磁共振图像的纹理分析在儿童常见后颅窝肿瘤
本文原载于《中华医学杂志》年第23期
儿童颅内肿瘤以后颅窝肿瘤较为常见，常规磁共振(MRI)可以评价儿童常见后颅窝肿瘤(髓母细胞瘤、室管膜瘤和星形细胞瘤)的位置、大小和对周围组织的侵犯程度，然而对判断肿瘤的种类和分级价值小[1]。近年来，国外曾有文献报道利用MRI图像纹理分析的方法来鉴别该3种肿瘤[2]。本研究通过回顾性分析经手术病理证实的76例儿童后颅窝常见肿瘤，研究常见儿童后颅窝肿瘤的图像纹理特征，并选取支持向量机(SVM)作为分类器进行训练和测试，根据分类结果进行对比分析，从而鉴别3种儿童后颅窝肿瘤。
一对象与方法1．患者：
回顾性分析医院年5月至年8月经手术病理证实的76例儿童后颅窝肿瘤患者，年龄在0～14岁，其中髓母细胞瘤31例(男19例、女12例)，星形细胞瘤18例(男9例、女11例)，室管膜瘤27例(男17例、女10例)，3种肿瘤的平均直径为38.2mm。
2．MRI成像：
采用德国Siemens3.0TMRI成像系统，标准头颅线圈。平扫行矢状位及轴位T1WI、轴位T2WI及轴位DWI；增强扫描行矢状位、轴位及冠状位T1WI，造影剂采用GD-DTPA，剂量0.2mmol/kg。轴位扫描，层厚6mm，间隔1mm，FOV24cm×24cm，矩阵×，成像时间为48s。
3．感兴趣区的选取：
用ImageJ软件[3]在矢状位增强序列中提取显示肿瘤最大层面的连续3层作为感兴趣区(ROI)。本研究中样本的所有ROI均是在两位影像学专家的指导下，采用两人双盲法运用ImageJ软件手动分割完成。选取其中一个样本圈出肿瘤区域，并用红色填充肿瘤区域，将与其对应的标记前后的图像显示如图1，图2，图3所示。
4．肿瘤分析流程：
选取占总数60%的样本作为训练样本，剩余样本作为测试样本(图4)。(1)纹理分析：设f(x，y)为一幅二维数字图像，其大小为M×N，灰度级别为Ng，则满足一定空间关系的灰度共生矩阵为P(i，j)＝{(x1，y1)，(x2，y2)εM×N︳f(x1，y1)＝i，f(x2，y2)＝j}。P为Ng×Ng的矩阵，若(x1，y1)与(x2，y2)间距离为d，两者与坐标横轴的夹角为θ，则可以得到各种间距及角度的灰度共生矩阵P(i，j，d，θ)。纹理特征提取的一种有效方法是以灰度级的空间相关矩阵即共生矩阵为基础的，因为图像中相距(Δx，Δy)的两个灰度像素同时出现的联合频率分布可以用灰度共生矩阵来表示。若将图像的灰度级定为Ng级，那么共生矩阵为Ng×Ng矩阵，可表示为M(Δx，Δy)(h，k)，其中位于(h，k)的元素的值表示一个灰度为h而另一个灰度为k的两个相距为(Δx，Δy)的像素对出现的次数。当Δx＝1，Δy＝0时，像素对是水平的，即0°扫描；当Δx＝0，Δy＝1时，像素对是垂直的，即90°扫描；当Δx＝1，Δy＝1时，像素对是右对角线的，即45°扫描；当Δx＝－1，Δy＝1时，像素对是左对角线，即°扫描。这样，两个像素灰度级同时发生的概率，就将(x，y)的空间坐标转化为灰度对(h，k)的描述，形成了灰度共生矩阵。灰度共生矩阵提取到的纹理特征参数包括对比度、相关、能量、逆差矩和熵[4]。(2)统计学方法：本研究先运用单因素方差分析3种肿瘤的纹理特征是否存在差异，然后运用LST-t检验进行两两比较差异是否有统计学意义。(3)SVM分类：假设数据集中的两类样本分别可标记{xi，yi}，i＝1，…，l，其中yi为类别标签且yiε{－1，1}。若要满足两类样本分类间隔最大，应保证临界超平面之间的距离2/
w
最大。这时的问题即是在yi(wx＋b)≥1的约束下求解使得
w
2/2取得极小值的w。对于不等式约束的条件极值问题，可以用拉格朗日方法求解。引入非负的拉格朗日系数αi,得到拉格朗日方程[5]如下：L(w，b，αi)＝
w
2－Σi＝1lαi(yi(wxi＋b)－1)。把上式分别对α和b求偏微分并令其等于0，就可以把上述问题转化为一个较简单的对偶形式：W(αi)Σi＝1lαi－Σi，j＝1lαiαjyiyj(xi·xj)。求解使W取得最大值的α，若α*为最优解，则最优分类面的法向量可表示为W*＝Σi＝1lα*yixi。除支持向量对应的α*外，其他样本对应的α*均为0。通过任意一个支持向量可求得b*，于是就可以得到SVM的决策函数f(x)＝sgn(Σi＝1nyiαi*xTxi＋b*)。若两类样本不完全线性可分，则考虑引入松弛参数ξi构建软边界SVM，它在尽量使分类间隔最大化的基础上确定能够最大程度上区分两类样本的超平面，这时的约束条件变为yi(wx＋b)≥1－ξi，优化目标变为min
w
2＋CΣi＝1nξi。其中参数C是一个常数，反映的是SVM在这两个目标之间的折中。
二结果1．SVM测试结果：
选取一定数量的样本数据作为训练样本完成对于SVM的训练，剩余的作为测试样本，得到的结果如表1所示。从表1可见，以提取到的纹理参数为特征利用SVM作为分类器可以达到对于不同种类之间肿瘤的鉴别。
2．多特征组合的SVM测试结果：
通过不同特征参数之间组合的结果可以进行进一步的特征选择，得到的结果如表2所示。从表2中可见，利用SVM分析提取到的纹理参数，可以达到对于不同肿瘤之间的鉴别；而去除不具有显著性差异的特征之后，测试准确率没有明显的下降，表明通过检验可以对于多特征参数进行选择，减少输入特征，减少运算负担。
三讨论常规MRI的影像学特点可以用来鉴别后颅窝常见的3种肿瘤，但有文献报道50%的星形细胞瘤与髓母细胞瘤的T2信号强度有重叠现象[6]。也有文献报道室管膜瘤与髓母细胞瘤及星形细胞瘤与室管膜瘤的表观扩散系数(ADC)值也有大量重叠[7]。
纹理分析可提供图像强度空间分布格局的特征，并且已经成功的用于鉴别肿瘤的类型、组织类型的分割以及预测预后[8]。利用纹理分析的方法去鉴别MRI图像中的不同病变已经得到了认可，并且该方法还可以提供量化的、可重复性的结果。纹理分析的客观性在于它假定MRI图像的采集、处理和分析都是在相同的条件下进行的。SVM通过对一个小的数据训练集分析，达到了对3种儿童后颅窝肿瘤鉴别的良好效果，尽管个体的基本特征有重叠。本研究通过SVM对提取的3种肿瘤区域的纹理特征进行评价，结果发现3种肿瘤两两之间的测试准确率与RodriguezGutierrez等[9]研究结果相似。进一步印证该方法的可行性和价值，为3种肿瘤的鉴别诊断提供了新的方法。纹理分析的方法目前只能作为一种辅助诊断的新方法应用，因此与常规的MRI鉴别诊断要点结合起来应用效果更好。
参考文献（略）
（收稿日期：-01-06）
（本文编辑：刘雪松）
赞赏
转载请注明：http://www.ningbohuodai.com/yysz/1557.html
