文献速递乳腺乳腺X线

乳腺实质影像组学特征:FOR PROCESSING与FOR PRESENTATION数字乳腺摄影的差异评估

Radiomic features of breast parenchyma: assessing differences between FOR PROCESSING and FOR PRESENTATION digital mammography.
PubMed 文献 · Insights Imaging · 2021-10-21

纳入165例女性FFDM图像,比较FOR PROCESSING与FOR PRESENTATION图像中LIBRA分割及74个纹理特征的一致性。两种图像分割结果差异很大;FOR PROCESSING图像计算的多数特征与FOR PRESENTATION对应特征正相关,且双侧对称性更高;仅少数特征在两种图像间无显著差异。结论认为FOR PROCESSING乳腺摄影的纹理特征更适合评估乳腺密度。

要点

  • FOR PROCESSING与FOR PRESENTATION图像分割结果差异大,尤其致密区面积常明显不同。
  • 多数纹理特征在两种图像间有差异,但呈正相关,部分强或中度相关。
  • FOR PROCESSING图像计算的纹理特征双侧对称性更高,更适合评估乳腺密度。

核心结论

  • FOR PROCESSING乳腺摄影的纹理特征受厂商后处理影响较小,更适合评估乳腺密度。
  • 两种图像分割结果差异大,致密区在FOR PRESENTATION上常被分割得很小,可能丢失纹理信息。

研究设计与样本

  • 单中心回顾性研究,纳入2020年6月至11月165例女性FFDM图像,仅使用MLO投影共330幅。
  • 使用LIBRA软件分割致密区与非致密区,计算74个纹理特征(FO 18个、GLCM 24个、GLRLM 16个、GLSZM 16个)。
  • 统计方法包括Bland-Altman、Dice指数、Cohen kappa、配对Wilcoxon检验、Spearman相关、组内相关及典型相关分析。
  • 参考标准为两位放射科专家按BI-RADS第5版共识评估的乳腺密度。

关键影像表现/征象

  • FOR PROCESSING与FOR PRESENTATION图像分割结果差异很大,FOR PRESENTATION上胸肌常未正确去除,致密区常非常小。
  • 全乳腺面积Dice指数平均0.97±0.02,Cohen kappa平均0.96±0.03;致密区因差异大未计算Dice或kappa。
  • 全乳腺面积Bland-Altman Spearman相关系数0.88,致密区为−0.16(p<0.001)。
  • FOR PROCESSING图像计算的纹理特征双侧对称性更高。

诊断标准与关键数值

  • 配对Wilcoxon检验(显著性水平p=0.05)显示多数纹理特征在两种图像间有显著差异,仅8个特征无差异:FO的Skewness;GLCM的ID、IDM、Inverse Variance、Maximum Probability;GLSZM的Small Area Low Gray Level Emphasis、Long Run High Gray Level Emphasis、Long Run Low Gray Level Emphasis。
  • 所有Spearman相关系数均为正:12个特征强相关(rho≥0.8),30个中度相关(rho≥0.6),25个弱相关(rho≥0.4),7个几乎不相关(rho<0.4)。
  • 典型相关分析中,除少数特征外,多数特征组合的典型相关系数≥0.6。
  • PD与FOR PRESENTATION纹理特征的相关分析中,仅在GLRLM的Gray Level Non Uniformity上于致密区和非致密区均获得中度相关;PD与FOR PROCESSING特征的相关分析中,仅GLCM的MCC于致密区和非致密区均获得中度相关。

临床应用与阅片要点

  • 若需评估乳腺密度或提取纹理特征,优先使用FOR PROCESSING图像,因其保留原始组织物理属性且双侧对称性更高。
  • 在FOR PRESENTATION图像上使用LIBRA分割时需警惕胸肌去除不全及致密区被低估,可能导致PD和纹理特征偏差。
  • 报告乳腺密度相关纹理分析时,应注明所用图像类型(FOR PROCESSING或FOR PRESENTATION),避免跨类型直接比较。

局限性

  • 样本量有限。
  • 缺乏放射科医生提供的乳腺百分密度估计作为独立验证。
  • 仅分析单一厂商(IMS Giotto S.p.A)的数字乳腺摄影图像。
全文中译11 节 · 点击展开
本译文由 AI 依据开放获取原文逐段翻译,供学习参考,可能存在误差,请以原文为准。原文 © 原作者,按 CC BY 许可使用,本译文为翻译改编。出处:Insights Imaging. 2021 Oct 21;12:147. doi: 10.1186/s13244-021-01093-4

要点

从FOR PROCESSING和FOR PRESENTATION进行的分割给出了非常不同的结果。

在使用FOR PROCESSING图像计算的特征上评估时,双侧对称性更高。

来自FOR PROCESSING乳腺X线摄影的纹理特征似乎最适合评估乳腺密度。

引言

2020年,女性乳腺癌已超过肺癌成为全球癌症发病的首要原因,估计新增230万例,占所有癌症病例的11.7%。它是全球癌症死亡的第五大原因,死亡人数为685,000例[1]。

发病率升高反映了生殖和激素危险因素(初潮年龄早、绝经年龄晚、首次生育年龄大、子女数量少、母乳喂养较少、绝经激素治疗、口服避孕药)和生活方式危险因素(饮酒、体重超标、缺乏体力活动)的长期较高患病率,也反映了通过有组织或机会性乳腺X线摄影筛查发现的增加[2]。高外显率基因(如BRCA1和BRCA2)突变异常高的患病率部分解释了以色列和某些欧洲亚人群中的高发病率。然而,多年来乳腺癌死亡率已下降,原因包括多个因素,如更敏感的筛查技术和改进的治疗方案[3]。

在过去十年中,关于乳腺实质作为乳腺癌独立危险因素的作用日益达成共识[4–6]:因此,已提出了多种乳腺实质评估方法,其中影像组学纹理特征提取最为广泛[7–9]。影像组学是一个新兴领域并受到密切关注,尤其是在肿瘤学领域[10–12]:已有研究表明,影像组学可预测各种肿瘤的TNM分级、组织学分级、治疗反应和生存[13–15]。乳腺实质的纹理影像组学特征也已被证明可用于癌症分类[16]。

影像组学特征在与其他重要信息相关联并与结局相关时,可提供准确且稳健的循证临床决策支持系统(CDSS)。主要挑战在于以定量方式优化收集和整合多模态数据源,能够提供明确无疑的临床信息,从而准确且稳健地使结局预测成为必要决策的函数[17–19]。影像组学的核心假设是,与当今更常用的更具定性性质的放射学、组织病理学和临床数据相比,基于体素的定量个体变量与各种临床终点的关联更为敏感[17–19]。

全视野数字乳腺X线摄影(FFDM)的数字处理极大地增加了客观评估乳腺图像纹理特性的可能性。全视野数字乳腺X线摄影可存储为FOR PROCESSING(原始或未经处理图像)或FOR PRESENTATION(经处理图像,通常通过专有的、非公开可用的软件)。通常,在常规临床环境中仅可获得FOR PRESENTATION图像。然而,尽管后者强调了图像中对肿块和钙化检测有用的某些特征,但它们可能无法完全保留FOR PROCESSING图像中所含的原始信息,而这些信息可能对实质表征有用。

既往研究[7–9]已评估了用于乳腺实质评估的若干特征。然而,该领域近期的一些变化需要进一步更深入的分析。特别是,最近纹理特征已由图像生物标志物标准化倡议(IBSI)[18]进行标准化。因此,重要的是使用标准化特征对FOR PROCESSING与FOR PRESENTATION之间的差异进行全面评估,这些标准化特征包括相对于Gastounioti等[7]的若干附加纹理特征。此外,在Gastounioti等[7]中,纹理特征是使用“格点”方法计算以表征整个乳腺:然而,该格点已通过总体平均进行汇总:虽然该方法旨在近似考虑整个乳腺的特征变异性,但它并未提供关于乳腺致密/非致密区域的精确信息。第三点是既往研究仅评估了两种乳腺摄影设备(Siemens和Hologic)[7–9]:当然有必要检验结果是否可推广至其他制造商。

本研究的目的是评估FFDM上FOR PROCESSING与FOR PRESENTATION中放射组学特征的相似性和差异。在扩展既往研究的基础上,我们使用扩大的一组纹理放射组学特征、致密/非致密区域比较和一个新的制造商来解决该问题;并使用了适当的统计分析。

方法

研究人群

研究人群包括165名女性,她们于2020年6月至2020年11月在意大利那不勒斯“Luigi Vanvitelli”大学医院乳腺科接受了乳腺摄影检查。该研究经当地伦理委员会批准,每位入组患者均签署了知情同意书。患者特征总结于表1。样本的乳腺密度由两名专家放射科医师根据2013年发布的BI-RADS第5版[20]协商一致评估(G.G.、M.P.B.)。应强调,根据[20],“如果双侧乳腺密度明显不相等,应使用较致密侧乳腺对乳腺密度进行分类”。因此,每名女性仅有一个类别可用。

表1 研究人群 查看原表 ↗

设备与图像

女性按照现行指南接受成像,包括使用IMS GIOTTO S.p.A.(意大利萨索马可尼—博洛尼亚)生产的Giotto Class系统进行全视野数字乳腺摄影(FFDM),拍摄内外斜位(MLO)和头尾位(CC)。乳腺摄影图像采集的具体操作条件总结于表2。具体而言,我们强调该乳腺摄影设备配备钨阳极。钨阳极已被证明可在保持图像质量的同时降低给药剂量[21, 22]。本工作仅考虑MLO图像,因为此类投影中乳腺实质存在更多:共使用330幅图像(左/右)。

表2 设备特征 查看原表 ↗

乳腺分割

使用可在MATLAB中获取的公开软件LIBRA [8, 9](版本:9.3.0.713579,R2017b. Natick, Massachusetts: The MathWorks Inc.),将乳腺分割为“致密”区(大致对应于纤维腺体组织)和“非致密”区(乳腺的其余部分)。LIBRA是专门为乳腺分割、胸肌去除和百分比密度计算而开发的。我们数据集中的FOR PROCESSING和FOR PRESENTATION图像均经过测试以验证分割的准确性。使用Bland–Altman、Dice指数和Cohen's kappa分析(“统计分析”部分)评估两种类型分割之间的差异。随后,在“致密”区和“非致密”区以及在FOR PROCESSING和FOR PRESENTATION图像上分别计算了影像组学特征。同时还计算了LIBRA的百分比密度。

在LIBRA分割之前,FOR-PROCESSING图像经过了最少的预处理:对数和z-score标准化;FOR-PRESENTATION图像仅进行了z-score标准化,以将图像直方图与FOR-PROCESSING图像对齐 [7, 9]。

需要强调的是,LIBRA是在两个特定制造商(Siemens和Hologic)的设备上开发的。我们分析的目的是评估LIBRA是否可以在不做任何修改的情况下可靠地用于不同制造商(IMS GIOTTO S.p.A.)的设备。

影像组学特征

近期,IBSI [18] 标准化了一组174个特征。这些特征已在PyRadiomics [19]中实现,该库可在Python环境 [23] 中使用。简言之,IBSI特征包括纹理特征和形态学特征。在本研究中,我们仅考虑纹理特征。事实上,文献中已提出纹理特征可以很好地描述实质结构 [7, 8, 20]。

本研究使用了74个纹理特征,分为4个主要组:18个一阶(FO)特征、24个灰度共生矩阵(GLCM)特征、16个灰度游程长度矩阵(GLRLM)特征和16个灰度尺寸区域矩阵(GLSZM)特征。所有特征列表见表3。每个纹理特征的详细描述见网站https://pyradiomics.readthedocs.io/en/latest/features.html。特征在致密和非致密乳腺区域上分别计算(见图1)。

表3 在“致密”区和“非致密”区计算的FOR-PROCESSING与FOR-PRESENTATION特征比较 查看原表 ↗
图1 使用LIBRA对FFDM进行分割的代表性示例。a 使用FOR PROCESSING图像进行分割;b 使用FOR PRESENTATION图像对相同乳腺进行分割。红色为乳腺区域;绿色为致密区域。在主要乳腺区域(胸肌去除)和致密区域存在较大差异。c、d 另一名女性的示例,代表非常大的误差以及由此导致的错误百分比密度(PD) 查看原图 ↗

统计分析

我们的分析旨在评估从FOR PROCESSING和FOR PRESENTATION图像上在乳腺“致密”区和“非致密”区计算的特征之间的差异。

首先,我们使用Bland–Altman分析、Dice指数和Cohen's kappa分析评估了LIBRA乳腺区域(致密区或非致密区)分割的差异[24]:第一种主要是图形化方法,并以cm²表示的面积进行分析,而另外两种给出两种分割之间的一致性度量(Dice指数在0到1之间,而kappa在−1到1之间)。双侧对称性(左右乳腺在乳腺面积和百分比密度上的一致性)也被用于评估分割的优良性。本分析的目的是验证LIBRA处理对于IMS GIOTTO S.p.A.的设备是否足够准确,因为该设备此前未针对LIBRA进行过测试。

其次,对于每个特征,在FOR-PROCESSING与FO-PRESENTATION之间应用Wilcoxon配对检验。作为进一步的度量,评估了Spearman秩相关系数。典型相关分析用于评估FOR PROCESSING与FOR PRESENTATION之间致密/非致密特征线性组合的相关性[25]。

第三,通过Spearman系数评估百分比密度(PD)与每个特征的相关性。最后,对于每个特征,使用组内相关系数(ICC)评估双侧对称性(同一女性两侧乳腺之间的一致性)[7]。

相关性对设备和女性因素(如kVp、mAs、身体部位厚度、体质指数(BMI)、年龄、绝经状态)的依赖性通过线性混合效应模型进行评估[26]。

结果

分割评估

在图1中,我们报告了一个乳腺区域(不含胸肌的全乳腺、致密区、非致密区)分割的示例性病例:FOR PROCESSING和FOR PRESENTATION图像给出了非常不同的结果。这可以在图2a、b中进一步看出,其报告了全乳腺和致密区的Bland–Altman分析。应用于全乳腺的Dice指数和Cohen's kappa分别给出平均一致性为0.97 ± 0.02和0.96 ± 0.03。

关于致密区和非致密区,如图1和图2a所示,在FOR PROCESSING上分割的致密区相对于FOR PRESENTATION对应区域往往非常小。在这种情况下,无法使用Dice指数或Cohen's kappa,因此评估了乳腺和致密区的双侧对称性:结果报告于图3中,显示使用FOR PROCESSING图像时双侧对称性更高。

认识到这些局限性以及乳腺区域之间的如此大差异,对于后续特征计算,我们决定仅使用来自FOR PROCESSING图像的致密区和非致密区分割。

图2 使用LIBRA在FOR PROCESSING和FOR PRESENTATION图像上分割的(a)乳腺和(b)致密区(cm²)的Bland–Altman分析。每个标记代表一幅图像。稳健线性拟合以红色(实线)报告;参考用恒等线为虚线。Spearman秩相关指数为(a)0.88,(b)− 0.16(p < 0.001)。虽然乳腺面积之间存在强相关性,但致密区的负相关系数可通过图1中的示例理解:在FOR PRESENTATION图像上分割的致密区相对于从FOR PROCESSING分割的致密区往往非常小。 查看原图 ↗
图3 乳腺面积(a)、致密面积(b)和致密百分比(c)的双侧对称性。每个圆圈代表一名女性。双侧对称性强的女性应与恒等线(虚线)对齐 查看原图 ↗

特征评估

表3报告了在分割的致密区和非致密区上,对FOR-PROCESSING和FOR-PRESENTATION图像计算的特征之间的关联:报告了Spearman相关系数rho和Wilcoxon检验的p值(显著性水平p = 0.05)。几乎所有纹理特征均有显著差异,仅8个特征(表中用“a”标示)根据Wilcoxon检验无差异:FO的偏度;GLCM的逆差(ID)、逆差矩(IDM)、逆方差、最大概率,以及GLSZM的小面积低灰度强调、长游程高灰度强调、长游程低灰度强调。

然而,所有Spearman相关性均为正:具体而言,12个特征具有强相关(rho ≥ 0.8),30个具有中度相关(rho ≥ 0.6),25个为弱相关(rho ≥ 0.4),7个实际上不相关(rho < 0.4);经视觉检查,强相关和中度相关的特征其关系近似线性。

考虑典型相关(表3,Can Cor列)以评估致密区加非致密区组合的FOR-PROCESSING与FOR-PRESENTATION之间的关联,除FO的四分位距和稳健平均绝对偏差、GLCM的自相关、聚类突出、聚类阴影、联合平均值和和平均值,以及GLSZM的高灰度区强调、大面积强调、小面积高灰度强调、小面积低灰度强调、区方差、高灰度游程强调、短游程高灰度强调外,所有特征均具有中度相关(Can Cor ≥ 0.6)。其中,仅小面积低灰度强调被纳入根据Wilcoxon检验在FOR-PROCESSING与FOR-PRESENTATION特征之间无差异的8个特征之中。

考虑PD与纹理特征之间的相关性分析:使用“致密”区的FOR-PRESENTATION数据(表3,PD FOR PRES dense列),GLSZM的灰度非均匀性和尺寸区非均匀性、GLRLM的灰度非均匀性和游程长度非均匀性获得了中度相关;

使用“非致密”区的FOR-PRESENTATION数据(表3,PD FOR PRES non-dense列),仅GLRLM的灰度非均匀性获得了中度相关(该特征被纳入“致密”区上具有中度相关的4个特征之中);

使用“致密”区的FOR-PROCESSING数据(表3,PD FOR PROC dense列),FO的四分位距、峰度、平均绝对偏差、稳健平均绝对偏差、方差获得了中度相关;GLCM的相关性信息度量(IMC)1、IMC2、最大相关系数(MCC),以及GLSZM的大面积高灰度强调、尺寸区非均匀性、区熵、游程熵、游程长度非均匀性获得了中度相关;

使用“非致密”区的FOR-PROCESSING数据(表3,PD FOR PROC no-dense列),GLCM的MCC以及GLSZM和GLRLM的灰度非均匀性获得了中度相关(仅GLCM的MCC被纳入“致密”区上具有中度相关的14个特征之中)。

其他发现

图4报告了在致密区和非致密区上每个特征的双侧对称性(左/右乳腺之间的组内相关系数)。可以看出,当特征在用于处理的图像上计算时,双侧对称性更高。

图5报告了百分比密度(PD)与放射科医生分配的BI-RADS之间的关联。Kruskal–Wallis检验显著(p < 0.001)。多重比较检验(Tukey HSD)表明,BI-RADS密度A与BI-RADS密度B无显著差异(p > 0.05)。

通过线性混合效应模型评估,未发现相关性对设备和女性因素(如kVp、mAs、部位厚度、BMI、年龄、绝经状态)有显著依赖。在设备变量(PD、BMI、年龄)与患者特征(BPT、KVP、ED)之间观察到弱相关性(图6)。

图4 致密区(a)和非致密区(b)上的特征双侧对称性。对于每个特征,分别在用于处理的图像和用于呈现的图像上计算,评估了左乳腺与右乳腺之间的ICC。图中的每个标记代表一个特征;虚线等值线作为参考给出。标记主要位于等值线之上,表明当在使用用于处理的图像计算的特征上评估时,双侧对称性更高 查看原图 ↗
图5 百分比密度与放射科医生分配的BI-RADS的关联。每个点代表一名女性 查看原图 ↗
图6 设备变量与患者特征之间的相关性:对于每一对变量,报告了散点图和Spearman相关值。下三角矩阵:散点图;上三角矩阵:Spearman相关系数相关性。Spearman相关系数rs的取值范围为+1至−1。rs为+1表示秩次完全相关,rs为零表示秩次之间无关联,rs为−1表示秩次完全负相关。rs越接近零,秩次之间的关联越弱。PD 百分比密度(%);BMI;BPT 体部厚度(mm);KVP kVp;ED 入射剂量(mGy)。小字体(彩色版本中为红色)表示不显著的相关性(p > 0.05) 查看原图 ↗

讨论

在过去二十年中,全视野数字乳腺X线摄影(FFDM)已在乳腺癌筛查中取代了屏片乳腺X线摄影(SFM)[27–29]。FFDM图像采集最初生成一幅与穿过乳腺的X射线衰减成比例的图像,称为原始图像(即用于处理;通常具有14位灰度深度)。然后,在放射学呈现之前,应用厂商特定的后处理算法以增加病灶的可辨识度,生成所谓的处理后图像(即用于呈现;通常具有12位灰度深度)。似乎可以合理假设,乳腺实质分析应直接从原始图像进行,因为它们保留了与乳腺组织物理特性的原始关系[5–9]。

在本研究中,我们评估了在用于处理数据和用于呈现数据上,对乳腺内自动分割的致密区(主要为纤维腺体)和非致密区(主要为脂肪)计算的纹理特征之间的差异。

我们的发现可总结如下。主要是,所有特征均显示出正的Spearman相关系数,且FOR-PROCESSING的许多特征与其对应的FOR-PRESENTATION特征呈中度或强相关;尽管如此,Wilcoxon检验提示大多数特征存在差异,但ID、IDM、逆方差、GLCM的最大概率以及GLSZM的小面积低灰度级优势、长游程高灰度级优势、长游程低灰度级优势除外。

此外,我们的结果表明,从FOR PROCESSING和FOR PRESENTATION获得的分割结果可能差异很大:从FOR PRESENTATION图像分割出的乳腺区域不同,因为胸肌未被正确去除。此外,在FOR PRESENTATION上分割时,致密区往往非常小:这可能导致潜在重要纹理信息的丢失。另外,使用从FOR PROCESSING图像计算的特征时,双侧对称性更高。

关于PD与FOR-PRESENTATION纹理特征之间的相关性分析,仅在“致密”和“非致密”区域上GLRLM的灰度非均匀性获得中度相关。另一方面,考虑PD与FOR-PROCESSING纹理特征之间的相关性分析,仅在“致密”和“非致密”区域上GLCM的MCC观察到中度相关。

我们的结果与[7]中的发现一致;然而必须强调与该研究的一些差异。首先,在[7]中研究的特征数量有限(28个);然而,得益于IBSI [18]的努力,如今可以检查非常大量的特征。在我们的研究中,我们使用了74个特征(在未经小波变换的原始图像上计算),细分为四个主要组。此外,GLSZM组在[7]中完全未被研究。

其次,在[7]中使用了“格点”方法计算特征,但对格点进行了平均以概括乳腺的行为;而在我们的研究中,我们将乳腺分割为“致密”和“非致密”两个主要区域,并分别在两个区域中以及同时(典型相关分析)寻找特征之间的相关性。

第三,[7]中使用的少数指标可能不适合评估相关性:具体而言,乳腺面积的Bland–Altman分析可能遗漏面积之间的真实对应关系;为此,我们使用Dice指数和Cohen's kappa比较非致密区域;然而,致密区域之间的比较似乎不合适,因为通过视觉检查它们差异很大。

本研究存在若干局限性。首先,样本量有限。其次,放射科医生提供的乳腺百分比密度估计值无法用于独立验证。第三,仅分析了来自单一制造商(IMS Giotto S.p.a)的数字乳腺X线摄影图像。

总之,分割结果表明LIBRA能够对所考虑厂商的FOR PROCESSING图像进行正确分割。关于影像组学纹理特征,我们的结果表明,尽管某些特征相对于用于计算的图像类型似乎具有稳健性,但FOR PROCESSING乳腺X线摄影图像可能最适合评估乳腺密度,因为这些图像受厂商特定后处理算法的影响较小。

引用

  1. Sansone M, Grassi R, Belfiore MP, et al. Radiomic features of breast parenchyma: assessing differences between FOR PROCESSING and FOR PRESENTATION digital mammography. Insights Imaging. 2021. PMID: 34674061. doi:10.1186/s13244-021-01093-4
  2. 全文:PMC8531174(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC8531174/

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。