陈镜键，方 正，钟维佳，邹欣芯，游 涛

(重庆医科大学附属第二医院放射科，重庆 400010)

甲状腺结节多为良性病变，恶变率约5%[1]。甲状腺癌是内分泌系统最常见的恶性肿瘤，且发病率不断上升[2]。检测甲状腺肿瘤的传统方法主要有超声、CT及MRI等，诊断依赖评估者主观判断，准确率不高[3]。纹理分析是基于影像学图像的数字信息研究技术，可反映疾病的异质性[4]。本研究旨在探讨纹理分析对鉴别甲状腺结节良恶性和预测恶性甲状腺结节淋巴结转移的价值。

1 资料与方法

1.1 一般资料 回顾性分析2015年1月—2018年1月174例于重庆医科大学附属第二医院经手术病理证实甲状腺肿瘤患者，男30例，女144例；年龄21～81岁，平均(47.8±12.8)岁。排除标准：①甲状腺结节长径<5 mm；②CT显示病灶为单纯囊性，或存在大量钙化；③图像伪影重；④甲状腺弥漫性病变。174例中，良性病变122例(良性组)，其中120例甲状腺腺瘤、2例甲状腺嗜酸细胞腺瘤；恶性病变52例(恶性组)，包括50例乳头状癌，1例髓样癌，1例非霍奇金淋巴瘤，其中22例存在淋巴结转移(转移亚组)，30例无淋巴结转移(无转移亚组)。

1.2 仪器与方法 采用Philips Ingenuity 64排或Toshiba Aquilion one 320排CT机，扫描范围自舌骨下缘至主动脉弓上缘，遵照最低剂量原则和国家放射科管理规范及质控标准[5]，扫描层厚1 mm，层间距1 mm，矩阵512×512。采用高压注射器以流率3～4 ml/s注射对比剂碘海醇(350 mgI/ml)60～70ml，跟注30 ml生理盐水后行增强扫描。采用标准算法进行重建。

1.3 图像处理及分析 将甲状腺轴位动脉期薄层CT图像导入MaZda (version 4.7，http://www.eletel.p.lodz.pl/mazda/)软件进行处理及分析。由2名具有5年以上头颈部影像学诊断经验的主治医师采用polygon模式手动勾画结节最大层面ROI(图1)，意见不一致时经协商达成共识，提取并保存ROI区域参数特征，经Fisher降维方法分别获得2组10个最优纹理特征参数。

图1 勾画甲状腺结节ROI示意图 A.甲状腺轴位动脉期CT原始图像； B.勾画病灶ROI示意图

1.4 统计学分析 采用SPSS 22.0统计分析软件，以Kolmogorov-Smirnov检验对数据行正态性分析。符合正态分布的定量资料以±s表示，组间比较采用独立样本t检验，否则以中位数(上下四分位数)表示，组间比较采用Mann-WhitneyU检验。对计数资料采用χ2检验。针对差异有统计学意义的纹理参数，采用二元Logistic回归分析影响甲状腺结节良恶性的独立预测因子。以ROC曲线法分析独立预测因子鉴别甲状腺良恶性结节的效能。P<0.05为差异有统计学意义。

2 结果

2.1 组间基线临床资料比较 良、恶性组间年龄、性别和钙化差异均无统计学意义(P均>0.05)，见表1。

表1 甲状腺结节良性组与恶性组间临床基线资料比较

2.2 组间动脉期CT的纹理参数比较 共提取279个纹理特征，经降维后获得10个最优纹理特征参数。2组间参数Variance，S(4,-4)SumAverg，S(5,5)SumAverg，S(5,-5)SumAverg，Horzl_GLevNonU，Vertl_GLevNonU，45dgr_GLevNonU，135dr_GLevNonU和135dr_Fraction差异均有统计学意义(P均<0.05)，S(5,-5)InvDfMom差异无统计学意义(P>0.05)，见表2。

表2 甲状腺结节良性组与恶性组间纹理参数比较[中位数(上下四分位数)]

2.3Logistic回归分析及ROC曲线分析 参数Vertl_GlevNonU及45dgr_GlevNonU为甲状腺良恶性结节的独立预测因子(表3)。参数Vertl_GlevNonU、45dgr_GlevNonU鉴别甲状腺良恶性结节的最佳阈值分别为21.11和33.61，相应的AUC、敏感度和特异度分别为0.76、73.80%、73.10%和0.77、68.90%、75.00%,见表4及图2。

图2 独立预测因子鉴别甲状腺良恶性结节的ROC曲线

表3 甲状腺良恶性结节Logistics回归分析结果

表4 独立预测因子鉴别甲状腺良恶性结节的ROC曲线结果

2.4 恶性组内亚组间纹理参数比较 转移亚组与无转移亚组间最优纹理参数S(1,-1)SumAverg、S(2,0)SumAverg、S(2,2)SumAverg、S(2,-2)SumAverg、S(3,0)SumAverg、S(0,3)SumAverg、S(3,3)SumAverg、S(4,0)SumAverg、S(4,4)SumAverg及S(5,0)SumAverg差异均无统计学意义(P均>0.05)。

3 讨论

目前常根据病灶形态或功能学特征诊断肿瘤。医学影像学图像中含有多维度信息，肉眼无法完全识别。纹理分析方法直接从影像学图像中提取有意义的信息，通过复杂的算法和计算，反映病灶异质性及确定病灶性质[6-7]，其参数可分为一阶、二阶及高阶特征。一阶特征主要描述体素值的基本分布，包括直方图的峰度、偏度和熵等；二阶特征主要描述病灶内具有相似灰度级体素之间的空间关系，包括灰度共生矩阵(gray-Level co-occurrence matrix, GLCM)和灰度游程矩阵(gray-level run-length matrix, GLRLM)；高阶特征对图像施加滤波器以重复或非重复模式提取特征，常用方法有小波变换等[8-9]。纹理分析可反映肿瘤组织病理学异质性，后者可能为细胞过度增殖、异常血管生成和坏死的结果，由此可观察与基因表达和肿瘤微环境变化有关[10]的组织结构变化。

纹理分析已成为影像学的新兴领域，并在多项研究[11]中取得成果，尤其在肿瘤诊断、组织功能及预后评估方面。ZHANG等[10]基于术前MRI纹理分析预测肝癌切除术后单病灶肝细胞癌早期复发，结果显示熵是最有价值的预测因子。ABBASIAN ARDAKANI等[12]指出，基于超声图像纹理特征鉴别甲状腺良恶性结节时，纹理特征组合比单个纹理的诊断效能更高。人工神经网络和支持向量机模型对于预测甲状腺良恶性结节具有重要价值[13]。上述研究多针对一阶特征，较少对二阶及高阶特征进行探讨。本研究纹理分析包含一阶、二阶及高阶共279个特征，仅参数Vertl_GlevNonU及45dgr_GlevNonU为甲状腺良恶性结节的独立预测因子，二者均为二阶特征的GLRLM，反映45°与90°方向灰度值分布的空间差异，这种差异在一定程度上来源于病灶的异质性，故可作为鉴别良恶性结节的纹理参数。另外，本研究二元Logistic回归分析结果显示，甲状腺良恶性结节Vertl_GlevNonU和45dgr_GlevNonU的Exp(β)值均为正值，表明其与甲状腺恶性肿瘤发病率呈正相关，且数值越大，恶性肿瘤的可能性越高。

吴宇强等[14]认为熵值可用于鉴别甲状腺良恶性结节，郭伟等[15]得出了与之相似的结论。本研究中良、恶性组间熵值差异无统计学意义，推测可能原因：①纳入分析的纹理参数不同，本研究提取的纹理参数维度更多；②统计分析方法有所不同，本研究采用二元Logistic模型，剔除组内变量(自变量)的相互影响，最终获得的结果代表某个因子(自变量)与发生该事件(因变量)的独立相关性，较常规t检验或非参数检验更为可靠；③本研究于动脉期CT原始薄层图像提取纹理特征，有利于避免纹理特征丢失而影响结果。

本研究提取的恶性组纹理参数有无淋巴结转移亚组间差异无统计学意义，与胡云婷等[3]基于一阶特征的研究结果一致，原因可能在于目前所提取的纹理特征不足以预测淋巴结转移，或甲状腺结节自身并不含有可表征淋巴结转移的纹理特征；但也可能与本研究样本量较少有关，有待进一步观察。

本研究的主要局限性：①甲状腺恶性结节，尤其存在淋巴结转移的样本量较少，可能对研究结果存在一定影响；②甲状腺良恶性结节间有差异统计学意义的纹理参数均属GLRLM，潘淑淑等[16]认为GLRLM灰度值分布代表肿瘤异质性，其医学解释仍有待探讨；③采用手动方法勾画病灶ROI，且仅勾画1个层面，可能无法代表病灶所有特征。

综上所述，基于CT图像纹理分析对鉴别甲状腺良恶性结节具有一定价值，而对预测甲状腺恶性结节淋巴结转移价值有限。