31%；惡性程度最高為第5級，有603例，占21.51%。

表1 5類樣本的分布情況

1.2 ROI提取

為提取高通量特征，需先提取ROI和肺結(jié)節(jié)。XML文件包含了放射科醫(yī)師勾畫的肺結(jié)節(jié)輪廓。據(jù)此，可在CT圖像中定位肺結(jié)節(jié)并同時(shí)提取ROI。在提取ROI時(shí)，考慮到提取的高通量特征中有邊緣特征，因此需保留部分邊緣背景區(qū)域。本研究ROI提取采用以下方法：在橫向取已勾畫的肺結(jié)節(jié)最左、最右側(cè)各增加肺結(jié)節(jié)橫向最大距離的1/4，在縱向取已勾畫的肺結(jié)節(jié)最上、最下側(cè)各增加肺結(jié)節(jié)縱向最大距離的1/4。在提取ROI的同時(shí)，采用醫(yī)師勾畫的肺結(jié)節(jié)邊緣填充內(nèi)部區(qū)域，產(chǎn)生相應(yīng)的肺結(jié)節(jié)二值圖像。

圖3分別給出一幅標(biāo)注了肺結(jié)節(jié)的CT圖像、提取的ROI圖像及其對應(yīng)的肺結(jié)節(jié)二值圖像。為方便展示，這里將圖3A所示的肺部CT圖像縮小了4倍。

1.3 高通量特征提取

基于影像組學(xué)的肺結(jié)節(jié)高通量特征是進(jìn)行肺結(jié)節(jié)惡性程度預(yù)測的重要參數(shù)。本研究根據(jù)肺結(jié)節(jié)影像學(xué)診斷指南設(shè)計(jì)相應(yīng)的高通量特征[8]，包括肺結(jié)節(jié)的形狀、大小、邊緣毛刺程度、密度與強(qiáng)化程度等。共提取96個(gè)計(jì)算機(jī)定量特征，其中灰度特征16個(gè)、形態(tài)特征15個(gè)、紋理特征65個(gè)，如表2所示。

灰度特征是最基本的圖像特征，用來描述圖像灰度分布的相關(guān)性質(zhì)，包括灰度均值、灰度方差、灰度直方圖等。形態(tài)特征指肺結(jié)節(jié)的大小和規(guī)則程度等。紋理特征通過像素點(diǎn)及其鄰域的灰度分布來表現(xiàn)物體表面緩慢變化或周期性變化的組織排列屬性，體現(xiàn)了肺結(jié)節(jié)區(qū)域的強(qiáng)度以及密度等性質(zhì)。

1.4 肺結(jié)節(jié)惡性程度預(yù)測

將96個(gè)高通量特征作為分類器的輸入，進(jìn)行肺結(jié)節(jié)惡性程度的預(yù)測。肺結(jié)節(jié)的惡性程度分為5級，是一個(gè)5類的分類問題，選用隨機(jī)森林進(jìn)行分類[9]。隨機(jī)森林由很多決策樹隨機(jī)組成，每個(gè)決策樹都是一個(gè)弱分類器。在使用訓(xùn)練樣本將隨機(jī)森林訓(xùn)練好后，當(dāng)有一個(gè)新樣本輸入時(shí)，森林中的每一棵決策樹都獨(dú)立判斷輸入樣本的類別，最終被決策樹選擇最多的類別即為隨機(jī)森林對輸入樣本所屬類別的預(yù)測結(jié)果。

圖3 含肺結(jié)節(jié)的肺部CT圖像(白線為醫(yī)師勾畫的結(jié)節(jié)輪廓)

表2 臨床影像學(xué)特征與提取的高通量特征對應(yīng)表

首先，對5類樣本各隨機(jī)抽取200例作為訓(xùn)練樣本，即利用1 000例訓(xùn)練樣本來建立隨機(jī)森林分類器，所建立的森林中共有500棵決策樹。然后，將剩下的1 803例測試樣本輸入分類器中，獲得每例測試樣本經(jīng)過分類器判斷而給出的對應(yīng)于5類中每一類的概率，取概率最大值對應(yīng)的類別作為測試樣本所屬的類別結(jié)果。

在臨床診斷中，最終需給出的是對患者病情的整體判斷。因此，根據(jù)每幅CT圖像的肺結(jié)節(jié)惡性程度預(yù)測結(jié)果，可進(jìn)一步得到每例患者肺結(jié)節(jié)惡性程度。對每一病例所有圖像的預(yù)測結(jié)果進(jìn)行統(tǒng)計(jì)，出現(xiàn)次數(shù)最多的結(jié)果作為其對應(yīng)肺結(jié)節(jié)的惡性程度，并與醫(yī)師診斷結(jié)果進(jìn)行比對分析。分類器的評價(jià)指標(biāo)選取靈敏度、特異度、預(yù)測準(zhǔn)確率及受試者工作特征（receiver operating characteristic，ROC）曲線的曲線下面積(area under curve，AUC)。實(shí)驗(yàn)重復(fù)10次，取上述指標(biāo)的均值作為最終分類器指標(biāo)。由于本研究設(shè)計(jì)的實(shí)驗(yàn)為多類的分類，因此在對每一類的分類準(zhǔn)確率的計(jì)算中，都視作一個(gè)兩類的分類問題。例如，在考察第1類的分類準(zhǔn)確率時(shí)，將第1類的樣本視為陽性樣本，第2～5類統(tǒng)一視為陰性樣本。

2 結(jié) 果

實(shí)驗(yàn)結(jié)果如表3和表4所示。

表3 單幅圖像的肺結(jié)節(jié)惡性程度分類器預(yù)測結(jié)果

表4 患者的肺結(jié)節(jié)惡性程度分類器預(yù)測結(jié)果

對于單幅圖像來說，每一類分類的特異度均在92%以上，準(zhǔn)確率均在85%以上，對應(yīng)的AUC值均在0.94以上。第2、3、4類的靈敏度相對稍差；但在惡性程度最低的第1類和惡性程度最高的第5類，分類器的靈敏度均較好；對于惡性程度最高的第5類結(jié)節(jié)，分類器的靈敏度達(dá)87.56%。結(jié)果提示，本研究提出的方法在預(yù)測患者肺結(jié)節(jié)惡性程度的準(zhǔn)確率方面表現(xiàn)良好。

對于每例患者而言，每一類的預(yù)測結(jié)果與單幅圖像的預(yù)測結(jié)果基本吻合，分類器對肺結(jié)節(jié)惡性程度最低和最高的患者均有較好的識別能力，靈敏度均在84%以上，對肺結(jié)節(jié)惡性程度的預(yù)測準(zhǔn)確率為75.16%。在CT與PET/CT聯(lián)合應(yīng)用于診斷肺結(jié)節(jié)良惡性的臨床試驗(yàn)中，診斷準(zhǔn)確率達(dá)73.70%[10-12]。而在Wang等[4]的肺結(jié)節(jié)良惡性預(yù)測實(shí)驗(yàn)中，預(yù)測準(zhǔn)確率為76.10%。對肺結(jié)節(jié)進(jìn)行良惡性預(yù)測是兩類預(yù)測問題；而本研究提出的方法是對肺結(jié)節(jié)的惡性程度進(jìn)行5級預(yù)測，是多類預(yù)測問題。在相似的預(yù)測準(zhǔn)確率下，本方法可提供更加精確的信息，從而幫助醫(yī)師更加有效地診斷肺結(jié)節(jié)。

3 討 論

本研究提出了一種基于影像組學(xué)的肺結(jié)節(jié)惡性程度預(yù)測分析方法。通過對604例肺結(jié)節(jié)患者的2 803幅CT圖像進(jìn)行分析，表明該方法對肺結(jié)節(jié)惡性程度的預(yù)測性能良好。對于單幅圖像，5類惡性程度預(yù)測的準(zhǔn)確率為77.85%，靈敏度在70%以上，特異度在90%以上，AUC值超過0.94。對每例患者，該方法對惡性程度預(yù)測的準(zhǔn)確率為75.16%。由此可見，采用影像組學(xué)高通量特征并構(gòu)建隨機(jī)森林分類器，可充分利用計(jì)算機(jī)輔助診斷，有效減輕醫(yī)師負(fù)擔(dān)，降低漏檢率，從而為肺結(jié)節(jié)的臨床診斷提供可靠依據(jù)。

未來工作可研究更有效的肺結(jié)節(jié)影像學(xué)特征，以進(jìn)一步提高肺結(jié)節(jié)惡性程度預(yù)測的準(zhǔn)確率。

[1] 王慶生, 陳萬青. 癌癥防治策略的探索與分析[J]. 中國醫(yī)學(xué)前沿雜志, 2016, 8(7): 13-16.

[2] KAKINUMA R. Low-dose helical CT screening for lung cancer [J]. Jpn J Lung Cancer, 2003, 43: 1001-1005.

[3] 張利文, 方夢捷, 臧亞麗, 等. 影像組學(xué)的發(fā)展與應(yīng)用[J]. 中華放射學(xué)雜志, 2017, 51(1): 75-77.

[4] WANG J, LIU X, DONG D, et al. Prediction of malignant and benign of lung tumor using a quantitative radiomic method [C]. International Conference of the IEEE Engineering in Medicine and Biology Society, 2016: 1272-1275.

[5] MCNITTGRAY M F, III S G A, MEYER C R, et al. The lung image database consortium (LIDC) data collection process for nodule detection and annotation [J]. Acad Radiol, 2007, 14(12): 1464-1474.

[6] 顧曉暉, 馬曉宇, 陳卉. LIDC中肺結(jié)節(jié)注釋信息的提取及數(shù)據(jù)庫的建立 [J]. 數(shù)理醫(yī)藥學(xué)雜志, 2009, 22(2): 203-206.

[7] MCNITTGRAY M F. Reduced lung-cancer mortality with low-dose computed tomographic screening [J]. New Engl J Med, 2011, 365(5): 395-409.

[8] 白春學(xué). 中國肺結(jié)節(jié)診治共識制定及執(zhí)行策略 [J]. 中華醫(yī)學(xué)信息導(dǎo)報(bào), 2016, 31(1): 18.

[9] LEE S L, KOUZANI A Z, HU E J. Random forest based lung nodule classification aided by clustering [J]. Comput Med Imaging Graphics, 2010, 34(7): 535-542.

[10] 汪敏, 徐友平. CT結(jié)合 PET/CT顯像診斷孤立性肺結(jié)節(jié)誤診原因分析 [J]. 實(shí)用醫(yī)學(xué)雜志, 2013, 29(12): 2005-2007.

[11] 沈愛軍, 李洪江, 夏淦林, 等. 惡性孤立性肺結(jié)節(jié)CT影像特征 [J]. 中華實(shí)用診斷與治療雜志, 2013, 27(12): 1209-1211.

[12] 秦衛(wèi), 張愛平. 孤立性肺結(jié)節(jié)的良惡性鑒別診斷進(jìn)展[J]. 中國胸心血管外科臨床雜志, 2011, 18(2): 153-156.

Prediction of pulmonary nodule malignancy based on radiomics

YANG Chunran, GUO Yi, WANG Yuanyuan
(Department of Electronic Engineering, Fudan University, Shanghai 200433, China)

WANG Yuanyuan E-mail: yywang@fudan.edu.cn

Objective:To investigate the method of malignancy prediction of pulmonary nodules based on radiomics.Methods:A total of 2 803 computed tomography (CT) images containing pulmonary nodules were extracted from 604 scans in the publicly available dataset of The Lung Image Database Consortium (LIDC)-Image Database Resource Initiative (IDRI). Each contour of nodules was labelled by the clinical doctor. Totally 96 high throughput features including gray level features, shape features and texture features were extracted according to the pulmonary nodule diagnosis criteria and put into the multi-class classif i er based on the random forest to predict the malignancy. The degree of malignancy was classif i ed into 1 to 5 levels. Among all images, 1 000 of them were randomly chosen as the training set and the rest were used as the testing set. The experiment was repeated 10 times.Results:For a single nodule, the average prediction accuracy of five levels was 77.85%. The area under curve (AUC) of each category reached over 0.94. For each patient, the malignancy prediction accuracy of pulmonary nodules was 75.16%.Conclusion:The method of malignancy prediction of pulmonary nodules based on radiomics has a good performance. The results can provide a reliable basis for clinical diagnosis and help to detect the disease in the early stage.

Pulmonary nodule; CT image; Random forest; Radiomics

R445.3

A

1008-617X(2017)02-0097-05

2017-04-01）

汪源源 E-mail：yywang@fudan.edu.cn