張歲霞，王亞勇，馬燕，季學(xué)聞，邢艷，劉慧強(qiáng)△

(1.新疆醫(yī)科大學(xué)醫(yī)學(xué)工程技術(shù)學(xué)院，烏魯木齊 830054;2.省部共建中亞高發(fā)病成因與防治國(guó)家重點(diǎn)實(shí)驗(yàn)室， 新疆醫(yī)科大學(xué)第一附屬醫(yī)院，烏魯木齊 830054;3.新疆醫(yī)科大學(xué)第二附屬醫(yī)院藥學(xué)部，烏魯木齊 830054; 4.新疆醫(yī)科大學(xué)第一附屬醫(yī)院腹腔鏡外科，烏魯木齊 830054;5.新疆醫(yī)科大學(xué)第一附屬醫(yī)院影像中心，烏魯木齊 830054)

1 引 言

腫瘤的生長(zhǎng)和轉(zhuǎn)移與腫瘤新生血管有很大的關(guān)系，并且腫瘤新生血管引起的微循環(huán)在腫瘤的生長(zhǎng)、轉(zhuǎn)移、檢測(cè)和治療中起著至關(guān)重要的作用[1]，由于腫瘤生長(zhǎng)過(guò)程中大量新生血管是由內(nèi)皮細(xì)胞分化和轉(zhuǎn)移形成的，尺度大約在20 μm左右，其早期形態(tài)和結(jié)構(gòu)與正常血管有明顯區(qū)別[2-4]。目前臨床主要檢測(cè)設(shè)備，對(duì)2 mm以下的微血管網(wǎng)絡(luò)存在組織結(jié)構(gòu)特異性不高，尤其對(duì)直徑200 μm以下的新生血管生長(zhǎng)及其網(wǎng)絡(luò)結(jié)構(gòu)分布特征基本無(wú)法探測(cè)。X射線相襯顯微CT技術(shù)(X-ray phase-contrast computed tomography,XPCT)利用X射線在不同組織間折射系數(shù)的差異進(jìn)行成像的新型成像方法[5-6]，其空間分辨率可達(dá)到1 μm，具有低劑量、無(wú)損、高分辨、動(dòng)態(tài)、三維成像等優(yōu)勢(shì)，相襯顯微圖像[7-8]的灰度紋理特征更豐富，針對(duì)腫瘤組織細(xì)胞微觀結(jié)構(gòu)與生理病理功能相關(guān)的科學(xué)問(wèn)題，綜合利用上海同步輻射光源開(kāi)展軟組織X射線高精度三維可視化定量分析，積極探索X射線與腫瘤組織轉(zhuǎn)換成高維度可視化信息的融合方法，為了解腫瘤病理演化與機(jī)制探索、早期診斷與防治提供重要數(shù)據(jù)支持和科學(xué)依據(jù)。

2 材料與方法

2.1 實(shí)驗(yàn)樣品和數(shù)據(jù)采集與處理

實(shí)驗(yàn)樣品來(lái)源于新疆醫(yī)科大學(xué)第一附屬醫(yī)院肝腫瘤術(shù)后標(biāo)本30例，數(shù)據(jù)采集借助于上海光源BL13W1X射線成像及生物醫(yī)學(xué)應(yīng)用光束線站[9-12]完成，實(shí)驗(yàn)數(shù)據(jù)采用數(shù)據(jù)重構(gòu)軟件PITRE3.0進(jìn)行相位恢復(fù)和三維重構(gòu)，即從校正過(guò)的投影圖像中提取組織的相位變化襯度后，采用濾波反投影算法進(jìn)行CT斷層重建，然后將重建后的樣品CT斷層圖像導(dǎo)入Amira 5.4軟件中進(jìn)行三維任意角度觀察與分割，從而獲得肝臟腫瘤高相襯信息三維重構(gòu)微觀結(jié)構(gòu)。成像實(shí)驗(yàn)裝置見(jiàn)圖1。

圖1 BL13W1實(shí)驗(yàn)裝置示意圖

肝臟腫瘤高相襯信息三維重構(gòu)微觀結(jié)構(gòu)見(jiàn)圖2。圖2(a)為肝臟腫瘤病灶區(qū)域相襯投影圖像；圖2(b)為肝臟腫瘤病灶區(qū)電鏡病理切片；圖2(c)為經(jīng)過(guò)三維重建后的肝臟腫瘤網(wǎng)絡(luò)結(jié)構(gòu)，其不僅能夠微觀展現(xiàn)完整的肝臟腫瘤網(wǎng)絡(luò)結(jié)構(gòu)，還可以重構(gòu)出肝臟腫瘤血管網(wǎng)絡(luò)結(jié)構(gòu)，通過(guò)XPCT成像，清晰地顯示腫瘤區(qū)域及邊緣微血管，結(jié)合三維可視化技術(shù)可清楚地觀察到微血管的三維結(jié)構(gòu)及其分支走形狀況。正常組肝內(nèi)血管充盈飽滿(mǎn)，走形自然，主干血管由粗到細(xì)，樹(shù)形分支清楚；腫瘤組血管走形失常、扭曲變形、主干血管粗細(xì)不均，分支血管交叉成環(huán)、空間結(jié)構(gòu)紊亂，見(jiàn)圖2(d)。

圖2 肝臟腫瘤組織圖

本研究發(fā)現(xiàn)肝臟腫瘤組織生長(zhǎng)過(guò)程中，具有不同腫瘤病變的形態(tài)學(xué)特征，見(jiàn)圖3。本研究選取四種肝臟腫瘤網(wǎng)絡(luò)結(jié)構(gòu)相襯投影圖像各100張，共計(jì)400張，以1 080×1 080像素選取提取ROI區(qū)域，通過(guò)對(duì)4種肝臟腫瘤網(wǎng)絡(luò)結(jié)構(gòu)灰度進(jìn)行分析，由表1可知四種圖像具有灰度差異性，為更進(jìn)一步闡明腫瘤的發(fā)病機(jī)制提供理論依據(jù)。

圖3 基于高精度肝腫瘤XPCT數(shù)據(jù)

表1 肝臟腫瘤網(wǎng)絡(luò)結(jié)構(gòu)灰度值統(tǒng)計(jì)表

2.2 灰度、紋理特征提取

從影像學(xué)角度分析，肝臟腫瘤影像的灰度和紋理結(jié)構(gòu)與正常肝臟組織存在明顯差異，分析肝臟組織的灰度和紋理發(fā)展規(guī)律，對(duì)早期腫瘤的診斷識(shí)別至關(guān)重要。本研究提取了肝臟腫瘤相襯顯微圖像的灰度直方圖(GH)[13]5個(gè)特征，用E1-E5表示；灰度共生矩陣(GLCM)[14]16個(gè)特征：d = 1，θ = {0°，45°，90°，135°}四個(gè)方向上的能量、熵、慣性矩和相關(guān)性，分別用A1-A4、B1-B4、C1-C4、D1-D4表示；灰度-梯度共生矩陣(GGCM)[15]的15個(gè)特征值，用T1-T15表示；灰度差分統(tǒng)計(jì)(GDS)[16]的4個(gè)特征值，用H1-H4表示；經(jīng)3層小波分解得到M1-M9小波能量特征(Wavelet)[17]，共計(jì)提取49維特征。

2.3 基于AUC+PCA的最優(yōu)特征組合選擇

用ROC曲線下面積(AUC)度量分類(lèi)器整體分類(lèi)性能，是一種評(píng)價(jià)分類(lèi)器性能的有效方法。其值在[0，1]之間，越接近于1，分類(lèi)性能越強(qiáng)[18]。主成分分析法(principal component analysis, PCA)是提取出空間原始數(shù)據(jù)中的主要特征，減少數(shù)據(jù)冗余，反映變量本身變動(dòng)程度，使得數(shù)據(jù)在一個(gè)低維的特征空間被處理，同時(shí)保持原始數(shù)據(jù)的絕大部分的信息[19]。本研究采用了AUC+PCA最優(yōu)特征組合選擇法。

2.4 分型模型的構(gòu)建

基于所得的每個(gè)ROI的AUC+PCA最優(yōu)特征集，構(gòu)建肝臟腫瘤網(wǎng)絡(luò)結(jié)構(gòu)分型模型，并評(píng)估其預(yù)測(cè)效果。本研究采用Random Forest[20-22]、決策樹(shù)C4.5算法[23-25]構(gòu)建肝臟腫瘤網(wǎng)絡(luò)結(jié)構(gòu)分型模型，見(jiàn)表2。

表2 二元預(yù)測(cè)模型

2.5 分型模型評(píng)估

評(píng)價(jià)一個(gè)分類(lèi)模型的分類(lèi)精度，需要計(jì)算一些統(tǒng)計(jì)量及參數(shù)分類(lèi)模型精度的高低。模型評(píng)估主要有以下幾個(gè)參數(shù)[26-27]：

(1)查準(zhǔn)率(Precision)：確定分類(lèi)器斷定為正例的記錄在實(shí)際正例所占的比例。查準(zhǔn)率越高，分類(lèi)器的假陽(yáng)性率就越低。

(2)查全率(Recall)：度量分類(lèi)器正確預(yù)測(cè)的正例的比例，分類(lèi)器的查全率高，將正例誤分為負(fù)例則越少。

(3)F度量(F-Measure)：查準(zhǔn)率和查全率的平均數(shù)。

(4)AUC：AUC值在0.9以上準(zhǔn)確度較高，其值越接近1，說(shuō)明分類(lèi)模型越好。

3 結(jié)果與討論

3.1 AUC特征集選取

對(duì)提取到的肝臟腫瘤圖像的49維紋理特征，用AUC約束特征選擇法對(duì)所提取的特征量進(jìn)行篩選，見(jiàn)圖4。圖4(a)為各特征值ROC曲線下面積值及篩選標(biāo)準(zhǔn)[18]，選取AUC>0.75的篩選標(biāo)準(zhǔn)，篩選出小梯度優(yōu)勢(shì)(T1)、梯度平均(T7)、相關(guān)(T10)、梯度熵(T12)、(45°,1)和 (90°,1) 方向上的能量(B1，C1)、熵(B2，C2)、對(duì)比度(B3，C3)、相關(guān)(B4，C4)、角度方向二階矩(E2)、能量(H5)、及高頻小波能量特征M4、M5、M7、M8、M9，共19維分類(lèi)性能較好的特征值。

圖4 AUC特征集篩選過(guò)程

3.2 AUC+PCA最優(yōu)特征集選取

應(yīng)用PCA根據(jù)篩選標(biāo)準(zhǔn)[18]為特征值大于1，累積貢獻(xiàn)率大于90%，對(duì)AUC特征集進(jìn)行降維，各成分特征根、貢獻(xiàn)率、累計(jì)貢獻(xiàn)率統(tǒng)計(jì)分布，見(jiàn)表4。篩選后，獲得的AUC+PCA最優(yōu)特征集由PCA1(λ1=11.465，貢獻(xiàn)率為60.34%)、PCA2(λ2=2.582，貢獻(xiàn)率為13.59%)、PCA3(λ3=2.031，貢獻(xiàn)率為10.69%)、PCA4(λ4=1.350，貢獻(xiàn)率為7.10%，累積貢獻(xiàn)率達(dá)91.72%)4個(gè)主成分構(gòu)成。

各主成分特征=AUC各特征向量(19維)×權(quán)重值。AUC特征集各特征在新的主成分向量中所占的權(quán)重值，見(jiàn)表5。新的主成分向量不僅降低了數(shù)據(jù)維度，同時(shí)有效融合了分類(lèi)性能較好的AUC特征。

表4 各成分特征根、貢獻(xiàn)率、累計(jì)貢獻(xiàn)率統(tǒng)計(jì)表

本研究對(duì)AUC+PCA特征集的4個(gè)主成分向量進(jìn)行統(tǒng)計(jì)分析，計(jì)算各主成分特征的分布情況，見(jiàn)表6；各主成分特征分布箱線圖，見(jiàn)圖5；統(tǒng)計(jì)各主成分箱線圖的上、下四分位數(shù)分布情況，見(jiàn)表7；計(jì)算出各主成分特征四分位間距(表示數(shù)據(jù)的集中程度)，見(jiàn)圖6。

依據(jù)微囊彌散型和微血管增生型影像分析：血管周?chē)M織出現(xiàn)密度不均勻的腫塊與孔洞，針對(duì)腫瘤病灶僅先出現(xiàn)于血管周?chē)M織，而正常組織的灰度紋理分布均勻，與血管周?chē)M織存在一定的灰度和紋理變化形成對(duì)比，因此，微囊彌散型和微血管增生型灰度紋理分布分散；依據(jù)炎癥浸潤(rùn)型和異常血管網(wǎng)絡(luò)型影像分析：炎癥浸潤(rùn)型僅在血管壁周?chē)霈F(xiàn)不均勻的灰度和亮度變化，腫瘤初期血管壁形態(tài)發(fā)生變化，整體圖像變化平坦；異常血管網(wǎng)絡(luò)型伴隨腫瘤組織生長(zhǎng)及新生血管不斷向外擴(kuò)張，對(duì)肝臟組織大面積侵蝕破壞，相襯顯微圖像所選取區(qū)域內(nèi)大部分為異常血管網(wǎng)絡(luò)型，正常組織比例較小，因此灰度和紋理分布較為集中。

表5 主成分特征向量

表6 AUC+PCA最優(yōu)特征集數(shù)據(jù)分布情況(平均值±標(biāo)準(zhǔn)差)

表7 各主成分特征分布箱線圖四分位間距分布表

為驗(yàn)證4種肝臟腫瘤微觀網(wǎng)絡(luò)結(jié)構(gòu)灰度和紋理之間的差異性，繪制了4種肝臟腫瘤網(wǎng)絡(luò)結(jié)構(gòu)AUC +PCA最優(yōu)特征集數(shù)據(jù)正態(tài)分布曲線，見(jiàn)圖7。炎癥浸潤(rùn)型的PCA1、PCA3、PCA4峰高窄，說(shuō)明炎癥浸潤(rùn)僅對(duì)血管周邊組織引起了免疫反應(yīng)，對(duì)肝臟組織整體灰度紋理改變較?。晃⒛覐浬⑿偷腜CA1、PCA2、PCA3、PCA4峰變低而展寬，說(shuō)明微囊化彌散對(duì)組織損傷圍繞血管由近及遠(yuǎn)逐步加劇，近而對(duì)血管周?chē)M織大面積浸潤(rùn)侵蝕，灰度紋理改變較為明顯；微血管增生型的PCA1、PCA2、PCA3、PCA4均分化為雙峰，說(shuō)明形成腫瘤微血管增生，并形成增生峰，對(duì)組織損傷進(jìn)一步加強(qiáng)；異常血管網(wǎng)絡(luò)型的PCA1、PCA2、PCA3、PCA4峰與微血管增生型相似，強(qiáng)度增高，形成成熟的異常血管網(wǎng)絡(luò)，并與炎癥浸潤(rùn)型部分重疊，說(shuō)明典型腫瘤血管網(wǎng)絡(luò)既有特異性，又呈現(xiàn)較高的復(fù)雜度。

圖5 各主成分特征分布箱線圖(參考線：均值)

圖6 各主成分特征分布箱線圖四分位間距統(tǒng)計(jì)圖

圖7 AUC+PCA最優(yōu)特征集數(shù)據(jù)分布曲線

本研究對(duì)4種肝臟腫瘤相襯顯微圖像各主成分特征繪制散點(diǎn)分布圖，見(jiàn)圖8。由圖8可看出，4種肝臟腫瘤圖像的各主成分特征均具有明顯差異和遞進(jìn)關(guān)系，證明不同類(lèi)型肝臟腫瘤微觀網(wǎng)絡(luò)結(jié)構(gòu)灰度和紋理變化程度不同，伴隨腫瘤組織的生長(zhǎng)，灰度和紋理的改變可以有效印證腫瘤的發(fā)展。

綜上，驗(yàn)證了肝腫瘤新生血管增殖依賴(lài)正常近血管微組織的炎癥化浸潤(rùn)環(huán)境，初步形成炎癥浸潤(rùn)型；隨著炎癥化浸潤(rùn)引發(fā)血管內(nèi)皮細(xì)胞不斷分化形成微囊化彌散形態(tài)，構(gòu)成微囊彌散型；伴隨腫瘤微血管增生型和擴(kuò)張逐漸形成形態(tài)異常的微血管增生型和異常血管網(wǎng)絡(luò)型體系。

3.3 同步輻射的肝臟腫瘤網(wǎng)絡(luò)結(jié)構(gòu)分型研究

3.3.1肝臟腫瘤網(wǎng)絡(luò)結(jié)構(gòu)分類(lèi)結(jié)果對(duì)比 區(qū)分4種肝臟腫瘤圖像灰度紋理之間差異，最有效的方法是對(duì)4種肝臟腫瘤相襯顯微圖像AUC+PCA特征集進(jìn)行分型，本研究采用Random Forest、決策樹(shù)C4.5算法對(duì)4種肝臟腫瘤網(wǎng)絡(luò)結(jié)構(gòu)分型，使用十折交叉驗(yàn)證方法選擇訓(xùn)練集和驗(yàn)證集，重復(fù)50次。Random Forest和C4.5分類(lèi)算法對(duì)炎癥浸潤(rùn)型分類(lèi)準(zhǔn)確率為95%和90%、微囊彌散型分類(lèi)準(zhǔn)確率為85%和81.25%、微血管增生型分類(lèi)準(zhǔn)確率為93.75%和93.75%、多囊擴(kuò)展網(wǎng)絡(luò)型分類(lèi)準(zhǔn)確率為100%和100%，分類(lèi)準(zhǔn)確率線性趨勢(shì)，見(jiàn)圖9。

3.3.2肝臟腫瘤網(wǎng)絡(luò)結(jié)構(gòu)分類(lèi)預(yù)測(cè)模型評(píng)估 ROC曲線是一種用來(lái)衡量分類(lèi)器性能的分析曲線，與傳統(tǒng)相比，ROC曲線能更加全面地描述分類(lèi)器的預(yù)測(cè)性能。本研究對(duì)炎癥浸潤(rùn)型、微囊彌散型、微血管增生型、多囊擴(kuò)展網(wǎng)絡(luò)型4種肝臟腫瘤網(wǎng)絡(luò)結(jié)構(gòu)分類(lèi)結(jié)果繪制的ROC曲線，見(jiàn)圖10，其中綠色線代表RF分類(lèi)算法，棕色線代表C4.5分類(lèi)算法。

本研究采用AUC、F-Measure、Precision、Recall等參數(shù)評(píng)估指標(biāo)對(duì)RF和C4.5兩種分類(lèi)器分類(lèi)4種肝臟腫瘤網(wǎng)絡(luò)結(jié)構(gòu)的效能進(jìn)行評(píng)估，結(jié)果見(jiàn)表8。

表8 分類(lèi)模型參數(shù)評(píng)估表

圖8 AUC+PCA最優(yōu)特征集散點(diǎn)分布圖

圖9 RF和C4.5算法對(duì)肝臟腫瘤網(wǎng)絡(luò)結(jié)構(gòu)AUC+PCA特征集分型結(jié)果

圖10 四種肝臟腫瘤網(wǎng)絡(luò)結(jié)構(gòu)在不同分類(lèi)算法下的ROC曲線

綜上，Random Forest和C4.5兩種算法對(duì)4種肝臟腫瘤圖像分類(lèi)準(zhǔn)確率均在80%以上，并采用ROC曲線和參數(shù)評(píng)估表對(duì)各分類(lèi)模型評(píng)估，AUC、F-Measure、Precision、Recall等模型評(píng)價(jià)指標(biāo)值均在0.80以上，進(jìn)一步驗(yàn)證了4種肝臟腫瘤圖像的灰度和紋理具有一定差異，而這些灰度和紋理差異能夠作為不同時(shí)期肝臟腫瘤識(shí)別的依據(jù)，為研究肝臟腫瘤的發(fā)展規(guī)律奠定基礎(chǔ)。

4 小結(jié)

本研究通過(guò)對(duì)肝腫瘤微血管網(wǎng)絡(luò)的灰度紋理變化進(jìn)行可視化定量研究，客觀地對(duì)肝臟腫瘤網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行定量分析，不同形態(tài)網(wǎng)絡(luò)結(jié)構(gòu)具有明顯的灰度和紋理差異，而這些灰度和紋理差異能夠作為識(shí)別不同時(shí)期肝臟腫瘤的依據(jù)，數(shù)據(jù)結(jié)果驗(yàn)證了肝臟腫瘤新生血管增殖依賴(lài)正常近血管微組織的炎癥化浸潤(rùn)環(huán)境，初步形成炎癥浸潤(rùn)型；隨著炎癥化浸潤(rùn)引發(fā)血管內(nèi)皮細(xì)胞不斷分化形成微囊化彌散形態(tài)，構(gòu)成微囊彌散型；伴隨腫瘤微血管增生型和擴(kuò)張逐漸形成形態(tài)異常的微血管增生型和異常血管網(wǎng)絡(luò)型體系，將對(duì)揭示腫瘤生長(zhǎng)轉(zhuǎn)移、早期檢測(cè)和治療策略具有重要的現(xiàn)實(shí)意義，對(duì)進(jìn)一步闡明腫瘤微環(huán)境具有重要的臨床價(jià)值。