李衛(wèi)民，范曉芳，賈 磊，吳文娟，朱束華

江南大學附屬醫(yī)院超聲科，江蘇 無錫 214062

乳腺癌是女性最常見的惡性腫瘤，位居全球女性發(fā)病率和死亡率的第1 位［1］。近年來，乳腺癌的發(fā)病率也逐漸上升且趨于年輕化，其早期發(fā)現(xiàn)和治療顯得尤為重要，超聲因其簡便快捷的優(yōu)點而被廣泛應(yīng)用于乳腺檢查。然而，作為乳腺癌的早期表現(xiàn)，乳腺微小病變（最大徑線＜1 cm）因其體積小、超聲特征和臨床表現(xiàn)均不典型，超聲的診斷準確性明顯降低［2］，因此，對乳腺微小病變良惡性的評估，并提高超聲診斷的準確率成為臨床研究的難點。本研究以乳腺微小病變的二維超聲影像為基礎(chǔ)，通過對乳腺微小病變的紋理特征進行分析，探討其對乳腺良惡性微小病變的鑒別價值。

1 對象和方法

1.1 對象

選取2019年3月—2020年1月在江南大學附屬醫(yī)院就診且超聲發(fā)現(xiàn)乳腺微小病變的患者158例共164 個病灶，均為女性，年齡（52.60±11.45）歲（31～82 歲），納入標準：①首次發(fā)現(xiàn)的乳腺微小病變（最大徑＜10 mm）；②經(jīng)手術(shù)病理診斷，有明確的診斷結(jié)果；③超聲影像資料完整、可靠。排除標準：①超聲影像不規(guī)范；②無病理結(jié)果或無穿刺獲取的病理結(jié)果；③無明顯邊界致使感興趣區(qū)（area of intrest，ROI）無法勾畫的病灶。其中左乳89例，右乳75例。本研究經(jīng)江南大學附屬醫(yī)院倫理委員會審查批準后實施，所有患者知情同意。

1.2 方法

1.2.1 檢查方法

采用西門子Acuson Antares S3000 彩色多普勒超聲診斷儀，探頭頻率為7.5～12.0 MHz?；颊呷⊙雠P位，充分暴露雙側(cè)乳房及腋窩，以乳頭為中心，二維超聲采用扇形掃查法掃查乳腺，對乳腺微小病變進行多切面、多角度觀察。在超聲二維影像的基礎(chǔ)上，行彩色多普勒超聲檢查，觀察病灶內(nèi)及周邊血流情況。病灶良惡性的評估由2 名具有10 年以上工作經(jīng)驗的超聲醫(yī)師完成，依據(jù)2013版乳腺影像報告和數(shù)據(jù)系統(tǒng)（breast imaging reporting and date system，BI-RADS）分類指南［3］和Gokalp 等［4］推薦的標準，將形態(tài)不規(guī)則、邊緣不光整、垂直生長、混合回聲、后方回聲衰減、微鈣化等作為可疑超聲特征，符合1 項可疑特征的病灶評估為4A 類，符合2 項特征的評估為4B類，符合3項特征的評估為4C類，符合4 項特征的評估為5 類。本研究將BI-RADS 3 類和4A類評估為良性，將BI-RADS 4B、4C及5類評估為惡性［5］。并將評估結(jié)果與病理結(jié)果進行對比，得出超聲醫(yī)師評估的誤判率。

1.2.2 紋理分析

采用羅茲工業(yè)大學免費紋理分析MaZda 軟件（Version 4.6），將超聲二維影像以bmp 格式導入MaZda軟件中，對圖像的所有灰度值按1%分位點到99%分位點進行歸一化處理，再將圖像量化為8 bit，為盡量避免因圖像過小和部分病灶邊界不清產(chǎn)生的ROI 勾畫誤差，超聲二維影像均進行了放大和灰度變化處理，勾畫時分別用紅色和綠色表示良性和惡性病變，采用多邊形功能手動模式進行勾畫，盡可能勾畫病灶的全部區(qū)域，勾畫完成后將超聲影像恢復至原大小和灰度。分析ROI內(nèi)超聲影像的紋理特征，并通過軟件自帶的紋理特征分析方法選擇最具鑒別價值的紋理參數(shù)，包括交互信息（mutual information，MI）、分類錯誤概率（probability of classification error，POE）聯(lián)合平均相關(guān)系數(shù)（average correction coefficient，ACC）（POE+ACC）、Fisher 系數(shù)，及以上3 種方法聯(lián)合（Fisher+POE+ACC+MI），前3 種方法各提取10 個、Fisher+POE+ACC+MI 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自帶的B11 統(tǒng)計分析軟件包中，構(gòu)建人工神經(jīng)網(wǎng)絡(luò)（artificial neural network，ANN）模型，自動訓練，并將其結(jié)果與病理對比，得出乳腺微小病變的誤判率，并將其與超聲醫(yī)師的評估結(jié)果比較。

1.3 統(tǒng)計學方法

采用SPSS19.0統(tǒng)計分析軟件，計量資料用均數(shù)±標準差（）表示，紋理參數(shù)的比較采用獨立樣本t檢驗，乳腺良惡微小病變的超聲特征、超聲醫(yī)師的評估結(jié)果以及各種紋理分析方法誤判率等計數(shù)資料用例數(shù)及率表示，計數(shù)資料的兩兩比較采用卡方檢驗或Fisher 確切概率法，P＜0.05為差異有統(tǒng)計學意義。

2 結(jié)果

2.1 病理結(jié)果

根據(jù)2012年第4版《WHO乳腺腫瘤組織學分類》指南［6］進行分類，164個微小病變中，良性121個，惡性43 個，良性病變的發(fā)生率為73.78%，惡性病變的發(fā)生率為26.22%（表1）。

2.2 超聲醫(yī)師的評估

本研究中乳腺微小病變超聲特征見表2，其中，惡性病變微鈣化以及血流豐富病灶的發(fā)生率均高于良性病變，差異有統(tǒng)計學意義（P＜0.05）。與病理結(jié)果比較，超聲醫(yī)師總的誤判率為29.27%（48/164），良性病變誤判率為15.70（19/121），惡性病變的誤判率為67.44%（29/43）。

表1 乳腺微小病變的病理結(jié)果

2.3 乳腺良惡性微小病變超聲影像ROI 標識及紋理特征統(tǒng)計

乳腺良惡性微小病變ROI標記前后的超聲影像如圖1 所示，4 種紋理分析方法選取的紋理參數(shù)共30 組，結(jié)果表明，MI 中有8 組紋理參數(shù)差異有統(tǒng)計學意義（P＜0.05）。POE+ACC和Fisher系數(shù)中10組紋理參數(shù)差異均有統(tǒng)計學意義（P＜0.05，表3），3種方法聯(lián)合共有28 組紋理參數(shù)差異有統(tǒng)計學意義（P＜0.05）。

2.4 乳腺良惡性微小病變的誤判率

將簡化后的紋理特征參數(shù)輸入MaZda 自帶的B11 統(tǒng)計分析軟件包中，構(gòu)建ANN 模型，對于所有乳腺微小病變，采用MI方法進行紋理分析的誤判率為46.34%（76/164），POE+ACC 的誤判率為48.17%（79/164），F(xiàn)isher 系數(shù)的誤判率為23.78%（39/164），3 種方法聯(lián)合的誤判率為20.12%（33/164），超聲醫(yī)師的誤判率為29.27%（48/164），其中，3種方法聯(lián)合分析的誤判率最低，與MI、Fisher 系數(shù)評估比較，差異均有統(tǒng)計學意義（χ2值分別為25.41、28.69，P均＜0.05）。對于良惡性微小病變患者，各種紋理分析方法的誤診率差異無統(tǒng)計學意義（P＞0.05），超聲醫(yī)師評估對乳腺良惡性微小病變的誤判率差異有統(tǒng)計學意義（P＜0.05，表4）。

3 討論

作為人工智能的重要內(nèi)容，紋理分析是指通過一定的圖像處理技術(shù)提取紋理特征，從而獲得紋理的定量或定性描述的處理過程［7］。按其性質(zhì)而言，紋理分析可分為統(tǒng)計分析方法、結(jié)構(gòu)分析方法、信號處理方法和模型方法4 大類。在醫(yī)學影像學方面，紋理分析有助于發(fā)現(xiàn)肉眼難以觀察的細節(jié)，從而更加細致地分析圖像。本研究使用的MaZda 軟件提供了6 種紋理分析方法和4 種紋理選擇方法，6 種紋理分析方法包括：①灰度直方圖；②灰度絕對梯度；③游程矩陣；④灰度共生矩陣；⑤自回歸模型；⑥小波變換。4 種紋理選擇方法包括MI、POE+ACC、Fisher 系數(shù)以及3 種方法的聯(lián)合（MI+POE+ACC+Fisher）。研究表明，良惡性乳腺腫塊的紋理參數(shù)具有一定差異，這表明紋理分析對乳腺癌具有較好的診斷效能［8-10］。因此，乳腺超聲檢查的量化、標準化及規(guī)范化也極有可能是提高乳腺微小病變診斷準確性的重大突破口，而超聲影像紋理的應(yīng)用為這一突破口提供了恰當?shù)姆椒ā?/p>

表2 164例乳腺微小病變超聲影像特征

圖1 乳腺良惡性微小病變ROI標記前后的超聲影像

本研究共納入164 例乳腺微小病變，其中良性121例，惡性43例，良性病變的發(fā)生率為73.78%，惡性病變的發(fā)生率為26.22%。通過超聲醫(yī)師對微小病變的評估結(jié)果分析發(fā)現(xiàn)，超聲醫(yī)師診斷的誤判率為29.27%，同時，相比良性微小病變，超聲醫(yī)師更易將惡性微小病變評估為良性，這可能與乳腺良惡性微小病變的可疑超聲特征不具有明顯差異有關(guān)，包括形態(tài)不規(guī)則、邊緣不規(guī)整、縱橫比＞1、后方回聲衰減、內(nèi)部回聲不均等。因此，具有相應(yīng)可疑超聲特征的乳腺微小病變，超聲醫(yī)師易將其評估為惡性。對于合并有形態(tài)不規(guī)則、邊緣不規(guī)整超聲特征的乳腺良性微小病變，超聲醫(yī)師不易將其誤判，這可能與大多數(shù)乳腺微小病變可合并這兩類超聲特征有關(guān)［11］。與之相反，對于其他可疑超聲特征的乳腺微小病變，如縱橫比＞1、后方衰減等，超聲醫(yī)師則易將其誤判為惡性。通過對本研究疾病譜的分析可發(fā)現(xiàn)，乳腺腺病、腺病瘤、積乳囊腫等良性病變也可表現(xiàn)為縱橫比＞1、后方衰減的可疑超聲特征［12-13］。另外，本研究中微鈣化均發(fā)生于惡性病灶，同時，惡性病灶的血流也較良性病灶豐富，這二者也是乳腺BIRADS分類的重要依據(jù)。對于具備這兩項超聲特征的惡性病灶，超聲醫(yī)師不易誤診。乳腺微小病變的評估不可避免地受到超聲醫(yī)師主觀因素的影響。

表3 乳腺良惡性微小病變超聲影像紋理特征參數(shù)對比

表4 乳腺良惡性微小病變誤診率［n（%）］

在所選取的紋理參數(shù)中，MI 方法有8組參數(shù)差異有統(tǒng)計學意義，POE+ACC和Fisher系數(shù)10組參數(shù)差異均具有統(tǒng)計學意義。各種紋理分析方法提供的紋理信息越多，越有助于其對乳腺良惡性微小病變的鑒別，其誤判率應(yīng)越低。但本研究通過構(gòu)建的ANN 模型分析結(jié)果發(fā)現(xiàn)，在總誤判率方面，POE+ACC＞MI＞Fisher 系數(shù)＞MI+POE+ACC+Fisher，這與各紋理分析方法提取的有價值的紋理參數(shù)數(shù)量并不呈正相關(guān)。因此，筆者認為這可能是由于乳腺癌與各紋理參數(shù)的相關(guān)性不同所致，POE+ACC雖然提取了10組紋理參數(shù)，但其與乳腺癌的相關(guān)性一般或較低，因而誤判率較高，而MI 和Fisher 系數(shù)分別提取了8組和10組有統(tǒng)計學差異的紋理參數(shù)，但其與乳腺癌的相關(guān)性可能高于POE+ACC 提取的紋理參數(shù)，因而，誤判率均低于POE+ACC，而MI+POE+ACC+Fisher 是3 種方法的結(jié)合，所包括的紋理參數(shù)較多，可彌補單純使用Fisher系數(shù)、POE+ACC、MI這3種方法的缺陷，因而誤判率較低。本研究通過對良性和惡性微小病變的誤判率分析發(fā)現(xiàn)，紋理分析在兩組誤判率之間的差異均不具有統(tǒng)計學意義，這在一定程度上可排除了超聲醫(yī)師的主觀影響。

綜上所述，超聲紋理分析可用于鑒別乳腺微小病變的良惡性，值得進一步推廣。該分析有助于早期乳腺癌的診斷及治療，避免不必要的穿刺和手術(shù)，為精準的診療方案提供依據(jù)。