乳腺癌是危害我国女性健康的主要恶性肿瘤之一^[1]，其发病率呈逐年上升且年轻化的趋势^[2]。如能早期发现乳腺肿瘤尤其是恶性肿瘤，将会显著提高女性患者的治愈效果，同时可以有效减少患者身体的创伤^{[3, 4]}；另一方面乳腺疾病的发现和治疗与正确的诊断是分不开的，如乳腺肿瘤中纤维腺瘤为良性肿瘤，占肿瘤比例为41.31%^[5]，乳腺浸润性导管癌为恶性肿瘤，占比17.45%^[5]；两种肿瘤类型不同，采用的临床方法完全不同，前者主要采用保守治疗，后者采用手术治疗，因此对两种疾病的准确鉴别对临床实施的方法起到至关重要的作用。目前临床检查主要采用动态对比增强MRI (dynamic contrast-enhanced MRI，DCE-MRI)技术显示病灶血供情况，结合时间-信号强度曲线(time-intensity curve，TIC)对病灶进行定性评价；根据研究显示MRI各项定性及定量指标在良恶性病变中仍有重叠^[6]。目前比较少的研究能够有效地结合定性与定量指标^[7]。本研究通过纹理分析方法从MRI图像中提取纹理特征信息，通过图像中像素或体素灰度间的分布和关系，从而对病变异质性进行客观的定量评价；同时尝试将纹理分析方法与TIC方法相结合对乳腺纤维腺瘤与浸润性导管癌的鉴别诊断进行研究。

1 材料与方法

1.1 患者资料

       本研究为回顾性研究，收集2016年6月至2020年10月我院74例乳腺疾病患者(病灶共计75个)的病例资料，年龄28～60 (45±3.2)岁。该75例病例全部经过病理检查并确认疾病类型，其中包括乳腺纤维腺瘤27例，乳腺浸润性导管癌48例。本研究经过武汉市第一医院医学伦理委员会批准，免除受试者知情同意，批准文号：武卫一院伦审[2018]23号。

       研究对象纳入标准：①手术或穿刺组织经病理学检查确诊为乳腺纤维腺瘤或乳腺浸润性导管癌；②术前在我院做了乳腺MRI检查；③签署知情同意书。排除标准：①妊娠期或哺乳期女性；②有心脏、肝、肾等严重性疾病；③放化疗或术后复查。

1.2 检查方法

       所有患者乳腺行MRI平扫、扩散加权成像(diffusion-weighted imaging，DWI)、增强扫描及MRI波谱成像。具体方法：使用GE公司Signa HDXT 3.0 T超导磁共振成像仪，双侧乳腺专用8通道相控阵表面线圈。扫描序列组合为：

       横断面T2WI脂肪抑制扫描参数：TR 3880 ms，FA 90°，TE 7.8 ms，ETL 17，矩阵320×256，FOV 32 cm，层厚/间隔4/1 mm，NEX 2。

       横断面T1WI序列扫描参数：TR 400 ms，FA 90°，TE 7.8 ms，ETL 3，矩阵320×256，FOV 32 cm，层厚/间隔4/1 mm，NEX 1。

       DWI采用扩散加权平面回波成像序列和快速反转恢复序列，TR 4500 ms，TE 76.5 ms，两次激励成像，FOV 32×32 cm，矩阵320×320，重建层厚5 mm，间隔1 mm，扩散敏感因子(b值)选取0、1500 s/mm²。

       动态增强扫描用3D-VIBRANT序列(TR 4.2 ms，TE 1.8 ms，局部加匀长，层厚1.4 mm，连续无间隔扫描，矩阵320×88，带宽166.7 kHz)，在注射对比剂前扫一期蒙片，打药后立即扫描，总时间为7 min 25 s，共扫描7个时相。

1.3 纹理分析

       所有患者MRI图像以DICOM格式从PACS工作站导出并存储。在不知病理学诊断结果的前提下，所有数据均由2名有经验的乳腺放射学诊断医师采用双盲法进行评估，结果不一致时经协商后达成一致。在以上组合序列中结合平扫序列的基础上确定病灶范围在增强各期中选择病灶层面最大的图像，将该图像导入MaZda软件(MaZda ver. 4.6；The Technical University of Lodz，Institute of Electronics)中进行纹理分析。使用游程矩阵、共生矩阵、绝对梯度、直方图和自回归模型方法共获得306个纹理参数特征。针对病灶纹理参数使用互信系数(mutual information coefficient，MI)、最小分类错误率+平均相关系数(classification error probability and average correlation coefficients，POE+ACC)、Fisher相关系数(Fisher coefficient，Fisher)三种统计筛查方法，每种方法筛选出10个最佳纹理参数。通过筛选出来的最佳参数导入MaZda自带的软件B11进行主成分分析(principal component analysis，PCA)、非线性鉴别分析(nonlinear discriminant analysis，NDA)、线性鉴别分析(linear discriminant analysis，LDA)进行降维，最终软件给出各组方法的最小误判率R (误判病灶个数/总病灶个数)，将R的大小分为5个等级：小于等于10%为优秀，大于10%小于等于20%为良好，大于20%小于等于30%为中等，大于30%小于等于40%为一般，大于40%为较差。

1.4 图像分析

       将扫描图像导入GE工作站，手动勾画出病灶ROI，选择强化程度明显的区域，要求避开囊变，坏死及出血等病变。系统自动绘制出TIC，参照Kuh1分型其可分为3型：Ⅰ型为缓升型提示良性病变；Ⅱ型为平台型提示良、恶性都可能；Ⅲ型为流出型，提示恶性病变。

1.5 统计方法

       应用SPSS 19.0统计分析软件包。计量资料以均数±标准差的形式表示，行t检验；TIC结果、纹理分析结果、联合诊断结果的计数资料以百分率表示，行卡方检验。P＜0.05表示差异具有统计学意义。

2 结果

2.1 ROI勾画及TIC生成

       采用MaZda软件勾画病灶ROI及GE工作站生成TIC，如图1所示。

点击查看大图

图1  A、B：女，39岁，病理诊断为乳腺浸润性导管癌。A示左侧乳腺勾画ROI；B示病灶区域的TIC为Ⅲ型流出型。C、D：女，36岁，病理诊断为乳腺纤维腺瘤。C示右侧乳腺勾画ROI；D示病灶区域的TIC为Ⅱ型平台型

2.2 生成最佳纹理分析参数

       乳腺MRI纹理特征的统计学提取方法和纹理特征的降维方法之间的不同组合获得的纹理参数诊断效能存在差异，各组合中最低误判率的结果见表1所示。Fisher+NDA与POE+ACC+NDA的误判率为4% (3/75)，主要误判的病灶为将乳腺纤维腺瘤误判为乳腺浸润性导管癌。其次就是POE+ACC+LDA组合的误判率为8% (6/75)，主要误判的病灶为将4个乳腺纤维腺瘤误判为乳腺导管浸润性癌，2个乳腺浸润性癌误判为乳腺纤维腺瘤。总之，诊断效能最好的为Fisher+NDA或POE+ACC+NDA组合。其最终筛选出用于建模的诊断乳腺病变的10个最佳纹理参数分别为：Fisher+NDA为GeoW1、熵S (5,-5)、相关性S (5,5)、熵S (4,-4)、熵S (5,0)、熵S (5,5)、Teta2、熵S (4,0)、Teta3、熵S (3,-3)。POE+ACC+NDA为GeoYo、Vertl_Fraction、GeoW5b、GeoW4、相关性S (5,5)、Teta1、Vertl_ShrtREmp、GeoNx、GeoAox、GeoX。

点击查看表格

表1  不同纹理分析方法组合对乳腺纤维腺瘤与浸润性导管癌的误判率(%)

2.3 动态增强的TIC分型

       乳腺纤维腺瘤及乳腺浸润性导管癌的动态增强的TIC分型结果见表2所示。

点击查看表格

表2  乳腺纤维腺瘤与浸润性导管癌TIC类型分类

2.4 TIC与纹理分析比较

       乳腺动态增强TIC、MRI图像纹理分析及两者联合诊断乳腺纤维腺瘤与乳腺浸润性导管癌的比较，如表3所示。联合诊断病变的敏感度及准确度均较单一方法时提高，分别为97.9%、68.0%；特异度(14.8%)比TIC方法(29.6%)有所降低，比纹理分析方法(11.1%)有所提高。

点击查看表格

表3  乳腺纤维腺瘤与浸润性导管癌纹理分析联合TIC诊断效能

3 讨论

3.1 影像组学及DCE-MRI

       影像组学^[8]是借助计算机软件高通量地从医学影像数据中挖掘大量的定量影像学特征并使用统计学和计算机语言筛选最有价值的影像组学特征来解析临床信息用于疾病的诊疗；其中纹理特征提取是影像组学的一种方法^{[9, 10, 11]}。它是描述图像像素间灰度相关性的数学方法，优势在于不需额外增加扫描，与诊断医生的经验和判断无关^[9]，只提供图像本身的特征参数用于量化评估，该方法是提高乳腺癌MRI特异度的一种方法^{[12, 13]}。而DCE-MRI检查则是从血流动力学的方面对乳腺疾病进行分析的方法。

3.2 乳腺浸润性导管癌与纤维腺瘤的TIC类型

       乳腺浸润性导管癌属于恶性肿瘤，其发病过程快，病程短，肿瘤病灶处的毛细血管密度高^{[14, 15, 16]}，血管壁的通透性较乳腺纤维腺瘤高，所以对比剂通过肿瘤区域后会表现出明显强化，而后对比剂消失得也很快^{[17, 18, 19]}，即“快进快出”的Ⅲ型TIC的表现形式最为多见(30/48)，也有少部分Ⅱ型(15/48)的存在；而纤维腺瘤作为良性肿瘤其发病过程比较缓慢^[20]，血管发育程度高，比浸润性癌要低，对比剂通过肿瘤区域后表现出缓慢上升的形式^[21]，即“快进”的Ⅰ型TIC的表现形式最为多见(14/27)，也有一部分表现为Ⅱ型的形式。临床检查中往往是两种疾病共存多种TIC的形式，所以该TIC不能单独作为鉴别诊断的依据。因此，本研究尝试将以上两种方法进行结合，以提高其对乳腺浸润性导管癌与纤维腺瘤的鉴别诊断敏感度和准确度。

3.3 纹理分析与TIC结合的优势

       研究得出纹理分析中最小误判率R小于10%的有Fisher+NDA、POE+ACC+NDA、POE+ACC+LDA，这些属于优秀，其他的最小误判率R大于10%小于等于20%的有：Fisher+PCA、Fisher+LDA、POE+ACC+PCA、MI+NDA、MI+LDA、MI+PCA，这些属于良好级别。总体来看Fisher+NDA、POE+ACC+NDA最小误判率都为4%表现最好，只是各自10个最佳特征值稍有不同，笔者分析认为两者统计方法不同，降维方法相同，只是纹理参数的特征提取点不同，最终最小误判率R相同。该两种方法都可以用于乳腺浸润性癌和纤维腺瘤的鉴别诊断，两者选其一即可；其他组合从表1中可知误判率较高，应舍弃。通过Fisher+NDA方法(或POE+ACC+NDA方法)鉴别浸润性癌和纤维腺瘤的敏感度、准确度分别为93.8%、64.0%；TIC鉴别浸润性癌和纤维腺瘤的敏感度、准确度分别为87.5%、66.7%。两种方法联合后敏感度提高到97.9%、准确度提高到68.0%，能够有效地提高鉴别的敏感度和准确度，实现病灶定量与定性的分析。

3.4 本研究的局限性

       本研究不足之处有以下两点：(1)研究中涉及的患者图像均为轴位图像进行ROI的勾画，而病灶是三维立体的，不能展现病灶整体特征；(2)病灶区域的勾画范围和大小因操作者不同而有区别。

       综上所述，常规MRI平扫与增强的基础上，采用TIC与MRI纹理参数分析可以提高乳腺纤维腺瘤和乳腺浸润性导管癌鉴别诊断的敏感度和准确度，在乳腺良恶性的鉴别诊断上具有一定的临床价值，值得推广。