基于表观扩散系数图像的影像组学模型对MR

本文原载于《中华放射学杂志》年第12期

动态对比增强MRI（dynamiccontrastenhancedmagneticresonanceimaging，DCE-MRI）和乳腺影像报告与数据系统（breastimagingreportinganddatasystem，BI-RADS）广泛应用于临床乳腺疾病诊断中[1,2,3]。BI-RADS4类病变为可疑病变，恶性可能性跨度大（2%~95%），涵盖病变类型广，鉴别MRIBI-RADS4类病变的良恶性是临床亟待解决的问题。DWI是乳腺病变重要的补充诊断序列，ADC值是MRI鉴别诊断乳腺良恶性病变的重要参数[2]。影像组学可对影像检查图像进行分割，定量提取内部大量特征信息，并对所获得的特征数据进行挖掘、分析，从而有效鉴别肿瘤性质、区分病理类型、预测预后等[4,5,6]。笔者对BI-RADS4类病变进行ADC图像影像组学特征分析，建立预测模型并与人工亚型分类方法相比较，探讨基于ADC图像的影像组学模型鉴别MRIBI-RADS4类病变良恶性的价值。

资料与方法

一、临床资料

回顾性分析本院年12月至年12月符合以下标准的患者。纳入标准：（1）女性患者；（2）经乳腺DCE-MRI检查，诊断为BI-RADS4类病变；（3）MRI检查1周内经穿刺活检或手术病理明确诊断。排除标准：（1）MRI检查前行手术、活检、放疗、化疗等；（2）有严重心、肺疾病或肝、肾功能不全。88例患者纳入研究，年龄13~82岁，平均（44±10）岁。恶性组52例，年龄27~82岁，中位年龄45.2岁；病灶最大径0.90~10.50cm，中位数为2.59cm；非特殊类型浸润性癌42例、特殊类型浸润性癌3例、导管原位癌7例。良性组36例，年龄13~59岁，中位年龄42.5岁；病灶最大径0.60~10.30cm，中位数为2.56cm；乳腺腺病21例、纤维腺瘤4例、乳腺导管内乳头状瘤5例、其他6例。

二、MRI扫描方法

采用德国SiemensMagntomVerio3.0T扫描仪，专用乳腺相控阵线圈行乳腺MRI平扫、DWI及DCE-MRI扫描。患者取俯卧位，双侧乳腺自然悬垂于检查线圈内，双臂置于头端两侧，足头位。扫描参数：（1）常规平扫：T1WI、T2WI序列。（2）DWI：b=50、、s/mm2，TR.00ms，TE76.00ms，矩阵×，FOV32cm×32cm，层厚4.0mm，重建后得到ADC图像。（3）DCE-MRI：TR4.67ms，TE1.66ms，矩阵×，FOV36cm×36cm，层厚2.5mm，连续无间断扫描。对比剂采用钆双胺，注射流率3ml/s，剂量0.1mmol/kg，注射后用20ml生理盐水冲管。先行T1WI平扫，注入对比剂后连续扫描8个时相，每个时相60.1s，共9个时相。

三、亚型分级

记录患者相关临床、影像及病理资料，并由2名从事乳腺影像诊断10年以上的影像医师在不知晓病理结果的情况下，共同参照DCE-MRI图像对病变进行亚型分级，具体标准参照X线摄影亚型分级标准[3]及乳腺MRI4类病变亚型分级方法[6]，分为4A、4B或4C。病变亚型分级危险因素为：（1）低危特征：①肿块型：椭圆形，病灶边界清晰，均匀强化，无强化间隔，T2WI呈高信号；②非肿块型：局灶状、多区域、弥漫分布，均匀强化，T2WI呈高信号；③时间信号强度曲线：上升型。（2）中危特征：①肿块型：圆形，不规则，非边缘强化，强化不均匀，T2WI呈等或低信号；②非肿块型：病灶线性、区域性分布，不均匀强化，T2WI呈等或低信号；③时间信号强度曲线：平台型、流出型。（3）高危特征：①肿块型：毛刺边缘，边缘强化；②非肿块型：病灶节段性分布，集簇状强化。

以病理结果为金标准，计算不同亚型分类的阳性预测值（恶性数/总例数），采用ROC评价亚型分类鉴别乳腺良恶性病变的效能。

四、影像组学特征提取

将所有患者的ADC图像全部导入美国GEAnalysis-Kinetics分析软件。由2名从事乳腺影像诊断10年以上的影像医师在不知晓病理结果的情况下，参考T2WI和DCE-MRI上病灶的位置，在ADC图中病灶最大层面勾画ROI，ROI的大小取决于病变大小且尽量与病灶边缘保持一致。经软件自动计算得到关于图像形态、大小、亮度的相关特征参数以及基于灰度共生矩阵和步长矩阵等的纹理特征参数。

五、建立影像组学特征参数的预测模型

采用RStudioVersion1.0.-?-RStudio（R语言）软件包进行统计分析。

1．特征预处理：

按照7∶3的比例，经计算机任意选取63例患者作为训练组（良性26例、恶性37例），其余25例作为验证组（良性10例、恶性15例）。将所获得的影像组学特征参数全部导入R语言软件包，剔除结果为nan或Inf的特征参数，得到剩余特征。

2．特征降维：

以病理结果为金标准（1为良性，2为恶性），先采用Kolmogorov-Smirnov检验计量资料的正态性，未通过正态性检验及方差齐性检验的参数采用Kruskal-Wallis检验评价，筛选得到良恶性组间差异有统计学意义（P0.05）的影像特征。利用Spearman相关性分析进行特征去冗余，剔除自相关性系数高于0.9（

r

0.9）的影像组学参数，得到特征参数。

3．建模：

经过特征预处理和降维得到5个参数，利用R语言软件包中的"glm"函数建立线性回归（logisticlinearregression，LLR）模型。

4．验证：

以交叉验证（10折，重复10次）方法对LLR模型进行检验，并绘制ROC检验模型的敏感度和特异度。

结果

一、BI-RADS4类亚型

BI-RADS4类病变患者的亚型分类结果见表1。BI-RADS4A、4B、4C亚型阳性预测值分别为16.7%（2/12）、59.6%（28/47）、75.9%（22/29）。亚型分类鉴别诊断乳腺良恶性病变的ROC下面积为0.，诊断敏感度、特异度分别为76.9%、45.9%。

二、LLR模型的建立及诊断效能

1．特征降维：

将ADC图像导入R语言软件包，得到基于病灶大小、边缘形态、位置信息、灰度共生矩阵、灰度步长矩阵算法等的影像组学特征共个。采用Kruskal-Wallis检验评价，剔除组间差异无统计学意义的参数，剩余个特征。采用Spearman相关性分析进行特征去冗余，设置相关系数

r

0.9，剔除自相关性高的参数，剩余5个特征，分别为区大小变异度、熵差、区百分比、强度值变异度和逆差矩。

2．建模：

利用logistic回归分析方法对5个特征纹理参数建立预测模型，截距、逆差矩、熵差、强度值变异度、区大小变异度和区百分比的估计值分别为－5.、7.、4.、1.、－0.和8.，标准误分别为5.、11.、3.、4.、0.和6.。

3．验证：

经交叉验证方法检验该回归模型，混淆矩阵诊断准确度为80.0%（20/25，表2），95%可信区间为59%~93%。ROC下面积为0.，最佳截断点为0.45，诊断敏感度和特异度分别为81.3%和77.8%。

讨论

一、亚型分类

MRIBI-RADS中尚未细化分类为4A、4B、4C，有学者依据X线摄影亚型分类标准和乳腺DCE-MRI特征，尝试细化4类亚型分类，结果显示细化分类可以提高对乳腺病变的诊断及鉴别诊断效能[3,7]。笔者参照报道中的分类方法[7]，对88例4类病变进行亚型分类，BI-RADS4A、4B、4C亚型阳性预测值分别为16.7%（2/12）、59.6%（28/47）、75.9%（22/29）。随着乳腺病灶亚型级别的增高，阳性预测值增高，与其他学者的结论相符[7]，但本研究中的诊断效能略低，可能与样本量以及阅片者判读主观性造成的偏倚有关。

二、DWI与ADC值的诊断价值

DWI作为乳腺病变补充诊断序列，越来越显示出具有重要临床作用，ADC值被公认为是乳腺良恶性疾病鉴别的重要参数[2]，但目前尚无较为准确、通用的良恶性鉴别诊断阈值[8]，且ADC值的测量方法不同、ROI选择方式的差异会导致结果出现偏差和不稳定，且ADC值无法鉴别特殊类型良性乳腺病变与恶性肿瘤。因此，临床上需要更精准的诊断指标。

三、影像组学特征与模型

影像组学是利用自动化高通量的数据特征提取算法将影像数据转化为具有高分辨率的可挖掘的影像特征数据[4,5]。乳腺癌具有高度异质性，病灶大小、形态、亮度及纹理分析特征值不同，其影像表现存在差异[9]。本研究中笔者采用影像组学的分析方法，基于ADC图像定量提取肿瘤内部扩散的特征信息，从而反映肿瘤内部结构的不均质特性。经过筛选降维后，得到与良恶性鉴别密切相关的5个参数（区大小变异度、熵差、区百分比、强度值变异度和逆差矩），分别代表了图像灰度分布的纹理复杂及粗细程度。熵差反映图像灰度纹理的复杂程度及混乱程度，数值越大说明图像越复杂混乱；逆差矩反映图像纹理的同质性，度量图像纹理局部变化的多少，值越大说明图像纹理的不同区域间越缺少变化，局部越均匀；强度值变异度表明图像灰度分布的变化程度，数值越大说明灰度变化的变异度越大；区百分比代表ROI内联通区域的大小分布情况；区大小变异度则代表ROI内部所有联通区域大小的方差，数值越大表示联通区域的不规则性越大。建模后验证LLR模型诊断准确度为80.0%（20/25），ROC下面积为0.，最佳截断点为0.45，诊断敏感度和特异度分别为81.3%和77.8%，敏感度和特异度均优于亚型评价结果。

四、研究的局限性及未来方向

本研究的局限性主要在于：第一，虽然笔者采用交叉验证的方法，对数据量进行10×10次的重复计算和验证，但是由于BI-RADS4类患者本身的局限性导致采样困难，样本量偏小，尚无法满足大样本的科研需求，可能导致结果不稳定。今后还将继续补充和完善此类患者的数据量，进行深入研究。第二，为了避免计算机自动识别ROI所可能引发的错误，选择了二维手动勾画的方式，不如三维ROI的容积测量结果全面，今后本课题组将进行三维ROI的研究。

综上所述，乳腺ADC图像的影像组学模型可有效鉴别BI-RADS4类可疑病变的良恶性，其诊断效能优于临床亚型分类评价结果。

利益冲突

利益冲突　本研究过程和结果均未受到相关设备、材料、药品企业的影响

参考文献

预览时标签不可点收录于话题#个上一篇下一篇