光子计数探测器CT的体模放射组学特征重测稳定性分析
该单中心体模研究对16个有机体模(苹果、洋葱、青柠、猕猴桃各4个)行光子计数CT扫描,在10、50、100 mAs及重新定位后重复扫描,提取104个放射组学特征。结果显示70%特征重测CCC>0.9,65.4%重新定位后稳定,75%不同mAs间稳定,提示PCCT放射组学特征稳定性高,可能促进临床转化。
要点
- PCCT体模放射组学特征重测稳定性高,70%特征CCC>0.9。
- 形状特征全部稳定,一阶特征稳定性高于二阶特征。
- 重新定位及不同mAs扫描后多数特征仍保持稳定。
核心结论
- 使用光子计数CT数据的放射组学分析在有机体模上提供高特征稳定性,可能促进放射组学分析在临床常规中的实施。
研究设计与样本
- 单中心体模研究,纳入16个有机体模(4个苹果、4个洋葱、4个青柠、4个猕猴桃),使用第一代全身双源光子计数CT系统(NAEOTOM Alpha,Siemens Healthcare GmbH)扫描。
- 扫描参数为管电压120 kV、机架旋转时间0.25 s、平面内分辨率0.11 mm,mAs设置为10、50、100三水平,每个扫描立即重复一次,随后所有体模顺时针旋转90°重复全部扫描。
- 轴位图像以1 mm层厚、软组织核(Br40)重建,半自动分割后使用PyRadiomics 3.0.1提取104个特征(一阶、形状、二阶),统计方法包括CCC、ICC(3,1)、随机森林Boruta算法及聚类分析。
诊断标准与关键数值
- 重测分析中73/104(70%)特征CCC>0.9,重新定位后68个(65.4%)特征CCC>0.9,不同mAs扫描间78个(75%)特征ICC评为优秀稳定。
- 非形状特征中66%重测CCC>0.9;形状特征全部CCC>0.9;一阶特征14/18(78%)CCC>0.9,二阶特征46/73(63%)CCC>0.9。
- 在至少3/4体模组中ICC>0.75的8个特征为:original_firstorder_90Percentile、original_firstorder_Median、original_firstorder_RobustMeanAbsoluteDeviation、original_glcm_Correlation、original_glszm_GrayLevelNonUniformityNormalized、original_glszm_SizeZoneNonUniformity、original_glszm_ZonePercentage、original_ngtdm_Contrast。
- 苹果和洋葱体模组内分别有2个特征ICC>0.9,猕猴桃和青柠组内分别有29和19个特征ICC>0.9。
- 随机森林Boruta分析显示88/104(84.6%)特征对区分不同体模类型重要。
临床应用与阅片要点
- PCCT放射组学特征在重测、重新定位及不同mAs条件下稳定性较高,支持在临床研究中优先选用稳定特征以减少重复性误差。
- 形状特征及部分一阶特征(如90百分位、中位数、稳健平均绝对偏差)稳定性突出,可优先用于纵向随访或定量分析。
- 洋葱等多层含气结构可能导致非形状特征计算差异增大,阅片及特征提取时需注意体模或组织固有异质性对稳定性的影响。
局限性
- 单中心研究,无法比较两台不同PCCT扫描仪间的特征稳定性。
- 未分析不同类型扫描仪(如PCCT与EID-CT)间的特征稳定性。
- 体模相关的固有异质性不能完全排除,可能低估整体特征稳定性。
全文中译14 节 · 点击展开
引言
由于人们日益关注将主观和定性的医学图像分析转变为客观和可量化的分析,影像组学分析被广泛应用于临床研究。这种基于像素从影像数据中提取特征的方法,借助专用软件包 [2],有望提供超出人眼可见信息水平的额外见解 [1]。这些额外信息由感兴趣区(ROI)的大量特征组成,推动了医疗保健中的大数据趋势,并创造了新的可能性和前景,尤其是在肿瘤影像学领域 [3, 4]。显而易见,影像组学能够优于传统临床评分 [5, 6],并在结局预测 [7, 8] 和肿瘤分类 [4, 9, 10] 方面显示出有前景的结果。除肿瘤影像学外,影像组学分析还通过描绘更好的风险分层(例如通过冠状动脉斑块分析 [11])以及确定动脉硬化发展的潜在生物标志物 [12],为心血管影像学的未来发展铺平了道路。此外,潜在的弥漫性心肌纤维化可通过影像组学分析检测到 [13]。影像组学分析的能力也已在肺纤维化 [14, 15]、肾结石 [16] 和 COVID 肺炎 [17, 18] 中得到展示。甚至通过使用3个瘤内和10个瘤周CT影像组学特征,能够证明CT衍生的影像组学评分可预测非小细胞肺癌患者术后辅助化疗的额外获益 [19]。
尽管具有这些出色的能力,影像组学分析尚未在临床实践中实施。临床实施最重要的限制之一是影像组学分析缺乏可比性。过去,多项研究已证明各种参数对影像组学特征稳定性的影响,包括多种图像采集参数设置,如管电压、重建核、对比剂和对比剂期相的选择、层厚以及扫描仪的选择,这些都会妨碍可重复性 [20, 21]。
甚至分割方法 [22] 和特征提取软件的选择也会对影像组学特征稳定性产生影响 [23]。对于准确的纹理分析,最佳空间分辨率和信噪比已被定义为两个最重要的图像质量因素 [24–26]。过去,这些参数可能受到X射线光子通过中间闪烁体步骤间接转换为电信号的影响。
通过实施光子计数CT(PCCT),这一障碍可能得以解决。这项新技术允许将X射线光子直接转换为电脉冲,而无需像传统能量积分CT(EICT)那样转换为可见光。因此,每个到达探测器的光子都对最终图像有所贡献。此外,可为每个光子设置图像噪声阈值,从而降低整体图像噪声,并总体上实现更好的空间分辨率、更低的束硬化伪影和更好的信噪比 [27, 28]。
初步研究已显示EICT与PCCT之间影像组学特征属性的比较[29, 30],但据我们所知,尚未有研究基于有机体模分析PCCT上扫描与重扫描以及不同mAs下重新定位的特征稳定性。本研究旨在分析有机体模内的特征稳定性以及基于影像组学区分不同体模组的可能性。我们假设,鉴于其技术创新,PCCT可能提供更好的影像组学特征稳定性。
材料与方法
CT成像
所有16个体模均在一次性扫描中于第一代全身双源PCCT系统(NAEOTOM Alpha;Siemens Healthcare GmbH)上完成扫描。基本扫描参数为管电压120 kV,机架旋转时间0.25 s。PCCT的平面内分辨率为0.11 mm。对mAs建立了三级方差,包括10 mAs、50 mAs和100 mAs的扫描。随后立即重复上述每次扫描,体模位置或基本扫描参数均不做任何改变。下一步,将所有体模沿同一方向(顺时针)旋转90°,并重复所有扫描,包括重扫描和mAs变化(图1)。
CT成像分析
所有扫描的轴位图像以1 mm层厚(增量1 mm)使用软组织卷积核(Br40)重建。该数据被导出并以医学数字成像和通信(DICOM)文件格式存储。DICOM文件被转换为神经影像信息技术倡议(NIFTI)文件格式,以便使用专用分割工具(MITK workbench,版本2021.10)进一步处理[31]。每次扫描中每个有机体模的分割由一名具有3年分割经验的临床放射科医生半自动完成。图2显示了示例分割以及原始DICOM图像。
影像组学特征提取
体模分割结果通过影像组学特征提取进一步分析,使用基于影像生物标志物标准化倡议定义的专用Python软件包(PyRadiomics,版本3.0.1)[2]。对于每次扫描的每个体模,提取一阶特征、形状特征和二阶特征(共104个特征),即灰度共生矩阵(GLCM)、灰度依赖矩阵(GLDM)、灰度尺寸区域矩阵(GLSZM)、灰度游程长度矩阵(GLRLM)和邻域灰度差矩阵(NGTDM)。提取时进行体素归一化、重采样至2 × 2 × 2 mm并以25 HU的固定箱宽进行重新分箱。切比雪夫距离为1。
统计分析
所有统计分析均在R(R Core Team 2021)和RStudio(版本1.3.1093)中完成[32]。
统计分析分四步进行(I至IV):
在第一步(I)中,使用一致性相关系数(CCC)分析来确定原始体模和重新定位体模在测试与重测之间的特征稳定性。在CCC分析中,默认将≥ 0.9定义为测试-重测设置中特征稳定性的阈值。该阈值是根据Mcbride等人(2005)的定义:“Lin一致性一致性强度标准的建议”[33]。
在第二步(II)中,通过组内相关系数(ICC)分析确定不同mAs值(10 mAs、50 mAs和100 mAs)扫描之间的特征稳定性,其中按照文献[34]的建议使用了ICC(3,1)(固定评估者集合,无平均观测值)。在所进行的ICC分析中,根据Koo和Li的标准,低于0.5、0.5至0.75之间、0.75至0.9之间以及高于0.90的值分别被认为提示稳定性差、中等、良好和优秀[35]。
在下一步(III)中,进行了两种不同的稳定性检验:在体模间组稳定性检验中,比较两个不同组(例如苹果组和洋葱组)之间影像组学特征的稳定性;而在体模内组稳定性检验中,使用ICC分析测试同一体模组内个体体模(例如苹果1和苹果4之间)的稳定性。对于该ICC分析,同样使用ICC(3,1),如步骤II所述。
在步骤IV中,使用R中的Boruta算法进行随机森林(RF)分析[36],以确定关于区分不同体模组的特征重要性。对于每个参数变量,算法通过置换创建阴影变量。如果真实变量显著比阴影变量更重要,则算法将该特征赋予高重要性。
此外,通过Pearson相关系数计算特征相关性,并使用R中的“ComplexHeatmap”包以热图形式进行可视化。
结果
特征稳定性分析
测试-重测稳定性和重新定位稳定性(I)
在所进行的CCC分析(I)中,在测试与重测扫描的比较中可识别出73个具有优秀稳定性(CCC值> 0.9)的特征(补充表1)。对于非形状特征,66%的特征仍显示出优秀稳定性。所有提取的形状特征均显示出优秀稳定性。按百分比计算,稳定的一阶特征多于二阶特征:18个提取的一阶特征中有14个(78%)显示出优秀稳定性,CCC值高于0.9,而73个提取的二阶特征中有46个(63%)显示出优秀的测试-重测稳定性。
在原始测试与第一次重新定位扫描的比较中,68个特征的CCC值高于0.9(65.4%)。
不同mAs值的稳定性(II)
在下一步评估(II)中对不同mAs值的测试扫描进行ICC分析,结果显示78个(75%)特征具有优秀稳定性。
体模间组稳定性(III)
体模组由四个水果/蔬菜类别定义。为分析不同体模组之间的特征稳定性,所有苹果、洋葱、猕猴桃和青柠分别各归入一组。为比较例如苹果组与例如洋葱组,进行了体模组间稳定性检验。在步骤(III)中,对体模组内各个体模的影像组学稳定性进行比较,结果共有8个特征在总共4个体模组中至少3个组内具有>0.75的ICC值:original_firstorder_90Percentile、original_firstorder_Median、original_firstorder_RobustMeanAbsoluteDeviation、original_glcm_Correlation、original_glszm_GrayLevelNonUniformityNormalized、original_glszm_SizeZoneNonUniformity、original_glszm_ZonePercentage和original_ngtdm_Contrast(见表1)。ICC分析结果见图3。
体模组内稳定性分析
为研究每个体模组内影像组学特征的比较稳定性,对ICC值进行了比较(图3)。对于体模组内稳定性分析,体模组由水果/蔬菜类别定义,即一组例如由四个苹果组成。对于苹果和洋葱体模,有两个特征达到高于0.9的ICC值。对于猕猴桃和青柠体模,分别有29个和19个特征达到该值。
表2 按检验类型和类别列出稳定特征分布的概览。
特征选择
特征重要性(IV)
所进行的Boruta随机森林分析(步骤IV)显示,104个提取的影像组学特征中有88个(84.6%)对于区分不同体模类型具有重要性。结果以Boruta图显示于图4。
聚类分析
生成的所有提取影像组学特征的体模选择性热图见图5。不同体模组可在视觉上区分为各自独立的聚类。图6显示了在ICC分析(步骤III)中确定的、在至少3个体模组中稳定的特征的热图。
讨论
在本研究中,我们证明绝大多数提取的影像组学特征(70%的参数)在新型光子计数CT扫描中具有极佳的重测稳定性。若干基于形状的特征和一阶特征显示CCC值>0.999。DependenceNonUniformity作为衡量整个图像中依赖相似性的指标,是CCC值最高的非形状特征(0.99929)。
在步骤III中,可识别出8个特征,这些特征分别在4个模体组中的3组中保持稳定(见表1)。这表明,苹果中选定的一阶特征似乎并不稳定(可能是由于苹果组内形状和大小的个体偏差比其他模体组更大),以及洋葱中所有选定的二阶特征均不稳定。这可能是由于洋葱的多层结构,各层之间存在空气,可能导致非形状特征计算出现较大差异。鉴于以ICC测量的特征稳定性在模体组之间存在差异,不能完全排除固有的模体相关异质性。因此,整体特征稳定性可能被低估。
迄今为止,由于缺乏可比性,影像组学分析尚未在日常临床实践中建立。过去,多项研究显示了可变参数对影像组学纹理分析的影响。Zhao等人使用胸部模体研究了不同层厚对影像组学特征的影响。与5 mm层厚相比,1.25 mm和2.5 mm层厚在均匀性、体积、密度均值和密度标准差灰度共生矩阵(GLCM)能量方面更为适用。此外,还分析了不同重建算法对影像组学特征的影响,概述了标准重建算法最适合密度标准差,而肺重建算法最适合密度均值[37]。
在Jensen等人的一项模体研究中,即使在使用了无任何纹理差异的均匀模体的情况下,MRI和CT中影像组学特征在ROI大小和体积之间也存在差异。比较两种技术,在使用Mann–Whitney U检验进行显著性检验时,CT特征比MRI特征更稳定。另一方面,OCCCs对不同MR衍生特征显示出极好(> 0.90)的一致性,但对CT衍生特征则不然[38]。Mackin等人在2018年研究了由四家不同制造商生产的16台不同CT扫描仪及不同采集参数对CT模体的影响。他们概述了不同扫描仪之间影像组学特征的可变性,提示影像组学研究的可比性取决于图像采集和重建的一致性。此外,Mackin等人比较了模体的影像组学特征与源自非小细胞肺癌(NSCLC)肿瘤的影像组学特征,并证明了两组之间影像组学特征变异性的可比性[39]。
最近,Dunning 等人在两种剂量水平下,使用光子计数探测器 CT(PCD-CT)和能量积分探测器 CT(EID-CT)扫描了不同的有机样本(西葫芦、洋葱和橙子)。他们针对每个样本的每幅图像计算了十四个相关影像组学特征,并在两种扫描仪之间进行了比较。他们的结果表明,由于 PCD-CT 分辨率的提高,在两种剂量水平下,14 个影像组学特征中有 13 个出现了至少 50% 的显著变化。此外,来自 PCD-CT 的影像组学特征具有更高的 Dunn 指数,表明分类时具有更好的聚类分离(在 10 mGy 时,PCD-CT 和 EID-CT 的 Dunn 指数分别为 1.99 和 1.80;在 60 mGy 时分别为 2.44(PCD-CT)和 1.65(EID-CT)),提示高分辨率 PCD-CT 对影像组学分析的影响 [30]。我们的研究更进一步,并表明高分辨率 PCCT 对影像组学分析的这种潜在影响在有机体模上提供了极好的重测稳定性。相比之下,Peng 等人使用由三部分(体模、肺内部结构和模拟结节)组成的人体胸部体模,在不同时间点之间、在不同常规 EID-CT 上的重测设置中检测到影像组学特征的稳定性仅为 20.93%(CCC 0.56 ± 0.31)。在进一步的研究步骤中,他们比较了不同 CT 扫描仪上以及不同图像采集和重建参数(包括螺距、旋转时间、管电压、管电流、FOV、层厚、重建核和迭代水平)下的稳定性。管电流(mA/s)显示的 ICC 为 0.54 ± 0.32(34.29%)[40]。另一项研究最近比较了 EICT 和 PCCT 扫描仪之间非瘢痕左心室心肌的特征属性。虽然一阶特征得出的均值和标准差在两种探测器类型之间大多具有可比性,但高阶特征的均值和标准差显示出明显差异,提示 PCD 通过更高的空间分辨率、更好的信噪比以及对低能光子的更好检测对纹理分析产生的潜在影响 [29]。与我们的研究相比,该研究并未关注重测变异性,也未关注影像组学特征的扫描仪内可比性。
Varghese 等人在 2021 年使用由六种不同纹理模式组成的定制 3D 打印纹理体模的 CT 图像,评估了基于计算机断层扫描的纹理分析指标的可重复性和稳健性。该 3D 体模在来自不同制造商的四台 CT 扫描仪上扫描,以评估可重复性。为评估稳健性,使用了不同的 CT 成像参数(层厚、视野、管电压和管电流)。总体而言,23.2% 的特征显示出极好的稳健性和可重复性(ICC ≥ 0.9)[41]。尽管我们的研究显示出更好的可重复性,但我们仅使用了一台扫描仪和一个变化的图像参数(管电流),因此必须随后在 PCCT 上开展进一步研究。
PCCT这项新技术的优势已经进入临床常规,这一点已被一项概念验证研究证实:该研究表明,PCCT数据集中的光谱信息可用于帮助在增强扫描中检测和量化贫血[42];此外,初步研究概述了主动脉周围脂肪组织中动脉硬化的潜在影像生物标志物[12]以及通过冠状动脉钙化评估弥漫性心肌损伤[13]。
我们的研究也存在若干局限性。作为单中心研究,无法比较两台不同PCCT扫描仪之间的特征。此外,未获得关于不同扫描仪类型之间特征稳定性的分析。未来进一步研究应解决这两个问题,以显示与传统EID-CT相比,PCCT上可能更稳定的特征分析。
总之,本研究在体模模型中概述了使用PCCT时大部分影像组学特征具有高稳定性。过去,影像组学分析因缺乏可比性而受到阻碍,PCCT技术可能克服这一问题,从而促进在临床常规中实施更稳定的影像组学分析。
补充信息
以下是电子补充材料的链接。补充文件1(PDF 80 KB)
引用
- Hertel, Tharmaseelan, Rotkopf, et al. Phantom-based radiomics feature test-retest stability analysis on photon-counting detector CT. Eur Radiol. 2023. PMID: 36809435. doi:10.1007/s00330-023-09460-z
- 全文:PMC10289937(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC10289937/
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。