近年来女性乳腺癌的发病逐步趋于年轻化，约15%的乳腺癌发生于40岁以下的女性，死亡率居女性恶性肿瘤的首位。新辅助化疗（neoadjuvantchemotherapy，NAC）和手术切除已经成为女性乳腺癌的主要治疗手段。MRI图像纹理分析是影像组学领域一种新兴的图像后处理技术，通过综合量化病灶的细微结构，不仅可以在组织病理学水平预测激素受体的表达状态，还可以更加客观地评估瘤体的异质性程度，从而更好地指导临床对肿瘤进行内分泌治疗、新辅助化疗和手术切除。就纹理分析原理、MRI图像纹理分析在鉴别乳腺肿瘤良恶性、评价乳腺癌分子分型、评估新辅助化疗疗效以及判断预后方面的应用进展进行综述。
1.纹理分析原理及方法
纹理分析是利用计算机对医学图像内的海量纹理特征进行分析、筛选，从而完成对病灶区域的整体量化。组织学已经证实MRI的像素灰度分布与受到疾病影响组织的细微结构有关。运用统计学方法描述图像像素灰度强度的排列方式及分布规律特征的方法称为统计分析法，主要由3个参数阶组成，包括一阶统计量、二阶统计量和高阶统计量，一阶统计是指利用直方图描述ROI内的像素强度值，主要依赖单个像素值而非相邻像素值之间的相互作用，常用的统计参数有平均强度、均匀度、峰度、偏度和标准差；二阶统计主要利用灰度空间相关矩阵和共生矩阵描述ROI内相邻像素值的纹理特征，常用的统计参数有熵、能量、角二阶矩、逆差距和相关性；高阶统计利用相邻像素差分矩阵描述ROI内3个或更多像素分布的空间关系，往往包含了更重要的图像结构和相位特征，常用的统计参数有对比度和粗糙度。
2.纹理分析在乳腺癌中的应用
2.1鉴别乳腺肿瘤良恶性
目前活组织检查仍然是评价肿瘤良恶性的金标准，由于血管结构和肿瘤细胞增殖扩散等原因导致肿瘤内部结构分布不均衡，对于体积较大的肿瘤，活检样本并不能精准地评估肿瘤的异质性，也不能反映完整的肿瘤表型变异。Gibbs等回顾性分析了45例乳腺恶性肿瘤、33例乳腺纤维瘤和1例脂肪坏死病人的动态增强（DCE）-MRI影像，结果发现良恶性肿瘤的灰度共生矩阵具有显著差异，认为方差和熵是最有鉴别意义的参数，在多因素Logistic回归模型中加入病灶大小、强化峰值时间和病人年龄参数后，预测准确度由80%提高到92%。
由于乳腺富含脂肪组织，T2反转恢复抑脂（turboinversionrecoverymagnitude，TIRM）序列对乳腺肿瘤良恶性的鉴别优于常规MRI序列。李等回顾性分析了例经病理证实的乳腺肿瘤病人，通过对TIRM序列的直方图和纹理特征进行分析，受试者操作特征（ROC）曲线分析显示自相关性、群显著性、峰度及平均值4个参数在鉴别乳腺肿瘤良恶性中特异度较高，分别为55.32%、72.34%、72.32%和%，联合参数的曲线下面积（AUC）达到了0.。
Wang等对56例经病理证实的乳腺癌和乳腺纤维瘤病人的扩散加权成像（DWI）进行直方图分析，发现能量、对比度、相关度和熵4个参数在肿瘤的良恶性诊断中均具有统计学意义，相关度和能量越低，表明乳腺肿瘤的分化程度越低，恶性程度越大；对比度和熵越高，表明肿瘤内部结构越复杂，异质性越强。
Jiang等通过定量分析肿瘤病灶区的纹理参数及动力学参数，利用人工神经网络分类器对乳腺肿瘤的良恶性进行鉴别诊断，AUC最高为0.84，在预测模型中加入表观扩散系数（ADC）参数后AUC提高到0.90，表明ADC值在结合纹理参数提高鉴别乳腺肿瘤良恶性准确度中具有潜在作用，为将来开展计算机辅助诊断工作提供了可靠的数据支持。以上研究表明通过对不同序列的MRI影像进行纹理分析，可以更精准地鉴别诊断乳腺肿瘤良恶性。
2.2评价乳腺癌分子分型
乳腺癌是一种组织学接近但异质性、表型各异的肿瘤，临床上通过评估其雌激素受体（estrogenreceptor，ER）、孕激素受体（progesteronereceptor，PR）、人类表皮生长因子受体2（humanepidermalgrowthfactorreceptor2，HER2）和细胞增殖核抗原（nuclear-associatedantigen，Ki-67）不同的表达水平进行临床分期，以确定治疗方案。Perou等首次通过cDNA微阵列技术将乳腺癌分成LuminalA型（ER+/PR+，HER2-）、LuminalB型（ER+/PR+，HER2+或ER+/PR-，HER2-/Ki-67高表达）、HER2过表达型（ER-/PR-，HER2+）和三阴型（ER-，PR-，HER2-）4个分子亚型，有研究表明乳腺癌的亚型可能不限于此，但是目前临床尚未找到针对新的乳腺癌亚型的治疗方案，因此新乳腺癌亚型尚未被列入临床应用。
乳腺癌分子亚型的类型与其对周围器官组织的侵袭能力具有相关性，如HER2阳性乳腺癌比LuminalA型更易发生腋窝淋巴结转移，三阴型乳腺癌相较于LuminalA型和LuminalB型发生骨转移和脑损伤的概率更大。Waugh等发现熵和能量可以直接或间接地反映肿瘤内部的生长模式，激素受体阳性（HR+）乳腺癌的熵较激素受体阴性（HR-）乳腺癌更低，表明HR的缺失可能预示着分化程度更低、侵袭性更强的乳腺癌类型；且与Ki-67的表达呈正相关，Ki-67表达越高，表明肿瘤的分化程度越差，异质性越强。
Sun等利用例确诊为乳腺癌病人的T1WI和DWI序列的纹理参数建立分类器模型，进一步探讨肿瘤的纹理特征与激素受体表达的关系，结果显示1.5T和3.0T的T1WI序列的Fisher判别分析（fisherdiscriminantanalysis，FDA）在鉴别4种类型乳腺癌的准确度分别为82.8%和86.4%，DWI序列的FDA的鉴别准确度为73.4%和86.8%，2种序列的综合鉴别准确度分别达到95.0%和97.7%。HER2作为指导临床治疗和判断预后疗效的重要预测因子，在鉴别乳腺癌分型中具有重要价值。
许等回顾性分析42例经病理证实为HER2阳性LuminalB型和37例HER2阳性非LuminalB型的乳腺癌病人资料，结果发现平均强度、平均方差、平均偏差、标准差和方差5个参数在鉴别HER2阳性LuminalB型和HER2阳性非LuminalB型中具有较高的敏感度和特异度，Logistic回归方程对两类乳腺癌分型预测准确率分别达到90.5%和%，AUC达到0.88。
吴等回顾性研究79例病理证实为单发肿块型乳腺癌，通过提取DCE-MRI和DWI序列的纹理特征进行建模，多因素Logistic回归模型在鉴别LuminalA型和非LuminalA型、LuminalB型和非LuminalB型、三阴型和非三阴型乳腺癌中AUC分别为0.、0.和0.。以上研究表明不同序列的MRI纹理参数对鉴别乳腺癌分子亚型具有较强的预测能力。
目前大多数对乳腺癌的研究主要是分析肿瘤本身的特征，而探讨肿瘤周围实质组织特征对其诊断和预后价值的研究较少。乳腺背景实质强化（backgroundparenchymalenhancement，BPE）是美国放射学乳腺影像报告和数据系统（breastimagingreportinganddatasystem,BI-RADS）第5版新增的概念，是指当注入对比剂以后，DCE-MRI影像上正常的乳腺组织和异常的乳腺病变均可发生强化，正常乳腺实质的强化称为BPE。
BPE是一个动态过程，其分布特征和强化程度主要与激素对乳腺组织的作用、乳腺的血供特征及其解剖分布密切相关。不同病人或者同一例病人不同的检查时间，BPE的分布和强化也不同。典型的BPE表现为极少或轻微的、双侧对称弥漫分布的早期缓慢而延迟期持续的动力学特征。
Wang等首次在鉴别三阴型乳腺癌的模型中加入了BPE特征的提取，结果显示在加入BPE特征后，综合预测模型的AUC由传统预测模型的0.提高到0.，敏感度和特异度分别为57.0%和94.7%，表明在三阴型乳腺癌鉴别诊断中引入BPE的特征可以有效地降低MRI过高的敏感性，提高预测模型的判别能力。Mazurowski等利用计算机视觉算法对48例病理证实为乳腺癌病人的MRI影像特征进行分析，研究结果发现病灶强化率和BPE之比越高的肿瘤被诊断为LuminalB型乳腺癌的概率越大，表明肿瘤所生存的微环境与乳腺癌分子亚型的分类和侵袭性有关，乳腺BPE强化率可以作为乳腺癌分子亚型的预测因子。尽管由于纳入的样本量分布不均衡，导致FDA的有效性不如预期的理想，但仍可证明应用纹理参数能够鉴别乳腺癌的分子亚型，打破了传统的基因表达方法对分子亚型鉴别的限制。
2.3评估NAC疗效
NAC已成为局部进展期乳腺癌的标准治疗方法，对抑制癌细胞扩散和保留病人乳腺完整性具有重要作用。尽管大多数乳腺癌病人能够从NAC中获益，但仍有部分病人对NAC并不敏感或者病灶区已经出现变化而肿瘤形态学上没有显著改变，因此在化疗早期准确评估病灶的解剖结构、肿瘤形态的改变和残存肿瘤的活性具有重要意义。根据年修订的实体瘤疗效评价标准（responseevaluationcriteriainsolidtumors，RECST）1.1对NAC后的乳腺肿瘤疗效进行判断：①病理完全缓解（pathological
转载请注明：http://www.chinaweilisi.com/rxbdzz/6117.html
