林帆， 胡若凡， 梁超， 余娟， 劉俠靜， 雷益

·乳腺影像學·

磁共振紋理動態(tài)特征鑒別乳腺良惡性腫塊

林帆， 胡若凡， 梁超， 余娟， 劉俠靜， 雷益

目的提取乳腺病灶的時空變化特征作為新的DCE-MRI標記(稱為紋理動態(tài)特征)并證明其鑒別良惡性腫塊的能力。方法回顧性分析52個乳腺腫塊，其中惡性腫瘤30個，良性腫塊22個，提取并對動態(tài)特征信號強度特征、紋理特征、形態(tài)特征、邊緣特征進行分組。為了更好評估這些特征，采用不同的特征類建立分組模型，計算正確率，敏感度，特異性及曲線下面積(AUC)。結果結合紋理動態(tài)特征所建立的良惡性腫瘤分類器具有最大的AUC=0.94，準確率90%，敏感度92%，特異性85%，優(yōu)于其他各組分類器，與信號強度特征所建立的模型差異有統(tǒng)計學意義(AUC=0.80,P<0.05)。結論磁共振紋理動態(tài)特征有助于鑒別良惡性腫塊，甚至優(yōu)于臨床上最流行的DCE-MRI標記信號強度動態(tài)特征。

磁共振成像； 紋理； 乳腺腫瘤； 人工智能

乳腺動態(tài)磁共振增強掃描(dynamic contrast-enhanced magnetic resonance imaging，DCE)已成為臨床常規(guī)檢查手段，通過測量信號強度的動態(tài)變化(如時間-信號強度曲線)來分析病灶的血流動力學[1-3]。然而根據(jù)乳腺BI-BADS分級的要求和實際工作經(jīng)驗，除了信號強度以外，病灶內部紋理特征、邊緣特征等隨時間的變化同樣重要[4]。動態(tài)增強圖像去分析這些特征，耗費時間和精力[5-10]，并容易出錯。

因此，本文擬采取計算機輔助的方法解決問題，通過圖像處理算法提取乳腺病灶內部及邊緣等的動態(tài)變化特征，然后基于機器學習的方法進行良惡性樣本訓練，篩選出診斷良惡性病變最有價值的特征，從而成為DCE-MRI新的標記。

材料與方法

1.研究對象

回顧分析2013年-2017年的乳腺動態(tài)增強MRI病例52例。納入標準：乳腺MRI上顯示腫塊病灶，經(jīng)過手術或者穿刺病理證實惡性腫瘤30個(均為浸潤性導管癌)，良性腫塊22個(纖維腺瘤19例，腺病3例)。

2.掃描參數(shù)

掃描機器為西門子Avanto 1.5T磁共振，使用乳腺專用breast線圈掃描。行T1WI,T2WI平掃后，使用3D GRE序列行動態(tài)增強掃描：TR 4.5 ms，TE 1.2 ms， 翻轉角10°，層厚1.2 mm，層間隔0 mm，視野280 mm×280 mm，矩陣384×257，激勵次數(shù)1.0，掃描次數(shù)7次，第一次為蒙片，最后再掃描一次矢狀面的增強及其他序列圖像。乳腺增強對比劑是對比劑釓噴酸葡胺通過肘靜脈以0.1 mol/kg的劑量、2.0 mL/s的流率注入，注射完畢后加注20 mL生理鹽水。

3.病灶分割

由1名放射科12年年資的副主任醫(yī)生通過計算機進行，先在動態(tài)增強序列上選擇病灶邊界最明顯的時相，分別在3個方位均取病灶徑線最大的層面，在自行編寫的半自動的程序下勾畫病灶的邊界。

4.提取病灶特征

通過圖像處理算法提取病灶內部各種特征[11-12，17]。對不同時相(t0, t1，t2，t3，t4，t5，t6)的病灶提取紋理特征。

①形態(tài)學特征：a.病灶與最小外接圓的面積比；b.平均半徑比；c.半徑標準差；d.光滑性；e.緊湊性。

②病灶內部特征：a.一階統(tǒng)計量(平均值，標①準差，變異系數(shù) )；b.Haralick紋理(4個角度)；c.Gabor濾波參數(shù)(8個角度，5個波長);d.Wavelet小波，以symlet wavelet濾波把每副圖像分解4次，每次分解生成4組小波系數(shù)，分別是低頻(LL)，水平 (HL)，垂直(LH)和對角(HH)。因此共有16個系數(shù)(表1)。Gabor函數(shù)公式如下：

X′=Xcosθ+Ysinθ

Y′=-Xsinθ+Ycosθ

其中λ波長，θ方向，φ相位，σ高斯標準差，γ spatial aspect ratio

方向θ={0,π/8,2π/8,3π/8,4π/8,5π/8,6π/8,7π/8}

波長λ={4π/5,π,4π/3,2π,4π}

③邊緣分析(擬合sigmoid曲線，以曲線參數(shù)表示邊緣變化程度)，先沿病灶輪廓插值重建以病灶為中線的圖，再沿中線平均各數(shù)值，以垂直中線的方向為x軸，以平均值為y軸，再擬合sigmoid函數(shù)。sigmoid函數(shù)公式如下：

其中a值的絕對值越大，表示曲線越陡，反映病灶邊緣的變化程度。

④增強動態(tài)特征(時間特征量曲線各參數(shù)),形態(tài)學特征，邊緣特征以及內部構造特征等均采用以下方法提取動態(tài)增強特征。a.多項式擬合的系數(shù)；b.次序。根據(jù)不同時間點特征變量數(shù)值的大小排序，有7×6×5×4×3×2=5040種可能性，每種可能性對照一個號作為特征向量。

5.機器學習

由于病灶特征數(shù)相對于病例數(shù)較大(總的提取特征1818個特征 )，需對特征進行分類和篩選：首先將特征分為4組，分別是形態(tài)學組、內部紋理組、病灶邊緣組、病灶平均信號強度。然后在分類器上進行篩選變量及分類。本文采用的分類器為隨機森林，它是一種集成統(tǒng)計學習方法[13-15]，使用多個決策樹進行組合，從而獲得較高的預測精度。特征向量按不同組別輸入良惡性二分類模型(隨機森林參數(shù)為mtry=4，ntrees=500)，再用交叉檢驗的方法評估學習效果，分別計算出各組特征的敏感度和特異性、受試者工作特征曲線 (receiver operating characteristic curve，ROC)曲線下面積(area under curve，AUC)等來評價該組特征的診斷能力，最后比較各組的AUC差異。統(tǒng)計過程在軟件R[16]上進行。

表1 具體提取的特征向量

結 果

所有病灶在自主編寫的半自動分割程序下完成分割，醫(yī)師檢查分割結果，分割區(qū)域基本反映病灶輪廓范圍(圖1)。鑒別良惡性分類器顯示：形態(tài)學組的診斷ROC曲線下面積為0.90，診斷正確率為83%，敏感度90%，特異度75%。紋理組的ROC曲線下面積0.92，準確率86%，敏感度90%，特異度84%。邊緣特征組的ROC曲線下面積:0.75，準確率76%，敏感度80%，特異度65%。而單獨以信號強度為特征的ROC曲線下面積0.80，準確率81%，敏感度92%，特異度62%。綜合各組診斷所得的ROC曲線下面積0.94，準確率90%，敏感度92%，特異度85%(圖2)。綜合診斷組ROC曲線下面積要高于包括內部紋理特征組在內的所有特征類別，但與內部紋理特征和形態(tài)學特征差異無統(tǒng)計學意義(P>0.05)，而內部紋理特征組的ROC曲線下面積要高于信號強度特征及邊緣特征，差異有統(tǒng)計學意義(P<0.05，表2)。

圖1 a) 乳腺腺瘤病灶，邊緣光整，輕度分葉; b) 乳腺腺瘤病灶分割的結果，紅色區(qū)為分割的部分，基本能反映病灶的實際范圍； c) 乳腺浸潤性導管癌病灶呈邊緣毛糙，輪廓呈小波浪狀； d) 乳腺導管癌病灶的分割結果，紅色的分割區(qū)域基本反映病灶的實際范圍。

圖2 各類動態(tài)特征ROC曲線(Signal Intensity：信號強度；Texture:內部紋理；Morphology：形狀或形態(tài)；Margin Feature：邊緣特征；All Feature:所有特征)

表2 不同特征組的AUC的P值比較

注：*差異有統(tǒng)計學意義。

討 論

乳腺動態(tài)增強掃描有助于醫(yī)生了解病灶的血流動力學改變，然而，由此產(chǎn)生的大量的圖像會耗費醫(yī)生大量的時間和精力進行后處理和分析。目前臨床上多用時間-信號曲線來簡化原始動態(tài)圖像來達到降維分析的效果，這種曲線雖然簡便可行，但它只能反映平均信號強化的變化，然而，目前，無論是BI-RAS分類還是平時的經(jīng)驗，都提示病灶的紋理特征及其隨著動態(tài)增強的改變更為重要，然而，如此大量的圖像信息，對人腦是很具挑戰(zhàn)性的。

因此，本文解決該問題的關鍵是通過計算機輔助的方法來實現(xiàn)，具體來說是通過圖像處理的方法，首先要解決的問題是在特征選擇方面，本文比以往國內外的研究采用更多的特征量，同時兼顧了病灶的形態(tài)特征、內部特征和邊緣特征；病灶的形態(tài)特征包括病灶與外接圓的面積比、半徑比、光滑度和緊湊度等。而病灶的內部特征有一階統(tǒng)計紋理征， Haralick紋理特征(包括角二階矩、熵、對比度、逆差分矩、相關性)，Gabor濾波，Wavelet小波；邊緣特征：利用Sigmoid函數(shù)擬合邊緣特征[17]，進而提取參數(shù)，這項在國外文獻鮮有使用。

由于本文采用較多的特征個數(shù)，同時，每個特征都有5個動態(tài)增強的時間點，輸入的特征量相對樣本數(shù)來說較為巨大，增大了噪聲并容易出現(xiàn)過擬合。因此，本文將特征降維成主要的幾種特征類，分別為代表形態(tài)學的特征，邊緣的特征，病灶內部紋理的特征還有信號強度的特征，而特征的動態(tài)變化信息蘊藏于各組特征之中。

訓練方法：本文選取較為經(jīng)典的隨機森林方法，將多個決策樹進行組合以提高預測精度。隨機森林有以下特點：相對其它算法，準確率很高；不容易形成過度擬合；速度快，能夠處理大數(shù)據(jù)；能處理很高維度的數(shù)據(jù)，自動做特征選擇；由于抽樣的原因，會有一些未被抽中的樣本，這形成了所謂的“out of bag”數(shù)據(jù)，并據(jù)此來估計泛化誤差，比較適合本文的數(shù)據(jù)。

在結果中，動態(tài)紋理特征顯示出其較高的診斷能力，其效果比其他幾種動態(tài)特征要好，高于目前臨床常用的動態(tài)信號強度特征(AUC 0.72～0.88)[18]，這一點與既往研究相一致[7,9]；另外，動態(tài)形態(tài)學特征也比較重要，但筆者推測其中起診斷作用的因素與“動態(tài)”無關，因為動態(tài)增強時病灶強化范圍的形態(tài)學一般變化不明顯，所以病灶的輪廓(如圓形、星芒狀、分葉等)可能更重要； 病灶的邊緣特征在肝臟病變的鑒別診斷中起重要作用[17]，而本研究中其診斷能力是4組特征中最弱的一組，筆者推測可能因為肝臟腫瘤更容易出現(xiàn)有特征性的邊緣強化模式，比如肝血管瘤的邊緣結節(jié)狀強化和假包膜的出現(xiàn)，而乳腺腫瘤這種特征性的邊緣改變較少。最后，值得一提的是本文的結果顯示綜合所有特征所得診斷模型診斷效率最高，這也是符合預期的。

未來可以以增強時間點為橫軸，病灶特征為縱軸，建立“時間-病灶特征”曲線，像“時間-信號強度”曲線那樣應用于臨床，令醫(yī)生更為直觀地理解和使用。本文結果已經(jīng)證明了內部紋理的動態(tài)特征比單純信號強度的變化更具優(yōu)勢。因此，筆者相信“時間-病灶特征”曲線比“時間-信號強度”曲線更有診斷價值，但此不在本文的研究范圍內。另外，該研究與影像組學的研究一脈相承，但后者要獲得更佳的結果，需要更大量影像、臨床和分子病理資料等，有望在以后的研究中進行。

本研究緊密結合機器學習、醫(yī)學圖像處理、醫(yī)學影像診斷學3個學科，應用圖像處理的方法提取病灶特征，機器學習的方法選擇特征，以醫(yī)學影像診斷學的方法分析和利用這些特征，是目前計算機輔助影像甚至人工智能醫(yī)學的發(fā)展的方向。

[1] 許玲輝,顧雅佳.乳腺磁共振在乳腺癌診斷治療中的運用[J].中國癌癥雜志，2013，23(8):613-617.

[2] 何東峰,馬大慶,靳二虎.動態(tài)增強MRI在鑒別乳腺良、惡性腫瘤和提示惡性腫瘤病理分級中的作用[J].中華放射學雜志，2012，46(12)：1075-1078.

[3] Saslow D,Boetes C,Burke W,et al.American cancer society guidelines for breast screening with MRI as an adjunct to mammography[J].CA Cancer J Clin，2007，57(2):75-89.

[4] American College of Radiology (ACR):Breast imaging reporting and data system atlas (BIRADS Atlas).American College of Radiology,Reston,2003

[5] 陳文靜,牟瑋,張文馨,等.MR動態(tài)增強圖像紋理分析判斷乳腺結節(jié)良惡性的價值[J].中國醫(yī)學影像技術,2017,33(5):647-651.

[6] Nie K,Chen JH,Yu HJ,et al.Quantitative analysis of lesion morphology and texture features for diagnostic prediction in breast MRI[J].Acad Radiol，2008，15(12):1513-1525.

[7] Agner SC,Soman S,Libfeld E,et al.Textural kinetics:a novel dynamic contrast-enhanced (DCE)-MRI feature for breast lesion classification[J].J Digit Imaging，2011，24(3):446-463.

[8] Gibbs P,Turnbull LW.Textural analysis of contrast-enhanced MR images of the breast[J].Magn Reson Med，2003，50(1):92-98.

[9] Zheng Y,Englander S,Baloch S，et al.STEP:spatiotemporal enhancement pattern for MR-based breast tumor diagnosis[J].Med Phys，2009，37(7):3192-3204.

[10] Honda E,Nakayama R,Koyama H,et al.Computer-aided diagnosis scheme for distinguishing between benign and malignant masses in breast DCE-MRI[J].J Digit Imaging,2016,29(3):388-393.

[11] Rakoczy M,McGaughey D,Korenberg M,et al.Feature selection in computer-aided breast cancer diagnosis via dynamic contrast-enhanced magnetic resonance images[J].J Digit Imaging.Springer-Verlag,2013,26(2):198-208.

[12] Abdel-Nasser M,Rashwan HA,Puig D,et al.Analysis of tissue abnormalityand breast density in mammographic images using a uniform local directional pattern[J].Expert Syst Appl，2015，42(24):9499-9511.

[13] Zhou Z.Machine Learning[M].Beijing:Tsinghua University Press,2016:229-232.

[14] Lu W,Li Z,Chu J.A novel computer-aided diagnosis system for breast MRI based on feature selection and ensemble learning[J].Comput Biol Med，2017，83(1):157-165.DOI:10.1016/j.compbiomed.2017.03.002.

[15] Strobl C,Boulesteix AL,Kneib T,et al.Conditional variable importance for random forests[J].BMC Bioinformatics,2008,9(307):471-2105.

[16] R Core Team.A language and environment for statistical computing.Foundation for Statistical Computing, Vienna, Austria. (Accessed December 10, 2012 at http://www.R-project. org/.)

[17] Fan L,Yi L.Image features related to margin and enhancement pattern improve the performance of computer-aided diagnosis for hepatic diseases using multi-phase computed tomography[J].Chinese Medical J,2014,127(19):3406-3417.

[18] El Khouli RH,Macura KJ,Barker PB,et al.The relationship of temporal resolution to diagnostic performance for dynamic contrast enhanced (DCE) MRI of the breast[J].JMRI,2009,30(5):999-1004.

DifferentiateddiagnosisbetweenmalignantandbenignbreastmassusingtexturalkineticMRIfeatures

LIN Fan,HU Ruo-fan,LIANG Chao,et al.

Department of Radiology,Shenzhen Second People's Hospital,Guangdong 518035,China

Objective:In this study,we proposed a new DCE-MRI descriptor (called textural kinetics) to capture the spatiotemporal changes of lesion texture for the better discrimination of benign and malignant lesions.MethodsWe retrospectively collected 52 breast mass lesions (30 malignant and 22 benign).Kinetic features were extracted from breast DCE-MRI and divided into four categories:signal intensity,texture,morphology,margin feature.In order to evaluate these features,we created classification model using different feature classes.Accuracy,sensitivity and specifity and area under curve (AUC) were calculated.ResultsWhen textural kinetic features were combined with other features,the classifier yielded 90% accuracy,92% sensitivity and 85% specificity,and 0.94 AUC,showing the best differentiation between benign and malignant lesions.The difference for AUC between combined classifier and signal intensity classifier is significant (AUC=0.80,P<0.05).ConclusionsTextural kinetic features in DCE-MRI is helpful in distinguishing malignant from benign lesions,which is even better than the most popular DCE-MRI descriptor of signal intensity kinetics feature in clinic.

Magnetic resonance imaging; Texture; Breast neoplasms; Artificial intelligence

R445.2; R737.9; R05

A

1000-0313(2017)10-1037-05

2017-09-19

2017-10-09)

518035 廣東，深圳市第二人民醫(yī)院 放射科

林帆(1981-)，男，廣東梅縣人，碩士，副主任醫(yī)師，主要從事計算機輔助診斷工作。

雷益，E-mail：13602658583@163.com

深圳市科技研究資金(JCYJ20150330102720117)

10.13609/j.cnki.1000-0313.2017.10.009