张娜 武志峰

肺癌是全球患病率和死亡率最高的恶性肿瘤[1]。目前计算机断层扫描（CT）在肺癌常规诊断、分期，治疗计划，术后监测和反应评估中起着至关重要的作用。这种常规方式提供了肺癌表型的重要信息，但大量的遗传和预后信息仍然未被揭示。而CT纹理分析的发展为肺部恶性肿瘤诊断及鉴别诊断等提供了多个参数信息，有助于量化肺恶性肿瘤影像学评估中的大量变量，弥补了传统CT量化评估方面的不足。有报道与CT纹理分析相比，肉眼所见的诊断相关异质性在中高级组间无显著差异，这表明基于视觉过程的图像解读不能完全描述潜在的生物异质性，因此利用纹理分析可以为量化这些重要的预后特性提供更客观的方法[2]。

1 CT纹理分析基本原理及纹理特征参数

1.1 CT纹理分析的基本原理 CT纹理分析（CT texture analysis，CTTA）是一项新的图像后处理技术，是对每个像素强度和空间分布特点进行数学分析与运算以量化评估图像异质性的一种工具[3]。生物异质性是恶性肿瘤区别于良性肿瘤的重要特征之一，恶性肿瘤在所有可见表型上几乎均表现出了不同程度的异质性，肿瘤不但在内部构筑空间上有异质性，并且随着肿瘤生长的推移，其内部结构及血供会发生改变，在时间上也具有异质性，其中占主要原因的是肿瘤内血管的异质性。不同组织学类型的病灶，其新生血管生成的方式和数量的多少存在差异，肺癌由于血管生成因子的刺激，可诱导大量的新生血管形成，而炎性结节病灶内小血管为正常结构的肺部血管的炎性反应状态，并且恶性肿瘤内血管分布不均匀，表明恶性肿瘤内部血供也存在程度不一的异质性，并且随着肿瘤的增大，这种不均质性就越明显[4]。纹理分析被用于测量肿瘤异质性，并且目前已被确定为与肺癌结果最密切相关的特征。

1.2 CT纹理特征参数 目前诊断采用的放射特征可以分为四大类：形态学特征、统计学特征、区域性特征和基于模型的特征[5]。形态学特征提供关于肿瘤形状和物理特征的最基本信息，使用统计方法计算的统计特征可以进一步分类为一阶统计（直方图）特征和高阶统计（纹理）特征，区域特征可以通过子区域聚类来量化，并且代表肿瘤克隆异质性，基于模型的特征是使用数学方法提取的，如分形模型。纹理包含了表面的结构化组织及其周围环境关系的重要信息，通常被看做图像的某种局部性质，或是对局部区域中像素之间的一种度量[6]，另外，纹理特征也可用来对图像中的空间信息进行一定程度定量描述。

纹理分析是指通过一定图像后处理技术提取出纹理特征参数，从而获得纹理的定量或定性描述的处理过程。生成的纹理特征见表1。目前基于灰度共生矩阵（GLCM）提取技术是应用最广的纹理提取方法，在各个领域发挥着非常重要的作用，灰度共生矩阵的基本原理是影像上一定距离的两个像素的灰度值之间存在着一定的空间相关关系，对这个空间相关关系进行统计分析，利用各种纹理描述，改写相关像素的灰度值，使其纹理特征能够清晰显示[7]。

表1 生成的纹理特征

2 CT纹理分析在肺癌中的临床应用价值

2.1 肺结节良恶性的鉴别 CT纹理分析在肺部结节良恶性鉴别中的价值已经得到了大量研究者的证实，其不仅可以应用到肺部，并且还可以应用到甲状腺、乳腺、肝脏、骨骼及软组织等部位[8～10]，CT纹理分析提供了客观的方法去评估医学图像病灶内的异质性，作为一种无创性检查，它可以评估病变整体的空间复杂性。Carole Dennie等[11]提出CT纹理分析可以区分肺癌和炎性肉芽肿病变，其采用了平方和、和差和熵和三个纹理特征，鉴别肺结节良恶性的敏感性为88%，特异性为92%（AUC=0.90±0.06，P＜0.0001）。而 FDG-PET/CT，肺癌检出敏感性为 79.2%（CI：57.8%～92.9%），特异性为 38.5%（CI：13.9%～68.4%），准确性为64.8%，表明CT纹理分析鉴别肺结节的敏感性、特异性及准确性均高于FDG-PET / CT。Shiteng Suo等[12]也进行了相似的研究，其认为均差和熵差这两个纹理特征参数可以很好地区分肺结节的良恶性，AUC分别为 0.836（95%置信区间：0.701～0.927）和 0.795（95%置信区间：0.653～0.898），当均差截断点为1.75时（较大的值表示肺癌）敏感性和特异性分别为78.6%和85.0%，当熵差截断点为0.26时敏感性和特异性分别为82.1%和70.0%，将这两个特征组合，AUC可以提高到0.862，另外该研究还提出，结节的边缘区域相对于中心区域具有更大的价值，由于肿瘤生长增殖最活跃的地方在肿瘤的边缘部分，肿瘤的微血管密度要高于中央部分，并且随着肿瘤的增大，这种不均质性就越明显，因此病灶的边缘部分较中央部分对肺部肿块良恶性的鉴别更具有意义。另外有研究认为，对比增强扫描可以更好地反映肿瘤病灶内的异质性，由于对比增强的程度是病变血管化的一个重要指标，而对比增强CT图像的异质性主要与非均质性血管形成有关，同时对比度增强与缺氧之间存在联系[13]。但也有学者认为非对比增强较对比增强更有说服力，因为增强扫描对比剂可能会影响病灶内的纹理特征[11]。非对比增强与对比增强CT纹理分析对于肺部结节良恶性鉴别准确性的比较仍有争议，但大部分学者认为对比增强可以提供更多的信息，因此还需进一步研究证实。

2.2 肺癌治疗疗效评估 肺癌是目前全球最常见的癌症死亡原因，患有Ⅲ期肺癌的患者经常不适合手术切除，对于这些患者一般采用放化疗治疗，即使积极的治疗，患者3年生存率仍为27﹪[14]，因此，在选择最佳治疗及判断治疗疗效情况时，对临床医生提出了巨大挑战，目前肿瘤疗效主要由肿瘤大小的变化来评估，然而，最近引入的靶向化学疗法主要引起肿瘤坏死、出血或液化，因此这不一定对应于肿瘤体积的缩小，即肿瘤的大小可能并不足以反映治疗后肿瘤的形态、功能和代谢改变[15]。目前已经通过鉴定预后的基因表达标志和使用功能成像技术如FDG-PET/CT来解决这个问题，最近通过CT评估的肿瘤异质性在各种癌症中也已经取得了成效，由于所有接受放、化疗治疗的患者一般均会常规进行CT复查，因此通过CT纹理分析得到的预后标记将比基于基因或功能成像的技术花费更少且耗时更少，并且还可减少辐射，肿瘤的异质性主要体现在新生血管，并且缺氧为肿瘤不良的生物学特征，因此通过评估缺氧和血管生成这两个重要的潜在组织病理学相关的肿瘤异质性，可以作为肺癌患者的潜在预后生物标志物。已有研究表明CT纹理分析可能鉴定出肺部肿瘤不利的生物特征[16～18]，如侵袭性表型、恶性程度、对放疗和化疗的抵抗、肺癌患者的预后、存活等，较高的纹理特征参数则提示肿瘤的恶性程度高，具有侵袭性、对放化疗有抵抗以及预后较差，因此可以提示临床这些肺癌患者可以使用低氧调节剂或更高的辐射剂量来补偿缺氧相关的放射耐受性，从而可以为临床提供更多有用的信息，对于被认定为预后不良的患者选择姑息治疗与临终关怀。

2.3 肺癌生存期预测 肺癌死亡率高，因此确定患者的预后是肺癌管理的一个重要步骤，目前分层到相同类型风险的患者组内差异很大[19]，更准确的预后指标有可能促进患者分层治疗。目前，肿瘤分期仍然是肺癌患者最重要的生存指标，而PET常被用于肺癌患者的分期，已有文献表明，通过FDG-PET评估CT纹理分析与肺癌患者分期之间的一致性，发现尤其是对于鉴别Ⅱ期以上并且手术无益的肺癌患者两者之间具有较高的一致性（kappa 0.7），两者之间的相关性提示，CT纹理分析具有提供类似于FDG-PET提供的预测信息的可能性[20]。近年来肿瘤异质性是肿瘤侵袭性和治疗反应的重要生物学特征已经得到了认可，同时也有越来越多的证据表明CT纹理分析能够为NSCLC和其他肿瘤患者提供预后信息。肿瘤内异质性被认为是预测患者生存的最有希望的预后因素之一[21，22]。有报道[23]通过CT纹理分析评估非小细胞肺癌的肿瘤异质性提出，CT纹理分析评估肺部肿瘤的异质性可以为非小细胞肺癌患者的生存提供一种新的、独立的预测因子；Grove等[23]发现早期肺癌患者存在不同程度的异质性，其中纹理特征熵与总生存（OS）有很强的相关性；Fried等[24]发现纹理特征不仅与总生存相关，而且与局部控制以及远处转移也密切相关。上述研究均表明，CT纹理分析可以为肺癌患者的预后提供更多的定量信息。

综上所述，CT纹理分析不仅可以提高肺内病灶良恶性鉴别的准确性，还能够对其进行病理类型和分期的预测，以及对肺癌患者治疗疗效、预后甚至生存期进行评估。纹理分析已经得到了国内外大量的关注和研究，商业化CTTA临床软件平台也越来越多，但目前尚不存在衡量肿瘤异质性程度的统一标准，因此有必要进一步研究，统一标准化CTTA纹理参数，从而进一步为临床提供更多的信息。

1 Matteis SD， Consonni D， Bertazzi PA. Exposure to occupational carcinogens and lung cancer risk. Evolution of epidemiological estimates of attributable fraction[J].Acta Biomed，2008，79：34-42

2 Rajat Thawani，Michael McLane.Radiomics and radiogenomics in lung cancer：A review for the clinician[J].Lung Cancer，2018，115：34-41

3 刘慧，王小宜，龙学颖，等.基于CT图像纹理分析肿瘤异质性的研究进展及应用[J].国际医学放射学杂志，2016，39（5）：543-548

4 Chin AY，Kyung SL，Eun AK，et al.Solitary pulmonary nodules：dynamic enhance mufti-Detector Row CT study and comparison with vascular endothelial growth factor and microvessel density[J].Radiology，2004，233：191-199

5 Geewon Lee，Ho Yun Lee（MD，PhD），Hyunjin Park，et al.Radiomics and its emerging role in lung cancer research，imaging biomarkers and clinical management：State of the art[J].European Journal of Radiology，2017，86：297-307

6 Chang T,Kuo CJ. Texture analysis and classification with treestructure wavelet transform.IEEE Trans Image Processing,1993,2（4）：429-441

7 Robert M Haralick,K Shanmngam.Texture feature of image Classification [J].IEEE Transaction On System,Man and Cybemetics，1973，SMC-3(6):610-621

8 Way TW，Sahiner B，Chan HP，et al.Computer-aided diagnosis of pulmonary nodules on CT scans：improvement of classification performance with nodule surface features[J].Med Phys，2009，36（7）： 3086-3098

9 Raman SP，Chen Y，Schroeder JL，et al.CT texture analysis of renal masses：pliot study using random forest classification for prediction of pathology[J].Acad Radiol，2014，21（12）：1587-1596

10 Ganeshan B，Panayiotou E，Burnand K，et al.Tumour heterogeneity in non-small cell lung carcinoma assessed by CT texture analysis：a potential marker of survival[J].Eur Radiol，2012，22（4）：796-802

11 Carole Dennie，Rebecca Thornhill.Role of quantitative computed tomography texture analysis in the differentiation of primary lung cancer and granulomatous nodules[J].Original Article，2016，6：6-15

12 Shiteng Suo，MS，Jiejun Cheng，et al.Asessment of heterogenity difference between edge and core by using texture analysis：differentiation of malignant from inflammatory pulmonary Nodules and Masses[J].Academic Radiology，2016，23（9）：1115-1122

13 Ganeshan B，Goh V，Mandeville HC，et al.Non-small cell lung cancer： histopathologic correlates for texture parameters at CT[J].Radiology，2013，266（1）：326-336

14 Hanna N，Neubauer M，Yiannoutsos C，et al.Phase Ⅲ study of cisplatin， etoposide， and concurrent chest radiation with or without consolidation docetaxel in patients with inoperable stage iii non-small-cell lung cancer：The hoosier oncology group and u.S.Oncology[J].Clin Oncol，2008，26（35）：5755-5760

15 Kang H，Lee HY，Lee KS，et al.Imaging-based tumor treatment response evaluation：review of conventional new，and emerging concepts[J].Radiol， 2012，13：371-390

16 Kim HC，Lee JM，Kim SH，et al.Small gastrointestinal stromal tumours with focal areas of low attenuation on CT：pathological correlation[J].Clin Radiol，2005，60：384-388

17 Kim TH，Kim SJ，Ryu YH，et al.Pleomorphic carcinoma of lung：comparison of CT features and pathologic findings[J].Radiology，2004，232（2）：554-559

18 Ganeshan B，Abaleke SC，Young RCD，et al.Texture analysis of non-small cell lung cancer on unenhanced computed tomography：initial evidence for a relationship with tumour glucose metabolism and stage[J].Cancer Imaging，2010，10（1）：137-143

19 Spiro SG，Tanner NT，Silvestri GA，et al.Lung cancer：progress in diagnosis， staging and therapy[J].Respirology，2010，15（1）：44-50

20 Balaji Ganeshan，Sandra Abaleke.Texture analysis of non-small cell lung cancer on unenhanced computed tomography：initial evidence for a relationship with tumour glucose metabolism and stage[J].Cancer Imaging 2010，10（1）：137-143

21 Ganeshan B，Panayiotou E，Burnand K，et al.Tumourheterogeneity in non-small cell lung carcinoma assessed by CT textureanalysis：a potential marker of survival[J].Eur. Radiol，2012，22（4）：796-802

22 Win T，Miles KA，Janes SM，et al.Tumor heterogeneity and permeabilityas measured on the CT component of PET/CT predict survival in patientswith non-small cell lung cancer，Clin[J].Cancer Res，2013，19（13）：3591-3599

23 Grove O,Berglund AE,Schabath MB,et al.Quantitative computed tomographic descriptors associate tumor shape complexity and intratumor heterogeneity with prognosis in lung adenocarcinoma[J].PLoS One，2015，10（3）：e0118261

24 Fried DV,Tucker SL，Zhou S，et al. Fried.Prognostic value and reproducibility of pretreatment CT texture features in stage III non-small cell lung cancer[J].Int Radiat Oncol Biol Phys，2014，90（4）：834-842