2019, Vol. 40
2. 中国医科大学 附属盛京医院, 辽宁 沈阳 110004
2. Shengjing Hospital, China Medical University, Shenyang 110004, China
乳腺磁共振成像(magnetic resonance imaging, MRI)可进行多参数成像和序列成像[1-2], 尤其是动态增强磁共振成像(dynamic contrast enhanced magnetic resonance imaging DCE-MRI)能够反映使用增强对比剂后病灶区的动态变化过程, 从血液动力学角度提供病灶区的详细功能信息.研究表明, 由DCE-MRI提供的信息绘制形成的动态增强曲线, 即“时间-信号强度”曲线(time intensity curve, TIC)被认为是一个发现与诊断乳腺病变的主要技术[3-5].TIC曲线可以直观、确切地反映病灶区注入对比剂前后及整个过程的动态特征, 其反映出对比剂的吸收和廓清速度与肿瘤血流相关联, 是鉴别恶性肿瘤的一个重要参考指标[6-7].对肿瘤细胞生理代谢的研究表明, 恶性肿瘤对对比剂的吸收更快, 而良性肿瘤吸收较慢或者不吸收[8-9].由此可根据DCE-MRI图像所获取的病灶区域内各点的TIC曲线的变化情况确定该点所对应组织的性质(良性或恶性).
目前, 越来越多的研究学者将TIC曲线特征应用到乳腺癌的诊断研究中, 文献[10]使用DCE-MRI的TIC曲线形状对乳腺疾病进行诊断, 准确率为81.8 %, 敏感性为91.9 %, 特异性为61.1 %.文献[11]表明, 使用TIC曲线达峰时间作为良恶性诊断的标准, 准确率为82.7 %; 使用早期强化率作为诊断标准, 准确率为71.4 %.文献[12]使用增强模式和曲线线型等指标评价肿块的增强行为, 取得的良恶性分类灵敏度为80 %, 特异性为73.33 %, 准确率为77.14 %; 文献[13]从98个初始动态特征集中选取了强度差总和、基信号和相对增强斜率, 对自动分割的肿块得到79.2 %的分类准确率.上述研究中所使用的TIC曲线特征都是基于单侧肿瘤区域计算得到的, 表明双侧乳腺不对称性是患乳腺癌风险增加的重要表征[14].在此基础上, 本文提出一种基于双侧TIC曲线定量诊断乳腺肿瘤良恶性的方法, 提取双侧对应区域TIC曲线并定义描述其差别的特征参数来反映双侧乳腺组织增强模式差异, 提高了诊断精度.
1 实验材料和方法 1.1 实验材料本研究实验数据由中国医科大学附属盛京医院提供, 随机选取回顾性乳腺DCE-MRI数据112例(良性67例, 恶性45例), 均具有病理诊断标准.DCE-MRI扫描是在未注入对比剂前先扫描1个蒙片序列(S0), 在注入对比剂后即刻采集, 每个序列的采集时间约为1 min, 共8个增强序列(S1~S8), 见图 1.
|
图 1 同一层各序列的DCE-MRI影像 Fig.1 DCE-MRI imaging of sequences in the same layer |
临床上影像诊断标准是根据国际通用的“乳腺影像报告和数据系统”(breast imaging reporting and data system, BI-RADS)分类给出结果, 本实验使用数据的影像诊断和病理诊断结果见表 1.
|
表 1 病例BI-RADS分类及病理结果统计 Table 1 Statistics of BI-RADS classification and pathological results |
本方法主要包括4个步骤:图像预处理, 三维乳腺肿块分割, 对侧相应区域定义、特征提取和选择, 以及乳腺肿瘤的良恶性分类.其中预处理部分涉及降噪处理; 乳腺肿块分割采用三维区域生长算法；对侧相应区域是将分割结果按照整体乳腺区域的中轴对应到对侧乳腺上，特征选择是基于双侧TIC曲线计算的29个特征, 使用SFFS方法得到结果; 最后使用SVM算法对所选特征进行训练, 实现对乳腺肿瘤良恶性的定量辅助诊断.
1.2.1 预处理一般来说, 医学磁共振影像噪声主要服从赖斯分布.当图像的信噪比较高时, 噪声分布会退化为高斯分布; 相反, 当图像的信噪比较低时, 噪声分布就会退化为瑞利分布.由于DCE-MRI影像大都是采用高性能设备进行采集成像的, 所以图像普遍具有较高的信噪比, 因此DCE-MRI影像的噪声分布以高斯分布为主.
基于以上的理论分析, 本文使用高斯滤波器对DCE-MRI影像进行降噪处理.高斯滤波器采用7×7大小的模板, 标准差取0.8, 得到的滤波结果如图 2所示.
|
图 2 高斯滤波结果 Fig.2 Gaussian filter results (a)—原图像；(b)—滤波后图像. |
本研究的乳腺DCE-MRI数据均为三维乳腺数据, 故采用三维区域生长算法获取乳腺肿瘤区域.种子点根据医生给出的诊断报告手动确定.图 3给出了将三维区域生长算法应用到本研究数据中所得到的病灶分割结果, 图 4给出了将分割结果映射到对侧乳腺所获得的对照区域.
|
图 3 基于三维区域生长算法获得的不同病灶分割结果 Fig.3 Lesions segmentation results based on 3D region growing method |
|
图 4 肿瘤分割结果及对侧相应区域 Fig.4 Lesions segmentation result and the corresponding region in the contralateral breast |
将1.2.2中分割得到的肿瘤区域由整体乳腺的中轴投射到另一侧, 得到对侧的感兴趣区域, 分别将其与肿瘤区域称为阴性侧ROI与阳性侧ROI.通过计算DCE-MRI序列图像中阳性侧ROI与阴性侧ROI内信号的平均强度(在图像中表现为平均灰度)绘制TIC曲线, 此TIC曲线能够代表区域内的代谢特性.
本研究所用数据共有9个序列(1个蒙片序列记为0, 8个增强序列分别记为1~8), 每个序列中病灶区域的平均信号强度用val值表示, 通过7次多项式方法得到如图 5所示的1例患者的双侧TIC拟合曲线.
|
图 5 1例患者的病灶及其对侧的TIC曲线 Fig.5 Bilateral TIC curve of lesion |
本研究基于双侧ROI的TIC曲线, 首先计算灰度比、达峰时间、廓清率、吸收率、浓度最大值等29个特征参数(见式1~16).
特征1~8灰度比:
|
(1) |
式中i=0, 1, 2, 3, 4, 5, 6, 7.
特征9吸收率:
|
(2) |
特征10廓清率:
|
(3) |
特征11达峰时间:
|
(4) |
特征12灰度最大值:
|
(5) |
特征13峰值增强斜率:
|
(6) |
特征14峰值增强曲率:
|
(7) |
由拟合后的TIC曲线得到9个多项式系数作为特征值:
|
(8) |
特征15~22曲线拟合参数:
|
(9) |
特征23信号增强比:
|
(10) |
特征24初始增强比:
|
(11) |
特征25初始增强速率:
|
(12) |
特征26最大增强比:
|
(13) |
特征27最大增强速率:
|
(14) |
特征28流出比:
|
(15) |
特征29流出速率:
|
(16) |
分别得到2个对照区域的特征参数后, 记阳性侧ROI计算得到的特征为F1, 阴性侧ROI的特征为F2, 计算二者绝对差值(ΔF=| F1-F2|)表达双侧的TIC差异特征.
1.2.4 特征选择和训练本文把序列浮动前向选择(sequential floating forward selection, SFFS)的算法思想和SVM结合起来, 利用SVM分类器的分类结果作为SFFS的特征选择依据, 即当特征子集发生改变, 添加和剔除特征不能引起分类准确率增加时, 搜索过程停止, 得到所选有效特征.因此得到的最终分类结果即是对应优选特征的分类结果.
本研究使用基于多项式核的SVM分类器, 利用选取的特征, 对乳腺病灶的良恶性进行分类.本研究随机选取回顾性DCE-MRI影像数据共有112例, 其中良性病例67例, 恶性病例45例.基于交叉验证法的思想, 将数据划分为10组, 每组包含10~12个病例数据.每个子数据组中良恶性病例的分布具有一致性.实验共进行10次, 每次使用9组数据作为训练集, 余下的一组数据作为测试集.取10次结果的平均值作为实验的最终结果.
2 结果与讨论实验结果表明, 使用全部29个基于双侧TIC曲线差异的特征, 经10次分类验证得到的平均分类准确率为67.86 %.在每次分类验证中应用SFFS方法进行特征选择, 共选出7个特征, 分别为灰度比参数(i=2, 3, 4, 5, 7)、达峰时间和信号增强比的双侧差异.经过特征选择后平均分类准确率上升到88.39 %.这一结果表明, 基于双侧TIC曲线差异的特征对乳腺病灶的良恶性诊断具有重要价值, SFFS特征选择方法能够有效地提高分类的准确率.
将本文实验结果分别与病理诊断金标准及医生诊断结果进行比较.本文所使用的影像诊断结果由3名医生给出, 其中1名是从业20年以上的主任医师和2名从业5年以上的医师.其中医生诊断结果依据其给出的影像BI-RADS分类, 计算其敏感度、特异性和准确性指标.表 2为本文分类结果与病理结果对比统计表, 表 3为医生诊断结果与本文方法分类结果的对比.
|
|
表 2 本文分类结果与病理结果对比 Table 2 Comparison between our method and pathological results |
|
|
表 3 本文分类结果与医生诊断结果对比 Table 3 Comparison between our method and the doctor's diagnosis |
从以上分析可以看出, 与前文提到的参考文献[10-13]和医生诊断的结果相比, 本文方法能够提高特异性及分类的准确率.
3 结论1) 本文提出了一种基于双侧TIC曲线差异定量特征的乳腺DCE-MRI肿瘤良恶性鉴别定量辅助诊断方法.该方法从乳腺肿瘤及其对侧ROI的TIC曲线上计算并提取多个特征参数作为分析依据, 探讨双侧TIC差异特征对乳腺病变的良恶性诊断价值.
2) 实验结果表明, 通过DCE-MRI影像的序列图像得到的双侧TIC差异信息对乳腺病变组织的良恶性鉴别有非常高的特异性, 且整体准确率高于已有研究结果及中高级医生的诊断结果.可见, 临床诊断中本研究结果可以达到较好的辅助医生诊断的目的.
| [1] |
Jia L.
Study on the application of MRI multi-sequence scan in the diagnosis and treatment of cervical carcinoma[J]. Chinese Journal of CT & MRI, 2017, 15(11): 85–88.
|
| [2] |
Tong Q, Zhang B, Ming L I.
MR multiple sequence imaging optimization study in diagnosing breast tumor[J]. Chinese Journal of CT & MRI, 2017, 15(4): 80–84.
|
| [3] |
Yin J, Yang J, Lu H, et al.
Quantitative discrimination between invasive ductal carcinomas and benign lesions based on semi-automatic analysis of time intensity curves from breast dynamic contrast enhanced MRI[J]. Journal of Experimental & Clinical Cancer Research, 2015, 34(1): 1–10.
|
| [4] |
Huang N, Deng D Q, Bin L I, et al.
Value of time-signal intensity curve and ADC values in the diagnosis of breast diseases[J]. Hainan Medical Journal, 2016, 27(10): 1563–1566.
|
| [5] |
Yang S N, Li F J, Chen J M, et al.
Kinetic curve type assessment for classification of breast lesions using dynamic contrast-enhanced MR imaging[J]. Plos One, 2016, 11(4): e0152827.
DOI:10.1371/journal.pone.0152827 |
| [6] |
Huang Y H, Guo Y M.
Comparative study of time-intensity curve and K~(trans) value of dynamic contrast-enhanced MRI in the diagnosis of prostate cancer[J]. Radiologic Practice, 2016, 31(6): 511–515.
|
| [7] |
Aribal E, Asodov R.
Multiparametric breast MRI with 3T:effectivity of combination of contrast enhanced MRI, DWI and 1H signal voxel spectroscopy in differentiation of breast tumors[J]. European Journal of Radiology, 2016, 85(5): 979–986.
DOI:10.1016/j.ejrad.2016.02.022 |
| [8] |
Hompland T, Ellingsen C, Ovreb Ø K M, et al.
Interstitial fluid pressure and associated lymph node metastasis revealed in tumors by dynamic contrast-enhanced MRI[J]. Cancer Research, 2012, 72(19): 4899–4908.
DOI:10.1158/0008-5472.CAN-12-0903 |
| [9] |
Preim U, Glaber S, Preim B, et al.
Computer-aided diagnosis in breast DCE-MRI:quantification of the heterogeneity of breast lesions[J]. European Journal of Radiology, 2012, 81(7): 1532–1538.
DOI:10.1016/j.ejrad.2011.04.045 |
| [10] |
蔡毓琪, 周研, 吴先衡, 等.
MRI动态增强扫描联合DWI鉴别乳腺良恶性肿瘤的应用价值[J]. 中国中西医结合影像学杂志, 2017, 15(3): 333–335.
( Cai Yu-qi, Zhou Yan, Wu Xian-heng, et al. The value of dynamic enhanced MRI combined with DWI in diagnosis of benign and malignant breast tumors[J]. Chinese Imaging Journal of Integrated Traditional and Western Medicine, 2017, 15(3): 333–335. DOI:10.3969/j.issn.1672-0512.2017.03.026 ) |
| [11] |
彭武祥, 李一辉.
MRI动态增强对早期乳腺癌的诊断价值[J]. 现代中西医结合杂志, 2014, 23(24): 2719–2721.
( Peng Wu-xiang, Li Yi-hui. The value of dynamic enhanced MRI in the diagnosis of early breast cancer[J]. Modern Journal of Integrated Traditional Chinese and Western Medicine, 2014, 23(24): 2719–2721. DOI:10.3969/j.issn.1008-8849.2014.24.040 ) |
| [12] |
Hetta W.
Role of diffusion weighted images combined with breast MRI in improving the detection and differentiation of breast lesions[J]. Egyptian Journal of Radiology & Nuclear Medicine, 2015, 46(1): 259–270.
|
| [13] |
Fusco R, Marzo M D, Sansone C, et al.
Breast DCE-MRI:lesion classification using dynamic and morphological features by means of a multiple classifier system[J]. European Radiology Experimental, 2017, 1(1): 10–15.
DOI:10.1186/s41747-017-0007-4 |
| [14] |
Wang X, Li L, Xu W, et al.
Improving performance of computer-aided detection of masses by incorporating bilateral mammographic density asymmetry:an assessment[J]. Academic Radiology, 2012, 19(3): 303–310.
DOI:10.1016/j.acra.2011.10.026 |