王春華 王哲濤 任靜 周鵬 郜發(fā)寶*

心臟磁共振（cardiac magnetic resonance，CMR）成像可以實現多方位、多參數、多序列掃描，且具有良好的組織分辨力。CMR 成像能夠通過不同的序列檢測心功能以及心肌組織特征，評估疾病心功能障礙、心肌缺血、心肌水腫以及心肌纖維化[1-3]。但是，傳統分析手段對CMR 成像影像的綜合分析及利用有限，無法識別微小病變，對疾病的診斷以及預測價值有待提高。紋理分析是影像組學中最常見的分析方式，利用不同技術對圖像的特點以及像素相互關系進行定量，獲得圖像灰度強度的直方圖、分布、梯度、相鄰關系以及隨機性，代表圖像的異質性[4-5]。CMR 成像紋理分析可以發(fā)現肉眼無法辨識的微小改變，提高診斷效能與預測價值[6-7]。目前國內外基于CMR 成像不同序列的紋理分析用于缺血性心肌病和非缺血性心肌病方面的研究均有報道，本文將對CMR 成像紋理分析在疾病診斷與預測中的價值進行綜述。

1 紋理分析概述

紋理特征提取方式包括統計法、模型法和變換法[8-9]，其中統計方法是最早出現、最常使用的方法，包括一階、二階及高階統計量。一階統計量指不考慮像素位置的情況下，評估興趣區(qū)內灰度的直方圖頻率分布，包括平均強度、百分位數、熵、標準差、偏度和峰度。二階統計特征利用空間矩陣來描述興趣區(qū)的相鄰關系，包括灰度共生矩陣（gray level cooccurrence matrix,GLCM）、灰度游程長度矩陣（gray level run length matrix,GLRLM）等。高階統計量反映3 個或更多像素的位置關系。模型法是利用復雜的數學模型表征紋理特征。變換法將空間信息轉換成頻率或尺度，例如傅里葉變換、小波變換、Gabor 變換。紋理分析主要步驟包括圖像獲取、圖像分割、特征提取、特征篩選、模型建立及統計分析，常用于臨床診斷、預后評估。CMR 成像紋理特征提取常見軟件包括TexRad、MaZda 以及利用Matlab 自主編寫的程序[10-12]。特征篩選、預測模型的建立與統計分析均可以通過R 語言實現[11]。通過紋理分析獲得的特征有利于評估肉眼無法觀察到的細微結構改變。紋理分析已成為目前的研究熱點，尤其是腫瘤方面；但有關CMR 成像不同序列的研究尚處于初期階段[7,13]。

2 不同序列CMR 成像紋理分析的應用

2.1 釓對比劑延遲強化序列 釓對比劑延遲強化（late gadolinium enhancement,LGE）序列是檢測心肌纖維化的金標準，不同心臟疾病具有不同的延遲強化方式，傳統分析方式可以通過延遲強化體積來預測疾病的預后，紋理分析可以提取更多定量特征有助于診斷疾病，預測臨床不良事件以及評估風險。利用GLCM、GLRLM 等紋理特征可以鑒別急慢性心肌梗死，選擇合適的分類器可以達到良好的診斷效能[14-15]。LGE 紋理分析還可以對病人進行心肌梗死后風險分層，預測心律失常[16-17]。心肌壞死等異質組織可以造成心律失常，紋理分析可以比傳統分析方式更精準地發(fā)現心肌異質性[18]。Ali 等[19]納入了經埋藏式心律轉復除顫器治療的心肌梗死后病人，根據其是否發(fā)生不良事件分為高風險組和低風險組，對病人LGE 影像進行分析，發(fā)現高風險組具有更高的直方圖峰度、更多負偏態(tài)。紋理分析除了應用于缺血性心肌病的研究，還應用于非缺血性心肌病[20]。有研究[21]顯示，肥厚型心肌?。╤ypertrophic cardiomyopathy，HCM）病人心肌肥厚節(jié)段的LGE 游程長非均勻度（run-length non-uniformity，RLNU）和灰度非均勻度（grey-level non-uniformity，GLNU）高于非肥厚節(jié)段，非肥厚非纖維化節(jié)段的上述2 項指標高于健康志愿者的。Cheng 等[7]通過紋理分析評估LGE紋理特征對收縮功能不全HCM 病人的預后價值發(fā)現，X0_H_skewness、X0_GLCM_cluster_tendency、X0_GLRLM_energy 與無事件生存率相關，病人LGE 異質性增加與不良臨床結局相關。Amano 等[10]將HCM病人分為有和無室性心動過速病史2 組，結果表明有室性心動過速病史病人LGE_entrophy LL 更低，提示其LGE 在微觀上具有同質性，而隨機性更小，可能與更多同質的纖維化有關。Alis 等[22]研究也發(fā)現LGE-CMR 成像紋理分析可以很好區(qū)分HCM 病人是否發(fā)生室性心動過速；既往研究[23]報道左心室熵值是擴張型心肌病病人室性心律失常風險分層的新指標。

2.2 非增強電影序列 非增強電影成像經傳統分析可以測量心功能及心肌應變，對心肌組織特征改變診斷價值有限，而通過紋理分析則可以得到不同的定量特征，能夠反映心肌異質性，以及檢測傳統分析無法識別的病變。Baessler 等[6]對電影CMR 成像影像提取紋理特征，結果顯示Teta1、Perc.01、Variance、WavEnHH.s-3 和 S（5，5）SumEntrp 5 個特征能夠診斷缺血性瘢痕，其中Perc.01 和Teta1 相結合診斷大面積心肌梗死和小面積心肌梗死的受試者操作特征曲線下面積（AUC）可以高達0.93、0.92。Larroza 等[11]利用LGE 定義可挽救心肌和不可挽救心肌，并將左室電影圖像分割為17 節(jié)段，經紋理分析可以很好地診斷不可挽救心肌節(jié)段（AUC 0.849，敏感度0.92）。Cetin 等[24]研究顯示，傳統心臟電影影像分析手段無法檢測到高血壓個體心臟的細微變化，但通過紋理分析可以發(fā)現其特征改變。有研究者[12,25]利用TexRAD 軟件對舒張末中間段電影影像進行紋理分析，結果顯示HCM、心肌淀粉樣變性以及主動脈硬化的紋理特征有差異，表明電影序列經紋理分析可以用于追蹤左室肥厚的病因。江等[26]對心肌淀粉樣變性和HCM 病人的CMR 成像電影影像進行紋理分析，發(fā)現偏度、峰度、熵值差異有統計學意義，且經中等紋理過濾下室間隔熵值診斷效能最佳。

2.3 Native T1mapping Native T1mapping 作為識別心肌纖維化的備選序列，傳統影像分析手段可以通過T1值改變發(fā)現心肌異常，紋理分析可以提取更多特征表征心肌異質性，顯示健康人群心肌的性別差異以及鑒別不同的心臟疾病。吳等[27]在一項納入59 名健康漢族志愿者的研究中發(fā)現，男女志愿者間有10 個Native T1mapping 紋理特征的差異有統計學意義。Neisius 等[28]利用Native T1mapping 紋理特征鑒別高血壓心臟病和HCM，篩選出6 個重要特征，包括2 個GLRLM 特征和4 個局部二值模式特征，鑒別準確度為86.2%，高于Native T1值的鑒別能力。Neisius 等[29]還對T1mapping 定量影像進行紋理分析，用于預測HCM 病人心肌層面LGE 的陽性和陰性，篩選出5 個最優(yōu)紋理特征，包括1 個GLRLM、1 個GLCM 和3 個局部二值模式特征，通過分類器可以識別全部LGE 陽性層面和大約三分之一LGE 陰性層面。

2.4 T1WI 序列 T1WI 序列可以顯示心臟解剖結構，主要通過肉眼觀察組織改變，輔助其他序列診斷疾病，紋理分析可以提高其診斷價值。有研究者[30]在一項概念驗證性研究中利用T1WI 影像提取紋理特征，結果發(fā)現在HCM 病人與健康志愿者間，4 個紋理特征的差異有統計學意義。當GLNU≥46 時，區(qū)分HCM 病人和健康志愿者的敏感度、特異度分別為0.94、0.90，鑒別LGE 陰性病人和健康志愿者的敏感度、特異度分別為1.00、0.90。

2.5 多序列聯合 MR 多序列聯合成為影像組學研究的一種趨勢，通過多序列聯合可以提高診斷及預測價值。有研究[31-32]表明不同序列聯合可以提高對腫瘤的預測效能。在CMR 成像領域也有研究者進行多序列聯合研究，多序列紋理分析可以提高診斷價值。Baessler 等[33]對 T1mapping、T2mapping 進行紋理分析，探討其對梗死樣急性心肌炎的診斷價值，篩選出6 個重要特征，包括3 個來自GLCM 的二階特征、2 個來自GLRLM 的二階特征和1 個高階特征，其中5 個特征差異有統計學意義。T1值、T2值和路易斯湖標準診斷效能較低，而T2_RLNU 結合T2_GLNU 診斷梗死樣急性心肌炎的AUC、敏感度、特異度分別為 0.88、0.89、0.92。Baessler 等[34]還分析T1mapping、T2mapping 紋理特征對急慢性心力衰竭樣心肌炎的診斷價值，對于急性心力衰竭樣心肌炎，T2_GLNU 與平均T2值診斷效能相似（AUC 0.69），兩者結合能獲得較好的診斷效能（AUC 0.76）；對于慢性心力衰竭樣心肌炎，T2峰度診斷能力較強（AUC0.81），T2峰度結合 T1_GLNU 時 AUC 高達 0.85。

3 小結

在大數據時代，紋理分析成為精準醫(yī)療、人工智能的研究熱點，它能夠彌補傳統影像分析手段的不足，擴展CMR 成像影像的利用價值，提高心臟疾病的診斷、預后及預測價值，將傳統分析手段與紋理分析相結合是未來的發(fā)展趨勢。目前CMR 成像影像組學的多數研究屬于概念驗證性研究，樣本量有限，而且目前關于CMR 成像影像組學的研究主要為單中心研究，不同醫(yī)療機構的設備及其掃描參數等不一致導致原始圖像不一致，進而影響研究結果，因而制定統一的成像標準，開展多中心合作十分必要。盡管CMR 成像影像組學的發(fā)展還處于早期階段，從圖像的采集到建模分類均存在亟待解決的問題，目前尚不能廣泛應用于臨床，但是它能夠獲取肉眼無法觀察到的高通量客觀量化特征，提高CMR 成像的診斷及預測價值，故具有良好的臨床應用前景。