于 鹏田嘉禾

18F-FDG PET图像纹理分析的研究进展

于 鹏1，2田嘉禾1

PET/CT作为新一代核医学影像诊断技术，将功能信息与解剖结构相结合，实现了PET图像和CT图像同机融合，极大地提高了临床诊断水平[1]。目前临床工作中，多数医师结合CT征象与标准摄取值（standard uptake value, SUV）对疾病进行诊断[2]。肿瘤内的18F-FDG摄取是由多种因素构成的，包括细胞成分、增殖、血管生成、坏死及缺氧等。每个因素都独立地反映肿瘤具有更强的侵袭性、更差的治疗反应及预后。然而，仅凭借SUV值并不能完整地反映肿瘤内部各种复杂的信息，如某些分化较好的肿瘤摄取并不明显、炎症组织也会出现放射性摄取等[3,4]。

纹理分析是近年新出现的一种评估医学图像中肿瘤内部异质性的工具。18F-FDG PET图像所表达的肿瘤异质性信息能够更好地反映肿瘤组织的特点，并且更准确地对治疗反应进行预测以延长患者的生存时间[5-12]。目前，在对比增强CT及MRI领域已有许多关于纹理分析方面的文献，但在PET方面的价值则处于初步研究阶段。本文对目前关于18F-FDG PET图像纹理分析方面的研究进行分析，以便进一步探索其在临床应用中的潜能。

1 纹理分析

纹理分析是一种描述体素、像素间灰度强度关系或者其在图像中的位置关系的数学算法，其优点在于能够发现人们肉眼所不能发现的图像细节信息（图1），而且它是一种基于后处理技术得到的定量参数，故在获取数据的过程中可以很好地进行标准化。

有许多纹理特征可以对肿瘤内部的异质性进行描述[10,13]。纹理参数可以通过数据法、模型法或转化法获得。数据法是最常用的方法[14,15]，其通过计算在图像中每个像素的局部特征并根据局部特征的空间分布获得参数。这种算法分为一阶（单体素）、二阶（双体素）及高阶（3个以上体素）等几种方法。

一阶描述的是总体纹理特征，即感兴趣区内的灰度频度分布情况，基于直方图分析方法，包括平均、最小及最大强度，标准差，偏度及峰度。二阶描述局部纹理特征主要应用空间灰度依属法（SGLDM）或者共生矩阵，这些矩阵描述一个像素的强度i与另一个像素的强度j之间的关系，主要包括熵、能量、对比度、同质性、异质性及相关性。高阶是应用相邻灰度差分矩阵描述图像局部特征[10,16]。由NGTDMs获得的局部特征基于每个体素及其邻近体素间的差异，是最接近于人工判读经验的方法[16]。例如，粗糙度是一个局部纹理参数，其与图像的颗粒度类似，描述了图像最基本的纹理特性。对比度描述的是一个图像内强度的动态变化范围及局部强度的差异，频度描述的是图像内强度的变化速率[8,16]。高阶区域特征可以依据体素排列及灰度范围矩阵计算得出，反映了区域内强度的变化或同质区域的分布情况[10]。

图1 纹理分析图像。PET图像内肉眼所观察不到的信息，使用计算机图像分析技术，将图片中代谢分布的不均匀性转化为定量参数，以量化不同病灶的差异性

218F-FDG PET图像纹理分析

在分子影像及个性化诊断的时代，用于诊断的图像生物学参数必须是客观的、定量的、准确的、具有可重复性的，才具有实际的临床应用价值。SUV是18F-FDG PET报告中最常用的诊断参数，常应用于肿瘤的良恶性诊断、分期及预后评估。然而，SUV仅仅反映了图像中单个像素内肿瘤的代谢信息，不能准确地反映肿瘤完整的生物学信息。PET纹理分析是最近新出现的PET图像分析方法，可以完整地分析整个病灶内的细节信息，其在对实体肿瘤的预后预测、治疗反应评估及术前对肿瘤分期的预测方面具有一定的价值，且在肿瘤预后方面的相关性优于SUV[5-10]。

PET图像上所能观察到的只是放射性浓聚影，然而对浓聚影的分布、强度以及放射性分布的均匀性、一致性和肿瘤内部放射性分布强弱等难以给出量化分析。PET的图像纹理分析是通过一定的方法把这些图像纹理特征提取出来，并与临床结合，发挥其在肿瘤诊断和治疗中的作用。

尽管PET图像纹理分析能够提供病灶较全面的细节信息，但也有其局限性。PET的空间分辨率较低，其单一体素边长为5 mm，难以对体积较小的肿块进行分析。在诊断过程中纹理分析的准确性与图像的质量有关。图像采集、重建及图像质量参数如噪声、运动伪影及层厚都很重要。这些因素都会不同程度地影响纹理分析的结果，因此纹理特征参数要根据不同的图像模型来进行选择。

还有一些需要仔细评估的因素是感兴趣区的勾画方法及观察者的个体差异。初步研究显示一些纹理参数的重复性与SUV相当甚至更好[17]，但是还需要研究纹理参数是否会像SUV一样受药物注射与采集时间的影响[18]。

从有关纹理特征的医学影像方面报道来看，人们对18F-FDG PET图像在肿瘤方面的纹理分析越来越感兴趣。由于这是一个新出现的概念，所以针对18F-FDG PET图像纹理分析的研究较少，既往发表的相关文献分析见表1。

3 纹理分析的应用价值

3.1 诊断方面价值 由NGTDMs获得的纹理参数，如粗糙度、对比度、频度[16]，具有区分头颈癌原发及转移病灶与正常组织的能力[7]。原发及转移病灶与正常组织相比具有较低的粗糙度及频度，但有较高的对比度。Yu等[8]研究了20例头颈癌及20例非小细胞肺癌患者，在18F-FDG PET图像上人为划分正常与肿瘤组织，发现由NGTDMs获得的纹理参数如PET粗糙度、PET对比度及CT粗糙度具体较好的分辨力，并且可以提高选择放射治疗靶区的准确性。

王长梅等[19]选择基于邻域灰度差矩阵的一些纹理参数对肺肿瘤的鉴别进行研究，发现将18F-FDG PET图像纹理特征与诊断医师的先验知识结合起来能够明显提高肺部肿块良恶性的诊断灵敏度，并且肺癌与良性肿瘤相比具有较低的粗糙度、对比度及频度。

表1 关于18F-FDG PET图像纹理分析的文献及其观点

3.2 预测预后的价值 纹理参数较SUV参数对治疗反应及生存期具有更好的预测价值。Eary等[9]回顾性研究了234例软组织肉瘤患者在新辅助化疗或外科治疗前18F-FDG PET图像的肿瘤异质性，发现肿瘤的异质性是生存期的独立预测指标，SUVmax对患者的生存期不具有预测价值。EI Naqa等[11]研究了一阶及二阶纹理特征对9例头颈癌及14例宫颈癌患者的预后预测价值，发现纹理特征能够反映肿瘤内的微环境特点，并与治疗抵抗有一定的相关性。

Tixier等[10]回顾性研究了41例联合放化疗的食管癌患者，使用贝叶斯算法自动勾画肿瘤范围，并且只研究肿瘤原发灶，由同一肿块计算得到SUVmax、SUVpeak、SUVmean）及38项纹理参数。抽检特性曲线分析发现纹理分析较SUV参数对区分放化疗疗效具有更好的灵敏度。由共生矩阵得到的纹理特征能够很好地区分无效及部分有效，因此可以在治疗前对患者进行分类。

Vaidya等[12]分析了27例非小细胞肺癌局部治疗失败患者治疗前的18F-FDG PET/CT图像，提取了32项基于SUV或CT值的肿瘤局部特征，包括强度-体积直方图及纹理特征参数，发现强度-体积直方图的变化与局部复发密切相关，并且PET与CT的多模态纹理特征对非小细胞肺癌的放疗后复发具有一定的预测价值。

3.318F-FDG PET图像的组织学基础 尽管有许多结构及功能图像的纹理特征与癌症的鉴别诊断、疗效预测及生存期相关，但对于肿瘤的生物学基础与纹理特征之间的关系尚不清楚。

Henriksson等[5]采用头颈鳞状细胞癌异种移植的裸鼠模型研究18F-FDG摄取与肿瘤内异质性的关系，发现局部存在50%以上肿瘤细胞组织的18F-FDG摄取明显高于存在更多间质及坏死的组织，表明肿瘤内18F-FDG摄取的不同与组织病理相关，并且PET图像上示踪剂摄取的变化是由肿瘤内不同组织成分的分布性差异所决定的。

另外一种假说认为，图像内异质性的增加与肿瘤局部的细胞构成、增殖、无氧、血管生成及坏死有关[10,20]，是具有更强侵袭性及较差治疗反应与预后的独立因素。然而，之前描述的多种纹理参数与肿瘤生物学特性及异质性之间的关系只是单纯的相关。例如，CT纹理特征与异质性的增加相关，包括熵的增加或均一性的减低，提示较差的治疗反应及生存期[21-23]；头颈癌肿块及结节与正常组织相比，具有较低的粗糙度、频度及较高的对比度[8]。纹理特征与组织特点之间的关系复杂，并且纹理特征的结果不能简单地认为是图像的同质或异质。因此，需要进一步研究不同显像模式的纹理特征及与PET示踪剂相关的可以影响图像纹理的组织病理学特征，包括血管生成、缺氧、增殖等。

4 结束语

医学图像与人们现在的认知相比，包含更多有用的信息，这些描述及量化体素强度空间分布的额外信息（纹理特征）可以很容易地从传统医学影像、18F-FDG 或其他示踪剂的PET图像中提取。CT及MRI的纹理特征具有诊断组织特点、预测治疗反应及生存期的能力。功能图像18F-FDG PET的纹理分析具有类似的能力，但其生物学机制尚不清楚。以后需要进一步研究18F-FDG PET图像纹理的生物学基础，并在不同类型肿瘤上进行验证，以及是否其他示踪剂如11C-、18F胆碱、反映肿瘤增殖方面的18F-胸腺嘧啶核苷、血管生成或缺氧标记物等的纹理特征能够得到类似的结果。

现在对18F-FDG PET图像的纹理特征研究还处在初级阶段，尚未广泛应用于临床工作中，所以还需要更多关于此方面的研究。通过纹理特征寻找更强大的生物标记是为了能够实现个体化医疗，达到非创伤性分子及基因水平的诊断。

[1] 张祖进, 李辉, 郭召平, 等. PET/CT的技术性能及临床应用.医疗卫生装备, 2007, 28(10): 59-60, 62.

[2] 刘欣, 陈萍, 陈仰纯, 等. 结合PET/CT中CT征象与18F-FDG最大SUV值提高诊断肺癌水平之方法学研究. 中国医学影像学杂志, 2008, 16(4): 246-249.

[3] Dehdashti F, Mortimer JE, Trinkaus K, et al. PET-based estradiol challenge as a predictive biomarker of response to endocrine therapy in women with estrogen-receptor-positive breast cancer. Breast Cancer Res Treat, 2009, 113(3): 509-517.

[4] Mac Manus MP, Ding Z, Hogg A, et al. Association between pulmonary uptake of fluorodeoxyglucose detected by positron emission tomography scanning after radiation therapy for non-smallcell lung cancer and radiation pneumonitis. Int J Radiat Oncol Biol Phys, 2011, 80(5): 1365-1371.

[5] Henriksson E, Kjellen E, Wahlberg P, et al. 2-Deoxy-2-[18F] fluoro-D-glucose uptake and correlation to intratumoral heterogeneity. Anticancer Res, 2007, 27(4B): 2155-2159.

[6] Van Velden FH, Cheebsumon P, Yaqub M, et al. Evaluation of a cumulative SUV-volume histogram method for parameterizing heterogeneous intratumoural FDG uptake in non-small cell lung cancer PET studies. Eur J Nucl Med Mol Imaging, 2011, 38(9): 1636-1647.

[7] Yu H, Caldwell C, Mah K, et al. Automated radiation targeting in head-and-neck cancer using region-based texture analysis of PET and CT images. Int J Radiat Oncol Biol Phys, 2009, 75(2): 618-625.

[8] Yu H, Caldwell C, Mah K, et al. Coregistered FDG PET/CT-based textural characterization of head and neck cancer for radiation treatment planning. IEEE Trans Med Imaging, 2009, 28(3): 374-383.

[9] Eary JF, O'sullivan F, O'sullivan J, et al. Spatial heterogeneity in sarcoma 18F-FDG uptake as a predictor of patient outcome. J Nucl Med, 2008, 49(12): 1973-1979.

[10] Tixier F, Le Rest CC, Hatt M, et al. Intratumor heterogeneity characterized by textural features on baseline 18F-FDG PET images predicts response to concomitant radiochemotherapy in esophageal cancer. J Nucl Med, 2011, 52(3): 369-378.

[11] El Naqa I, Grigsby P, Apte A, et al. Exploring feature-based approaches in PET images for predicting cancer treatment outcomes. Pattern Recognit, 2009, 42(6): 1162-1171.

[12] Vaidya M, Creach KM, Frye J, et al. El Naqa I.Combined PET image characteristics for radiotherapy tumor response in lung cancer. Radiother Oncol, 2012, 102(2): 239-245.

[13] Castellano G, Bonilha L, Li LM, et al. Texture analysis of medical images. Clin Radiol, 2004, 59(12): 1061-1069.

[14] Al-Kadi OS, Watson D. Texture analysis of aggressive and nonaggressive lung tumor CE CT images. IEEE Trans Biomed Eng, 2008, 55(7): 1822-1830.

[15] Ganeshan B, Miles KA, Young RC, et al. Hepatic entropy and uniformity: additional parameters that can potentially increase the effectiveness of contrast enhancement during abdominal CT. Clin Radiol, 2007, 62(8): 761-768.

[16] Amadasun M, King R. Textural features corresponding to textural properties. IEEE Trans Syst Man Cybern, 1989, 19(5): 1264-1274.

[17] Tixier F, Hatt M, Le Rest CC, et al. Reproducibility of tumor uptake heterogeneity characterization through textural feature analysis in 18F-FDG PET. J Nucl Med, 2012, 53(5): 693-700.

[18] Lodge MA, Lucas JD, Marsden PK, et al. A pet study of 18FDG uptake in soft tissue masses. Eur J Nucl Med, 1999, 26(1): 22-30.

[19] 王长梅, 管一晖, 张文强, 等. PET/CT显像联合融合图像纹理特征分析在肺癌鉴别诊断中的应用价值探讨. 中国医学计算机成像杂志, 2010, 16(2): 147-151.

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

[21] Goh V, Ganeshan B, Nathan P, et al. Assessment of response to tyrosine kinase inhibitors in metastatic renal cell cancer: CT texture as a predictive biomarker. Radiology, 2011, 261(1): 165-171.

[22] Ganeshan B, Skogen K, Pressney I, et al. Tumour heterogeneity in oesophageal cancer assessed by CT texture analysis: preliminary evidence of an association with tumour metabolism, stage, and survival. Clin Radiol, 2012, 67(2): 157-164.

[23] 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. Eur Radiol, 2012, 22(4): 796-802.

正电子发射断层显像术；体层摄影术，X线计算机；氟脱氧葡萄糖F18；图像处理，计算机辅助；肿瘤；综述

2014-04-22 【修回日期】2014-07-11

（本文编辑 张春辉）

R445.6

1.解放军总医院核医学科 北京 100853；2.武警后勤学院附属医院 天津 300162

田嘉禾 E-mail: tianjh@vip.sina.com

10.3969/j.issn.1005-5185.2014.09.019