|
本文原载于《中华放射学杂志》2017年第12期 随着医学图像设备的发展，医学图像处理技术对医学科研及临床实践的影响和作用日益增大，对人体内部病变部位的观察更直接、更清晰，对疾病的诊断更准确。图像纹理分析是近年来新出现的一种图像后处理技术，可对医学图像中像素的分布情况进行数学分析，获取一系列量化病灶异质性的相关参数，有助于判断疾病（特别是肿瘤）的特征、评估预后、预测和监测肿瘤治疗反应等，是肿瘤影像学研究的一种有用的附加工具。如何根据不同种类和特点的医学图像寻找其最优纹理特征与纹理参数，是当前研究的重点与难点[1]。笔者对纹理分析在人体肿瘤影像学中的应用及进展进行综述。 一、纹理分析的基本概念及原理 纹理指图像中像素（或子区域）的灰度变化规律，图像中局部不规则而宏观有规律的特性称为纹理[2]。纹理特征不依赖颜色或亮度，反映图像中同质现象的视觉特征，包含物体表面结构组织排列的重要信息及其与周围环境的联系，对区域内部灰度级变化的特征进行量化。图像的纹理特征分析即对图像像素灰度值局部特征、变化规律及其分布模式进行研究。 纹理参数可以通过数据法、模型法或转化法获得。数据法是最常用的方法[3]，通过计算图像中每个像素的局部特征并根据局部特征的空间分布获得参数。数据法分为一阶（单体素）、二阶（双体素）及高阶（3个以上体素）等几种方法。一阶描述总体纹理特征，即感兴趣区内的灰度频度分布情况，基于直方图分析方法，包括平均强度、最小强度、最大强度、标准差、偏度及峰度；二阶描述局部纹理特征，主要应用灰度共生矩阵（gray-level co-occurrence matrix，GLCM）或空间灰度依属法，这些矩阵描述一个像素的强度与另一个像素强度之间的关系；高阶应用相邻灰度差分矩阵描述图像局部特征。高阶区域特征可以依据体素排列及灰度范围矩阵计算得出，反映区域内强度的变化或同质区域的分布情况[4]。一阶和二阶测量在医学影像的纹理分析中更常见。结合三类参数所反映的不同信息能有效表征病灶异质性，从而更加客观地反映病灶的内部信息，提高诊断、治疗和预后预测的准确性与精确性。 常用的纹理特征分析方法有统计分析、结构分析、模型分析和频谱分析4种方法[5]，其中统计分析最常用。统计分析通过纹理的统计属性来描述纹理，提供纹理的平滑、稀疏、规则等特性，其典型代表是GLCM的纹理特征分析方法，基于共生矩阵的模型充分利用了纹理中灰度分布的性质。结构分析将纹理看作一组纹理基元以某种规则或重复的关系结合的结果，适用的研究对象为具有规则边界且固定在特定区域者[6]。由于医学上的研究对象通常没有很规则的形状，故临床上较少应用。模型分析使用数学模型代表纹理，应用模型所产生的图像来解释纹理，其劣势是缺乏方向选择性，不适于描述局部图像结构[7]。频谱分析通过图像傅里叶功率谱的分布来分析纹理的方向性，特别是频谱中的高能量窄脉冲可描述纹理中的全局周期性质。 影像上纹理表现为根据色调或颜色变化而呈现出的细纹或细小图案，其图案在某一确定的区域中以一定的规律重复出现。纹理特征的定量或定性特征往往反映机体的病理变化。因此，国内外学者尝试利用各种纹理分析技术对多种医学成像图像进行分析，探索疾病诊断和治疗的新途径。 二、GLCM的纹理特征与肿瘤影像学的相关性 GLCM建立的基础是图像的二阶组合条件概率密度通过计算图像中一定距离和一定方向的两点灰度之间的相关性，反映图像在方向、间隔、变化幅度及快慢上的综合信息，从而精确地描述纹理的粗糙程度和重复方向。基于GLCM的纹理特征值测量在肿瘤影像学中逐步开始应用[8]。 早在1973年，Haralick等[9]就提出了GLCM描述图像的14个纹理特征，包括能量（角二阶距）、对比度（惯性矩）、逆差矩、熵、相关性、惯量等。能量是对GLCM的总体描述[10]，是图像灰度分布均匀性或平滑性的度量，当图像的灰度分布均匀，图像呈现较粗的纹理，其相应的能量值较大，反之则较小[11]；对比度可理解为图像的清晰度，纹理沟越深，对比度越大，效果越清晰；逆差矩反映图像纹理的规则程度，当纹理杂乱无章、纹理规律性不强时，逆差距较小；熵度量灰度分布的随机性，图像的灰度分布随机性越高熵值越高，熵反映图像的信息量，无纹理则熵值为0，满纹理则熵值最大；相关性用来描述元素在行或列方向上的相似程度，当矩阵元素值均匀相等时相关值较大；惯量反映图像纹理的粗细程度，纹理粗时，元素较集中于矩阵的对角线附近，惯量较小，纹理细时，惯量较大。 图像的GLCM是分析图像局部模式及其排列规则的基础，可反映灰度分布混乱程度，是分析肿瘤异质性的最常用方法[12]。对比度和熵等参数越高，表明肿瘤异质性越强，而能量和均质性与肿瘤异质性呈负相关。有学者利用GLCM特征对乳腺疾病的良、恶性进行分类，分类的精度可达约90%[13,14]。 三、纹理分析在肿瘤影像学中的应用价值 1．纹理分析在肿瘤诊断中的应用价值： 诊断学中区分肿瘤性疾病的重要形态特征是正常的组织结构被破坏，反映在影像图像上则呈现为图像纹理的改变。因此，可利用纹理特征的差异对不同患者的影像图像进行分析，从而实现对肿瘤组织和正常组织的分类识别。尤其对于肉眼难以辨别的良、恶性肿瘤内部的异质性，可通过纹理分析中的参数不同获得，更加精确地分析肿瘤内部信息。Ganeshan等[15]的研究显示，图像纹理特征分析技术可以用于鉴别非小细胞肺癌、肝癌等肿瘤的良、恶性及侵袭性，提高病变诊断正确率。 目前纹理图像研究的热点问题是如何从医学纹理图像获得有价值的纹理特征应用于肿瘤诊断。在现有CT空间及密度分辨率下，CT图像纹理分析可以评估肿瘤内部的病理性质，已经应用于鉴别肝脏、甲状腺、肺部结节、骨骼和软组织肿块的良、恶性。Rao等[16]证实，有转移灶的肝脏CT图像的熵值会发生变化。吴宇强等[17]通过CT增强图像纹理特征值中的熵和结节内分形维数（fractal dimension，FD）值对甲状腺结节定性诊断，发现熵值和FD值越大，结节内部灰度分布的程度越复杂，内部越粗糙，异质性越差，结节越趋向于恶性。肺结节的CT图像纹理分析（平均灰度值、熵及均匀度）对于鉴别病变良、恶性有一定的价值[18]。Chae等[19]应用CT图像纹理分析部分实性磨玻璃肺结节，认为能量值和熵是独立性鉴别指标，熵代表图像纹理的复杂程度，在一定程度上与图像纹理的均匀性有关，纹理参数可以作为准确鉴别侵袭性肺腺癌和侵袭前病灶的指标。图像纹理特征分析有望在临床应用中对肺结节的诊断提供帮助，但是仍需要更大规模以及更多研究的验证[20]。 肿瘤的种类繁多，其影像表现也存在较大程度重叠，纹理分析有助于进行进一步定性。Raman等[21]应用CT纹理分析量化肾脏肿瘤病灶的异质性并建立了随机森林模式进行归类判断，对肾透明细胞癌、肾乳头状癌、肾嗜酸细胞瘤和肾囊肿归类判断的准确度分别为91%、100%、89%、100%。应用CT纹理分析进行随机森林归类分析判断局灶性结节性增生、肝腺瘤、肝癌的准确度分别为94.4%、91.2%、98.6%[22]。CT纹理分析有助于在平扫CT影像上区分乏脂型血管平滑肌脂肪瘤和肾细胞癌[23]，鉴别诊断乳头状肾细胞癌和透明细胞癌[24]，对鉴别肉瘤样肾细胞癌和肾透明细胞癌也具有一定价值[25]。另外，Wang等[26]报道，肺腺癌的分形维度较鳞状细胞癌、细支气管肺泡癌增高，CT纹理分析有助于鉴别不同类型的肺恶性肿瘤。 纹理分析不仅应用于肿瘤的CT图像中，还应用于超声、乳腺X线摄影、MRI、PET及PET-CT等肿瘤检查图像中。Basset等[27]用共生矩阵方法对前列腺B超图像进行正常组织、良性前列腺增生和前列腺癌分析，显示出具有一定价值。Wei等[28]通过小波变换在多尺度下对数字乳腺照片进行分解，得出多分辨率纹理特征，实现了对病理证实的肿块和正常软组织进行区分。Kjaer等[29]应用第一阶和第二阶纹理统计特征对正常脑组织和肿瘤组织的T1WI、T2WI进行区别，获得了有价值的信息。Wibmer等[30]对147例经活检证实的前列腺癌患者的MRI图像研究，发现T2WI和ADC图像的Haralick纹理特征有利于区分癌变组织与非癌变组织，ADC图像中，癌变组织的熵和惯量值明显高于非癌变组织，而能量、相关性和均质性则明显低于非癌变组织；T2WI中，癌变组织的惯量值明显高于非癌变组织，而相关性则明显低于非癌变组织，而两者能量、熵和均质性的差异均无统计学意义。 PET纹理分析可从体素角度统计区域中灰度级的空间分布特征，用于量化分析肿瘤异质性，从而完整分析整个病灶内的细节信息。PET纹理特征可以很好地描述组织，预测治疗效果和存活率[31]。在对实体肿瘤的预后预测、治疗反应评估及术前肿瘤分期中具有一定的价值，且与肿瘤预后的相关性优于标准摄取值[32]。PET-CT将功能信息与解剖结构结合，极大提高了临床诊断水平[33]。PET-CT纹理分析可将纹理参数与PET-CT的最大标准摄取值相结合进行诊断[34]，提高诊断效率。王长梅等[35]的研究显示，将PET-CT融合图像的纹理特征（对比度、频度、能量和粗糙度）与医师经验结合，能将鉴别诊断肺癌的敏感度提升至97.4%，但特异性降低；恶性组PET-CT图像灰度分布不均匀，纹理沟较浅，灰度等级空间变化速度慢。 2．纹理分析在肿瘤治疗及预后中的应用价值： 纹理分析还可以将参数与预后结果联系，从而判断病变发展及预后。Lubner等[36]发现，结直肠癌肝转移瘤的CT纹理参数（熵、平均阳性像素值、像素标准差）与转移瘤的病理分级相关，其中熵还与肿瘤的临床预后相关。Ng等[37]应用纹理分析所获得的肿瘤异质性参数作为预测生存期的独立指标，提出原发大肠癌的CT纹理特征与5年总生存率具有相关性。Alic等[38]用21例肉瘤患者的动态对比增强MRI图像纹理值表示肿瘤异质性，并预测疗效。Torheim等[39]使用GLCM方法对宫颈癌的治疗结果进行预测，预测的精度为75%。El Naqa等[12]首次利用PET图像纹理分析的方法量化宫颈癌及头颈癌的异质性，并提取4个纹理参数（对比度、均一度、熵和能量）用于预测疗效，发现能较好地模拟人对灰度变化的感知，鉴别力强，4个纹理参数与疗效有不同程度相关性。 近年来，多项研究中将CT纹理特征用于预测和观察肿瘤放化疗疗效及评估预后。在接受新辅助化疗的头颈晚期鳞状细胞癌患者中，治疗前的增强CT纹理分析所评估的异质性参数、患者体重指数、肿瘤N分期和原发肿瘤大小均可作为总生存期的预测指标[40]。在评估软组织肉瘤对新辅助放化疗的近期疗效中，CT纹理分析也显示出优势，相对于肿瘤大小、密度以及灌注扫描参数等变化，CT纹理参数的变化是最好的疗效评估指标[41]。CT纹理分析还有助于预测肺癌患者行立体定向放疗后早期复发（5个月以内）的可能性[42]。对比放疗前后CT纹理参数的变化，有助于辨别肺癌患者放疗后的急性软组织损伤性病变[43]。因此，纹理分析在一定程度上与肿瘤生物学行为相关，纹理分析辅助判断肿瘤特征、预后以及预测肿瘤治疗反应具有可行性。 四、纹理分析技术存在的问题 第一，由于医学图像及其纹理的复杂性，目前尚无适合各类医学图像进行纹理分析的通用方法、标准化的纹理分析处理方法流程与标准化参数。根据各类具有不同特点的医学图像采取有针对性、最适合的纹理分析技术，是当前研究的重点和难点。第二，影像本身的采集参数会影响纹理分析参数，这些因素可能潜在地影响了影像显示异质性的程度。第三，纹理分析处理过程中（尤其是分割区域或感兴趣区的容积时），观察者自身和观察者之间的一致性也需引起重视，通过计算机辅助半自动或自动方法分割肿瘤区域或容积可能有助于减少变异来源。解决上述问题，纹理分析才能取得较好的效果并促进其临床推广。 五、总结与展望 纹理分析是一种新的图像后处理技术，可对现有的影像扫描数据进行量化，从而获得丰富的定量化参数，便于数据的结构化分析处理。纹理分析可以用于描述肿瘤特征、判断预后以及预测和评估肿瘤疗效等，将在肿瘤临床应用中发挥重要作用。目前纹理分析研究处于起步阶段，未来的研究方向是寻求最优的图像参数，进一步将各参数用于不同肿瘤种类或示踪剂的研究中，综合不同影像参数来评价肿瘤异质性，完善量化分析肿瘤异质性的标准。融合了图像纹理特征分析的计算机辅助系统将会进一步提高肿瘤诊断效率和正确率。随着肿瘤精准治疗和临床大数据的逐渐推广应用，纹理分析将具有广阔的临床应用前景。 利益冲突 利益冲突 本综述未受到相关设备、材料、药品企业的影响 参考文献 |
|
|
