范莉芳，張霞，黃磊，翟建，吳樹劍，徐曉燕

（1.皖南醫(yī)學(xué)院醫(yī)學(xué)影像學(xué)院，安徽 蕪湖 241002；2.皖南醫(yī)學(xué)院弋磯山醫(yī)院，安徽 蕪湖 241001）

近幾年，隨著乳腺病變影像學(xué)檢查和診斷技術(shù)的不斷完善，乳腺病變?cè)缙诤Y查結(jié)果的準(zhǔn)確性也越來越好［1］。大多數(shù)早期乳腺癌患者往往都是通過影像學(xué)檢查來初步診斷的［2］。MRI 因具有較好的軟組織分辨率及多序列、多參數(shù)成像，在乳腺癌等疾病的診斷中得到了越來越廣泛的應(yīng)用。MRI的部分特點(diǎn)如時(shí)間信號(hào)曲線（time-signal intensity curve，TIC）類型及表觀擴(kuò)散系數(shù)（apparent diffusion coefficient，ADC）值識(shí)別乳腺良惡性病變也具有一定的價(jià)值［3-4］。圖像組學(xué)是一個(gè)熱門的研究方向，它基于影像圖像提供了大量的定量特征信息，來鑒別不同類型的病變性質(zhì)［5-6］。本研究通過利用MRI 定性和定量參數(shù)建立MRI 特征模型和聯(lián)合影像組學(xué)標(biāo)簽來建立基于DCE-MRI的影像組學(xué)模型，探討基于DCE-MRI的影像組學(xué)鑒別乳腺良惡性病變的價(jià)值。

1 資料與方法

1.1 一般資料 回顧性分析2020年1月至11月在我院進(jìn)行乳腺DCE-MRI掃描的68例乳腺包塊患者共68 枚病變影像及其臨床病理數(shù)據(jù)等資料，所有患者的相關(guān)資料均完整。納入標(biāo)準(zhǔn)：（1）MRI 檢查和手術(shù)中的病理數(shù)據(jù)均完整；（2）既往沒有接受放射處理等治療史；（3）既往無乳腺外科手術(shù)史。排除標(biāo)準(zhǔn)：由于圖像質(zhì)量差而導(dǎo)致難以進(jìn)行觀察和測(cè)量。所有患者均為女性，以術(shù)后病理結(jié)果為金標(biāo)準(zhǔn)，其中乳腺惡性病變34枚（浸潤(rùn)性導(dǎo)管癌26枚，浸潤(rùn)性腺癌1枚，浸潤(rùn)性小葉癌3枚，導(dǎo)管內(nèi)癌4枚），患者平均年齡（43.8±9.3）歲；乳腺良性病變34枚（纖維腺瘤25枚，導(dǎo)管內(nèi)乳頭狀瘤7枚，肉芽腫性小葉炎2枚），患者平均年齡（42.1±9.7）歲。

1.2 檢查方法 采用美國(guó)GE Signa HDxt3.0T 磁共振掃描儀，線圈使用乳腺8 通道專用相控陣線圈。患者頭先進(jìn)取俯臥位，雙乳自然態(tài)，位于線圈中央，同時(shí)應(yīng)避免線圈擠壓雙側(cè)乳房；讓患者處于較舒適體位，掃描方向從上至下，范圍應(yīng)包括整個(gè)乳房。掃描序列及參數(shù)：LAVA T1WI：TR 5.68 ms，TE 2.10 ms，TI 14 ms，層 厚2.0 mm，層間距0 mm，F(xiàn)OV 330 mm×330 mm，矩陣320×320；STIR T2WI：TR 10 000 ms，TI 230 ms，TE 50 ms，層厚4.0 mm，層間距0.4 mm，F(xiàn)OV 330 mm×330 mm，矩陣320×256。DWI：?jiǎn)未?激 發(fā)SE-EPI：b=1 000 s/mm2，TR 6 500 ms，TE55ms，層厚4.0mm，層間距0.4mm，F(xiàn)OV340mm×320 mm，矩陣126×96。增強(qiáng)掃描采用雙筒高壓注射器，靜脈注射流速為2.5 ml/s、劑量為0.1 mmol/kg的Gd-DTPA（GE Healthcare AS）對(duì)比劑，先掃1期蒙片，蒙片完成后立即注入對(duì)比劑同時(shí)行LAVA T1WI 掃描，參數(shù)同上。每1 期掃描時(shí)間為60 s，共需要掃描8期。

1.3 圖像分析 由2 名經(jīng)驗(yàn)豐富的放射科醫(yī)師根據(jù)2013 年美國(guó)放射學(xué)會(huì)第2 版適用于MRI 的乳腺影像報(bào)告和數(shù)據(jù)系統(tǒng)［7］分別盲法閱片。由同一名醫(yī)師測(cè)量ADC 值和TIC，并盡可能避開壞死、囊性和出血區(qū)域。測(cè)量ADC 值5 次，去除最大值、最小值，取平均值，選擇病灶強(qiáng)化最明顯區(qū)域繪制TIC曲線。采用組內(nèi)相關(guān)系數(shù)（intraclass correlation coefficient，ICC）評(píng)價(jià)2 名醫(yī)師提取特征的一致性，ICC 為0.863～0.977，一致性較好。

1.4 特征提取及影像組學(xué)標(biāo)簽的建立 所有患者的DCE-MRI圖像均以DICOM格式從PACS系統(tǒng)導(dǎo)入到ITK-SNP（3.6.0版本）軟件中，2名經(jīng)驗(yàn)豐富的放射科醫(yī)師參考DCE-MRI圖像（病變?cè)鰪?qiáng)的最明顯階段），沿著病變邊緣的所有層面手動(dòng)劃定ROI，并將其融合為三維圖像（圖1），然后轉(zhuǎn)移到AK 軟件（GE：3.30 版）提取紋理特征。使用最小冗余度、最大相關(guān)度和LASSO回歸來對(duì)提取的紋理特征進(jìn)行降維，選擇最佳特征子集并構(gòu)建影像學(xué)標(biāo)簽，然后根據(jù)特征的權(quán)重計(jì)算影像組學(xué)評(píng)分（Rad-score）。

圖1 1例45歲乳腺浸潤(rùn)性導(dǎo)管癌女性患者的MRI三維影像

1.5 統(tǒng)計(jì)學(xué)方法 采用SPSS 23.0 軟件和R 軟件（版本3.5.2）進(jìn)行統(tǒng)計(jì)學(xué)分析。使用Kolmogorov Smirnov檢驗(yàn)來檢驗(yàn)正態(tài)性。正態(tài)分布計(jì)量資料采用均數(shù)±標(biāo)準(zhǔn)差表示，偏態(tài)分布采用中位數(shù)表示，計(jì)數(shù)資料采用［n（%）］表示。χ2檢驗(yàn)或Fisher檢驗(yàn)用于分類變量，獨(dú)立樣本t檢驗(yàn)（正態(tài)分布和方差齊）或Mann WhitneyU檢驗(yàn)（偏態(tài)分布或方差不齊）用于連續(xù)變量。采用多元Logistic回歸分析法建立預(yù)測(cè)模型，并繪制受試者工作特征（ROC）曲線來評(píng)價(jià)該模型的診斷效果。P＜0.05為差異有統(tǒng)計(jì)學(xué)意義。

2 結(jié)果

2.1 2 組MRI 影像學(xué)特征參數(shù)比較 2 組ADC值、病灶邊緣、分葉征及TIC 類型差異均有統(tǒng)計(jì)學(xué)意義，2組最大直徑、位置、乳腺密度、毛刺征差異無統(tǒng)計(jì)學(xué)意義，見表1。

表1 乳腺良惡性病變組MRI影像學(xué)特征一般資料比較

2.2 紋理特征選擇和建立影像組學(xué)標(biāo)簽 AK軟件共從DCE-MRI 圖像中提取了1 316 個(gè)紋理特征，經(jīng)特征降維、篩選出12 個(gè)最佳特征，建立影像組學(xué)標(biāo)簽，見圖2。影像組學(xué)標(biāo)簽公式為：Radscore=- 0.936*wavelet_LHH_firstorder_Skewness + 1.274*lbp_3D_m2_firstorder_10Percentile+1.326*lbp_3D_k_glcm_Imc1+-0.684*wavelet_HHH_glrlm_ShortRun-HighGrayLevelEmphasis+-0.302*wavelet_LLL_gldm_LargeDependenceLowGrayLevelEmphasis + 1.006*wavelet_HLH_glcm_Imc1+-0.335*lbp_3D_k_ngtdm_Strength+0.324*lbp_3D_m1_glrlm_RunLengthNon-Uniformity + 0.505*wavelet_LLH_ngtdm_Strength+ 0.894*wavelet_LHL_gldm_DependenceEntropy +-0.248*wavelet_HHH_glrlm_RunVariance+0.587*log_sigma_3_0_mm_3D_firstorder_Kurtosis+0.063。進(jìn)一步繪制ROC 曲線，得出影像組學(xué)標(biāo)簽AUC 為0.894，見表2。

圖2 LASSO篩選結(jié)果

2.3 建立MRI 特征模型、影像組學(xué)模型 將單因素分析差異有統(tǒng)計(jì)學(xué)意義的ADC 值、病灶邊緣、分葉征及TIC類型納入多因素Logistic回歸分析建立MRI特征模型，并分析模型中各獨(dú)立因子的OR值及P值，見表2；繪制ROC 曲線，得出MRI 特征模型AUC為0.928，見表3。

表2 MRI特征模型中各獨(dú)立預(yù)測(cè)因子的OR值及P值

將MRI特征模型中ADC值、病灶邊緣、分葉征及TIC類型4個(gè)變量聯(lián)合影像組學(xué)標(biāo)簽建立影像組學(xué)模型，對(duì)模型繪制ROC 曲線，得出影像組學(xué)模型AUC為0.982，見表3。

表3 MRI特征模型、影像組學(xué)標(biāo)簽及影像組學(xué)模型的診斷效能

3 討論

磁共振檢查對(duì)乳腺病變良惡性的鑒別具有重要價(jià)值，能夠?yàn)榕R床選擇合適的治療措施提供一定的參考。以往研究表明，可以根據(jù)MRI 圖像病變的形狀、邊緣、分布、內(nèi)部強(qiáng)化特點(diǎn)及ADC值等特點(diǎn)對(duì)乳腺病變的良惡性進(jìn)行判斷［8］。乳腺惡性腫瘤相較于良性腫瘤往往具有形態(tài)不規(guī)則、邊界不清等特點(diǎn)。ADC 值與單元內(nèi)部和外部空間的比例和形狀有關(guān)，單元外部空間的細(xì)胞密度，曲折度和附著力的增加會(huì)影響單元內(nèi)部和外部空間中水?dāng)U散的變化，乳腺癌細(xì)胞的密度增加，水分子的擴(kuò)散受到限制，ADC值降低，孫蓉等［9］研究結(jié)果得出ADC值可反映腫瘤內(nèi)部結(jié)構(gòu)特征。本研究分析乳腺良惡性病變?cè)贛RI 圖像中的定性及定量參數(shù)的差異性，得出ADC值、病灶邊緣、分葉征及TIC 類型對(duì)乳腺良惡性病變的鑒別差異有統(tǒng)計(jì)學(xué)意義。本研究還顯示，乳腺惡性病變邊緣大多不清晰，出現(xiàn)分葉征及TIC 類型多為Ⅲ型；乳腺良性病變一般邊緣較清晰，無分葉征及TIC 類型多為Ⅱ型。將ADC 值、病灶邊緣、分葉征及TIC 類型聯(lián)合建立MRI 特征模型，ROC 曲線顯示模型的AUC 為0.928，特異度為91.18%，敏感度為82.35%。說明利用乳腺的增強(qiáng)MRI 特征對(duì)乳腺良惡性病變具有較高的鑒別效能。

自從影像組學(xué)提出以來，根據(jù)大量研究證實(shí)，基于DCE-MRI的影像組學(xué)分析能夠有效判斷腫瘤良惡性、預(yù)測(cè)乳腺癌組織病理分級(jí)及乳腺癌脈管侵犯情況等［10-12］。紋理分析是近年來提出的研究熱點(diǎn)，它可以準(zhǔn)確檢測(cè)圖像中每個(gè)像素的精細(xì)分布及其之間的關(guān)系，進(jìn)而在臨床應(yīng)用過程中，可以獲取圖像中各種疾病圖像的盡可能多的不同紋理信息，以其病理結(jié)果作為金標(biāo)準(zhǔn)，通過統(tǒng)計(jì)學(xué)分析，篩選得出與疾病有關(guān)的各種紋理學(xué)特征，因此，可以客觀而又定量地評(píng)價(jià)病灶的異質(zhì)性［13］。近年來，越來越多的研究利用紋理分析來鑒別病灶的良惡性。本研究基于DCE-MRI圖像提取乳腺病灶三維紋理特征1 316個(gè)，經(jīng)過最小冗余最大相關(guān)以及LASSO回歸得出與乳腺良惡性病灶相關(guān)的12 個(gè)價(jià)值較大的紋理特征，并建立影像組學(xué)標(biāo)簽，ROC 曲線顯示模型的診斷AUC 為0.894，特異度為76.47%，敏感度為97.06%，說明利用乳腺良惡性病變紋理特征不同可以有效地對(duì)其進(jìn)行鑒別診斷。

進(jìn)一步探討MRI 特征模型聯(lián)合影像組學(xué)標(biāo)簽的診斷效能，將ADC 值、病灶邊緣、分葉征及TIC 類型聯(lián)合影像組學(xué)標(biāo)簽建立影像組學(xué)模型，ROC 曲線顯示模型的診斷的AUC 為0.982，特異度為94.12%，敏感度為97.06%，均高于MRI特征模型和影像組學(xué)標(biāo)簽，表明影像組學(xué)模型對(duì)鑒別乳腺良惡性病變的診斷價(jià)值高于MRI 特征模型和影像組學(xué)標(biāo)簽單獨(dú)對(duì)乳腺良惡性病變的診斷價(jià)值。

綜上所述，基于DCE-MRI影像組學(xué)鑒別乳腺良惡性病變具有較高的診斷價(jià)值。