1、茅枭骁,马树声,卢亮,等.基于增强 CT 纹理分析联合机器学习鉴别腮腺腺淋巴瘤与混合瘤J.CT 理论与应用研究,2023,32(1):74-80.DOI:10.15953/j.ctta.2022.027.MAO X X,MA S S,LU L,et al.Enhanced CT Based Texture Analysis and Machine Learning for Differentiation between Adenolymphomaand Mixed Tumors of the Parotid GlandJ.CT Theory and Applications,2023,32(1
2、):74-80.DOI:10.15953/j.ctta.2022.027.(inChinese).基于增强 CT 纹理分析联合机器学习鉴别腮腺腺淋巴瘤与混合瘤茅枭骁,马树声,卢亮,施久刚,张磊靖江市人民医院影像科,江苏 靖江 214500摘要：目的：探究基于增强 CT 纹理分析技术联合机器学习在腮腺腺淋巴瘤与混合瘤鉴别中的应用。方法：回顾性分析 40 例于本院手术并有完整病理资料的腮腺腺淋巴瘤与混合瘤患者，其中腺淋巴瘤组21 例，混合瘤组 19 例。运用 Mazda 软件在增强 CT 静脉期图像上手动勾画病灶最大层面 ROI 区；应用Fisher 系数、POE+ACC、MI 及三者联合应用（F
3、PM）的方法，筛选出最佳纹理参数，通过 ROC 曲线评估其诊断效能；最后采用 RDA、PCA 和 LDA、NDA 四种机器学习算法进行分类分析，并分析不同算法的诊断效能。结果：纹理特征参数中腺淋巴瘤组的 WavEnHH_s-4、GrVariance、45dgr_Fraction 低于混合瘤组，WavEnLL_s-4、GrSkewness 高于混合瘤组，且均在组间有统计学意义。ROC 曲线显示 WavEnLL_s-4 的敏感性与特异性较为平衡，AUC 值、敏感性、特异性分别为 0.797、84.2、76.2，具有良好诊断效能；RDA、PCA、LDA、NDA 算法的误判率范围分别为 30.037.
4、5、30.037.5、7.537.5、5.012.5，其中误判率最低的是 FPM 联合 NDA 分类分析法，为 5.0；准确率、敏感性、特异性、阳性预测值、阴性预测值分别为 95.0、95.2、94.7、95.2和 94.7，分类效能最佳。结论：增强 CT 纹理分析提取的最佳特征参数在腮腺腺淋巴瘤与混合瘤间具有显著差异，FPM 联合 NDA分类分析法误判率最低，有助于鉴别腮腺腺淋巴瘤与混合瘤。关键词：增强 CT；机器学习；纹理分析；腮腺肿瘤DOI:10.15953/j.ctta.2022.027中图分类号：R 814文献标识码：A腮腺肿瘤中约 80 为良性肿瘤，最常见的为腮腺混合瘤与腺淋巴瘤1
5、。腮腺混合瘤虽然是良性肿瘤，但具有潜在恶性的生物学行为，术后局部复发及恶变风险均高于腺淋巴瘤2。因此术前精准诊断对临床手术方式与预后具有指导意义，腮腺混合瘤与腺淋巴瘤影像学表现具有一定交叉3，常规影像学检查手段对两者之间鉴别困难。CT 纹理分析技术是一种能够进行定量分析的后处理技术，目前已广泛应用于良恶性鉴别、术前分期、疗效评价4-5等方面，已有研究应用 CT 平扫图像纹理分析用于腮腺肿瘤鉴别6-7，但关于增强CT 纹理分析对腮腺肿瘤的异质性研究较少。本研究基于 CT 增强图像，探讨纹理分析技术联合机器学习算法鉴别腮腺混合瘤与腺淋巴瘤的可行性。1材料与方法1.1临床资料回顾性分析 2016 年
6、 1 月至 2021 年 12 月于本院经手术病理确诊为腮腺腺淋巴瘤与混合瘤的患者 40 例。其中腮腺腺淋巴瘤 21 例，男性 18 例，女性 3 例，年龄 4077 岁，平均年龄（62.2411.17）岁，术前误诊混合瘤 4 例；腮腺混合瘤 19 例，男性 6 例，女性 13 例，年龄2167 岁，平均年龄（46.6312.28）岁，术前误诊腺淋巴瘤 1 例。每个患者均有完整的病理资料，收稿日期：20220222。第 32 卷第 1 期CT 理论与应用研究Vol.32,No.12023 年 1 月（7480）CT Theory and ApplicationsJan.,2023术前 2 周内
7、均行增强 CT 检查。排除标准：CT 检查前已治疗过或其他肿瘤病史；存在明显伪影而影响观察。1.2扫描方法采用 Siemens 或 Philips 多层螺旋 CT 对患者进行增强扫描，扫描范围从外耳孔至锁骨上平面。检查参数：球管电压 120 kV，管电流 200 mA，螺距 1.0，层厚 5 mm，重建矩阵 512512，重建层厚 1 mm。增强扫描按 2.5 mL/s 速率，静脉团注对比剂碘海醇 1 mL/kg，动脉期于注射后 25 s 扫描，静脉期于注射后 50 s 扫描。1.3图像处理1.3.1图像导出及 ROI 选择从 PACS 工作站中将患者病灶最大层面图像导出，导出图像保存为 BP
8、M 格式，导出时确保所有图像窗宽窗位均为 W250/L50。随后将图像导入 Mazda 软件，由两名高年资医师协商，沿病灶边缘 1 mm左右勾画 ROI（图 1），尽量避开坏死、钙化及血管。1.3.2纹理特征提取及筛选运用 Mazda 软件自动获取 6 类纹理特征（包括直方图、灰度共生矩阵、游程矩阵、绝对梯度、自回归模型及小波转换），共 312 项纹理特征。采用 Fisher 系数、POE+ACC、MI 4 种降维筛选方式以及 3 种降维方式的联合运用（FPM）。1.3.3纹理特征分类分析运用 Mazda 软件的 B11 模块，对获得的纹理特征进行分类分析。该软件主要包括原始数据分析（RDA）
9、、主要成分分析（PCA）、线性判别分析（LDA）和非线性判别分析（NDA）4 种机器学习算法。计算不同降维方式联合不同机器学习算法的误判率、准确率、敏感性、特异性、阳性预测值、阴性预测值。1.4统计学处理 xs采用 SPSS 22.0 统计分析软件进行分析，计量资料的表示方式为均数标准差，即（），对本次研究的 4 种纹理特征筛选方法中出现 3 次以上的特征参数进行统计分析。符合正态分布的采用独立样本的 t 检验，不符合正态分布的运用 Wilcoxon 秩和检验，以 P0.05 认为差异具有统计学意义。建立 ROC 曲线，并计算其 AUC 值，获得研究所需的诊断阈值，并计算敏感性和特异性，比较其
10、诊断效能。（a）（b）（c）（d）注：（a）和（b）腺淋巴瘤，男，45 岁；（c）和（d）多形性腺瘤，男，40 岁。图 1腮腺肿瘤 CT 静脉期图像以及 ROIsFig.1Enhanced CT images(with ROIs)of a parotid tumor1 期茅枭骁等：基于增强 CT 纹理分析联合机器学习鉴别腮腺腺淋巴瘤与混合瘤752结果2.1腮腺腺淋巴瘤与混合瘤的纹理参数比较运用 Fisher、POE+ACC、MI 以及 FPM 分别提取的最有代表性的纹理特征参数各 10、10、10、30 项，其中出现 3 次以上的参数共 5 项（表 1）。其中 WavEnHH_s-4、WavE
11、nLL_s-4 为小波转换参数；GrVariance、GrSkewness 为绝对梯度参数，45dgr_Fraction 为游程矩阵参数。腮腺腺淋巴瘤组的 WavEnHH_s-4、GrVariance、45 dgr_Fraction 低于混合瘤组，WavEnLL_s-4、GrSkewness 高于混合瘤组，且均在组间有统计学意义。2.2腮腺腺淋巴瘤与混合瘤纹理参数的 ROC 曲线分析本研究针对具有统计学意义的纹理参数建立 ROC 曲线，并对其诊断效能进行分析，结果见表 2及图 2。鉴别腮腺腺淋巴瘤与混合瘤 AUC 最高的是 WavEnHH_s-4，为 0.827，其相应的敏感性、特异性分别为
12、84.2、66.7；鉴别腮腺腺淋巴瘤与混合瘤敏感性最高的是 GrSkewness，其 AUC 值、敏感性、特异性分别为 0.805、94.7、61.9，特异性较低；鉴别腮腺腺淋巴瘤与混合瘤特异性最高的是 WavEnLL_s-4，其 AUC 值、敏感性、特异性分别为 0.797、84.2、76.2，敏感性与特异性较为平衡，具有良好诊断效能。2.3腮腺腺淋巴瘤与混合瘤纹理特征的分类分析运用 B11 模块中 4 种机器学习方法对不同纹理筛选方式进行分类分析。RDA、PCA、LDA、NDA 算法的误判率范围分别为 30.037.5、30.037.5、7.537.5、5.012.5，其中误判率最低的是
13、FPM 联合 NDA 算法，为 5.0，低于本研究放射科术前诊断误诊率 12.5（5/40）；其准确率、敏感性、特异性、阳性预测值、阴性预测值分别为 95.0、95.2、94.7、95.2、94.7，结果见表 3 及表 4。表1腮腺腺淋巴瘤与混合瘤间最佳纹理特征参数比较Table 1Comparison of the optimal texture feature parameters betweenparotid adenolymphomas and mixed tumors参数组别统计检验腺淋巴瘤组混合瘤组t/ZPWavEnHH_s-44.1621.9087.4933.157-4.0840
14、.01WavEnLL_s-421044.4693887.16416649.2894309.2263.3920.002GrVariance0.1850.0460.2360.033-4.0550.01GrSkewness1.9960.5161.4750.295-3.2910.00145 dgr_Fraction0.3280.0800.4220.074-3.8540.01表2腮腺腺淋巴瘤与混合瘤间最佳纹理特征参数的诊断效能Table 2Diagnostic performance of the optimal texture feature parametersfor parotid adenoly
15、mphomas and mixed tumors参数AUC阈值敏感性/特异性/PWavEnHH_s-40.8274.97984.266.70.01 WavEnLL_s-40.79719227.148 84.276.20.001GrVariance0.8150.20089.566.70.001GrSkewness0.8051.81994.761.90.00145 dgr_Fraction0.8020.38473.771.40.00176CT 理论与应用研究32 卷1-特异性1.00.80.60.40.20.0敏感度1.00.80.60.40.20.0ROC 曲线参考线45dgr_Fraction
16、GrSkewnessGrVarianceWavEnLL_s-4WavEnHH_s-4曲线的源图 2腮腺腺淋巴瘤与混合瘤组间 WavEnHH_s-4、WavEnLL_s-4、GrVariance、GrSkewness、45dgr_Fraction 的 ROC 曲线Fig.2ROC curves for WavEnHH_s-4,WavEnLL_s-4,GrVariance,GrSkewness,45 dgr_Fractionfor differentiating between adenolymphomas and mixed tumors of the parotid gland表3腮腺腺淋巴瘤与混合瘤间不同机器学习算法的误判率Table 3False-positive rates of different machine-learning algorithms for parotidadenolymphomas and mixed tumors组别RDA/PCA/LDA/NDA/Fisher37.5（15/40）37.5（15/40）10.0（4/40）7.5（3/40）POE+ACC
