基于增強(qiáng)MRI紋理分析區(qū)分非產(chǎn)褥期乳腺炎與非腫塊樣強(qiáng)化病灶乳腺癌

李漢森

章 強(qiáng)1ZHANG Qiang

齊海坤1QI Haikun

潘新蕾1PAN Xinlei

謝 晟2XIE Sheng

陳慧軍1CHEN Huijun

基于增強(qiáng)MRI紋理分析區(qū)分非產(chǎn)褥期乳腺炎與非腫塊樣強(qiáng)化病灶乳腺癌

李漢森1LI Honsum

章 強(qiáng)1ZHANG Qiang

齊海坤1QI Haikun

潘新蕾1PAN Xinlei

謝 晟2XIE Sheng

陳慧軍1CHEN Huijun

目的探討基于增強(qiáng)MRI紋理分析對(duì)區(qū)分非產(chǎn)褥期乳腺炎與非腫塊樣強(qiáng)化病灶乳腺癌的可行性，以期降低非產(chǎn)褥期乳腺炎患者誤診的風(fēng)險(xiǎn)。資料與方法回顧性分析42例非腫塊樣強(qiáng)化病灶乳腺癌和30例乳腺炎患者的增強(qiáng)MRI圖像數(shù)據(jù)。手動(dòng)勾畫病灶以及正常組織感興趣區(qū)，對(duì)每個(gè)ROI提取3234個(gè)紋理特征，通過(guò)穩(wěn)定性篩查去除對(duì)感興趣區(qū)選擇敏感的特征，并使用遺傳算法和線性判別分析最終提取10個(gè)紋理特征對(duì)非產(chǎn)褥期乳腺炎、非腫塊樣強(qiáng)化病灶乳腺癌及正常乳腺組織進(jìn)行分類。結(jié)果使用這10個(gè)特征的線性判別分析分類器對(duì)三類組織分類的總體準(zhǔn)確率為89.6%。其中，對(duì)炎-癌分類的敏感度和特異度分別達(dá)92.9%和90.0%，說(shuō)明紋理分析可成功區(qū)分非產(chǎn)褥期乳腺炎與非腫塊樣強(qiáng)化病灶乳腺癌。結(jié)論紋理分析能夠可靠地區(qū)分非產(chǎn)褥期乳腺炎、非腫塊樣強(qiáng)化病灶乳腺癌及正常乳腺組織，為臨床診斷提供可靠的結(jié)果。

乳腺腫瘤；乳腺炎；磁共振成像；圖像增強(qiáng)；診斷，鑒別

非產(chǎn)褥期乳腺炎是良性乳腺疾病，但在臨床診斷過(guò)程中較難與非腫塊樣強(qiáng)化病灶乳腺癌區(qū)分[1-5]；一旦誤診，患者可能會(huì)接受不必要的創(chuàng)傷性治療[6-7]。因此，臨床上準(zhǔn)確區(qū)分非產(chǎn)褥期乳腺炎和非腫塊樣強(qiáng)化病灶乳腺癌具有重要意義。已有較多研究利用動(dòng)態(tài)增強(qiáng)MRI（dynamic contrast-enhanced MRI，DCE-MRI）圖像進(jìn)行乳腺病灶的診斷，其主要方法為使用藥代動(dòng)力學(xué)模型分析或利用其增強(qiáng)曲線的描述性參數(shù)[8-10]。但上述分析方法不僅后處理繁雜，需要大量的分析時(shí)間[11]；且DCEMRI的增強(qiáng)信息也不足以區(qū)分非產(chǎn)褥期乳腺炎與部分種類的乳腺癌，特別是呈現(xiàn)非腫塊樣強(qiáng)化病灶乳腺癌[4]。紋理特征可定量計(jì)算圖像中乳腺組織的信號(hào)強(qiáng)度分布[11-12]。近期有研究證明MRI圖像紋理分析具有區(qū)分某些病理組織[11,13-15]及評(píng)價(jià)治療效果的能力[6-7,16]。在乳腺成像中，DCE-MRI的紋理分析已被用于區(qū)分不同種類的乳腺腫瘤[11,13]。而在非產(chǎn)褥期乳腺炎的DCE-MRI影像中，描述性紋理特征，如多區(qū)域性增強(qiáng)或環(huán)狀增強(qiáng)等非腫塊樣強(qiáng)化，是其典型圖像特征[1,4]。因此，使用DCE-MRI影像的紋理分析有望區(qū)分非產(chǎn)褥期乳腺炎和非腫塊樣強(qiáng)化病灶乳腺癌，但目前鮮有報(bào)道。本研究將探索使用DCE-MRI紋理分析區(qū)分非產(chǎn)褥期乳腺炎及非腫塊樣強(qiáng)化病灶乳腺癌的可行性。

1 資料與方法

1.1 研究對(duì)象 回顧性分析2013年1月－2015年8月中日友好醫(yī)院經(jīng)病理確診的乳腺疾病患者。納入條件：乳腺檢查中觸及腫塊、接受過(guò)乳腺DCE-MRI檢查；排除標(biāo)準(zhǔn)：腫塊＜2 cm而無(wú)法進(jìn)行紋理分析或病灶呈現(xiàn)乳腺癌典型的明顯結(jié)節(jié)或腫塊特征、經(jīng)2名副主任醫(yī)師確診為癌。最終共納入乳腺疾病患者72例，其中非產(chǎn)褥期乳腺炎30例，浸潤(rùn)性導(dǎo)管癌42例。浸潤(rùn)性導(dǎo)管癌（乳腺癌）患者平均年齡（52.1±10.9）歲；非產(chǎn)褥期乳腺炎（乳腺炎）患者平均年齡（36.0±8.0）歲。所有乳腺癌患者已行腫瘤切除手術(shù)并經(jīng)病理檢查確診。非產(chǎn)褥期乳腺炎患者中，18例已將病灶切除并通過(guò)病理檢查確診，另外12例則利用立體定位真空輔助空心針穿刺活檢確診。本研究經(jīng)中日友好醫(yī)院倫理委員會(huì)批準(zhǔn)。

1.2 儀器與方法 42例乳腺癌患者中，8例通過(guò)3.0T Siemens Magnetom Avanto磁共振掃描儀8通道乳腺線圈上接受掃描，另外34例通過(guò)3.0T GE Healthcare MR750磁共振掃描儀上8通道乳腺線圈接受掃描；而30例乳腺炎患者中，7例通過(guò)Siemens掃描儀上接受掃描，另外23例通過(guò)GE掃描儀接受掃描。DCE-MRI 掃描采用T1w-SPGR序列檢查：TR 4.66 ms， TE 1.65 ms，視野400 mm×325 mm，翻轉(zhuǎn)角 10?，層數(shù) 146，層厚1.6 mm，間隔 0.7 mm，矩陣 448×302。在掃描開始的同時(shí)，經(jīng)靜脈以2 ml/s、0.01 mmol/kg注入造影劑釓噴酸葡胺注射液（拜耳公司），注射后用15 ml生理鹽水沖刷，掃描時(shí)間分辨率為56 s，采集共6期動(dòng)態(tài)增強(qiáng)數(shù)據(jù)。

1.3 圖像處理 由1名副主任醫(yī)師選取每位患者的DCE-MRI圖像中增強(qiáng)峰值的圖像以及其中病灶面積最大的MRI圖像進(jìn)行分析（選擇時(shí)固定窗寬和窗位）[16]。圖像導(dǎo)入由MATLAB （2015a，MathWorks Inc.，Natick，MA）編寫的程序中。由1名副主任醫(yī)師利用軟件選取病灶輪廓的感興趣區(qū)（ROI），再將此ROI映射到對(duì)側(cè)作為對(duì)照ROI。在此過(guò)程中允許對(duì)照ROI進(jìn)行調(diào)整，以保證對(duì)照ROI位于正常乳腺組織。因此，每位患者的圖像同時(shí)生成一個(gè)病灶ROI與對(duì)照ROI，見圖1、2。

圖1 女，65歲，左乳浸潤(rùn)性導(dǎo)管癌患者增強(qiáng)MRI圖像的ROI選取。紅色邊界表示手動(dòng)勾畫出的病灶ROI（箭）；黃色邊界為病灶ROI映射到對(duì)側(cè)的正常乳腺組織對(duì)照ROI

圖2 女，26歲，左乳非產(chǎn)褥期乳腺炎患者增強(qiáng)MRI圖像的ROI選取。紅色邊界表示手動(dòng)勾畫出的病灶ROI（箭）；黃色邊界為病灶ROI映射到對(duì)側(cè)的正常乳腺組織ROI

對(duì)每個(gè)ROI進(jìn)行特征提取，流程見圖3。首先，將每個(gè)ROI內(nèi)的像素作歸一化處理[11,14]。然后，每個(gè)ROI經(jīng)過(guò)6種不同種類的小波基進(jìn)行二維小波變換，分解圖像的細(xì)節(jié)特征。這些小波基包括多貝西小波、Symlet小波、Coi fl et小波、離散Meyer小波、雙正交小波和反對(duì)稱雙正交小波。每種小波基分別進(jìn)行兩級(jí)小波變換，每個(gè)小波變換生成4組系數(shù)圖像，故共生成48組細(xì)節(jié)系數(shù)圖像。包括原始圖像共計(jì)有49組細(xì)節(jié)系數(shù)圖像可供紋理特征提取。然后對(duì)每組細(xì)節(jié)系數(shù)圖像進(jìn)行5種紋理特征的提取，包括全局特征（13個(gè)特征）、灰度共生矩陣特征（GLCM，22個(gè)特征）、灰度游程矩陣特征（GLRLM，13個(gè)特征）、灰度大小區(qū)域矩陣特征（GLSZM，13個(gè)特征）及鄰域灰度差分矩陣特征（NGTDM，5個(gè)特征），共66個(gè)紋理特征[12-17]。故每個(gè)ROI提取出3234個(gè)紋理特征。

圖3 紋理特征的提取流程。圖像經(jīng)過(guò)小波變換分解為48組系數(shù)圖像，加上原始ROI作為一組圖像，共49組系數(shù)圖像作特征提??；利用5種特征提取方法對(duì)每組系數(shù)圖像進(jìn)行計(jì)算，共提取出3234個(gè)紋理特征

從臨床使用的角度，每位醫(yī)師在ROI范圍的選取存在一定的差異。因此，對(duì)此差異不敏感的紋理特征在圖像分析中更為可靠。針對(duì)這一問(wèn)題，本研究通過(guò)對(duì)ROI加入噪聲模擬ROI選取的差異（見圖4，藍(lán)線所示ROI），以此檢驗(yàn)所有紋理特征在不同ROI選取情況下的可重復(fù)性，并只選擇對(duì)差異較不敏感的紋理特征進(jìn)一步分析。對(duì)每種ROI，只選擇其原始ROI和添加噪聲后ROI所得紋理特征的類內(nèi)相關(guān)系數(shù)（ICC）最高的500種特征作為穩(wěn)定特征。最終，本研究只選取所有種類ROI共有的穩(wěn)定特征進(jìn)行下一步分析。經(jīng)此篩選，剩下的穩(wěn)定特征被歸一化，并利用遺傳算法和線性判別分析（linear discriminant analysis，LDA）選出10個(gè)最優(yōu)特征。在本研究的遺傳算法中，交叉及變異的概率分別為0.9及0.2，而算法終止條件為繁衍100代，代價(jià)函數(shù)是利用LDA訓(xùn)練分類模型，并利用留一法進(jìn)行交叉驗(yàn)證計(jì)算的分類準(zhǔn)確性。

圖4 女，59歲，左乳浸潤(rùn)性導(dǎo)管癌患者增強(qiáng)MRI圖像上的模擬ROI選取。紅色邊界表示手動(dòng)勾畫出的病灶ROI（箭）；藍(lán)色邊界為加入噪聲的病灶ROI

1.4 統(tǒng)計(jì)學(xué)方法 采用SPSS 22.0軟件，利用遺傳算法所選取的10個(gè)紋理特征的LDA分類器對(duì)所有兩類分類的敏感度、特異度和準(zhǔn)確度進(jìn)行計(jì)算，并構(gòu)建所選取的10個(gè)紋理特征單獨(dú)的受試者工作特性（ROC）曲線和單獨(dú)使用這些特征的LDA分類器的ROC曲線。

2 結(jié)果

經(jīng)篩選后，最終對(duì)ROI選取差別不敏感的紋理特征的分布見表1。在368個(gè)對(duì)ROI選取差別不敏感的穩(wěn)定特征（ICC＞0.996）中，灰度游程矩陣及灰度大小區(qū)域矩陣特征提取方法所產(chǎn)生的穩(wěn)定特征較多，而灰度共生矩陣方法所產(chǎn)生的穩(wěn)定特征最少。

表1 對(duì)ROI選取差別不敏感的紋理特征分布

經(jīng)遺傳算法對(duì)368個(gè)穩(wěn)定特征進(jìn)行選取，共選出10個(gè)最優(yōu)特征，特征資料見表2。所選擇的紋理特征中，有4種不均勻性特征、2種粗糙度特征、2種熵值特征、1種能量特征和1種繁忙度特征。以圖像的病理結(jié)果為“金標(biāo)準(zhǔn)”，使用上述最優(yōu)特征LDA分類器的診斷靈敏度、特異度、準(zhǔn)確率見表3。其中，使用10個(gè)最優(yōu)特征的LAD三類分類的總準(zhǔn)確率達(dá)到89.6%，兩兩分類的敏感度、特異度與準(zhǔn)確度均高于90.0%，其中從正常組織中分辨乳腺炎和乳腺癌的敏感度達(dá)100%，從乳腺炎中區(qū)分乳腺癌的敏感度為92.9%、特異度為90.0%。

所有兩兩分類的ROC曲線見圖5～7。對(duì)于最優(yōu)特征LDA分類器的ROC曲線，在癌-炎分類、癌-對(duì)照分類、炎-對(duì)照分類的情況下，ROC 曲線下面積（AUC）分別為0.942 （95%CI：0.891～0.993）、0.989 （95%CI：0.969～1.000）、0.988（95%CI：0.969～1.000）。在3個(gè)分類情況下，最優(yōu)特征LDA分類器的AUC均大于分別使用單個(gè)特征的ROC的AUC，表明結(jié)合使用10個(gè)最優(yōu)特征的LDA分類器具有較高的分類準(zhǔn)確性，可在增強(qiáng)MRI圖像中區(qū)分非產(chǎn)褥期乳腺炎、非腫塊樣強(qiáng)化病灶乳腺癌與正常乳腺組織。

表2 遺傳算法選出的10個(gè)紋理特征資料

表3 10個(gè)最優(yōu)特征的交叉驗(yàn)證分類結(jié)果

圖5 單個(gè)特征和使用所有10個(gè)特征的LDA分類器從非產(chǎn)褥期乳腺炎中區(qū)分非腫塊樣強(qiáng)化病灶乳腺癌的ROC曲線

圖6 單個(gè)特征和使用所有10個(gè)特征的LDA從非腫塊樣強(qiáng)化病灶乳腺癌中區(qū)分正常乳腺組織的ROC曲線

圖7 單個(gè)特征和使用所有10個(gè)特征的LDA從正常乳腺組織中區(qū)分非產(chǎn)褥期乳腺炎的ROC曲線

3 討論

本研究初步證明了增強(qiáng)MRI影像使用紋理分析以區(qū)分非產(chǎn)褥期乳腺炎與非腫塊樣強(qiáng)化病灶乳腺癌的可行性。本研究發(fā)現(xiàn)利用紋理分析提取得到10個(gè)紋理特征建立的LDA分類器，三類分類準(zhǔn)確率達(dá)89.6%，可較好地區(qū)分非腫塊樣強(qiáng)化病灶乳腺癌、非產(chǎn)褥期乳腺炎和健康乳腺組織。該分類器在非腫塊樣強(qiáng)化病灶乳腺癌與非產(chǎn)褥期乳腺炎的兩兩分類中，敏感度為92.9%、特異度為90.0%、準(zhǔn)確度為91.7%。而此前研究表明，單純以傳統(tǒng)的增強(qiáng)MRI圖像中的增強(qiáng)信息區(qū)分非產(chǎn)褥期乳腺炎與非腫塊樣強(qiáng)化病灶乳腺癌十分困難[2,5]，其原因?yàn)?種乳腺疾病均可在DCE-MRI圖像中出現(xiàn)非腫塊樣高強(qiáng)化；而非產(chǎn)褥期乳腺炎與非腫塊樣強(qiáng)化病灶乳腺癌在病理方面完全不同。在非產(chǎn)褥期乳腺炎中，炎癥引起的分泌可能會(huì)造成乳管堵塞，并在乳管周圍形成膿腫，故在增強(qiáng)MRI圖像中以多區(qū)域性增強(qiáng)或集群環(huán)狀增強(qiáng)的形式出現(xiàn)，與非腫塊樣強(qiáng)化病灶乳腺癌在圖像紋理表現(xiàn)上有所不同[1,4]。因此，本研究中所選出的特征大多為量度病灶信號(hào)的不均勻度、粗糙度等紋理，反映了2種疾病組織的病理分布差別，而這些特征成為區(qū)分疾病的良好圖像指標(biāo)。

目前，已有研究人員應(yīng)用DCE-MRI紋理分析對(duì)乳腺疾病進(jìn)行診斷。如Holli等[11]利用DCE-MRI紋理分析判別不同種類乳腺癌及判別乳腺癌與正常組織，其研究結(jié)果與本研究中紋理分析可在正常乳腺組織中識(shí)別乳腺癌的結(jié)論一致。然而，與Holli等[11]的研究相比，本研究進(jìn)一步證明了紋理分析也能夠從正常乳腺組織中區(qū)分非產(chǎn)褥期乳腺炎。上述結(jié)果進(jìn)一步證明了DCE-MRI紋理分析可以作為乳腺疾病診斷的多功能工具。

國(guó)際上利用增強(qiáng)乳腺M(fèi)RI的紋理分析進(jìn)行疾病研究的方法較多。如利用不同時(shí)項(xiàng)的圖像差[11]、三維紋理特征[13,15]或其他高階的分類器[7,15-16]；但上述研究方法均需要較復(fù)雜的后處理，選取ROI亦花費(fèi)更多時(shí)間，且高階分類器存在不直觀等問(wèn)題，阻礙了其臨床應(yīng)用。本研究利用的分析方法簡(jiǎn)單可靠。只利用增強(qiáng)峰值的一張圖像進(jìn)行二維的紋理分析，進(jìn)行簡(jiǎn)單的ROI選取步驟，無(wú)需處理復(fù)雜的配準(zhǔn)等后處理問(wèn)題便可自動(dòng)進(jìn)行紋理特征提取；使用簡(jiǎn)單直觀的線性LDA分類器即可獲得準(zhǔn)確的結(jié)果。此外，本研究中針對(duì)紋理分析結(jié)果較容易受到ROI選擇不同影響的問(wèn)題，專門通過(guò)對(duì)ROI添加隨機(jī)噪聲的形式篩選出對(duì)ROI選擇不敏感的紋理特征進(jìn)行分析，保證了研究方法和結(jié)果的可靠性。需要注意的是，先前使用紋理分析進(jìn)行乳腺疾病研究的一些工作由于未研究其紋理特征對(duì)ROI選擇差異的影響，故使用了大量由灰度共生矩陣方法所產(chǎn)生的特征[11,14]。本研究發(fā)現(xiàn)，灰度共生矩陣能夠獲取的對(duì)ROI選擇差異不敏感特征較少，提示在今后的研究中，應(yīng)慎用該種特征提取方法。

總之，本研究使用紋理分析成功區(qū)分了非腫塊樣強(qiáng)化病灶乳腺癌與非產(chǎn)褥期乳腺炎，并可將這2種病灶與正常乳腺組織區(qū)分，證明了增強(qiáng)MRI紋理分析在非產(chǎn)褥期乳腺炎診斷中的可行性。本研究中使用的圖像分析方法使用簡(jiǎn)便且可靠性較高，對(duì)于臨床實(shí)際使用有重要意義。本研究的局限性為：①使用的紋理分析工具并非完全自動(dòng)化。將來(lái)如配合自動(dòng)分割病灶分區(qū)的算法，實(shí)現(xiàn)對(duì)于乳腺M(fèi)RI的自動(dòng)化診斷將更具意義；②本研究樣本數(shù)量有限，在后續(xù)研究中應(yīng)該增加患病樣本的數(shù)量，以更好地驗(yàn)證本研究的結(jié)果。

[1] Liu H, Peng W. Morphological manifestations of nonpuerperal mastitis on magnetic resonance imaging. J Magn Reson Imaging, 2011, 33(6): 1369-1374.

[2] Renz DM, Baltzer PT, B?ttcher J, et al. Magnetic resonance imaging of in fl ammatory breast carcinoma and acute mastitis. a comparative study. Eur Radiol, 2008, 18(11): 2370-2380.

[3] 曹英, 王麗萍, 趙曉靜, 等. 10 例非產(chǎn)后期乳腺炎X線表現(xiàn).中國(guó)醫(yī)學(xué)影像學(xué)雜志, 2005, 13(1): 57-58.

[4] Tan H, Li R, Peng W, et al. Radiological and clinical features of adult non-puerperal mastitis. Br J Radiol, 2013, 86(1024): 20120657.

[5] Gurleyik G, Aktekin A, Aker F, et al. Medical and surgical treatment of idiopathic granulomatous lobular mastitis: a benign in fl ammatory disease mimicking invasive carcinoma. J Breast Cancer, 2012, 15(1): 119-123.

[6] Ahmed A, Gibbs P, Pickles M, et al. Texture analysis in assessment and prediction of chemotherapy response in breast cancer. J Magn Reson Imaging, 2013, 38(1): 89-101.

[7] Wu J, Gong G, Cui Y, et al. Intratumor partitioning and texture analysis of dynamic contrast-enhanced (DCE)-MRI identi fi es relevant tumor subregions to predict pathological response of breast cancer to neoadjuvant chemotherapy. J Magn Reson Imaging, 2016, 44(5): 1107-1115.

[8] Hylton N. Dynamic contrast-enhanced magnetic resonance imaging as an imaging biomarker. J Clin Oncol, 2006, 24(20): 3293-3298.

[9] Si L, Zhai R, Liu X, et al. MRI in the differential diagnosis of primary architectural distortion detected by mammography. Diagn Interv Radiol, 2016, 22(2): 141-150.

[10] 程流泉, 李席如, 劉梅, 等. 多參數(shù)MRI的BI-RADS分類對(duì)乳腺病變的診斷效能. 中國(guó)醫(yī)學(xué)影像學(xué)雜志, 2015, 23(3): 176-182.

[11] Holli K, L??peri AL, Harrison L, et al. Characterization of breast cancer types by texture analysis of magnetic resonance images. Acad Radiol, 2010, 17(2): 135-141.

[12] Aerts HJ, Velazquez ER, Leijenaar RT, et al. Decoding tumour phenotype by noninvasive imaging using a quantitative radiomics approach. Nat Commun, 2014, 5: 4006.

[13] Chen W, Giger ML, Li H, et al. Volumetric texture analysis of breast lesions on contrast-enhanced magnetic resonance images. Magn Reson Med, 2007, 58(3): 562-571.

[14] Waugh SA, Purdie CA, Jordan LB, et al. Magnetic resonance imaging texture analysis classi fi cation of primary breast cancer. Eur Radiol, 2016, 26(2): 322-330.

[15] Woods BJ, Clymer BD, Kurc T, et al. Malignant-lesion segmentation using 4D co-occurrence texture analysis applied to dynamic contrast-enhanced magnetic resonance breast image data. J Magn Reson Imaging, 2007, 25(3): 495-501.

[16] Fox MJ, Gibbs P, Pickles MD. Minkowski functionals: an MRI texture analysis tool for determination of the aggressiveness of breast cancer. J Magn Reson Imaging, 2016, 43(4): 903-910.

[17] Vallières M, Freeman CR, Skamene SR, et al. A radiomics model from joint FDG-PET and MRI texture features for the prediction of lung metastases in soft-tissue sarcomas of the extremities. Phys Med Biol, 2015, 60(14): 5471-5496.

（本文編輯 聞 浩）

讀者·作者·編者

醫(yī)學(xué)科技論文摘要撰寫要求：摘要應(yīng)具有獨(dú)立性和自含性，即不閱讀論文全文就能獲得必要的信息。結(jié)構(gòu)式摘要由目的、資料與方法、結(jié)果、結(jié)論4個(gè)要素組成。目的中需簡(jiǎn)要交代研究的前提（問(wèn)題的提出）、研究目的及其重要性；資料與方法中需簡(jiǎn)述研究類型（如回顧性研究、前瞻性研究）、人口學(xué)（研究對(duì)象）或材料、分組、采用的研究方法及觀察指標(biāo)，摘要方法中不需要指明具體使用的統(tǒng)計(jì)學(xué)方法；結(jié)果中針對(duì)研究方法及觀察指標(biāo)簡(jiǎn)要列出主要的、有意義的或新發(fā)現(xiàn)的研究結(jié)果，指出臨床與統(tǒng)計(jì)學(xué)的意義和價(jià)值；結(jié)論是針對(duì)結(jié)果的分析、評(píng)價(jià)和應(yīng)用，肯定經(jīng)過(guò)科學(xué)分析的研究結(jié)果及其獲得的某些結(jié)論，但不能超出研究結(jié)果的范圍而過(guò)度推論，同時(shí)指出這些結(jié)論的理論或?qū)嵱脙r(jià)值。摘要中不列圖表，不引用參考文獻(xiàn)，英文縮略語(yǔ)首次出現(xiàn)需注明中文全稱。中文摘要以350字左右為宜，英文摘要需與中文摘要對(duì)應(yīng)。

Differentiation of Non-puerperal Mastitis from Breast Carcinoma with Non-mass-like Enhancement by Texture Analysis of Contrast-enhanced Magnetic Resonance Imaging

PurposeTo investigate the feasibility of texture analysis of breast contrastenhanced magnetic resonance imaging in differentiating non-puerperal mastitis and breast carcinoma with non-mass-like enhancement in order to prevent misdiagnosis of nonpuerperal mastitis.Materials and MethodsIn this retrospective study, the contrastenhanced MRI images of 42 female patients of invasive ductal carcinoma with non-masslike enhancement and 30 female patients of non-puerperal mastitis were analyzed. 3234 texture features were generated from manually selected region of interest (ROI) of normal breast tissue and breast lesions. By means of genetic algorithm and linear discriminative analysis, 10 texture features were selected based on their stability and accuracy in breast tissue classification.ResultsWith these 10 features, the linear discriminative analysis classi fi ers had sensitivity of 92.9% and speci fi city of 90.0% in classifying two lesions, and accuracy of 89.6% in classifying all three types of tissue. The result showed that texture analysis successfully differentiate non-puerperal mastitis and breast carcinoma with nonmass-like enhancement.ConclusionTexture analysis demonstrates the ability of differentiating invasive ductal carcinoma with non-mass-like enhancement, non-puerperal mastitis and normal breast tissue, and provides reliable results for clinical diagnosis.

Breast neoplasms; Mastitis; Magnetic resonance imaging; Image enhancement; Diagnosis, differential

1. 清華大學(xué)醫(yī)學(xué)院生物醫(yī)學(xué)工程系生物醫(yī)學(xué)影像研究中心 北京 100084

2.中日友好醫(yī)院放射診斷科 北京 100029

陳慧軍

Centre for Biomedical Imaging Research, Department of Biomedical Engineering, School of Medicine, Tsinghua University, Beijing 100084

Address Correspondence to:CHEN Huijun

E-mail: chenhj_cbir@mail.tsinghua.edu.cn

國(guó)家自然科學(xué)基金項(xiàng)目（81371540，81571667）。

R737.9；R445.2

2016-11-24

修回日期：2017-01-20

中國(guó)醫(yī)學(xué)影像學(xué)雜志

2017年 第25卷 第5期：354-359

Chinese Journal of Medical Imaging

2017 Volume 25 (5): 354-359

10.3969/j.issn.1005-5185.2017.05.008