引用本文： 王永芹, 黄子星, 袁放, 宋彬. CT 平扫图像纹理分析对肝癌与肝血管瘤鉴别诊断的初步研究. 中国普外基础与临床杂志, 2017, 24(2): 254-258. doi: 10.7507/1007-9424.201611102 复制
图像纹理是指图像中局部不规则而宏观有规律的灰度变化[1]，是一种客观存在的、可反映出所研究对象的内部结构特点。图像纹理分析即是对图像像素灰度值的局部特征、像素灰度值变化规律及其分布模式进行研究[2]。在医学图像中，纹理的定量或定性变化往往反映机体的病理改变。因此，国内外研究者尝试利用纹理分析技术对多种医学成像图像进行分析，以探索疾病诊断和治疗的新途径。纹理分析现已用于肝脏纤维化的病理分级[3]，肝囊肿与血管瘤[4]、颅脑[5-6]、乳腺[7]、肾脏[8-9]、腮腺[10]疾病的鉴别诊断，颅脑[11]、肺部疾病[12-13]、非霍奇金淋巴瘤[14]、肝癌[15]、肝转移瘤[16]及乳腺癌[17-18]的疗效评价，乳腺癌的风险预测[19]等。目前还没有肝癌和肝血管瘤的 CT 平扫图像的纹理分析的相关报道。本研究利用 CT 平扫图像的纹理分析评价其对肝癌和肝血管瘤进行鉴别诊断的可行性。
1 资料与方法
1.1 临床资料
回顾性纳入 2014 年 1 月至 2014 年 9 月期间在四川大学华西医院行 CT 平扫检查发现的肝脏局灶性占位性病变，经手术证实为肝癌或肝血管瘤的患者 56 例，其中男 35 例，女 21 例；年龄 31～81 岁，（52.4±12.079）岁，排除图像有伪影干扰和病灶小于 1.0 cm 的患者 4 例（避免病灶过小容积效应影响），剩余 52 例患者共 57 个病灶（肝癌 25 个、肝血管瘤 32 个，其中 5 例血管瘤患者均各有 2 个血管瘤病灶）。
1.2 CT 平扫
52 例患者中 29 例为西门子（SOMATOM Definition AS+）扫描，23 例为飞利浦（Brilliance 64）扫描，120～140 kV，210 mA，螺距 5 mm、层厚 5 mm，窗宽 250～300 HU，窗位 35～40 HU。扫描范围为上腹部（肝顶至肝脏下缘）。
1.3 分析方法
利用 Mazda 纹理分析软件对病变进行纹理分析，主要操作流程见图 1。
图1
Mazda 软件纹理分析的主要操作流程 LDA：线性判别分析法；NDA：非线性判别分析法
1.3.1 图像的选择 从 CT 平扫图像上选择病灶最大层面的图像，以 bmp 格式保存。
1.3.2 ROI 的定义 利用 Mazda 4.6[3,20]纹理分析软件加载之前保存的 bmp 格式的图像，在病灶区域手动画出 ROI（图 2、3）。为了最大程度地减少容积效应的影响，手动画出 ROI 范围在距病灶内侧缘 2～3 mm。
图2
示肝癌的 ROI（红色）
图3
示肝血管瘤的 ROI（绿色）
1.3.3 图像均一化处理 选择 Mazda 软件中μ±3σ（其中μ 为图像灰度值的平均值，σ 为图像灰度值的标准差）进行图像灰度均一化处理，最大限度地减少对比度和明亮度对图像灰度值的影响[21]。
1.3.4 纹理特征的提取 利用 Mazda 软件从灰度直方图、共生矩阵、游程矩阵、绝对梯度、自回归模型和小波变换中提取纹理特征，产生约 300 个纹理特征参数[22-23]。
1.3.5 最佳纹理特征参数的选择 对前面提取出的近 300 个纹理特征参数，利用 Mazda 软件中的费希尔参数法（Fisher coefficients，Fisher）、最小分类误差与最小平均相关系数法（minimization of both classification error probability and average correlation coefficients，POE+ACC）及相关信息测度法（mutual information coefficients，MI）3 个特征选择方法[20,24]分别选择 10 个区别肝癌、肝血管瘤的最佳纹理特征参数，见表 1。
表1
Fisher、POE+ACC 及 MI 3 个特征选择方法提取出的 10 个最佳纹理特征参数
1.3.6 特征数据分析 对提取出的最佳纹理特征向量，用 Mazda 软件中的 B11 模块提供的 LDA 和 NDA 进行分析，计算出鉴别诊断肝癌和肝血管瘤的最小错误率。LDA 的最大分类特征应用于 K 邻近分类（K nearest neighbor classification，KNN，其中 K=2）；NDA 提取出的数据用于人工神经网络（artificial neural network，ANN）进行分类。
1.4 统计学方法
用 SPSS 17.0 对 NDA/ANN-POE+ACC 法分别与 LDA/KNN-Fisher、LDA/KNN-POE+ACC、LDA/KNN-MI、NDA/ANN-Fisher 及 NDA/ANN-MI 法进行对比分析，采用了χ2 检验中的 Fisher 精确检验。检验水准α=0.05。
2 结果
Fisher、POE+ACC 和 MI 法提取出的最佳纹理特征向量，用 LDA/KNN 和 NDA/ANN 法鉴别诊断肝癌和肝血管瘤的最小错误率见表 2。从表 2 可见，NDA/ANN-POE+ACC 法鉴别诊断肝癌和肝血管瘤的最小错误率最低，其分别与 LDA/KNN-Fisher、LDA/KNN-POE+ACC、LDA/KNN-MI、NDA/ANN-Fisher 及 NDA/ANN-MI 法进行对比分析，其差异均有统计学意义（χ2值分别为 4.56、4.26、3.14、3.14、3.33；P 值分别为 0.020、0.018、0.026、0.026、0.022）。
表2
CT 平扫图像的纹理特征对诊断肝癌和肝血管瘤的最小错误率〔%（错误病灶数目/总病灶数目）〕
3 讨论
随着计算机技术和医学图像设备的迅速发展，高清晰度的医学影像诊断大大提高了病变的检出率和诊断准确率。现阶段，医学影像诊断主要还是通过医生肉眼观察图像获得，病变诊断的正确性受医生经验、疲劳等主观因素影响较大。
近年来，对病变诊断的定量研究越来越多，国内外学者尝试用纹理分析的方法对疾病进行定量分析，期望能够获得更为可靠的诊断结果。图像纹理分析是通过一定的计算机辅助图像处理后技术，从灰度直方图、绝对梯度、游程矩阵、共生矩阵、自回归模型和小波变换 6 个方面提取出纹理特征参数，从而获得纹理特征的定量或定性描述的处理过程[25]。在医学图像中，纹理特征的定量变化往往反映机体的病理改变，能够区别正常及病变组织及不同病变组织类型[4,26]，为疾病诊断和治疗提供新的辅助途径。
肝癌和肝血管瘤均是较常见的肝脏病变，最常用的影像诊断方法是 CT、MRI 平扫及动态增强扫描。但是 MRI 检查时间长、费用高，CT 动态增强检查辐射剂量较 CT 平扫明显增加，而且有些患者对造影剂过敏，无法进行增强检查，且基层医院 CT 增强检查开展得不多。而 CT 平扫应用最为广泛，特别是很多病变是体检时常规 CT 平扫发现的，而且目前的 CT 设备图像分辨率都很高。但是仅凭平扫图像并不能对病变进行定性诊断，所以本研究尝试利用专业的图像纹理分析软件——Mazda 软件对病变进行分析。
Mazda 软件应用方便，可根据病变圈定任意形状的 ROI，保证 ROI 与病灶的一致性；另外 Mazda 软件包含 Mazda 和 B11 模块两部分，Mazda 用于对病变的纹理特征信息进行提取，其内包含 Fisher、POE+ACC 及 MI 三种最佳纹理特征提取方法，从灰度直方图、绝对梯度、游程矩阵、共生矩阵、自回归模型和小波变换 6 个方面提取出丰富的纹理特征参数；而 B11 模块是用于对 Mazda 从 Fisher、POE+ACC 及 MI 中提取出的纹理信息用 LDA/KNN 和 NDA/ANN 两种分析方法进行计算分析，对病变做出分类鉴别。本研究初步研究结果示 NDA/ANN-POE+ACC 法对鉴别肝癌和肝血管瘤效果最好，最小错误率仅为 8.77%，因此采用 CT 平扫图像纹理分析的方法对于鉴别肝癌和肝血管瘤是可行的，对于鉴别诊断肝癌和肝血管瘤具有潜在的临床价值。
由于肝癌和肝血管瘤的病理基础不同，当然其微观结构也不相同，只是人用肉眼无法观察到。利用 Mazda 软件对肝癌和肝血管瘤进行纹理分析，从分析结果也能反映出其微观结构不同；而且从初步研究结果来看，采用纹理分析的方法对肝癌和肝血管瘤也不能百分百地鉴别，笔者认为可能是因为不同病变组织在某些微观结构上有一定的重叠性，纹理特征的微观分布在某些区域也会相互重叠，没有组织特异性。
利用纹理分析对 CT 平扫图像对肝癌和肝血管瘤进行鉴别诊断，不使用造影剂，即无需动态增强扫描，不仅大大减少了患者 X 射线辐射，而且在经济上为患者节约了诊治成本，还避免了造影剂不良反应的发生。
但是本研究也存在一些不足：① 样本量较少；② 部分病变较小，容积效应影响难免；③ 样本非同一机型设备获得，虽经过图像均一化处理，但可能还是会有一定的影响。
总之，本研究初步的研究结果显示，NDA/ANN-POE+ACC 法对鉴别肝癌和肝血管瘤效果最好，因此，采用 CT 平扫图像纹理分析的方法对于鉴别肝癌和肝血管瘤是可行的。在以后的研究中，我们会进一步增加样本量和标准化扫描规范来评价纹理分析在肝脏其他局灶性病变（如肝腺瘤、肝转移瘤、胆管细胞癌等）及其他脏器病变的应用价值，若进一步的研究结果值得肯定，能够为我们将来的临床诊断提供很好的诊断辅助。
图像纹理是指图像中局部不规则而宏观有规律的灰度变化[1]，是一种客观存在的、可反映出所研究对象的内部结构特点。图像纹理分析即是对图像像素灰度值的局部特征、像素灰度值变化规律及其分布模式进行研究[2]。在医学图像中，纹理的定量或定性变化往往反映机体的病理改变。因此，国内外研究者尝试利用纹理分析技术对多种医学成像图像进行分析，以探索疾病诊断和治疗的新途径。纹理分析现已用于肝脏纤维化的病理分级[3]，肝囊肿与血管瘤[4]、颅脑[5-6]、乳腺[7]、肾脏[8-9]、腮腺[10]疾病的鉴别诊断，颅脑[11]、肺部疾病[12-13]、非霍奇金淋巴瘤[14]、肝癌[15]、肝转移瘤[16]及乳腺癌[17-18]的疗效评价，乳腺癌的风险预测[19]等。目前还没有肝癌和肝血管瘤的 CT 平扫图像的纹理分析的相关报道。本研究利用 CT 平扫图像的纹理分析评价其对肝癌和肝血管瘤进行鉴别诊断的可行性。
1 资料与方法
1.1 临床资料
回顾性纳入 2014 年 1 月至 2014 年 9 月期间在四川大学华西医院行 CT 平扫检查发现的肝脏局灶性占位性病变，经手术证实为肝癌或肝血管瘤的患者 56 例，其中男 35 例，女 21 例；年龄 31～81 岁，（52.4±12.079）岁，排除图像有伪影干扰和病灶小于 1.0 cm 的患者 4 例（避免病灶过小容积效应影响），剩余 52 例患者共 57 个病灶（肝癌 25 个、肝血管瘤 32 个，其中 5 例血管瘤患者均各有 2 个血管瘤病灶）。
1.2 CT 平扫
52 例患者中 29 例为西门子（SOMATOM Definition AS+）扫描，23 例为飞利浦（Brilliance 64）扫描，120～140 kV，210 mA，螺距 5 mm、层厚 5 mm，窗宽 250～300 HU，窗位 35～40 HU。扫描范围为上腹部（肝顶至肝脏下缘）。
1.3 分析方法
利用 Mazda 纹理分析软件对病变进行纹理分析，主要操作流程见图 1。
图1
Mazda 软件纹理分析的主要操作流程 LDA：线性判别分析法；NDA：非线性判别分析法
1.3.1 图像的选择 从 CT 平扫图像上选择病灶最大层面的图像，以 bmp 格式保存。
1.3.2 ROI 的定义 利用 Mazda 4.6[3,20]纹理分析软件加载之前保存的 bmp 格式的图像，在病灶区域手动画出 ROI（图 2、3）。为了最大程度地减少容积效应的影响，手动画出 ROI 范围在距病灶内侧缘 2～3 mm。
图2
示肝癌的 ROI（红色）
图3
示肝血管瘤的 ROI（绿色）
1.3.3 图像均一化处理 选择 Mazda 软件中μ±3σ（其中μ 为图像灰度值的平均值，σ 为图像灰度值的标准差）进行图像灰度均一化处理，最大限度地减少对比度和明亮度对图像灰度值的影响[21]。
1.3.4 纹理特征的提取 利用 Mazda 软件从灰度直方图、共生矩阵、游程矩阵、绝对梯度、自回归模型和小波变换中提取纹理特征，产生约 300 个纹理特征参数[22-23]。
1.3.5 最佳纹理特征参数的选择 对前面提取出的近 300 个纹理特征参数，利用 Mazda 软件中的费希尔参数法（Fisher coefficients，Fisher）、最小分类误差与最小平均相关系数法（minimization of both classification error probability and average correlation coefficients，POE+ACC）及相关信息测度法（mutual information coefficients，MI）3 个特征选择方法[20,24]分别选择 10 个区别肝癌、肝血管瘤的最佳纹理特征参数，见表 1。
表1
Fisher、POE+ACC 及 MI 3 个特征选择方法提取出的 10 个最佳纹理特征参数
1.3.6 特征数据分析 对提取出的最佳纹理特征向量，用 Mazda 软件中的 B11 模块提供的 LDA 和 NDA 进行分析，计算出鉴别诊断肝癌和肝血管瘤的最小错误率。LDA 的最大分类特征应用于 K 邻近分类（K nearest neighbor classification，KNN，其中 K=2）；NDA 提取出的数据用于人工神经网络（artificial neural network，ANN）进行分类。
1.4 统计学方法
用 SPSS 17.0 对 NDA/ANN-POE+ACC 法分别与 LDA/KNN-Fisher、LDA/KNN-POE+ACC、LDA/KNN-MI、NDA/ANN-Fisher 及 NDA/ANN-MI 法进行对比分析，采用了χ2 检验中的 Fisher 精确检验。检验水准α=0.05。
2 结果
Fisher、POE+ACC 和 MI 法提取出的最佳纹理特征向量，用 LDA/KNN 和 NDA/ANN 法鉴别诊断肝癌和肝血管瘤的最小错误率见表 2。从表 2 可见，NDA/ANN-POE+ACC 法鉴别诊断肝癌和肝血管瘤的最小错误率最低，其分别与 LDA/KNN-Fisher、LDA/KNN-POE+ACC、LDA/KNN-MI、NDA/ANN-Fisher 及 NDA/ANN-MI 法进行对比分析，其差异均有统计学意义（χ2值分别为 4.56、4.26、3.14、3.14、3.33；P 值分别为 0.020、0.018、0.026、0.026、0.022）。
表2
CT 平扫图像的纹理特征对诊断肝癌和肝血管瘤的最小错误率〔%（错误病灶数目/总病灶数目）〕
3 讨论
随着计算机技术和医学图像设备的迅速发展，高清晰度的医学影像诊断大大提高了病变的检出率和诊断准确率。现阶段，医学影像诊断主要还是通过医生肉眼观察图像获得，病变诊断的正确性受医生经验、疲劳等主观因素影响较大。
近年来，对病变诊断的定量研究越来越多，国内外学者尝试用纹理分析的方法对疾病进行定量分析，期望能够获得更为可靠的诊断结果。图像纹理分析是通过一定的计算机辅助图像处理后技术，从灰度直方图、绝对梯度、游程矩阵、共生矩阵、自回归模型和小波变换 6 个方面提取出纹理特征参数，从而获得纹理特征的定量或定性描述的处理过程[25]。在医学图像中，纹理特征的定量变化往往反映机体的病理改变，能够区别正常及病变组织及不同病变组织类型[4,26]，为疾病诊断和治疗提供新的辅助途径。
肝癌和肝血管瘤均是较常见的肝脏病变，最常用的影像诊断方法是 CT、MRI 平扫及动态增强扫描。但是 MRI 检查时间长、费用高，CT 动态增强检查辐射剂量较 CT 平扫明显增加，而且有些患者对造影剂过敏，无法进行增强检查，且基层医院 CT 增强检查开展得不多。而 CT 平扫应用最为广泛，特别是很多病变是体检时常规 CT 平扫发现的，而且目前的 CT 设备图像分辨率都很高。但是仅凭平扫图像并不能对病变进行定性诊断，所以本研究尝试利用专业的图像纹理分析软件——Mazda 软件对病变进行分析。
Mazda 软件应用方便，可根据病变圈定任意形状的 ROI，保证 ROI 与病灶的一致性；另外 Mazda 软件包含 Mazda 和 B11 模块两部分，Mazda 用于对病变的纹理特征信息进行提取，其内包含 Fisher、POE+ACC 及 MI 三种最佳纹理特征提取方法，从灰度直方图、绝对梯度、游程矩阵、共生矩阵、自回归模型和小波变换 6 个方面提取出丰富的纹理特征参数；而 B11 模块是用于对 Mazda 从 Fisher、POE+ACC 及 MI 中提取出的纹理信息用 LDA/KNN 和 NDA/ANN 两种分析方法进行计算分析，对病变做出分类鉴别。本研究初步研究结果示 NDA/ANN-POE+ACC 法对鉴别肝癌和肝血管瘤效果最好，最小错误率仅为 8.77%，因此采用 CT 平扫图像纹理分析的方法对于鉴别肝癌和肝血管瘤是可行的，对于鉴别诊断肝癌和肝血管瘤具有潜在的临床价值。
由于肝癌和肝血管瘤的病理基础不同，当然其微观结构也不相同，只是人用肉眼无法观察到。利用 Mazda 软件对肝癌和肝血管瘤进行纹理分析，从分析结果也能反映出其微观结构不同；而且从初步研究结果来看，采用纹理分析的方法对肝癌和肝血管瘤也不能百分百地鉴别，笔者认为可能是因为不同病变组织在某些微观结构上有一定的重叠性，纹理特征的微观分布在某些区域也会相互重叠，没有组织特异性。
利用纹理分析对 CT 平扫图像对肝癌和肝血管瘤进行鉴别诊断，不使用造影剂，即无需动态增强扫描，不仅大大减少了患者 X 射线辐射，而且在经济上为患者节约了诊治成本，还避免了造影剂不良反应的发生。
但是本研究也存在一些不足：① 样本量较少；② 部分病变较小，容积效应影响难免；③ 样本非同一机型设备获得，虽经过图像均一化处理，但可能还是会有一定的影响。
总之，本研究初步的研究结果显示，NDA/ANN-POE+ACC 法对鉴别肝癌和肝血管瘤效果最好，因此，采用 CT 平扫图像纹理分析的方法对于鉴别肝癌和肝血管瘤是可行的。在以后的研究中，我们会进一步增加样本量和标准化扫描规范来评价纹理分析在肝脏其他局灶性病变（如肝腺瘤、肝转移瘤、胆管细胞癌等）及其他脏器病变的应用价值，若进一步的研究结果值得肯定，能够为我们将来的临床诊断提供很好的诊断辅助。
