张建平，章英剑

1. 复旦大学附属肿瘤医院核医学科，复旦大学上海医学院肿瘤学系，上海 200032；

2. 复旦大学生物医学影像研究中心，上海 200032；

3. 上海市分子影像探针工程技术研究中心，上海 200032

18F-脱氧葡萄糖PET/CT影像纹理分析在头颈部和食管肿瘤研究中的进展

张建平1,2,3，章英剑1,2,3

1. 复旦大学附属肿瘤医院核医学科，复旦大学上海医学院肿瘤学系，上海 200032；

2. 复旦大学生物医学影像研究中心，上海 200032；

3. 上海市分子影像探针工程技术研究中心，上海 200032

张建平，2008年毕业于复旦大学物理系，获硕士学位。同年进入复旦大学附属肿瘤医院核医学科工作，现为主管技师。主要从事正电子分子影像学临床前影像学研究，包括用影像学技术计算正电子药物内照射剂量、研发正电子自动化合成器自动化控制软件及肿瘤纹理特征计算。擅长小动物PET/CT、SPECT/CT及MRI的质量控制，新序列的设计，图像的后处理及分析。以第一作者及共同作者发表研究论文30余篇，参与国家级课题十余项。

肿瘤的异质性无所不在，与肿瘤浸润、耐药和转移正相关。18F-脱氧葡萄糖(18F-fluorodeoxyglucose,18F-FDG)PET/CT分子影像是研究肿瘤异质性的最佳手段，其纹理分析已成为异质性研究的热点。本文综述了其用于头颈部和食管肿瘤研究中普遍存在的问题和可能解决方法。

18F-脱氧葡萄糖；正电子发射型计算机断层显像；纹理分析；肿瘤异质性

肿瘤在宏观、功能、微观和遗传等方面均是异质的实体，其宏观结构、生物化学、组织病理学和基因表达等均存在明显的变异。这是因为癌细胞不仅从单个祖细胞克隆突变为更具侵袭性和耐药性的细胞，还分支进化发展出多个不同的亚克隆群体。这种遗传异质性结合微环境变化，导致整个肿瘤在基质结构、氧消耗、葡萄糖代谢和生长因子表达等方面出现局部差异，表现为宏观上同一种肿瘤的不同患者(肿瘤间异质性)和同一肿瘤的不同病灶(肿瘤内异质性)之间出现空间异质性。肿瘤形态及其对分子影像学探针摄取的差异，可反映其侵袭性、转移潜力及对特定治疗反应程度的差异，从而反映预后。对这些特性的量化可产生比目前临床常用衡量指标价值更高的参数，由此可分层患者或检出治疗无效患者。

1 影像组学方法研究肿瘤异质性

组织学方法是常用测量肿瘤异质性的方法，特点是空间分辨率高、生物特异性强，但难以定位，且易受取样误差的影响，结果难以重复。肿瘤内异质性呈动态变化，随肿瘤生长而增加[1]，此异质性变化可能增强或减弱抗癌治疗效果。分子影像适合研究肿瘤内异质性，可提供疗效判断方面的在体实时空间信息，方法简单，不额外增加患者负担，且能重复检查。然而，目前大多数临床研究只考虑最大标准化摄取值(maximum standardized uptake value，SUVmax)或平均标准化摄取值(mean standardized uptake value，SUVmean)或肿瘤代谢活性体积(metabolic tumor volume，MTV)等，这些参数没有完全描述肿瘤的性质，丢弃了肿瘤空间丰富的信息。

随着技术的发展，特别是近年来影像组学(radiomics)的发展，使得通过影像学手段测量肿瘤异质性成为可能，将肿瘤的异质性转化为影像图像体素强度的异质性，而图像体素强度的异质性可通过不同的图像处理和分析方法来量化，包括纹理分析(texture analysis，TA)[2]、分形分析[3]、形状模型[4]、强度直方图分析[5]、滤波结合统计和频率方法[6]。其中TA是指图像中描述像素或体素的灰度值与其位置之间关系的各种数学方法，可导出多个纹理参数以测量病灶内异质性。TA可基于统计的[7]、模型的或变换的[8-9]方法导出。基于统计的技术用于计算图像中每个像素处的局部特征，并从局部特征的分布导出参数，应用最广。统计方法可分为一阶(1个像素)、二阶(2个像素)和更高阶(3个或更多像素)统计。一阶参数描述感兴趣区(region of interest，ROI)内与灰度频率分布相关的全局纹理特征，又称直方图分析，可导出的参数包括平均值、最小和最大值、标准偏差、偏度、峰度。二阶特征考虑彼此相邻的2个像素的关系，描述局部纹理特征，可使用灰度共生矩阵(gray level co-occurrence matrix，GLCM)，也称为灰度空间相关矩阵(spatial gray level dependence matrix，SGLDM)、灰度游程矩阵(gray level run length matrix，GLRLM)。高阶矩阵可使用局部灰度差分矩阵(neighborhood gray-tone dif f erence matrix，NGTDM)计算，以描述每个体素与相邻图像平面中相邻体素之间的差异，与判读图像的人工经验非常相似[10]。

纹理参数测量可采用标准临床成像协议采集获得的数据。CT或MRI影像的TA已获得许多重要结果，其主要显示形态学变化。而PET可实时监测早期代谢变化，能更早期地评估疾病变化及治疗反应，且不同PET分子影像学探针可显示不同代谢变化。因此，利用PET影像进行TA成为热点。然而，由于所需的预处理步骤繁杂，导致了矛盾的结果和争议，使得研究结果之间不可比较[11]。此外，生物医学领域的阳性结果比阴性结果更易发表的趋势可能导致TA在PET中的潜在价值被过度乐观解释。

本文主要综述头颈部肿瘤和食管癌18F-脱氧葡萄糖(18F-f l uorodeoxyglucose，18F-FDG) PET/CT影像中基于统计方法，特别是二阶和高阶方法的TA研究进展，并讨论TA面临的急需解决问题。

2 18F-FDG PET/CT TA在头颈部肿瘤和食管癌中的研究现状

2.1 头颈部肿瘤

Henriksson等[12]研究动物模型中肿瘤内18FFDG摄取的异质性与头颈部鳞状细胞癌内组织病理学的相关性，发现代谢异质性与组织病理学所示异质性相关(P=0.028)。El Naqa等[5]通过对9例头颈部肿瘤治疗疗效进行分析，发现治疗前纹理参数可预测疗效，可利用TA参数鉴别肿瘤与正常组织。同样，Yu等[13]利用NGTDM特征的粗糙度、对比度鉴别了20例肿瘤组织与正常组织，证实TA参数可提供与临床专家相媲美的鉴别能力，且组合使用PET和CT双模式的纹理特征比单一模式具有更好的辨别能力，使用PET/CT图像的纹理特征可自动精确勾画放疗靶区。Cheng等[14]回顾性分析了88例T3或T4期口咽部鳞状细胞癌(oropharyngeal squamous cell carcinoma，OPSCC)治疗前纹理特征(使用灰度游程矩阵和灰度大小区域矩阵)，发现区域尺寸不均匀性(zone-size nonuniformity，ZSNU)是无进展生存期(progression free survival，PFS)和疾病特异性生存期(disease specific survival，DSS)的独立预测因子，而ZSNU是局部晚期口OPSCC患 者预后的独立预测因子，可改善患者预后分层。Tixier等[15]对52例OPSCC的前瞻性研究显示，TA指标与细胞增殖和凋亡相关的肿瘤信号通路改变相关。Oh等[16]用治疗前纹理参数粗糙度成功预测了70例下咽癌患者放化疗疗效和生存期。Choi等[17]用18F-FDG PET和MRI纹理特征研究了头颈部鳞状细胞癌瘤内异质性与肿瘤间质比和临床结果的相关性，发现粗糙度与肿瘤间质比显著相关，有助于肿瘤复发风险的分层。

2.2 食管癌

Tixier等[10]对41例接受联合放化疗的食管癌患者进行回顾性TA研究，基于CT RECIST标准将患者分为完全反应(complete response，CR)、部分反应(partial response，PR)或无反应(nonresponse，NR) 3组，用贝叶斯算法自动描绘原发灶肿瘤体积，从相同的肿瘤ROI中提取SUV参数(最大值、峰值和平均值)和38个纹理参数。通过受试者工作特征(receiver operating characteristic，ROC)曲线分析，发现TA比任何SUV能更灵敏地区分CR、PR和NR，从而证明治疗前18FFDG PET的瘤内异质性TA可预测食管癌放化疗疗效；其共生矩阵的结构特征可显著区分NR与PR，从而有助于对患者进行分层；其纹理参数粗糙度和局部熵在预测治疗疗效方面有显著统计学意义，且区域度量如大小变异性在3组患者之间有显著统计学差异。Dong等[18]研究40例食管鳞癌，发现纹理参数标定的肿瘤异质性如能量和熵与SUV、肿瘤分期有显著相关性。Tan等[19]利用18F-FDG PET成像的时空特征对20例食管癌患者进行回顾性研究，发现其可预测食管癌新辅助放化疗的病理反应，其中3种结构特征(惯性、相关性和聚类显著性)是显著预测因子，与传统的基于SUV的方法相比，其在ROC曲线下具有相同或更高的面积。Yip等[20]分析54例食管癌患者放化疗后的病理学反应，纹理参数包括通过共生矩阵产生的熵和均一性，步长矩阵(run-length matrix，RLM)产生的HGRE和short-run highgray-run emphasis，以及区域大小矩阵(size-zone matrix)产生的high-gray-zone emphasis和 short-zone high-gray emphasis。结果发现，除均一性外，其他参数均比使用SUVmax和SUVmean能更好地与病理学反应相关，且治疗前后的熵和RLM纹理参数与SUV参数相比能更好地与生存率相关。Nakajo等[21]利用治疗前18F-FDG PET图像纹理特征预测52例食管癌患者放化疗疗效和预后，认为纹理特征中的IV和SZV、体积参数MTV和总病灶糖酵解(total lesion glycolysis，TLG)可预测肿瘤疗效，但在预测放化疗预后方面价值有限。Beukinga等[22]对97例局部晚期食管癌患者的回顾性研究发现，治疗前纹理特征“long-run lowgray level emphasis”在预测新辅助放化疗疗效方面优于SUVmax。Yip等[23]对45例接受放化疗的食管癌患者的研究发现，治疗前后行PET/CT扫描后，通过影像纹理配准可变形传播ROI获得的所有纹理参数均可对肿瘤病理反应作出准确预测，并能潜在加速TA过程。Tatsumi等[24]认为，治疗前18F-FDG PET的纹理参数比MTV和TLG能更好地预测新辅助化疗+手术后的复发效果，SGLDM熵参数与MTV或TLG呈极强的正相关性，SGLDM均匀性参数及NGTDM对比度参数和复杂度参数与MTV或TLG呈极强的负相关(ρ＜-0.9)，未观察到复发与体积参数之间的关联。多因素Logistic回归分析显示，SGLDM熵参数、逆差矩参数和均匀性参数在预测复发方面有显著统计学意义。其中，只有SGLDM逆差矩参数与MTV、TLG和SUVmax无相关性。

3 TA存在的问题和可能解决的方法

首先，在计算过程存在一些问题。精确确定肿瘤体积是计算TA参数的基础，通常使用手动描绘或固定阈值来产生肿瘤体积，但这并不可靠和精确。手动勾画会因人而异，而采用固定阈值方法则会显著低估真实的MTV[25]。体积确定过程中，保留或排除某些区域完全凭借经验。例如，通过限定功能体积，可使放射性较低或无放射性的区域包括在计算体积中，排除这些区域则可能排除坏死区。自动计算肿瘤体积如基于梯度工具的方法会覆盖整个肿瘤，包括无功能示踪剂吸收的区域。相反，基于区域生长或聚类范式的方法[26]通常会排除与背景摄取相似的区域。此外，计算TA参数对肿瘤的大小也有要求，研究发现通过PET影像计算异质性的最小感兴趣体积是45 cm3[27]。

TA参数多达百个，计算方式也众多、复杂。其中一阶特征估计单个体素值的属性，忽略了体素间的空间交互，实际上并不能真正被认为是“纹理”特征，有研究将其应用于肿瘤异质性计算中，造成使用“纹理”的混乱。对于二阶和更高阶TA特征的计算，第1步需将强度值(或SUV)转换为离散值，多将原始数据直接量化(也称为离散化、下采样或重采样)，也可将非立方体素网格重新采样或内插到立方体素中。执行离散化的方法有若干种，如设定数量的二进制位线性离散(通常将离散度设为32或64)[5]、使用聚类算法(Max-Lloyd)或固定宽度离散(如0.25个SUV[28]或0.5个SUV[29])。所选择的量化方法和离散度的值对所得TA参数及其与肿瘤体积或SUVmax的关系有重要影响。影响TA的因素还包括采集流程、扫描设备、定量校正方法、图像重建算法选择和定量参数使用类型、重建后图像处理方法、ROI定义方法等。因此，需制订统一的计算流程才能在不同研究之间进行比较。目前，已有学者就统一测量标准制订了规范[30]。

其次，在统计分析方面也存在一些问题。在绝大多数已发表的研究中，没有进行多变量分析，研究的患者数量相对于所要考察的参数数量及要研究的内容数量要少得多；此外，数据的重复性、再现性、冗余性和鲁棒性也需验证。解决的方法可使用更强大的统计分析，如使用机器学习(machine learning，ML)领域神经网络法[31]、支持向量机法[32]或最小绝对收缩和选择算子(least absolute shrinkage and selection operator，LASSO)法[33]等。经外部数据验证的用于特征选择的鲁棒方法结合恰当的分类器加上交叉验证，是处理大量变量和有限研究对象数量的很好工具，已受到关注。在最近的101例临床研究[34]中，前70例用于建立模型，后31例用于验证。

最后，在验证数据的重复性、再现性、冗余性和鲁棒性方面问题不少。重复性是在相同或接近相同条件下测量的精度，如双基线(也称为重测试)研究。研究PET中TA重复性发现，仅有少数与MTV、SUV可重复性类似的TA参数具有较好的重复性。再现性是指在改变测量条件下，对同一被测对象测量结果之间的一致性。再现性的研究目的是测量不同条件对定量成像参数性能的影响。关于数据的鲁棒性，有研究显示对于不同图像重建算法，有少数几个纹理特征具有鲁棒性[28]，而其他影响TA参数的值包括肿瘤分割、重建后平滑、量化和部分容积效应校正不具有鲁棒性。此外，大部分研究是回顾性的，且研究对象往往在肿瘤分期方法及治疗方式方面不同，其结果几乎从未得到其他研究验证，导致结果之间不能进行比较。这表明TA的临床价值需大量患者和严格的统计分析来证实。

综上所述，应用PET影像纹理分析肿瘤异质性预测疗效的研究越来越多，但存在一定的问题。因此建议：① 组织和制定TA的基准标准，包括标准化的图像获取、预处理和分析，还应包括开源的经验证的TA公式；② 筛选计算TA指标的方法，并确定其具有可重复性、鲁棒性、再现性和有生物特征意义；③ 需要更大的前瞻性多中心研究，利用机器学习领域的方法，并使用鲁棒统计分析结果。

[1] BRURBERG K G, GAUSTAD J V, MOLLATT C S, et al. Temporal heterogeneity in blood supply in human tumor xenografts [J]. Neoplasia, 2008, 10(7): 727-735.

[2] CHICKLORE S, GOH V, SIDDIQUE M, et al. Quantifying tumour heterogeneity in18F-FDG PET/ CT imaging by texture analysis [J]. Eur J Nucl Med Mol Imaging, 2013, 40(1): 133-140.

[3] MICHALLEK F, DEWEY M. Fractal analysis in radiological and nuclear medicine perfusion imaging: a systematic review [J]. Eur Radiol, 2014, 24(1): 60-69.

[4] GONZALEZ M E, DINELLE K, VAFAI N, et al. Novel spatial analysis method for PET images using 3D moment invariants: applications to Parkinson’s disease [J]. Neuroimage, 2013, 68: 11-21.

[5] EL NAQA I, GRIGSBY P, APTE A, et al. Exploring feature-based approaches in PET images for predicting cancer treatment outcomes [J]. Pattern Recognit, 2009, 42(6): 1162-1171.

[6] GANESHAN B, MILES K A. Quantifying tumour heterogeneity with CT [J]. Cancer Imaging, 2013, 13: 140-149.

[7] GANESHAN B, MILES K A, YOUNG R C, et al. Hepatic entropy and uniformity: additional parameters that can potentially increase the effectiveness of contrast enhancement during abdominal CT [J]. Clin Radiol, 2007, 62(8): 761-768.

[8] SANGHERA B, BANERJEE D, KHAN A, et al. Reproducibility of 2D and 3D fractal analysis techniques for the assessment of spatial heterogeneity of regional blood flow in rectal cancer [J]. Radiology, 2012, 263(3): 865-873.

[9] AL-KADI O S. Assessment of texture measures susceptibility to noise in conventional and contrast enhanced computed tomography lung tumour images [J]. Comput Med Imaging Graph, 2010, 34(6): 494-503.

[10] TIXIER F, LE REST C C, HATT M, et al. Intratumor heterogeneity characterized by textural features on baseline18F-FDG PET images predicts response to concomitant radiochemotherapy in esophageal cancer [J]. J Nucl Med, 2011, 52(3): 369-378.

[11] CHALKIDOU A, O’DOHERTY M J, MARSDEN P K. False discovery rates in PET and CT studies with texture features: A systematic review [J]. PLoS One, 2015, 10(5): e0124165.

[12] HENRIKSSON E, KJELLEN E, WAHLBERG P, et al. 2-Deoxy-2-18F fluoro-D-glucose uptake and correlation to intratumoral heterogeneity [J]. Anticancer Res, 2007, 27(4B): 2155-2159.

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

[14] CHENG N M, FANG Y H, LEE L Y, et al. Zone-size nonuniformity of18F-FDG PET regional textural features predicts survival in patients with oropharyngeal cancer [J]. Eur J Nucl Med Mol Imaging, 2015, 42(3): 419-428.

[15] TIXIER F, HATT M, REST C C L, et al. Signaling pathways alteration involved in head and neck cancer can be identified through textural features analysis in18F-FDG PET images: a prospective study [J]. J Nucl Med, 2015, 56(3): 449.

[16] OH J S, KANG B C, ROH J L, et al. Intratumor textural heterogeneity on pretreatment18F-FDG PET images predicts response and survival after chemoradiotherapy for hypopharyngeal cancer [J]. Ann Surg Oncol, 2015, 22(8): 2746-2754.

[17] CHOI J W, LEE D, HYUN S H, et al. Intratumoural heterogeneity measured using FDG PET and MRI is associated with tumour-stroma ratio and clinical outcome in head and neck squamous cell carcinoma [J]. Clin Radiol, 2017. [Epub ahead of print].

[18] DONG X, XING L, WU P, et al. Three-dimensional positron emission tomography image texture analysis of esophageal squamous cell carcinoma: relationship between tumor18F-fluorodeoxyglucose uptake heterogeneity, maximum standardized uptake value, and tumor stage [J]. Nucl Med Commun, 2013, 34(1): 40-46.

[19] TAN S, KLIGERMAN S, CHEN W, et al. Spatialtemporal18F FDG-PET features for predicting pathologic response of esophageal cancer to neoadjuvant chemoradiation therapy [J]. Int J Radiat Oncol Biol Phys, 2013, 85(5): 1375-1382.

[20] YIP S S, COROLLER T P, SANFORD N N, et al. Relationship between the temporal changes in positronemission-tomography-imaging-based textural features and pathologic response and survival in esophageal cancer patients [J]. Front Oncol, 2016, 6: 72.

[21] NAKAJO M, JINGUJI M, NAKABEPPU Y, et al. Texture analysis of18F-FDG PET/CT to predict tumour response and prognosis of patients with esophageal cancer treated by chemoradiotherapy [J]. Eur J Nucl Med Mol Imaging, 2017, 44(2): 206-214.

[22] BEUKINGA J, HULSHOFF J B, DIJK L V, et al. Predicting response to neoadjuvant chemoradiotherapy in esophageal cancer with textural features derived from pretreatment18F-FDG PET/CT imaging [J]. J Nucl Med, 2016, 116: 180299.

[23] YIP S S, COROLLER T P, SANFORD N N, et al. Use of registration-based contour propagation in texture analysis for esophageal cancer pathologic response prediction [J]. Phys Med Biol, 2016, 61(2): 906-922.

[24] TATSUMI M, ISOHASHI K, KATO H, et al. Prediction of treatment response and recurrence with texture analysis or volumetric parameters on FDG PET in patients withesophageal cancer receiving neoadjuvant chemotherapy and surgery [J]. J Nucl Med, 2016, 57(Suppl 2): 1596.

[25] DONG X, WU P, SUN X, et al. Intra-tumour18F-FDG uptake heterogeneity decreases the reliability on target volume definition with positron emission tomography/ computed tomography imaging [J]. J Med Imaging Rad Oncol, 2015, 59(3): 338-345.

[26] HOFHEINZ F, LANGNER J, PETR J, et al. An automatic method for accurate volume delineation of heterogeneous tumors in PET [J]. Med Phys, 2013, 40(8): 082503.

[27] BROOKS F J, GRIGSBY P W. The effect of small tumor volumes on studies of intratumoral heterogeneity of tracer uptake [J]. J Nucl Med, 2014, 55(1): 37-42.

[28] VAN VELDEN F H, KRAMER G M, FRINGS V, et al. Repeatability of radiomic features in non-smallcell lung cancer18F FDG-PET/CT studies: Impact of reconstruction and delineation [J]. Mol Imaging Biol, 2016, 18(5): 1-8.

[29] LEIJENAAR R T, NALBANTOV G, CARVALHO S, et al. The effect of SUV discretization in quantitative FDG-PET radiomics: the need for standardized methodology in tumor texture analysis [J]. Sci Rep, 2015, 5: 11075.

[30] FORGACS A, JONSSON H P, DAHLBOM M, et al. A study on the basic criteria for selecting heterogeneity parameters of18F-FDG PET images [J]. PLoS One, 2016, 11(10): e0164113.

[31] YPSILANTIS P P, SIDDIQUE M, SOHN H M, et al. Predicting response to neoadjuvant chemotherapy with PET imaging using convolutional neural networks [J]. PLoS One, 2015, 10(9): e0137036.

[32] WANG H, ZHOU Z, LI Y, et al. Comparison of machine learning methods for classifying mediastinal lymph node metastasis of non-small cell lung cancer from18F-FDG PET/CT images [J]. EJNMMI Res, 2017, 7(1): 1-11.

[33] OHRI N, DUAN F, SNYDER B S, et al. Pretreatment18F-FDG PET textural features in locally advanced nonsmall cell lung cancer: secondary analysis of ACRIN 6668/RTOG 0235 [J]. J Nucl Med, 2016, 57(6): 228-233.

[34] WU J, AGUILERA T, SHULTZ D, et al. Earlystage non-small cell lung cancer: Quantitative imaging characteristics of18F fluorodeoxyglucose PET/CT allow prediction of distant metastasis [J]. Radiology, 2016, 281(1): 270-278.

Research progress on tumor heterogeneity by18F-FDG PET/CT images using texture analysis

ZHANG Jianping1,2,3, ZHANG Yingjian1,2,3
(1. Department of Nuclear Medicine, Fudan University Shanghai Cancer Center; Department of Oncology, Shanghai Medical College, Fudan University, Shanghai 200032, China; 2. Center for Biomedical Imaging, Fudan University, Shanghai 200032, China; 3. Shanghai Engineering Research Center of Molecular Imaging Probes, Shanghai 200032, China)

ZHANG Yingjian E-mail: yjzhang111@aliyun.com

The heterogeneity of tumor is conclusive, and it is highly relevant with the invasion, drug resistance and metastasis.18F-fluorodeoxyglucose (18F-FDG) PET/CT molecular imaging is the best tool to investigate the tumor heterogeneity quantitatively by the use of texture analysis. It has become a hotspot in the tumor heterogeneity research. The present paper reviews the identif i ed issues and solutions in the rapid development of PET texture analysis for quantifying the heterogeneity of head and neck cancer and esophageal cancer.

18F-f l uorodeoxyglucose; Positron emission tomography; Texture analysis; Tumour heterogeneity

R445.5

A

1008-617X(2017)02-0091-06

2017-04-01）

章英剑 E-mail：yjzhang111@aliyun.com