新型冠状病毒肺炎和其他相似肺炎CT平扫图像的纹理分析引言随着新型冠状病毒肺炎(Corona Virus Disease 2019,COVID-19)的快速传播发展,在伴随有其他相似肺炎发生的情况下,鉴别其中的COVID-19患者显得至关重要。实际上,COVID-19与其他肺炎的CT表现具有相似性,通过医师读片进行鉴别有一定难度,准确地鉴别诊断COVID-19和其他相似的肺炎是目前临床工作的一大难题。与医师读片相比,CT平扫图像纹理分析可提供肉眼不可见的特征[1-4],有潜力鉴别诊断COVID-19与其他相似肺炎。本研究选取我院收治的COVID-19和2019年度收治的具有相似临床和CT表现的病例,对比分析影像医师读片和CT平扫图像纹理分析鉴别诊断COVID-19和其他相似肺炎的准确性,从而为流行病学史不明或核酸检测阴性的患者提供影像学依据,保证治疗的精准性。 1 资料与方法1.1 一般资料选取2020年1月至2020年4月间在淮安市肿瘤医院收治的COVID-19患者33例,其中男22例,女11例,年龄28~85岁,平均年龄52.95±13.83岁,所有病例均与国家卫生健康委员会颁布的《新型冠状病毒感染的肺炎诊疗方案(试行第七版)》标准相符合[1],均为普通型。纳入标准:① 有疫区居住史或旅游史,或有COVID-19患者接触史;② 有完整的胸部CT平扫图像资料;③ 临床及检验指标均与COVID-19相符;④ 经病毒核酸RT-PCR检测确诊。排除标准:① 临床资料不完全;② 流行病学特征未确诊;③ 病毒核酸RT-PCR检测阴性。同时选取2019年6月至2019年12月其他具有相似临床表现和CT特征的肺炎患者作为对照,其中男24例,女9例,年龄20~76岁,平均年龄49.27±15.17岁。 1.2 仪器与方法1.2.1 CT检查 采用飞利浦公司生产的Brilliance16排螺旋CT进行胸部检查,常规扫描层厚5 mm,层距5 mm;高分辨率CT:管电压120 kV,管电流160 mA,重建层厚1 mm,间距0.7 mm,以标准重建或骨算法重建。 1.2.2 主观阅片 将33例COVID-19患者的CT影像与33例其他相似肺炎CT影像相混合,由两名具有10年以上工作经验的影像科副主任及主任医师共同进行阅片,阅片结果以“COVID-19和非COVID-19”的形式表示,将阅片结果与临床最终诊断结果进行对比,分析误判率。 1.2.3 纹理分析 采用罗兹工业大学免费纹理分析MaZda软件(Version 4.6),选择患者肺部CT平扫图像的最大横断面,导入MaZda软件,分别用红色和绿色标记手动勾画胸部病变区域的感兴趣区(Area of Interest,ROI),尽可能包含全部的病变区域,获取两组患者ROI的纹理特征参数。通过软件自带的纹理特征分析方法选择最具鉴别价值的纹理参数,这些方法包括交互信息(Mutual Infoemation,MI)、Fisher系数、分类错误概率联合平均相关系数(Probability of Classification Error+Average Correction Coefficient,POE+ACC)及三种方法联合(Fisher+POE+ACC+MI),前三种方法选取十个纹理特征参数,三种方法联合提取三十个纹理特征参数,将简化后的纹理特征参数输入MaZda自带的B11统计分析软件包中,构建人工神经网络(Artificial Neural Network,ANN)模型,计算得出ANN模型对COVID-19和其他相似肺炎的误诊率,并将其与影像医师的主观阅片结果比较。 1.3 统计学分析采用SPSS 19.0统计分析软件,计量资料用均数±标准差(±s)或例数及百分率表示。采用独立样本t检验比较COVID-19患者和非COVID-19患者CT平扫图像的各项纹理参数,影像医师主观阅片以及各种纹理分析方法误判率的比较采用χ2检验,P<0.05为差异具有统计学意义。 2 结果2.1 临床资料COVID-19肺炎患者共33例,其他具有相似临床及CT表现的肺炎包括巨细胞病毒性肺炎1例,单纯孢疹病毒肺炎2例,流感病毒肺炎3例,细菌性肺炎22例,支原体肺炎3例,衣原体肺炎2例。两组患者的年龄及性别均无明显统计学差异(P>0.05)。 2.2 COVID-19和其他相似肺炎的CT影像ROI标识及纹理特征统计COVID-19患者和非COVID-19患者CT平扫图像的ROI分别为红色和绿色(图1~2),四种纹理分析方法选取的纹理参数共30组(表1),结果表明,除S(0,5)Correlat、Teta3、GrNonZeros外,余两组纹理参数均具有统计学差异(P<0.05)。 图1 COVID-19 CT平扫的影像资料 注:a. CT平扫图像;b. ROI标识。 图2 相似肺炎CT平扫的影像资料 注:a. CT平扫图像;b. ROI标识。 2.3 两组患者误判率的分析将简化后的纹理特征参数输入MaZda自带的B11统计分析软件包中,构建ANN模型,对于所有患者,采用MI方法进行纹理分析的误判率为34.85%(23/66),Fisher系数为 25.76%(17/66),POE+ACC为19.70%(13/66),三种方法联合为10.60%(7/66)。影像医师鉴别COVID-19和其他相似肺炎的误判率为31.82%(21/66),其中,三种方法联合分析的误判率最低,与MI、Fisher系数、影像医师主观评阅比较,差异均具有统计学意义(χ2值分别为11.04、5.09、8.89,P值均<0.05)。对于两组患者,各种纹理分析方法在两组患者之间的误诊率则不具有统计学意义(P>0.05),影响医师主观阅片的误诊率具有统计学差异(P<0.05)(表 2)。 表1 两组患者CT平扫图像的纹理特征参数对比 纹理参数 COVID-19组 非COVID-19组 t值 P值variance 1187.93±212.7 2120.36±439.36-10.32 0.007 Perc.01% 73.14±13.19 109.35±21.77-6.53 0.018 S(1,0)contrast 6.54±1.32 20.64±4.38 -4.74 0.023 S(1,1)correlat 0.95±0.13 0.84±0.11 3.93 0.024 S(2,0)DifEntrp 0.91±0.09 1.25±0.19 -6.31 0.019 S(2,2)SumVarnc 262.35±36.45 424.77±51.16 -6.65 0.018 S(3,0)DifVarnc 12.80±1.73 41.54±6.54 -13.55 <0.001 S(3,3)Entropy 2.67±0.28 3.13±0.39 -2.18 0.021 S(4,4)SomeOfSqs 70.27±8.71 129.68±12.43-11.53 <0.001 S(3,-3)SumEntrp 1.71±0.32 1.13±0.17 4.12 0.021 S(0,4)SumEntrp 1.72±0.35 1.34±0.28 4.13 0.021 S(0,2)Correlat 0.99±0.19 0.76±0.12 3.09 0.022 S(0,5)SumEntrp 1.72±0.35 1.54±0.28 3.65 0.023 S(0,5)Correlat 0.47±0.08 0.47±0.11 0.39 0.55 Horzl_RLNonUni 6850.61±1322.67 2603.07±543.17 17.21 <0.001 Horzl_Fraction 0.87±0.11 0.90±0.12 2.78 0.020 Horzl_ShrtREmp 0.82±0.07 0.87±0.08 3.87 0.024 Vertl_RLNonUni6913.78±1452.79 2662.78±612.45 15.67 <0.001 45dgr_RLNonUni7698.42±1379.87 2780.21±578.76 21.77 <0.001 45dgr_GlevNonU 321.45±31.79 81.56±7.98 18.99 <0.001 135dr_GLevNonU 321.64±30.32 81.21±8.92 13.79 0.006 GrMean 1.27±0.38 2.52±0.71 -3.79 0.023 GrVariance 0.73±0.45 2.36±1.21 -4.29 0.021 GrNonZeros 0.83±0.21 0.89±0.27 -0.49 0.17 Teta3 0.47±0.31 0.56±0.33 0.57 0.51 Sigma 0.18±0.17 0.24±0.25 -2.45 0.021 WavEnHL_s-1 22.41±3.78 72.72±8.79 -6.78 0.018 WavEnHL_s-3 13.72±1.87 83.67±7.99 -8.74 0.013 WavEnLH_s-4 148.88±19.73 236.88±21.77-5.89 0.019 WavEnLH_s-5 397.47±37.68 251.44±21.89 4.73 0.021 表2 两组患者CT平扫图像误诊率分析[例(%)] 分组 COVID-19组 非COVID-19组 χ2值 P值影像医师主观阅片 6 (18.18) 15 (45.45) 5.66 0.02 MI 13 (39.39) 10 (30.30) 0.60 0.44 Fisher系数 8 (24.24) 9 (27.27) 0.08 0.78 POE+ACC 6 (18.18) 7 (21.21) 0.04 0.85 MI+Fisher+POE+ACC 3 (9.09) 4 (6.06) 0.16 0.69 3 讨论纹理分析作为人工智能的重要内容目前已在临床医学方面应用,其通过一定的图像处理技术提取图像的纹理特征,对病变的特征进行量化分析处理并做出判断,以此获得对纹理的定性或定量描述,从而有助于更加细致地分析图像,可避免医师在诊断过程中主观性因素的影响,这在一定程度上实现了诊断的量化及标准化[5]。研究表明,纹理分析在肿瘤的鉴别诊断以及预测疾病的危险性方面具有一定的价值[6-10]。作为COVID-19肺炎的主要检查手段之一,CT平扫图像可表现为磨玻璃影、网格影或结节样改变[11-17],随着世界范围内COVID-19的流行,如何将COVID-19与其他相似的肺炎进行鉴别将会逐渐成为临床的难题,包括细菌、病毒、支原体、衣原体等引起的肺炎。目前,纹理分析已应用于肺部肿瘤的鉴别诊断[18-20],这些均表明纹理分析是一种具有潜在价值的分析方法。 本研究对COVID-19和其他相似肺炎的CT平扫图像进行了纹理分析,结果表明,COVID-19的CT平扫图像纹理特征与其他相似肺炎有一定的区别,在MaZda软件中提供的6类287种纹理参数中,共20种纹理特征在COVID-19和其他相似肺炎的CT平扫图像中具有统计学差异。同时,通过构建的ANN模型发现,CT平扫图像纹理分析可用于鉴别COVID-19和其他相似肺炎,其中MI的总误判率为34.85%,Fisher系数为25.76%,POE+ACC为19.70%,三种方法联合为7.58%,误判率越小说明对COVID-19和其他相似肺炎的辨识度越高,所蕴含的COVID-19和其他相似肺炎的纹理特征越多。在四种纹理方法中,三种方法联合的误判率最低,且明显低于影像医师的主观阅片结果,这与三种方法联合提供的纹理信息更多且更为全面有关,另外,这也表明CT平扫图像纹理分析对鉴别COVID-19和其他相似肺炎具有较大的价值。 在总误判率方面,三种方法联合最低,但通过对于COVID-19和其他相似肺炎的进一步分组发现,MI、Fisher系数、POE+ACC以及三种方法联合在两组之间不具有统计学差异,而影像医师的主观阅片在两组之间则具有一定的差异(P<0.05),45.45%的非COVID-19 CT平扫图像被误判为COVID-19,这可能与当下COVID-19流行有关,这在一定程度上造成影像医师阅片时主观偏向于COVID-19。与影像医师主观阅片相反,纹理分析不受诊断医师主观性的影响,因而,各种纹理分析方法在两组患者之间的误判率均无明显统计学差异。 然而,本研究中病例来源于淮安市肿瘤医院,样本量有限,同时,本研究未对其他相似肺炎的类型进行进一步分类,CT平扫图像纹理分析结果可能会存在一定的偏倚,有待于进一步分类研究。 综上所述,CT平扫图像纹理分析可用于鉴别COVID-19和其他相似肺炎,能为鉴别COVID-19和其他相似肺炎提供客观依据,可作为今后一段时间内流行病学史模糊、核酸检测阴性且有呼吸症状患者的初步诊断方法,值得推广应用。 [1]Kassner A,Thornhill RE.Texture analysis: a review of neurologic MR imaging applications[J].Am J Neuroradiol,2010,31(5):809-816. [2]孙君顶,马媛媛.纹理特征研究综述[J].计算机系统应用,2010,13(6):247-252. [3]Depeursinge A,Foncubierta RA,Ville DVD,et al.Threedimensional solid texture analysis in biomedical imaging: review and opportunities[J].Med Image Anal,2014,18(1):176-196. [4]丁彦青,卞修武.对《新型冠状病毒肺炎诊疗方案(试行第七版)》病理变化的解读[J].中华病理学杂志,2020,(5):397-399. [5]De Cecco CN,Ganeshan B,Ciolina M,et al.Texture analysis as imaging biomarker of tumoral response to neoadjuvant chemoradiotherapy in rectal cancer patients studied with 3-T magnetic resonance[J].Invest Radiol,2015,50(4):239-245. [6]种美玲,时白雪,张禧,等.超声联合纹理分析对乳腺结节良恶性的诊断价值[J].中华医学超声杂志(电子版),2019,16(8):581-585. [7]Canellas R,Burk KS,Parakh A,et al.Prediction of pancreatic neuroendocrine tumor grade based on CT features and texture analysis[J].Am J Roentgenol,2017,210(2):1-6. [8]黄小伟,张艳玲,牛丽丽,等.MaZda评估动脉粥样硬化斑块的风险性[J].中国医学影像技术,2015,31(1):141-145. [9]Ganeshan B,Panayiotou E,Burnand K,et al.Tumour heterogeneity in non-small cell lung carcinoma assessed by CT texture analysis: a potential marker of survival[J].Eur J Radiol,2012,22(4):796-802. [10]Ganeshan B,Miles KA,Young RCD,et al.Texture analysis in non-contrast enhanced CT: impact of malignancy on texture in apparently disease-free areas of the liver[J].Eur J Radiol,2009,70(1):102-110. [11]杨长蔚,范成辉,程爱兰,等.新型冠状病毒肺炎的CT特征:附SARS、MERS文献综述及2例确诊新型冠状病毒肺炎CT征象分析[J].中国中西医结合急救杂志,2020,27(2):190-192. [12]蒙冲,陈永倖,刘凯.新型冠状病毒肺炎20例CT表现[J].广东医学,2020,41(8):791-796. [13]贺永斌,刘国利,翟丽丽,等.新型冠状病毒肺炎临床分型及CT表现分析[J].中国实验诊断学,2020,24(4):603-605. [14]牟俊,王荣品,刘新峰,等.新型冠状病毒肺炎CT表现动态变化的初步探讨[J].中国中西医结合影像学杂志,2020,18(2): 116-119. [15]娄江华,付芳芳,白岩,等.新型冠状病毒肺炎早期胸部高分辨率CT表现[J].中国医学影像技术,2020,36(3):396-399. [16]傅钢泽,许崇永,孙厚长,等.胸部CT检查在新型冠状病毒肺炎患者筛查中的应用[J].温州医科大学学报,2020,50(3):177-181. [17]王侠,刘斌,余永强,等.胸部多排螺旋CT在新型冠状病毒肺炎诊断及随访中的应用价值[J].中国医学影像技术,2020,36(3): 400-404. [18]鄂林宁,张娜,王荣华,等.计算机体层摄影术纹理分析对孤立性肺结节良恶性鉴别诊断的价值[J].中华肿瘤杂志,2018,40(11):847-851. [19]张红娟,武志峰,鄂林宁,等.CT纹理分析鉴别不可手术切除的小细胞肺癌与非小细胞肺癌中的价值[J].中国医学影像学杂志,2019,27(11):820-823. [20]Ravanelli M,Farina D,Morassi M,et al.Texture analysis of advanced non-small cell lung cancer (NSCLC) on contrast-enhanced computed tomography: prediction of the response to the first-line chemotherapy[J].Eur Radiol,2013,23(12):3450-3455. Texture Analysis of CT Plain Scan Images of COVID-19 and Other Similar Pneumonias |