高分辨率计算机断层扫描影像组学鉴别胆脂瘤与中耳炎:双中心研究中重建后处理方法的影响
这项回顾性双中心研究纳入100例患者,从无增强高分辨率CT手动勾画的2D感兴趣区提取影像组学特征,用多层感知器前馈人工神经网络分类,以组织病理学为参考标准。未处理数据的总体中位AUC为0.78,数据重采样后为0.88,ComBat协调后为0.89,提示重采样和ComBat协调可明显改善多中心影像组学分类性能。
要点
- 无增强高分辨率CT影像组学可鉴别胆脂瘤与中耳炎,未处理数据总体中位AUC为0.78。
- 多中心CT采集参数不一致时,直接合并数据行影像组学分析前需做重采样或ComBat协调后处理。
- 重采样后总体中位AUC为0.88,ComBat协调后为0.89,两种后处理方法效果相近。
关键影像表现/征象
- 所有病例均在轴位高分辨率CT上由两名放射科医师共识选取一个代表性层面,于中耳病灶中心放置单个面积大于4 mm²的2D圆形感兴趣区。
- 每例病灶提取279个影像组学特征,涵盖一阶直方图9个、共生矩阵220个、游程矩阵20个、绝对梯度5个、自回归模型5个及离散Haar小波变换73个。
- 图2中中耳炎与胆脂瘤病例均表现为中耳软组织影且无骨质破坏。
- 共生矩阵特征中的角二阶矩和对比度在相关特征列表中占主导,一阶直方图特征似乎与基于影像组学的病灶分类不相关。
诊断标准与关键数值
- 未处理数据行多层感知器前馈人工神经网络分类,总体中位AUC为0.78(0.72–0.84),训练集中位准确率71.4%(65.7–85.7%),验证集中位准确率66.7%(63.3–71%)。
- 中心A未处理数据单独分析时,50例中33例正确分类,准确率66%(误分类:胆脂瘤9例、中耳炎8例)。
- 中心B未处理数据单独分析时,50例中42例正确分类,准确率84%(误分类:胆脂瘤4例、中耳炎4例)。
- 将中心B数据从768×768重采样至512×512后与中心A原始数据合并,多层感知器前馈人工神经网络分类总体中位AUC为0.88(0.82–0.99),训练集中位准确率83.8%(79.2–95.9%),验证集中位准确率76.9%(71.4–85.2%)。
- 使用ComBat协调后的合并数据,多层感知器前馈人工神经网络分类总体中位AUC为0.89(0.79–0.92),训练集中位准确率82.9%(68.6–88.6%),验证集中位准确率73.3%(60.0–76.7%)。
临床应用与阅片要点
- 对于临床怀疑胆脂瘤或复杂中耳炎的患者,无增强高分辨率CT联合影像组学分析可能有助于基于图像的鉴别诊断。
- 多中心CT采集参数不一致时,将数据直接合并行影像组学分析似乎没有意义,需先做重建后处理。
- 重采样在影像组学特征提取之前直接作用于图像,ComBat协调在特征提取之后作用于数值特征值,两者在分析流程中的作用层面不同。
- 作者认为,经额外验证后,无增强高分辨率CT联合影像组学分析可能成为鉴别胆脂瘤与中耳炎的有用工具。
局限性
- 本研究为回顾性设计。
- 患者队列相对较小。
- 所使用方法如k-NN、LDA和MLP-ANN虽已成熟,但具有更多隐藏层的更先进卷积神经网络被认为是机器学习领域的金标准。
- 为保持一致性,感兴趣区仅以圆形、手动方式在单一层面上勾画,可能遗漏采用网格容积感兴趣区可捕捉的病灶灰度异质性特征部分。
- 未来研究需纳入确证性3D分析,最好采用自动病灶分割。
全文中译11 节 · 点击展开
引言
在中耳炎(MEI)之外,鼓室最常见的疾病之一是胆脂瘤,它是一种由上皮构成并伴有炎性反应的膨胀性生长物[1]。目前,临床怀疑胆脂瘤或复杂性MEI的诊断检查和术前规划大多采用颞骨高分辨率计算机断层扫描(HRCT)[2]。在MEI(尤其是慢性MEI)和胆脂瘤中,均可发生周围骨质结构的侵蚀,并可能需要手术干预。尽管胆脂瘤的存在通常由其位于上鼓室或鼓室窦的位置提示[3],但这两种病变均可出现在鼓室的不同区域,这限制了它们在HRCT上的鉴别。虽然弥散加权成像(DWI)可能有助于胆脂瘤的诊断,但MEI中的炎性组织和高蛋白液体可能导致假阳性结果[4],而早期和小胆脂瘤可能被漏诊[5]。因此,目前最终诊断只能通过手术切除组织的组织病理学分析来确立。术前准确区分这两种疾病具有很高的临床重要性,因为胆脂瘤的治疗通常是手术,而慢性MEI在大多数情况下可以保守治疗[6]。此外,关于可能基础疾病的术前信息对于选择手术入路和技术很重要。因此,通过影像学改善胆脂瘤和MEI的鉴别无疑具有相当大的临床影响,需要为此付出努力。
影像组学是医学影像学中的一个新兴领域,可能有望推进当前的临床实践。影像组学基于这样一个假设:组织的遗传、分子和生物学特性与医学图像(如CT和MRI)中的信号强度模式(即像素和体素灰度值的空间变化)相关。值得注意的是,计算机辅助的影像组学分析可以提取大量所谓影像组学特征(图像纹理和形状的数学描述符),这些特征人眼无法评估,更不用说量化[7]。然而,使用多中心数据进行影像组学分析可能存在问题,因为已知采集参数的差异会对影像组学特征产生相当大的影响[8]。影像组学在临床实践中广泛应用的一个前提是开发和研究后处理方法,因为多中心之间严格的同质数据采集不太可能实现[9]。
本研究的主要目标是确定从平扫HRCT提取的影像组学特征是否可用于区分胆脂瘤和MEI——不仅在单中心,而且在双中心环境中。在这方面,研究后重建技术的影响也特别令人关注。据我们所知,源自横断面影像的影像组学特征用于评估颞骨疾病(包括胆脂瘤和MEI)的效用尚未被研究。我们假设,这两类软组织肿块之间的微结构差异会导致HRCT中具有特征性的模式,这些模式可以使用影像组学分析进行量化,并且后处理可能潜在地提高其价值。
材料和方法
这项回顾性双中心研究符合《健康保险流通与责任法案》(HIPAA)指南,并获得当地机构审查委员会/伦理委员会批准;豁免知情同意。
患者选择
在A中心,检索数据库,纳入2017年1月至2018年9月期间因临床怀疑胆脂瘤而接受初次平扫HRCT的患者。在B中心,对2006年1月至2010年1月的手术记录本进行回顾性审查,以识别因怀疑胆脂瘤或MEI而接受手术的患者。所有病例的最终诊断确认均基于术中组织学。在两个中心,排除标准为既往中耳手术、HRCT无病理发现以及缺乏术前HRCT或术后组织学。在两个中心,患者均连续纳入;无论儿童还是成人,均未使用HRCT上病灶的大小或其他形态学标准进行患者选择。
成像方案
在A中心,所有检查均在一台192层第三代双源CT扫描仪(Somatom Force,Siemens Healthineers)上进行,工作条件为120 kV和150 mAs。采集以头尾方向进行,螺距为0.85,准直为0.4 mm。所有检查均启用自动管电流调制(Caredose 4D,Siemens Healthineers)。所有数据重建为轴位、旁冠状位和旁矢状位图像,矩阵大小为512 × 512体素,层厚为0.4 mm,增量为0.2 mm。使用高级模型迭代重建算法(Admire,Siemens Healthineers),强度水平为5级中的3级。
在B中心,所有患者均在一台64排多探测器CT扫描仪(Brilliance 64,Philips Healthcare)上接受最先进的HRCT检查,条件为140 kV和200 mAs。采集以头尾方向进行(螺距,0.35;准直,0.63 mm)。重建轴位、冠状位和矢状位图像系列,矩阵大小为768 × 768体素,层厚为0.67 mm,增量为0.33 mm。使用滤波反投影重建。
年幼儿童的CT扫描在必要时于镇静状态下进行,以促进诊断图像质量并避免重复采集的必要性。
图像后处理
数据重采样由一名放射科医生(R.E.S)使用DCM Toolkit的DCMScale(https://support.dcmtk.org/docs/dcmscale.htm)完成。来自B中心的数据使用DCMScale的标准插值(+i 1)从768 × 768矩阵重采样为512 × 512矩阵(+Sxv 512),以匹配A中心使用的矩阵。
在重建后对数据进行协调,以校正两个中心/扫描仪之间的采集方案差异,该协调直接应用于影像组学特征值。本研究使用了ComBat方法[10]。ComBat协调最初为基因组数据开发,其基础是去除中心效应对提取的影像组学特征数值的影响。
图像分析和影像组学
两个中心的轴位HRCT图像系列用于影像组学分析。为提取特征,采用公开软件MaZda 4.6(http://www.eletel.p.lodz.pl/programy/mazda)进行半自动方法。在所有病例中,两名均具有6年经验的委员会认证放射科医师协商选择一张代表性切片,并在中耳病变中心放置单个2D圆形感兴趣区(> 4 mm2)(图1)。选择特定切片以在最大范围显示病变,同时与周围解剖结构保持足够距离。在每个感兴趣区应用灰度归一化,以减少亮度和对比度变化对特征量化的潜在影响[11],将动态范围限制为μ ± 3σ(μ,灰度均值;σ,标准差)[12]。从手动定义的感兴趣区提取了大量影像组学特征(每个病变n = 279),来自以下影像组学特征类别:一阶直方图(HIS;n = 9;灰度统计量如百分位数)、共生矩阵(COM;n = 220;具有预定义灰度值和像素间距离的像素对分布)、游程矩阵(RUN;n = 20;具有相同灰度值的像素游程分布)、绝对梯度(GRA;n = 5;相邻像素间灰度值变化的程度/陡峭度)、自回归模型(ARM;n = 5;灰度随机性/规律性程度)以及离散Haar小波变换(WAV;n = 73;图像在不同尺度上的频率内容)。MaZda能够计算的影像组学特征完整列表可在http://www.eletel.p.lodz.pl/programy/mazda/download/FeaturerList.pdf查阅。
统计分析与分类
HRCT影像组学在鉴别胆脂瘤与MEI中的效用在不同数据集中进行评估:在未修改的单中心数据中(即分别评估来自两个中心的数据);
在两个中心未修改的汇总数据中;
在两个中心重采样至相同矩阵大小的汇总数据中;以及
在两个中心使用ComBat协调校正采集方案差异后的汇总数据中。
对于上述所有分析,首先进行特征选择,以基于数学标准将最初获得的大量特征减少至最相关的特征集。在本研究中,使用POE + ACC(错误概率和平均相关性)系数选择10个最佳影像组学特征的子集,用于鉴别胆脂瘤与MEI。选择该方法是因为除了识别最能区分类别的特征外,它还解决了数据冗余问题(即各个影像组学特征之间的相关性)。
为了对来自两个中心的未修改数据进行单独分析,应用了线性判别分析(LDA),该方法基于前一步骤中识别出的10个特征集生成最具判别性的特征,以进一步降维。这样做是由于每个中心的样本数量较少,以避免过拟合——即产生过于乐观的分类性能估计。当所考虑的特征数量相对于所分析的样本数量非常高时,可能会发生过拟合,因为在这种情况下可能会检测到随机相关性。出于同样的原因,在这些单独的单中心数据集中,使用了具有留一交叉验证的K近邻(k-NN)方法进行分类;即,模型使用一个中心的所有患者排除一名患者(n − 1)进行训练,并在留出的患者上进行测试,以保持样本数量相对于放射组学特征数量较高;该过程重复n次[12]。k-NN分类器产生的误分类向量率用于计算准确率,作为这些组的主要结局变量。LDA和k-NN分类分别对中心A和B的数据进行,随后对两个中心的合并数据进行。
对于合并(未修改或后处理)数据,使用基于反向传播学习算法的多层感知器前馈人工神经网络(MLP-ANN)进行基于放射组学的分类。与单中心分析相反,该队列被认为足够大,可以使用这种更先进的技术。在此,70%的病例被随机分配到训练数据集,30%分配到验证数据集。由于神经网络采取的第一步是对各个放射组学特征权重的“猜测”——可能导致不同的分类结果,分析各进行五次,以提供更稳健/现实的分类性能估计。此外,对于分类步骤的每次重复,患者被重新随机化并分配到训练组或验证组。对于MLP-ANN,使用至少一个隐藏层,每层至少三个神经元。计算了训练和验证数据集的受试者工作特征(ROC)曲线下面积(AUC)和分类准确率。MLP-ANN应用于合并的未修改数据、合并的ComBat协调数据和重采样至相同矩阵的合并数据。对于后者,在重采样图像上重新绘制感兴趣区域(ROI)以获得放射组学特征;POE + ACC特征选择也重复进行。从手术标本获得的组织病理学作为参考标准。
结果
在中心A中,初始68例患者组中有18例因既往中耳手术(n = 15)或HRCT缺乏病理发现(n = 3)而被排除。其余23例患者均在HRCT后接受手术,并经组织学诊断为胆脂瘤。另外27例经组织学或临床诊断为MEI的患者作为对照组。患者平均年龄为33.1 ± 19.9岁(范围,6–78岁);38例患者为男性。
在B中心,回顾性纳入69例因胆脂瘤接受手术的连续患者。其中44例因缺乏术前高分辨率计算机断层扫描(HRCT)(n = 42)或术后组织学(n = 2)而被排除。另回顾性选取25例中耳炎(MEI)患者作为对照组。平均年龄为39.5 ± 22.3岁(范围,5–81岁);24例患者为男性。
因此,本研究共纳入100例患者(A中心50例,其中胆脂瘤23例,MEI 27例;B中心50例,其中胆脂瘤25例,MEI 25例)(图2)。
未修改数据
分别对来自A中心的数据进行分析,33/50例(准确率,66%;误分类:胆脂瘤9例,MEI 8例)被正确分类,而分别对来自B中心的数据进行分析,42/50例(准确率,84%;误分类:胆脂瘤4例,MEI 4例)被正确分类。
使用来自两个中心的未修改合并数据,MLP-ANN分类产生的总体中位AUC为0.78(0.72–0.84),训练数据集中的中位准确率为71.4%(65.7–85.7%),验证数据集中的中位准确率为66.7%(63.3–71%)(图2)。
合并后处理数据
使用来自A中心的原始数据(矩阵为512 × 512)以及来自B中心重采样至相同矩阵的数据,MLP-ANN分类显示总体中位AUC为0.88(0.82–0.99),训练数据集中的中位准确率为83.8%(79.2–95.9%),验证数据集中的中位准确率为76.9%(71.4–85.2%)。
使用合并的ComBat协调化数据,MLP-ANN分类产生的总体中位AUC为0.89(0.79–0.92),训练数据集中的中位准确率为82.9%(68.6–88.6%),验证数据集中的中位准确率为73.3%(60.0–76.7%)(图3)。
讨论
在这项双中心研究中,我们评估了平扫HRCT影像组学特征在无创区分胆脂瘤与MEI方面的效用,并进一步探讨了两种重建后处理方法在该方面的作用。我们的结果表明,对来自多个中心的汇集异质性数据进行影像组学分析时,不应在未进一步后处理的情况下进行。ComBat协调化和重采样至相同矩阵大小均能类似地改善基于影像组学的病变分类。因此,这两种方法似乎都是多中心影像组学分析中有价值的重建后处理技术,需要进一步研究。经过额外验证后,平扫HRCT结合影像组学分析可能成为基于图像区分胆脂瘤与MEI的有用工具。
对各种类型影像数据进行的影像组学分析在区分全身不同肿瘤实体方面已取得有希望的结果[13–15]。由于胆脂瘤具有局部侵袭性,可能导致周围解剖结构永久性损伤,且复发风险高,因此在其他软组织肿块中准确识别胆脂瘤尤为重要[16]。术前HRCT中胆脂瘤的诊断主要依赖典型病变位置和骨质侵蚀的存在;然而,已知该方法存在局限性[17]。既往已有区分胆脂瘤与MEI的尝试。例如,Trojanowska等人在17例患者中提出增强后CT对检测胆脂瘤具有潜在 usefulness[18],而De Foer等人则强调了DWI和T1加权序列在该方面的价值[19]。Profant等人也推荐非回波平面成像DWI作为胆脂瘤诊断和随访的有效方法[20]。Shie等人提出了一种用于耳镜检查诊断MEI的基于特征的分类系统,包括但不限于HIS特征[21]。在一项纳入91例患者的研究中,Lee等人得出结论,Hounsfield单位(HU)测量——即HIS特征——不足以区分这两种疾病[22]。然而,Park等人在82例患者中发现胆脂瘤与炎性组织之间的HU值存在显著差异[23]。我们的结果表明,在多种影像组学特征中,HIS特征似乎与基于影像组学的病变分类无关,而COM(共现矩阵;基于具有预定义灰度强度的像素对的分布)、RUN(游程矩阵;基于具有相同灰度强度的像素序列)和WAV(Haar小波变换;基于图像分解以捕捉图像中不同方向的细节和边缘)特征则相关(表1)[24]。特别是,COM特征如角二阶矩(衡量灰度均匀性或灰度强度的有序性)和对比度(强调像素对中两个像素之间的灰度强度差异)在相关特征列表中占主导地位。与这些反映ROI内灰度强度空间变化的“真正”影像组学特征不同,HIS特征是信号强度的统计描述符。
既往研究表明,影像组学特征受层厚和重建算法等图像采集参数的影响。在近期一项纳入41项研究的系统综述中,Traverso等观察到采集参数变化对空间分辨率可重复性的影响最强,其次是扫描持续时间和重建方法[25]。总体而言,一阶特征和形状特征比纹理特征更稳定,而纹理特征可反映病灶异质性[26, 27]。因此,既往研究者在扫描仪和成像方案方面使用异质性数据时,对影像组学特征用于病灶鉴别的效用得出了不一致的结果[28]。同样,在本研究中,若不进行进一步后处理,汇总多中心数据似乎没有意义,区分MEI和胆脂瘤的总体中位AUC仅为0.78。鉴于文献报道以及本研究中来自B中心的高分辨率CT(HRCT)数据虽然层厚较大,但矩阵尺寸更大,因而结果优于A中心数据,我们假设未来针对该主题或类似主题的影像组学研究,HRCT方案应特别重视高平面内分辨率。
重建后方法,如数据重采样(即图像分析前)和数据协调化(即图像分析后),目前正被研究作为影像组学领域这一已知问题的潜在解决方案。协调化依赖数学后处理来消除图像采集参数变化对已有影像组学特征的影响。既往研究发现,目前常用的应用ComBat对正电子发射断层成像(PET)影像组学有益[10, 29]。一项非常近期的研究也证实了ComBat用于校正CT影像组学数据的有效性[30]。体素大小重采样被认为是校正扫描仪间空间分辨率差异所致影响的另一有前景的策略[31]。我们的结果提示,数据重采样和协调化可能都是涉及大量异质性数据的多中心影像组学研究的有用应用,可在保留病理生理信息的同时消除采集差异的影响。随着AUC从0.78升至0.88和0.89,数据重采样和重建后协调化在区分胆脂瘤和MEI的准确性方面产生了相似的良好至优秀结果。值得注意的是,重采样和ComBat协调化在分析过程中的应用层面非常不同。重采样应用于影像组学特征提取之前,而ComBat协调化应用于其后,这意味着一种技术直接作用于图像,另一种作用于数值特征值。鉴于这些根本差异,很难说明为何重采样在本研究中表现略好,或这一观察是否可推广——据我们所知,这是首项在同一样本中比较两种技术的研究。然而,显而易见的是,为产生有意义的结果,未来影像组学研究需要高质量数据,这些数据应通过同质成像方案获得,和/或在无法实现时对图像采集差异进行校正[32]。
本研究除其回顾性设计外尚有一些局限性需要说明。首先,我们的患者队列相对较小;然而,类别不平衡和过拟合这两项影像组学研究中的常见陷阱均不应对我们的结果产生影响,因为在整个研究中类别和误分类病例的比例是平衡的。其次,虽然k-NN、LDA和MLP-ANN等方法已成熟确立[33, 34],但具有更多隐藏层的更先进卷积神经网络被认为是机器学习领域的金标准。尽管如此,应根据队列大小选择模型以避免过拟合。第三,为保持一致性,ROI以圆形手动绘制且仅在一个层面上绘制,因此可能遗漏了病灶中在灰度异质性方面的特征性部分,而这些部分本可通过例如网格感兴趣体积来捕获。显然,未来的研究因此需要包括验证性3D分析,最好采用自动病灶分割。第四,由于各研究中心常规使用不同的矩阵大小,且因回顾性设计而无法获取原始数据,因此需要对重建数据进行重采样。出于同样的原因,我们无法评估迭代次数对影像组学特征的影响。最后,未来试验应进行HRCT影像组学与DWI的直接比较,以研究HRCT影像组学和DWI在胆脂瘤与中耳炎鉴别中的可互换性。未来研究中将HRCT与DWI数据相结合甚至可能进一步提高影像组学分析的相关性,因为可以考虑组织生物学的不同方面,如异质性和扩散性。
总之,我们的数据表明,源自平扫HRCT的影像组学特征可能有助于胆脂瘤与MEI的鉴别。然而,在不进行进一步后处理的情况下,汇集从非均质CT数据集提取的数据似乎没有意义。当使用CT采集参数存在差异的多中心数据时,ComBat重建后协调化和数据重采样明显改善了基于影像组学的病灶分类。当利用影像组学特征时,平扫HRCT可能作为DWI的有价值补充,用于胆脂瘤与MEI之间的软组织鉴别。
引用
- Arendt CT, Leithner D, Mayerhoefer ME, et al. Radiomics of high-resolution computed tomography for the differentiation between cholesteatoma and middle ear inflammation: effects of post-reconstruction methods in a dual-center study. Eur Radiol. 2020. PMID: 33277670. doi:10.1007/s00330-020-07564-4
- 全文:PMC8128805(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC8128805/
供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。