張錦超，胡漢金

(安徽醫(yī)科大學(xué)附屬安慶醫(yī)院放射科，安徽 安慶 246003)

乳腺葉狀瘤(breast phyllodes tumors， BPTs)和乳腺纖維腺瘤(breast fibroadenoma， BF)具有相似的臨床表現(xiàn)、分子表達(dá)及組織學(xué)特征，且可相互轉(zhuǎn)化或并存[1-2]。BPTs發(fā)病率較低，且多單側(cè)乳腺發(fā)病，有雙向分化和短期復(fù)發(fā)的傾向；為防止復(fù)發(fā)，需擴(kuò)大切除、密切隨訪[3-4]。BF是發(fā)病率最高的乳腺良性腫瘤，可單發(fā)或多發(fā)，一般行單純切除術(shù)或保守治療。術(shù)前鑒別診斷2種疾病對選擇治療方案及改善患者預(yù)后非常必要[5-6]。乳腺X線成像是診斷乳腺疾病的重要手段，但BPTs、BF的X線表現(xiàn)相似，且診斷結(jié)果易受醫(yī)師主觀因素影響。利用紋理分析技術(shù)可從ROI內(nèi)像素灰度值的分布、變化規(guī)律中提取一系列紋理特征，并對特征進(jìn)行簡化，從而找出最有助于揭示病灶內(nèi)肉眼無法識別的潛在異質(zhì)性的紋理特征參數(shù)[7]，用于診斷傳統(tǒng)影像學(xué)技術(shù)難以鑒別的病變[8]。本研究探討X線紋理分析鑒別診斷BPTs和BF的價值。

1 資料與方法

1.1 一般資料 回顧性分析2014年1月—2018年2月我院收治的55例女性乳腺腫瘤患者的資料。其中BPTs 31例(32個病灶)，年齡31～75歲，平均(47.0±11.4)歲，單側(cè)多發(fā)1例、單側(cè)單發(fā)30例，病灶最大徑(5.20±4.60)cm；BF 24例(32個病灶)，年齡17～64歲，平均(42.0±12.6)歲，單側(cè)單發(fā)16例、單側(cè)多發(fā)8例，病灶最大徑(3.50±2.30)cm。所有患者均于術(shù)前接受乳腺X線檢查，并經(jīng)術(shù)后組織病理檢查明確診斷。

1.2 儀器與方法

1.2.1 乳腺X線檢查 采用Siemens Mammomat Balance乳腺X線機(jī)，頭足位和內(nèi)外側(cè)位投照。軸位：使患者胸壁緊貼平臺，受檢側(cè)乳房下皺褶平齊置于平臺中央；側(cè)斜位：機(jī)架傾斜30°～60°，囑患者抬高受檢側(cè)上臂，伸直臂、腰，使胸大肌平行于攝影平臺，充分顯露腋窩。

1.2.2 主觀閱片 由2名分別具有10年和15年乳腺影像診斷經(jīng)驗(yàn)的高級職稱影像醫(yī)師共同評估X線片，診斷BPTs或BF，并與術(shù)后病理結(jié)果對照，得出影像醫(yī)師對BPTs及BF的錯判率。BPTs診斷標(biāo)準(zhǔn)：乳腺X線片示病灶呈均勻高密度影，邊界清晰，有不同程度分葉(典型表現(xiàn))，周圍可見低密度環(huán)及增多增粗的血管影[9]；BF診斷標(biāo)準(zhǔn)：乳腺X線片可見結(jié)節(jié)或腫塊影，形態(tài)規(guī)則，呈圓形或卵圓形，密度均勻，邊界清楚，周圍常有低密度暈環(huán)環(huán)繞，可伴鈣化。

1.2.3 紋理分析 調(diào)整乳腺X線片的窗寬、窗位，并將相關(guān)數(shù)據(jù)導(dǎo)入羅茲工業(yè)大學(xué)免費(fèi)紋理分析MaZda軟件(Version 4.6)進(jìn)行圖像紋理分析。選擇病灶最大層面，采用多邊形功能手動勾畫ROI，使其盡量包含病灶全部實(shí)質(zhì)(圖1、2)，并獲取選定ROI的紋理特征參數(shù)。為減小窗寬、窗位變化對分析結(jié)果的影響，對所有圖像的灰階水平進(jìn)行標(biāo)準(zhǔn)化。將BPTs設(shè)為ROI1，BF設(shè)為ROI2。分別采用 MaZda軟件提供的Fisher系數(shù)、聚類偏差幾率結(jié)合平均關(guān)聯(lián)系數(shù)(classification error probability combined with average correlation coefficients， POE+ACC)、協(xié)同信息(mutual information， MI)及聯(lián)合應(yīng)用上述3種方法(MI+PA+F)選擇最具鑒別價值的紋理特征參數(shù)，前3種方法各提取10個、MI+PA+F提取30個紋理特征參數(shù)。將簡化后的紋理特征參數(shù)輸入MaZda自帶b11統(tǒng)計(jì)軟件中人工神經(jīng)網(wǎng)絡(luò)(artificial neural networks， A-NN)模型，自動訓(xùn)練，得出A-NN模型對BPTs及BF的錯判率。

1.3 統(tǒng)計(jì)學(xué)分析 采用SPSS 22.0統(tǒng)計(jì)分析軟件。計(jì)數(shù)資料以百分率表示。采用χ2檢驗(yàn)比較影像學(xué)醫(yī)師主觀閱片、Fisher、POE+ACC、MI及MI+PA+F錯判率的差異。P<0.05為差異有統(tǒng)計(jì)學(xué)意義。

2 結(jié)果

影像醫(yī)師主觀閱片對BPTs及BF的錯判率為20.31%(13/64)；采用Fisher系數(shù)進(jìn)行紋理分析的錯判率為14.06%(9/64)，POE+ACC為23.44%(15/64)，MI為25.00%(16/64)，MI+PA+F為3.12%(2/64)。MI+PA+F的錯判率低于影像醫(yī)師主觀閱片、POE+ACC及MI(χ2=9.14、11.46、12.67，P均<0.05)。

MI+PA+F錯判的2個病灶中，1個病灶術(shù)后病理結(jié)果為BPTs，錯判為BF；另1個病灶病理結(jié)果為BF，錯判為BPTs。

3 討論

BPTs一般由單克隆的間質(zhì)細(xì)胞(具有過度增殖的特征)發(fā)展而來，瘤體呈浸潤性生長，并刺激瘤內(nèi)正常腺體增生，表現(xiàn)為腺管、間質(zhì)混雜分布，瘤體邊界模糊。BF主要由多克隆的上皮細(xì)胞和間質(zhì)細(xì)胞構(gòu)成，富含黏液樣基質(zhì)及成纖維細(xì)胞。X線鑒別BPTs與BF的主要依據(jù)為病灶大小、是否分葉及生長速度等，但BPTs與BF的X線表現(xiàn)多有重疊，尤其是復(fù)雜病例，鑒別較為困難。

紋理分析不依賴于醫(yī)師的主觀因素及臨床經(jīng)驗(yàn)，通過定量分析圖像的紋理特征參數(shù)輔助診斷疾病[10]。

圖1 患者女，58歲，左乳BPTs，于病灶最大層面采用紋理分析技術(shù)手動勾畫ROI A.白色團(tuán)塊為乳腺X線顯示病灶； B.灰色團(tuán)塊為MaZda軟件中ROI畫取后顯示病灶 圖2 患者女，53歲，左乳BF，于病灶最大層面采用紋理分析技術(shù)手動勾畫ROI A.白色團(tuán)塊為乳腺X線顯示病灶； B.灰色團(tuán)塊為MaZda軟件中ROI畫取后顯示病灶

譚紅娜等[11]報道，應(yīng)用灰度直方圖及灰度共生矩陣紋理分析方法分析乳腺X線片，可輔助診斷乳腺癌腋窩淋巴結(jié)轉(zhuǎn)移。MaZda軟件是紋理分析的主要工具，其所計(jì)算的各類紋理特征參數(shù)包括直方圖、灰度共生矩陣、游程檢驗(yàn)、絕對梯度、自回歸模型及小波轉(zhuǎn)換，共6類287種，涵蓋病灶形狀、紋理走行、像素信號強(qiáng)度分布和小波轉(zhuǎn)換等特征，且均屬于定量數(shù)據(jù)。MaZda軟件自帶的A-NN分類分析法是機(jī)械學(xué)習(xí)方法中的一種，由預(yù)處理、特征提取和分類等子部分組成。該方法包含一種反向傳播算法，具有非線性映射能力[12-13]，將每單次訓(xùn)練與期望值對照，不符時轉(zhuǎn)入反向傳播，根據(jù)誤差調(diào)整各超平面權(quán)重，從而不斷接近真實(shí)值[14]。此法穩(wěn)定性好，可在醫(yī)學(xué)圖像分析中對檢測到的病灶進(jìn)行分類。MaZda軟件篩選并提取最有價值的紋理特征作為A-NN二分類函數(shù)的因變量。一般將設(shè)置的ROI作為因變量(最多允許同時設(shè)置16個ROI，不同名稱的ROI代表不同的病理類型)，自動訓(xùn)練并得出錯判率。Peng等[15]對乳腺X線片采用A-NN分類分析鑒別乳腺惡性、良性病變和正常組織，其特異度為98.00%，敏感度為97.33%，準(zhǔn)確率為97.50%，錯判率為2.50%，表明A-NN可用于鑒別診斷乳腺良惡性疾病。

本研究采用紋理分析方法處理乳腺X線片信息，并通過A-NN分類分析探討其鑒別BPTs及BF的價值。為簡化并提取對診斷最有價值的信息，本研究選擇MaZda軟件提供的4種特征簡化方法，即Fisher系數(shù)、POE+ACC、MI及MI+PA+F，篩選出10或30種紋理特征進(jìn)行分析，結(jié)果顯示Fisher系數(shù)、POE+ACC、MI及MI+PA+F方法鑒別BPTs及BF的錯判率分別為14.06%(9/64)、23.44%(15/64)、25.00%(16/64)及3.12%(2/64)，其中MI+PA+F的錯判率明顯低于影像醫(yī)師主觀閱片(13/64，20.31%，P<0.05)，表明紋理分析對鑒別BPTs和BF具有高度應(yīng)用價值。

MI+PA+F是Fisher系數(shù)、POE+ACC及MI 3種方法的結(jié)合，所涵蓋的紋理特征更全面，A-NN訓(xùn)練次數(shù)更多，彌補(bǔ)了單一使用Fisher系數(shù)、POE+ACC、MI這3種方法相對訓(xùn)練不足的缺陷，故超平面的權(quán)值最穩(wěn)定，錯判率最低，相較于傳統(tǒng)的影像醫(yī)師主觀閱片更具優(yōu)勢。一般情況下，增加A-NN層數(shù)可使神經(jīng)元的輸入輸出模式由一對一變?yōu)橐粚Χ?，不斷接近期望值，但會增加過度擬合的風(fēng)險[16]。A-NN的原理決定A-NN只能無限接近真實(shí)值，但不可能與真實(shí)值完全吻合。本研究中，MI+PA+F輸出結(jié)果中錯判2個病灶，均屬于不典型病灶，病灶內(nèi)壞死液化或鈣化較多，與周圍病灶像素信號強(qiáng)度差異巨大，可能造成圖像紋理扭曲，影響部分紋理特征參數(shù)；此外，A-NN模型本身的局限性，亦是造成錯判的原因。

綜上所述，X線紋理分析可用于鑒別BPTs和BF，能夠?yàn)殍b別BPTs和BF提供客觀依據(jù)。但本研究未對不同病理類型、不同組織分級的BPTs進(jìn)行紋理分析，結(jié)果可能存在偏倚，有待進(jìn)一步完善資料、深入研究。