体模实验观察体素大小对CT影像组学特征的影响

刘 涛，胡 奎，张照喜，陈 浩，贺瑶瑶，廖 甜，李 宁，刘明飞，袁子龙

(湖北省肿瘤医院放射科，湖北 武汉 430079)

影像组学通过高通量分析不同的定量影像特征，从而实现对疾病从定性诊断到定量诊断的转变[1-2]。目前影像组学研究[3-5]主要集中在临床应用，如鉴别良恶性肿瘤等，也有部分针对组学特征的可重复性和稳定性的研究[6-8]。对于CT扫描参数如管电流、层厚等对CT影像组学特征的影响已有深入研究[9-10]，但关于CT图像体素大小对影像组学特征影响的研究较少，特别是对具备空间信息的特征，体素改变对其影响较大。本研究采用体模实验，通过改变重建FOV和层厚来改变图像体素大小，分析其对CT影像组学特征的影响。

1 材料与方法

1.1 仪器与方法 采用Siemens Definiation AS+64排CT扫描仪，以头部扫描协议对美国体模实验室Catphan 700体模(包含骨骼、软组织、水、肺及脂肪5种密度)进行扫描，管电压120 kV，自动管电流调节Care dose 4D技术，扫描FOV为350 mm×350 mm，层厚5 mm，层间隔5 mm，矩阵512×512。将原始数据重建2组图像：第1组，固定FOV为250 mm×250 mm，重建层厚分别为1 mm、3 mm、5 mm、7 mm、10 mm，对应的体素大小为0.24～2.38 mm3；第2组，固定层厚为3 mm，调节FOV大小分别为250 mm×250 mm、300 mm×300 mm、350 mm×350 mm、400 mm×400 mm、450 mm×450 mm，对应体素大小为0.72～2.32 mm3。

1.2 影像组学特征计算 对2组重建体模图像逐层进行手动勾画，分别勾画出代表骨骼(ROI 1)、软组织(ROI 2)、水(ROI 3)、肺(ROI 4)及脂肪组织(ROI 5)的结构，原则为尽可能大地包含目标结构，但尽量不包含背景(图1)。以3D slicer 软件对每个ROI提取7类共计108个特征，包括形状(shape)、一阶(first order)、灰度相关矩阵(gray level dependence matrix, GLDM)、灰度游程矩阵(gray level run length matrix, GLRLM)、灰度共生矩阵(gray level co-occurrence matrix, GLCM)、灰度区域矩阵(gray level size zone matrix, GLSZM)及邻域灰度差分矩阵(neighborhood gray-tone difference matrix, NGTDM)特征。

1.3 数据分析 采用Microsoft Excel 2016软件，计算2组重建图像特征值的平均值(μ)和标准差(σ)，获得变异系数(coefficient of variation, CV)，CV=σ/μ×100%；并用Heml 1.0软件绘制各特征变异度的热图，根据CV值大小不同，分别以不同颜色表示：红色代表变异度非常小(CV≤5%)，黄色代表变异度较小(5%20%)[9]。

图1 ROI勾画示意图 ROI 1～ROI 5分别代表骨骼、软组织、水、肺及脂肪组织

2 结果

各组学特征变异度的热图见图2。从整体上看，改变体素大小对形状特征的影响较小(CV≤10%)，以红色区域为主，而对其他6类特征中绝大部分的特征影响较大(CV>20%)，以蓝色区域为主。

在形状特征组中，绝大部分形态特征的变异度较小或非常小(黄色或红色，CV均≤10%)，仅在不同重建层厚的部分特征中呈现中等变异度(绿色，10%

在GLDM特征组中，绝大部分特征的变异度较大(蓝色，CV>20%)，且重建层厚及FOV不同对于特征结果的影响差异不大，其中依赖熵(dependence entropy)在重建层厚及FOV组中变异度均较小或非常小(黄色或红色，CV≤10%)。

对于一阶特征，重建层厚对于特征结果的影响较FOV大，且大部分特征变异度较大(CV>20%)。

在GLRLM特征组中，绝大部分特征的变异度较大(CV>20%)，而其中短游程强调(short run emphasis)和游程熵(run entropy)的CV<10%。

在GLCM特征组中，重建层厚及FOV导致的体素改变对于特征结果的影响均较大，而其中反差矩归一化(ldmn)及反差归一化(ldn)的变异度非常小(CV均<2%)，反差矩(ldm)及反差(ld)的变异度也相对较小(CV均<8%)。

图2 不同层厚和FOV组合下特征变异度热图

在GLSZM及NGTDM特征组中，绝大部分特征的变异度较大(CV均>20%)，而区域熵(zone entropy)CV<10%。

3 讨论

影像组学是指高通量地从影像资料中提取出定量的影像特征，经过特征筛选与数据分析建立模型，用于临床决策支持、预测预后等[11]。影像组学特征的稳定性决定着模型的可靠性，因此特征的稳定性及鲁棒性是影像组学的重要研究方向之一[12]。

在影像组学的实际应用中，除了患者不同的基因表型导致特征多样性外，图像采集和重建过程中的各种因素，如管电压[13]、重建参数[9,14]、管电流[10]及滤波函数[14-15]等也会对定量影像特征产生巨大影响。Saeedi等[13]对41个影像组学特征进行研究，结果表明48%的特征与管电压值显著相关，而27%的特征受管电流的影响，这是因为管电压直接决定图像质量，不同管电压产生的射线能谱不同而导致同种组织的CT值差异，从而造成特征改变；而管电流尽管在一定程度上影响图像整体的信噪比，但其对组织的CT值影响较小，因而该参数对影像组学特征的影响不似管电压显著。同样的结果亦见于Mackin等[10]的研究。

本研究通过调节重建图像的FOV和层厚来改变体素的大小，以探讨体素改变对影像组学特征的影响，结果表明，体素改变对绝大部分CT影像组学特征产生了显著影响，其原因可能是许多特征的计算方式与图像的灰度级和空间像素信息密切相关[16]，而体素是影响图像空间特性的重要因素之一，因而会对部分特征产生显著的影响。如GLRLM中的能量(energy)特征是各个体素灰度大小的平方和，必然与体素的数目相关，因而当体素数目改变时，其变异度较大；而对于中位值(median)，作为所有体素灰度大小的中位数，与体素的数目关系不大，因而变异度相对较小。

本研究结果表明，在形状特征组中，绝大部分形态特征的变异度较小或非常小(黄色或红色，CV均≤10%)，仅在不同重建层厚的部分特征中呈现中等变异度(绿色，10%

本研究的不足：首先，本研究是基于体模的实验，尽管肺及骨等多种组织均纳入研究，但体模中的组织必然与人体组织存在差异，所获结果不能完全反映临床的实际状况；其次，本研究采用观察者手动勾画ROI的方法，而Velazquez等[16]比较了半自动分割方法和手动分割的准确度，认为半自动分割结果与手术切除的肿瘤标本轮廓吻合度更高，且提取的定量特征具备更高的稳定性；再者，本研究只是初步观察了不同体素对影像组学特征变异度的影响，今后需进一步研究，寻求最优化的影像组学体素大小参数设置。

综上所述，体素改变对影像组学特征影响显著，在影像组学的应用研究中要给予充分关注；数据预处理可能是保证特征稳定性的较好途径，特别是对于多中心数据的应用及对比。