论文部分内容阅读
目的:(1)探讨基于CT平扫及三期增强图像纹理分析鉴别肾细胞癌病理亚型的应用价值。(2)评估共生矩阵相关纹理特征参数对肾细胞癌亚型的诊断效能。方法:回顾性连续收集大连市中心医院2016年9月至2018年12月期间行双肾CT平扫及三期动态增强扫描(皮质期、实质期及排泄期)并在检查后两周内经手术病理证实的肾细胞癌患者共67例,其中肾透明细胞癌35例、肾嫌色细胞癌14例、乳头状肾细胞癌18例。分别由两名高年资泌尿系统疾病影像诊断医师对CT影像学资料进行阅读,在不知晓病理结果的情况下,筛选出包含病灶所有层面的图像,并确定病灶与周围正常组织的边界,若有不同看法时尽量协商达成共识。将患者双肾平扫及三期动态增强扫描关于病灶的所有图像均以“.BMP”的格式导出并储存,导入个人计算机已安装的MaZda软件(MaZda Version4.6)中,手动逐层沿病灶边缘勾画图像感兴趣区域(Regions of Interest,ROI),并提取病灶的纹理特征参数。通过MaZda软件提供的纹理特征选择方法选择最具有鉴别肾细胞癌病理亚型价值的纹理特征参数,并采用纹理特征分类分析统计方法对所选的纹理特征参数的鉴别诊断效能进行评估。用误判率的形式来评估鉴别诊断的结果。MaZda软件包提供的降维提取纹理特征方式包括交互信息(mutua information,MI)、分类误差概率与平均相关系数(classification error probability combined with average correlation coefficient,POE+ACC)、Fisher 系数(fisher coefficient,Fisher)以及 3 种联合算法(MI+POE+ACC+Fisher,MPF)。MaZda软件自带的B11统计软件模块包括线性分类分析(linear discriminannt analysis,LDA)、非线性分类分析(nonlinear discriminannt analysis,NDA)、主要成分分析(principal component analysis,PCA)、原始数据分析(raw data analysis,RDA)。采用 Mann-Whitney U检验比较的S(0,1,0)熵差、S(0,1,0)相关性、S(1,-1,0)自相关、S(1,1,0)自相关、S(0,1,0)逆差距、S(0,1,0)对比度、S(1,1,0)熵差、S(0,1,0)差分方差、S(1,-1,0)熵差、S(1,-1,0)对比度10种纹理特征参数在肾细胞癌病理亚型上的差异(单变量分析)利用ROC曲线对最有判别意义的10个共生矩阵相关的纹理特征参数进行统计学分析,获得曲线下面积(AUC)、最佳临界值、灵敏度、特异度及准确性。结果:(1)平扫及三期增强扫描,具有最佳鉴别诊断肾细胞癌病理亚型效能的纹理特征来自于增强扫描皮质期,误判率为(0.00%～8.96%)。(2)基于增强扫描皮质期纹理特征的Fisher特征选择联合NDA特征分析方法鉴别肾细胞癌病理亚型的误判率最低,为0.00%。(3)增强扫描皮质期共生矩阵参数S(0,1,0)熵差、S(0,1,0)相关性、S(1,-1,0)自相关、S(1,1,0)自相关、S(0,1,0)逆差距、S(0,1,0)对比度、S(1,1,0)熵差、S(0,1,0)差分方差、S(1,-1,0)熵差、S(1,-1,0)对比度对鉴别诊断肾细胞癌病理亚型的曲线下面积(AUC)在0.952～0.990之间,灵敏度在87.5%～100%之间,特异度在88.57%～97.14%之间,准确性在89.55%～95.52%之间,可以用来鉴别诊断肾细胞癌病理亚型。结论:(1)基于动态增强扫描皮质期CT图像的3D纹理分析技术可以作为一种辅助手段在临床实践中用来鉴别诊断肾细胞癌病理亚型。(2)肾脏CT增强扫描皮质期提取的10种共生矩阵相关纹理参数包括S(0,1,0)熵差、S(0,1,0)相关性、S(1,-1,0)相关性、S(1,1,0)相关性、S(0,1,0)逆差距、S(0,1,0)对比度、S(1,1,0)熵差、S(0,1,0)差分方差、S(1,-1,0)熵差、S(1,-1,0)对比度可以用来鉴别肾细胞癌病理亚型。