影像组学在核医学影像中的应用

前言：想要写出一篇引人入胜的文章？我们特意为您整理了影像组学在核医学影像中的应用范文，希望能给你带来灵感和参考，敬请阅读。

1影像组学与核医学中影像

1.1影像组学的处理流程

影像组学的处理流程可分为5部分：①图像获取；②确定感兴趣区；③图像分割，采用人工方法或者计算机辅助；④特征的提取和量化；⑤数据分析，根据数据建立分类模型进行预测。

1.2核医学中的影像组学发展

影像组学在本世纪初开始逐渐运用于核医学领域，主要对正电子发射计算机断层扫描仪(positronemissioncomputedtomography，PET)图像中肿瘤内异质性进行研究[5-6]。其动机是在临床实践或一些研究中，最大标准化摄取值(standardizeduptakevalue，SUVmax)、平均标准摄取值(SUVmean)或代谢活跃的肿瘤体积(metabolicallyactivetumorvolume，MATV)等指标不能完全描述肿瘤的性质[7]。其中一些特征，如形状和摄取异质性，可能反映不同肿瘤类型与其侵袭性、转移潜能、对特定治疗的反应程度以及预后有关[8-9]。与常规指标相比，量化这些特征可提供更高的临床价值，尤其是在分层及识别治疗反应较差的患者中。既往分析认为，CT或MRI图像比PET图像更具有优越性，这是因为PET图像的信噪比和空间分辨率较低，空间采样也较差。此外，为利于临床医生视觉评估，重建的PET图像常被平滑，图像中可用信息被进一步减少。随着PET-CT系统、飞行时间(timeofflight，TOF)技术的发展，对目前临床金标准迭代算法的一些修正，过去的10年中PET图像的保真度及定量精确度均有大幅改善[10]。

2影像组学在核医学中的临床应用

2.118F-FDGPET-CT影像特征分析

目前，影像组学在核医学领域研究中大多数研究对象是18F-FDGPET-CT中的PET影像部分。要发挥影像组学的临床价值需要大量的患者队列和严格的统计分析方法，而部分研究只纳入了20～70例患者。Soussan等[11]对54例局部晚期乳腺癌患者的初始18F-FDGPET-CT图像进行回顾性研究，认为对于三阴性乳腺癌，结合高灰度游程(high-gray-levelrunemphasis，HGRE)与SUVmax可以获得更高的受试者操作特征(receiveroperatingcharacteristic，ROC)曲线下面积(areaundercurve，AUC)，AUC=0.83，而单独运用SUVmax的AUC=0.77。Yip等[12]对54例食管癌患者放化疗前后的PET-CT图像进行研究，认为随时间变化的熵和游程长度矩阵(run-lengthmatrix，RLM)，可以比标准化摄取值(standardizeduptakevalue，SUV)更好的评估病理反应和患者生存的联系。Bundschuh等[13]对27例直肠癌患者行新辅助化疗前、开始后2周及化疗完成后4周分别行18F-FDGPET-CT检查，并对图像进行分析，认为变异系数(coefficientofvariation，COV)对于治疗早期的灵敏度68%、特异度88%以及治疗后灵敏度79%、特异度88%的组织病理学反应评估有统计学差异。Mu等[14]对42例不同分期宫颈癌患者的18F-FDGPET-CT图像进行研究，通过自动分类的支持向量机(supportvectormachine，SVM)分类器，得出运行率(runpercentage，RP)是最有判别力的指标，精确度达到88.1%，AUC=0.88，认为肿瘤异质性与肿瘤分期有很好的相关性。近年来，有研究纳入较多患者(80～200例，甚至200例以上)18F-FDGPET-CT图像进行研究。Cheng等[15]对88例T3和(或)T4分期的口咽鳞状细胞癌患者肿瘤区域异质性进行研究，认为区域大小不均匀性(zone-sizenonuniformity，ZSNU)是进展的T分期口腔鳞状细胞癌患者预后的独立预测因子，并且可以改善预后分层。Xu等[16]应用纹理分析和模式分类对103例骨与软组织病变患者的18F-FDGPET-CT图像进行研究，认为该方法可提高对病变良恶性的鉴别能力，尤其是采用PET(熵和粗度)和CT(熵和相关性)纹理参数结合的时候效能最高，灵敏度为86.44%，特异度为77.27%，准确率为82.52%。Wu等[17]对101例早期非小细胞肺癌患者进行研究，得出最佳的预测模型包括两个图像特征，即瘤内异质性SUVmax，在独立验证队列中，该模型的一致性指数为0.71，高于SUVmax(0.67)和肿瘤体积指数(0.64)，当结合病变组织学类型后预后能力进一步提高，有助于医生为早期非小细胞肺癌(non-smallcelllungcancer，NSCLC)患者量身定制合适的治疗方案。Gao等[18]研究了132例肺癌患者，认为基于SVM的算法对于淋巴结转移诊断具有潜力，由CT、PET和PET-CT构建的模型曲线下面积分别为0.689、0.579和0.685；而淋巴结最大的短径，SUVmax的曲线下面积分别为0.684和0.652。另有学者对于116例Ⅰ～Ⅲ期NSCLC患者、195例Ⅲ期NSCLC患者及201例局部晚期NSCLC癌患者的PET图像进行了研究，认为PET熵和CT区域百分比与临床分期和功能容积值的互补性最高，共生矩阵中的疾病坚固度、原发肿瘤的能量与患者预后有关，SUVmean与总生存率的预测有关[19-21]。Hyun等[22]对137例胰腺导管腺癌患者进行了研究，得出结论：PET纹理分析得出的瘤内异质性信息是患者生存的独立预测因子(相对于肿瘤分期及血清CA19-9水平)。此外，一阶熵作为衡量肿瘤代谢异质性的指标，是一种比传统PET参数更好的定量显像生物标志物。Lartizien等[23]对188例淋巴瘤患者的PET图像进行了分析，提出了一种基于不同滤波方法相结合的原始特征提取方法，对高代谢区域淋巴瘤组织及炎性或生理性摄取的鉴别有着很好的性能。这些研究中部分研究使用了更可靠的统计分析方法，其中有一些使用机器学习方法，如神经网络[24]，支持向量机[16,18,23]或最小绝对收缩和选择算子(leastabsoluteshrinkageandselectionoperator，LASSO)[17,21]。有学者对于PET和PET-CT组件中低剂量CT图像衍生特征进行了研究，Win等[25]发现肿瘤分期和PET-CT组件中CT衍生的纹理异质性归一化熵、中和(或)粗尺度是NSCLC患者生存的最佳预测因子。要注意PET-CT组件的低剂量CT获得的图像与高分辨率CT或诊断CT图像是有差异的，在分析时要加以区别。部分研究认为，结合PET-CT图像中PET及CT的图像特征，可以得出敏感性、特异性及准确性更高的结果[16,18-19,23]。

2.2非18F-FDGPET-CT、PET-MR及免疫组化指标研究

Pyka等[26]对113例高级别胶质瘤患者治疗前的18F-FETPET-CT图像进行研究，认为治疗前18F-FETPET-CT图像中的吸收异质性对肿瘤进展和患者生存率的预测是有价值的，强调肿瘤内异质性在高级别胶质细胞瘤生物学中的重要性，可能有助于将来个体化治疗计划的制定。Vallieres等[27]的研究提取18F-FDG-PET和MRI的影像信息联合预测了四肢软组织肉瘤的肺转移，认为融合的18F-FDGPET-MRI图像可以提供更好的预测信息。Antunes等[28]对两例肾细胞癌患者进行了18F-氟胸苷(fluorothymidine，FLT)PET-MRI检查(分别在治疗前及治疗中期)，认为18F-FLTPET-MRI的影像组学特征，即SUV值、表观弥散系数(apparentdiffusioncoefficient，ADC)值和T2加权差平均值，可以评估患者对细胞抑制剂治疗的早期结构和功能反应，但这一结论的可靠性是有限的，因为研究只纳入了两名患者。同时，对PET派生特征和其他相关信息的组合加以考虑，如最近一项研究中，Wang等[29]对113例晚期口咽鳞状细胞癌患者治疗前18F-FDGPET-CT图像和关键的免疫组化指标表皮生长因子受体(epidermalgrowthfactorreceptor，EGFR)和p16中提取的区域大小不均匀性信息进行分析，发现相关信息可以提高患者的预后分层。

3展望

影像组学作为一种新兴的研究方法，通过从不同模态中提取高通量的影像特征并对其进行分析，对不同肿瘤类型的患者管理，如预后、评估治疗反应、预测远处转移、个体化治疗等提供有效的量化指标。这种非侵入性检查工具，可提高临床工作效率，为临床医生和患者带来更多收益。影像组学的应用不局限于肿瘤领域，其他疾病领域也可运用。目前影像组学在核医学影像方面应用起步较晚，相关研究较少，研究纳入患者数量也较有限，但已有的研究证明影像组学在核医学影像中的应用是未来的发展方向之一，且方法不止限于18F-FDGPET-CT，还可融合PET-MR图像，或运用一些新型药物进行检查及分析，并可结合临床分期及一些免疫组化指标，为临床提供更多更可靠的信息。

作者：霍力 李方