CT紋理分析技術在孤立性肺結節良惡性鑒別診斷中的研究進展

溫笑楠，孫建男，閻冬琪

1.牡丹江醫學院 研究生院，黑龍江 大慶 163000；2.大慶油田總醫院 CT室，黑龍江 大慶 163000

引言

肺癌是全球惡性腫瘤中患病率和死亡率最高的疾病之一[1-2]，肺癌早期階段在胸部CT 圖像中常常表現為孤立存在的結節，因此在孤立性肺結節（Solitary Pulmonary Nodule，SPN）被發現后，盡早鑒別其良惡性具有重要意義。常規CT 圖像僅僅提供了病灶表面的信息，而在病灶內部，潛在的遺傳信息仍然未被揭示。

CT 紋理分析（CT Texture Analysis，CTTA）是用于分析醫學圖像中像素和體素灰度的分布和關系的強大工具。該技術可提取病變的定量或定性紋理特征參數，從而可以客觀觀察肉眼看不到的信息。CTTA 解決了常規CT 定量評估的不足，降低了放射科醫生主觀性的影響，提高了惡性SPN 的檢出率?？傮w而言，CTTA 提供了一種更精確和可靠的方法來分析醫學圖像。

1 CTTA概述

CTTA 作為影像組學的一個分支，是一種新興起的圖像后處理技術。CTTA 主要借助計算機軟件分析CT圖像中的像素或體素灰度的分布排列關系，量化評估圖像的異質性，因其具有普遍性、客觀性和可重復性等特點，從而備受廣大研究者的青睞[3-4]。除此之外，CTTA還可以分別從功能和分子水平獲取病灶內的微觀信息，反映病灶內的生物學異質性，從而揭示人體生理內部特征與組織結構的細微變化，并對其進行量化分析[5]。

2 CT紋理分析的主要步驟

CT 紋理分析涉及的步驟通常包括CT 圖像獲取，感興趣區域（Region of Interest，ROI）的勾畫，紋理特征的提取，統計分析和受試者工作曲線分析。這些步驟對于為科學研究產生準確可靠的結果至關重要。第一步，使用標準成像協議采集CT 圖像；第二步涉及使用自動或手動方法概述ROI；在此之后，使用專門的軟件工具提取紋理特征；然后進行統計分析以確定顯著特征，并使用受試者工作曲線分析來評估研究結果的可重復性。這些步驟有助于確保從CT 紋理分析研究中獲得結果的有效性和可重復性。

2.1 CT圖像獲取

在CT 紋理分析中，獲取高質量圖像至關重要。在圖像采集過程中，保持CT 設備、成像方法和重建后處理技術的一致性非常重要。研究表明，設備和圖像重建方法的差異會顯著影響結果圖像的質量。因此，堅持一致性原則對于確保圖像的質量和可靠性是必要的，可通過定期校準設備，遵循標準化成像協議并在所有成像程序中使用一致的重建方法來實現。這些措施可以提高CT 紋理分析結果的精度和可重復性[6-7]。除此之外，在獲取CT 圖像之后要進行圖像的預處理，由于干擾、不相關信息和噪聲等問題，圖像的質量直接影響后續分析過程的有效性，這些問題可能會掩蓋相關數據。因此，降低噪聲干擾，增強有效信息，提高分析過程數據的有效性至關重要，可通過各種圖像處理技術來實現，如降噪和增強對比度，這可以幫助刪除不相關的信息并增強相關數據的可見性。最終，這些方法可以提高后續圖像分析程序的準確性和可靠性，并在臨床實踐中帶來更好的結果[8]。

2.2 勾畫ROI

在勾畫紋理分析的ROI 時，主要有兩種方法：面積法和體積法。面積法涉及選擇病變的最大橫截面，而體積法需要勾勒出病變的所有層。研究人員可以手動繪制，也可以通過機器使用半自動或全自動方法繪制，后一種方法具有效率、速度和一致性等優勢。然而，自動劃定的一個局限性是大血管可能包含在ROI 中，特別是在血管穿過病變的情況下，這對從ROI 中提取的特征參數有影響，可能會影響后續分析的準確性。解決這一限制是未來醫學成像研究的一個重要領域。雖然手動劃定比機器自動劃定更精確，但過程費力，會導致操作員疲勞。為保持一致性，數據收集通常依賴于同一個操作員，但這種方法在處理大型數據集時帶來了挑戰。

目前，研究人員傾向于使用手動和半自動組合的方法來劃定ROI，以在準確性和效率之間取得平衡。這種方法可保證數據處理更高效，同時確保數據收集的一致性。未來的研究可能會探索對自動描繪技術的進一步改進，以提高準確性并減少操作員的疲勞感[9-10]。

2.3 紋理特征提取

目前存在多種紋理特征提取方法，包括統計，結構，基于變換、模型，基于圖，基于學習和基于熵的方法[11]。其中，研究人員最常使用統計、結構、基于模型和變換的方法進行紋理分析。這些方法允許對紋理特征進行定量分析，并已證明可以有效地從醫學圖像中提取有用的信息[12]。

2.3.1 統計法

統計法主要采用區域統計來分析相鄰圖像像素的灰度值的空間分布。此方法可以根據定義局部特征的像素數細分為一階、二階和高階統計：一個像素用于一階，兩個像素用于二階，三個或更多像素用于高階統計。由于效率和有效性較高，統計方法在紋理特征提取中得到了廣泛應用。

灰度共生矩陣（Grey Level Co-occurrence Matrix，GLCM）和局部二元模（Local Binary Patterns，LBP）是圖像處理中廣泛使用的統計分析技術。GLCM 也稱為空間灰度相關矩陣（Spatial Gray Level Dependence Matrix，SGLDM），用于檢查像素對之間的空間關系，是一種二階直方圖方法，考慮二階統計并研究像素對的灰度分布[13]。同樣，LBP 是一種紋理分析算子，工作原理是閾值化每個像素的鄰域并將生成的二進制模式與參考表進行比較。GLCM 和LBP 均能有效地從圖像中提取紋理信息，在醫學圖像分析和遙感等各個領域的應用已得到廣泛探索。GLCM 方法在處理時間和復雜性方面顯示出有效的結果，但是，在某些噪點圖像中，它提供的結果不完全有效。LBP 方法成功地結合了結構和統計方法，對每個圖像像素利用二進制模式，并采用簡單而有效的計算方法來增強紋理分析性能，因此引起了研究人員的極大興趣。但原始的LBP 方法仍然存在某些局限性，如生成的直方圖較冗長，從而降低了唯一性并需要更大的存儲空間。同時，該方法僅考慮相鄰像素之間的差異，缺乏收集局部紋理信息的能力。此外，LBP 方法還對噪聲和模糊高度敏感[14-15]。

2.3.2 結構法

紋理分析的結構法將紋理劃分為元素、基元和紋素，它將紋理視為由以常規方式復制的紋理元素或基元組成[11,16]?；哂刑囟ǖ姆胖靡巹t，并定期在紋理中復制，結構法的目標是識別紋理基元并概述其放置規則。鑒于對規則的強調，結構法主要用于分析具有可預測模式的紋理，而不是表現出高度隨機性的紋理。

2.3.3 基于變換法

基于變換法主要涉及在空間中解釋圖像的坐標系，如頻率或尺度，并且與紋理特征密切相關。該方法包含一系列技術，包括濾波方法、基于傅里葉變換的方法、基于Gabor 分解的方法、基于小波的方法、基于希萊特的方法、基于輪廓的方法和本地編碼轉換特征直方圖。其中，基于Gabor 分解的方法和基于小波的方法被廣泛采用?；贕abor 分解的方法在空間和頻域中都具有局部分析的優勢，并且可以通過使用Gabor 濾波器進行多分辨率分解。相反，基于小波的方法能夠最小化海森堡的不確定性，從而捕獲局部頻率和空間信息[11]。

2.3.4 模型法

模型法主要通過建立數學模型并利用模型的參數來獲取紋理特征，這種方法包括基于網絡的復雜方法、馬賽克模型、隨機場模型、基于分形的紋理測量、引力模型以及Word 分解，其中隨機場模型提供了表達空間相關隨機變量的相互關系，因而應用較為廣泛。

3 SPN概述

SPN 被定義為實性或亞實體性病變，表現為單個、邊界明確、直徑≤30 mm 的結節[17]。SPN 通常不伴有胸腔積液、肺不張或肺門增大，周圍有正常的肺組織。根據大小，SPN 可分為小結節和微小結節，而密度可用于區分實結節和亞實性結節。反過來，亞實性結節可進一步分為純磨玻璃結節（Pure Ground-Glass Nodule，pGGN）和混合磨玻璃結節（Mixed Ground-Glass Nodules，mGGN）。

SPN 可分為惡性和良性病變。惡性病變主要由肺腺癌、肺鱗狀細胞癌和細支氣管肺泡癌組成，良性病變包括硬化性肺細胞瘤、肺曲霉病、錯構瘤、肺結核瘤和肺假瘤等[18-19]。

4 CCTA在SPN良惡性診斷中的應用

4.1 CCTA在SPN的大小及倍增時間預測中的應用

以往研究一致發現，SPN 的直徑與惡性腫瘤的風險之間存在正相關關系。具體來說，隨著SPN 直徑的增加，惡性腫瘤的風險也會增加。SPN 的倍增時間定義為結節體積增加1 倍或直徑增加25%所需的時間間隔。SPN 的倍增時間因良性和惡性病例而異，是鑒別二者的標準[20]。

惡性SPN 的不同病理分類表現出不同的倍增時間，大多數研究表明，小細胞癌的生長速度最快，而細支氣管肺泡癌的生長速度最慢[20-23]。惡性腫瘤在不同時期的倍增時間也存在一定差異性，早期肺癌的倍增時間長，腫瘤生長相對緩慢，但隨著腫瘤進展，腫瘤倍增時間不斷減少，生長速度不斷加快[24]。通常來說，SPN 在30 d 內快速增大，考慮感染、炎癥或淋巴瘤可能[25-26]，除此之外，一些炎性結節在進行抗炎治療后復查發現結節的體積明顯縮小，一些良性結節在隨診復查多年后體積并無明顯改變。

以前的研究經常使用公式體積倍增時間（Volume Doubling Time，VDT）=[ln2×ΔT]/[ln（Vfinal/Vinitial）] 來計算肺結節的倍增時間，以預測SPN的生長速度并區分良性和惡性SPN。惡性SPN 的倍增時間通常約為30～400 d，而良性SPN 的倍增時間＞400 d[27-28]。然而，這種方法給患者帶來了負擔，因為他們必須在檢查前后進行兩次CT 掃描，同時會增加患者心理壓力，并在兩次檢查期間引起與輻射暴露和疾病狀況相關的焦慮。

CCTA 具有預測肺結節倍增時間的能力。研究人員已經確定了影響亞實體肺結節倍增時間的影像組學特征參數：GLCM entropy、GLSZM small area emphasis、Fractal Dimension、Compactness2，并成功開發了此類結節倍增時間的預測模型。該模型提供了客觀和定量的信息，有助于確定長期亞實體肺結節患者的隨訪周期和臨床決策[29]。也有學者在研究中發現紋理特征參數均勻性與VDT 之間存在良好的正相關關系[30]。

4.2 CTTA在SPN的形態特征預測模型中的應用

分葉征、毛刺征、胸膜凹陷征和血管集束征通常用作鑒別良性和惡性SPN 的關鍵指標。先前的研究一致表明，惡性SPN 中這些征象的發生明顯高于良性SPN。在對522 例SPN 患者的回顧性分析中，祝筱茜等[31]確定了區分良性和惡性結節的幾個獨立危險因素，包括上葉位置、毛刺征、小葉征、血管束征、邊界不清和結節最大直徑?；谶@些結果，作者建立了SPN 診斷的預測模型：P=ex/（1+ex），X=-3.742+（0.185×結節最大徑）+（1.423×毛刺征）+（1.143×分葉征）+（3.783×血管集束征）+（2.526×邊界不清）+（0.730×上葉），且模型診斷效能較好。然而，在臨床實踐中觀察到，一些良性結節與惡性結節具有相同的征象，這在準確診斷和規劃適當的治療策略方面帶來了相當大的挑戰。因此，該預測模型的準確性需要通過更大的樣本量和更全面的數據分析來進一步驗證和提高。此外，預測模型中還應考慮其他因素，如患者年齡、吸煙史和病史，以提高診斷準確性。

一些學者開發了肺結節形態學模型，CT 紋理分析模型以及結合兩種方法的聯合模型。根據他們的發現，肺結節形態學和CT 紋理分析的組合模型比單獨的肺結節形態學模型顯示出更高的診斷準確性，曲線下面積（Area Under Curve，AUC）值分別為0.911 和0.824[31]?？傮w而言，SPN 診斷是一項復雜且具有挑戰性的任務，需要整合臨床、影像學和病理信息才能實現準確的診斷和適當的治療。

4.3 CTTA在SPN的密度及實性成分紋理特征參數預測中的應用

SPN 根據密度分為實性和亞實性結節，亞實性結節又分為pGGN 和mGGN。肺結節的惡性腫瘤風險因密度而異，相關研究表明，與pGGN 相比，mGGN 惡性程度可能性較高[18]。然而，僅基于密度和實性成分對SPN 的良性或惡性進行定性診斷是不可行的。因此，需要一種新的視角來有效診斷良性和惡性SPN。

Sun 等[30]對89 例肺GGN 進行了回顧性分析，并將其分為3 組：癌癥組、生長組和非生長組，其中包括42 例pGGN 和47 例mGGN。該研究對結構特征參數進行了統計分析，包括均勻性、平均值、熵和能量，在熵和能量參數中觀察到了顯著的結果，AUC 值分別為0.886、0.919。此外，結果表明，與生長組和非生長組相比，癌癥組的熵值明顯更高，而癌癥組的能量遠低于生長組和非生長組。此外，pGGN 的均勻性越低，惡性結節的可能性就越高[32]。一些學者進行的一項單獨研究涉及77 例GGN 結節性腺癌患者，結果表明：提取的紋理特征參數在均值、標準差、P10、P25、P50、P75和P90以及能量、熵、相關性和均勻性方面存在顯著差異。值得注意的是，發現能量和熵具有更好的診斷效能[33]?；诖?，惡性與良性SPN 在熵和能量等紋理特征參數上的差異可以作為預測惡性腫瘤的有意義的定量指標。

5 總結與展望

隨著醫療技術的進步和公眾意識的提高，SPN 的發病率呈上升趨勢，區分良性和惡性結節對于有效的臨床治療計劃至關重要。雖然病理活檢是診斷的“金標準”，但它是一種侵入性手術，患者更青睞于CT 掃描等非侵入性技術。這可能會顯著改變目前的侵入性診斷方法，并提高成像測試的臨床實用性。CTTA 在良惡性SPN 的準確區分方面具有巨大前景，并為區分兩種類型的結節提供了一種新的方法，使紋理特征成為臨床診斷和治療的潛在有價值的生物標志物。

雖然CTTA 在肺結節診斷方面已經取得了一定的進展，但仍存在一些問題和挑戰：① CTTA 需要大量的CT 影像數據和精確的標注信息，以支持機器學習算法的訓練和優化；② 不同的CT 設備和掃描參數也可能會對CTTA 的結果產生影響；③ 紋理特征提取方法繁多，在選擇紋理特征提取方法時，需要考慮數據集的特點、所需的特征維度、時間和空間復雜度等方面的因素。在未來研究中，研究者應該認真評估這些因素，嘗試不同的方法進行比較，以確定哪種方法最適合解決具體的問題。除了紋理特征提取方法本身，還需要結合具體的應用場景，如圖像分類、目標檢測、醫學圖像分析等，綜合考慮不同方法的準確度、速度、魯棒性等指標進行選擇。

綜上所述，CTTA 作為一種新興的肺結節診斷技術，具有廣闊的發展前景，但同時也需要進一步研究和探索。隨著醫學影像技術的不斷發展和機器學習算法的不斷優化，CTTA 有望成為未來肺結節診斷的重要手段之一。