范莉芳，张霞，黄磊，翟建，吴树剑，徐晓燕

（1.皖南医学院医学影像学院，安徽 芜湖 241002；2.皖南医学院弋矶山医院，安徽 芜湖 241001）

近几年，随着乳腺病变影像学检查和诊断技术的不断完善，乳腺病变早期筛查结果的准确性也越来越好［1］。大多数早期乳腺癌患者往往都是通过影像学检查来初步诊断的［2］。MRI 因具有较好的软组织分辨率及多序列、多参数成像，在乳腺癌等疾病的诊断中得到了越来越广泛的应用。MRI的部分特点如时间信号曲线（time-signal intensity curve，TIC）类型及表观扩散系数（apparent diffusion coefficient，ADC）值识别乳腺良恶性病变也具有一定的价值［3-4］。图像组学是一个热门的研究方向，它基于影像图像提供了大量的定量特征信息，来鉴别不同类型的病变性质［5-6］。本研究通过利用MRI 定性和定量参数建立MRI 特征模型和联合影像组学标签来建立基于DCE-MRI的影像组学模型，探讨基于DCE-MRI的影像组学鉴别乳腺良恶性病变的价值。

1 资料与方法

1.1 一般资料 回顾性分析2020年1月至11月在我院进行乳腺DCE-MRI扫描的68例乳腺包块患者共68 枚病变影像及其临床病理数据等资料，所有患者的相关资料均完整。纳入标准：（1）MRI 检查和手术中的病理数据均完整；（2）既往没有接受放射处理等治疗史；（3）既往无乳腺外科手术史。排除标准：由于图像质量差而导致难以进行观察和测量。所有患者均为女性，以术后病理结果为金标准，其中乳腺恶性病变34枚（浸润性导管癌26枚，浸润性腺癌1枚，浸润性小叶癌3枚，导管内癌4枚），患者平均年龄（43.8±9.3）岁；乳腺良性病变34枚（纤维腺瘤25枚，导管内乳头状瘤7枚，肉芽肿性小叶炎2枚），患者平均年龄（42.1±9.7）岁。

1.2 检查方法 采用美国GE Signa HDxt3.0T 磁共振扫描仪，线圈使用乳腺8 通道专用相控阵线圈。患者头先进取俯卧位，双乳自然态，位于线圈中央，同时应避免线圈挤压双侧乳房；让患者处于较舒适体位，扫描方向从上至下，范围应包括整个乳房。扫描序列及参数：LAVA T1WI：TR 5.68 ms，TE 2.10 ms，TI 14 ms，层 厚2.0 mm，层间距0 mm，FOV 330 mm×330 mm，矩阵320×320；STIR T2WI：TR 10 000 ms，TI 230 ms，TE 50 ms，层厚4.0 mm，层间距0.4 mm，FOV 330 mm×330 mm，矩阵320×256。DWI：单次 激 发SE-EPI：b=1 000 s/mm2，TR 6 500 ms，TE55ms，层厚4.0mm，层间距0.4mm，FOV340mm×320 mm，矩阵126×96。增强扫描采用双筒高压注射器，静脉注射流速为2.5 ml/s、剂量为0.1 mmol/kg的Gd-DTPA（GE Healthcare AS）对比剂，先扫1期蒙片，蒙片完成后立即注入对比剂同时行LAVA T1WI 扫描，参数同上。每1 期扫描时间为60 s，共需要扫描8期。

1.3 图像分析 由2 名经验丰富的放射科医师根据2013 年美国放射学会第2 版适用于MRI 的乳腺影像报告和数据系统［7］分别盲法阅片。由同一名医师测量ADC 值和TIC，并尽可能避开坏死、囊性和出血区域。测量ADC 值5 次，去除最大值、最小值，取平均值，选择病灶强化最明显区域绘制TIC曲线。采用组内相关系数（intraclass correlation coefficient，ICC）评价2 名医师提取特征的一致性，ICC 为0.863～0.977，一致性较好。

1.4 特征提取及影像组学标签的建立 所有患者的DCE-MRI图像均以DICOM格式从PACS系统导入到ITK-SNP（3.6.0版本）软件中，2名经验丰富的放射科医师参考DCE-MRI图像（病变增强的最明显阶段），沿着病变边缘的所有层面手动划定ROI，并将其融合为三维图像（图1），然后转移到AK 软件（GE：3.30 版）提取纹理特征。使用最小冗余度、最大相关度和LASSO回归来对提取的纹理特征进行降维，选择最佳特征子集并构建影像学标签，然后根据特征的权重计算影像组学评分（Rad-score）。

图1 1例45岁乳腺浸润性导管癌女性患者的MRI三维影像

1.5 统计学方法 采用SPSS 23.0 软件和R 软件（版本3.5.2）进行统计学分析。使用Kolmogorov Smirnov检验来检验正态性。正态分布计量资料采用均数±标准差表示，偏态分布采用中位数表示，计数资料采用［n（%）］表示。χ2检验或Fisher检验用于分类变量，独立样本t检验（正态分布和方差齐）或Mann WhitneyU检验（偏态分布或方差不齐）用于连续变量。采用多元Logistic回归分析法建立预测模型，并绘制受试者工作特征（ROC）曲线来评价该模型的诊断效果。P＜0.05为差异有统计学意义。

2 结果

2.1 2 组MRI 影像学特征参数比较 2 组ADC值、病灶边缘、分叶征及TIC 类型差异均有统计学意义，2组最大直径、位置、乳腺密度、毛刺征差异无统计学意义，见表1。

表1 乳腺良恶性病变组MRI影像学特征一般资料比较

2.2 纹理特征选择和建立影像组学标签 AK软件共从DCE-MRI 图像中提取了1 316 个纹理特征，经特征降维、筛选出12 个最佳特征，建立影像组学标签，见图2。影像组学标签公式为：Radscore=- 0.936*wavelet_LHH_firstorder_Skewness + 1.274*lbp_3D_m2_firstorder_10Percentile+1.326*lbp_3D_k_glcm_Imc1+-0.684*wavelet_HHH_glrlm_ShortRun-HighGrayLevelEmphasis+-0.302*wavelet_LLL_gldm_LargeDependenceLowGrayLevelEmphasis + 1.006*wavelet_HLH_glcm_Imc1+-0.335*lbp_3D_k_ngtdm_Strength+0.324*lbp_3D_m1_glrlm_RunLengthNon-Uniformity + 0.505*wavelet_LLH_ngtdm_Strength+ 0.894*wavelet_LHL_gldm_DependenceEntropy +-0.248*wavelet_HHH_glrlm_RunVariance+0.587*log_sigma_3_0_mm_3D_firstorder_Kurtosis+0.063。进一步绘制ROC 曲线，得出影像组学标签AUC 为0.894，见表2。

图2 LASSO筛选结果

2.3 建立MRI 特征模型、影像组学模型 将单因素分析差异有统计学意义的ADC 值、病灶边缘、分叶征及TIC类型纳入多因素Logistic回归分析建立MRI特征模型，并分析模型中各独立因子的OR值及P值，见表2；绘制ROC 曲线，得出MRI 特征模型AUC为0.928，见表3。

表2 MRI特征模型中各独立预测因子的OR值及P值

将MRI特征模型中ADC值、病灶边缘、分叶征及TIC类型4个变量联合影像组学标签建立影像组学模型，对模型绘制ROC 曲线，得出影像组学模型AUC为0.982，见表3。

表3 MRI特征模型、影像组学标签及影像组学模型的诊断效能

3 讨论

磁共振检查对乳腺病变良恶性的鉴别具有重要价值，能够为临床选择合适的治疗措施提供一定的参考。以往研究表明，可以根据MRI 图像病变的形状、边缘、分布、内部强化特点及ADC值等特点对乳腺病变的良恶性进行判断［8］。乳腺恶性肿瘤相较于良性肿瘤往往具有形态不规则、边界不清等特点。ADC 值与单元内部和外部空间的比例和形状有关，单元外部空间的细胞密度，曲折度和附着力的增加会影响单元内部和外部空间中水扩散的变化，乳腺癌细胞的密度增加，水分子的扩散受到限制，ADC值降低，孙蓉等［9］研究结果得出ADC值可反映肿瘤内部结构特征。本研究分析乳腺良恶性病变在MRI 图像中的定性及定量参数的差异性，得出ADC值、病灶边缘、分叶征及TIC 类型对乳腺良恶性病变的鉴别差异有统计学意义。本研究还显示，乳腺恶性病变边缘大多不清晰，出现分叶征及TIC 类型多为Ⅲ型；乳腺良性病变一般边缘较清晰，无分叶征及TIC 类型多为Ⅱ型。将ADC 值、病灶边缘、分叶征及TIC 类型联合建立MRI 特征模型，ROC 曲线显示模型的AUC 为0.928，特异度为91.18%，敏感度为82.35%。说明利用乳腺的增强MRI 特征对乳腺良恶性病变具有较高的鉴别效能。

自从影像组学提出以来，根据大量研究证实，基于DCE-MRI的影像组学分析能够有效判断肿瘤良恶性、预测乳腺癌组织病理分级及乳腺癌脉管侵犯情况等［10-12］。纹理分析是近年来提出的研究热点，它可以准确检测图像中每个像素的精细分布及其之间的关系，进而在临床应用过程中，可以获取图像中各种疾病图像的尽可能多的不同纹理信息，以其病理结果作为金标准，通过统计学分析，筛选得出与疾病有关的各种纹理学特征，因此，可以客观而又定量地评价病灶的异质性［13］。近年来，越来越多的研究利用纹理分析来鉴别病灶的良恶性。本研究基于DCE-MRI图像提取乳腺病灶三维纹理特征1 316个，经过最小冗余最大相关以及LASSO回归得出与乳腺良恶性病灶相关的12 个价值较大的纹理特征，并建立影像组学标签，ROC 曲线显示模型的诊断AUC 为0.894，特异度为76.47%，敏感度为97.06%，说明利用乳腺良恶性病变纹理特征不同可以有效地对其进行鉴别诊断。

进一步探讨MRI 特征模型联合影像组学标签的诊断效能，将ADC 值、病灶边缘、分叶征及TIC 类型联合影像组学标签建立影像组学模型，ROC 曲线显示模型的诊断的AUC 为0.982，特异度为94.12%，敏感度为97.06%，均高于MRI特征模型和影像组学标签，表明影像组学模型对鉴别乳腺良恶性病变的诊断价值高于MRI 特征模型和影像组学标签单独对乳腺良恶性病变的诊断价值。

综上所述，基于DCE-MRI影像组学鉴别乳腺良恶性病变具有较高的诊断价值。