基于FDGPETCT图像纹理信息淋巴瘤病人的计算机辅助分期

1、IEEE JOURNAL OF BIOMEDICAL AND HEALTH INFORMATICS, VOL. 18, NO. 3, MAY 2014 基于FDG PET/CT图像纹理信息淋巴瘤病人的计算机辅助分期Computer-Aided Staging of Lymphoma Patients With FDG PET/CT Imaging Based on Textural InformationC. Lartizien, Member, IEEE, M. Rogez, E. Niaf, and F. Ricard摘要：我们设计了一个计算机辅助诊断系统在淋巴瘤患者的FDG PET /

2、CT检查中来区分高代谢癌症病灶和高代谢性炎症或生理性但非癌性过程。SVM分类器的检测性能评估基于105个PET和CT特征组成的特征，这些特征来自于临床实践和更复杂的纹理分析。提出了一个融合不同滤波方法的原始的特征选择方法。数据集由156个淋巴瘤和32个可疑的非淋巴瘤感兴趣区域。不同类型的训练集包括PET和CT特征的数据集或仅有PET特征的数据集，具有或不具有特征选择，被评价为评估分类性能多模态和纹理信息的附加值。进行一个优化研究为每个分类器分别选择最佳的参数组合。有希望的分类性能是通过SVM分类器与12最大判别式PET和CT特征组合在ROC曲线下的面积为0.91。关键词：CT，分类，CAD,图

3、像纹理分析，PET。I、引言 尽管PET，多参数MRI成像，对比CT扫描等诊断成像模式的发展，癌症的初始分期和反应评估仍然是放射科医师的困难任务。几个人的观察和研究已经证明通过组合不同模态可以显著提高诊断准确性。作为一个例子 ，氟脱氧葡萄糖（18F-FDG），用荧光正电子发射体标记的葡萄糖类似物与CT扫描结合的PET成像提供了解剖和代谢信息的组合，其提供的信息优于单独的PET所提供的信息1。然而，集成这样大量的可见信息仍然是一项复杂的任务，特别是对于具有较少专业知识的初级放射科医师。更具挑战性的是，恶性和良性组织可能在一种类型的模态看起来相似，而在另一种类型的模态不一样。例如，18F-FDG

4、PET / CT已成为许多癌症，特别是淋巴瘤的诊断和治疗后跟踪的推荐检查2。这种模式的特点是非常高的灵敏度，但通常缺乏特异性，由于FDG摄入非癌性炎症或感染性病变3 - 5或生理正常组织，如棕色脂肪或胸腺7。这种非特异性摄取可能导致诊断不一致，特别是在治疗的后续工作中，其中确定残留FDG摄取是否反映遗留的癌症病变或随后的治疗效果或炎症定位是至关重要的8。这项研究的目的是开发一个决策系统，从FDG PET图像良性病变中自动辨别癌性。我们的目标是实现高辨别性能通过1）结合PET和CT判别式图像特征进入决策算法以受益于这种互补模态2）整合了在PET成像中鉴别良性和恶性病变有希望的纹理信息10。我们专

5、注于诊断系统的原型设计，放射科医师在预先选择的可疑的感兴趣区域 进行计算机辅助诊断（CAD）, 从而避免了基于每个体素的异常的定位和分类这个具有挑战性的任务。本研究建立在一个初步的工作，评估两个分类器，支持向量机（SVM）和随机决策林（RDF）的诊断性能，每个结合一系列105个PET和CT特征，这些特征源于临床实践标准化摄取值（SUV）峰值和更复杂的纹理分析14。本研究的主要新颖性和优势是我们进行了广泛的分析，以优化决策系统的不同要素。作为一个例子，我们通过比较诊断性能与包括PET和CT特征或仅PET特征的训练集进行比较来评估多模态的增益。类似地，我们估计纹理信息相对于标准临床指标（例如用于该

6、诊断任务的SUV）的潜在附加价值。从/publications standards/publications/rights/index.html 可以得到更多的信息 本研究的另一个原始结果是结合不同“过滤器”方法的有效特征选择方法。将该方法与遗传算法（GA）和主成分分析法（PCA）进行比较，其成功应用于PET神经成像15。 本文组织如下：临床PET / CT图像数据集提供在第二部分。 第三部分显示了一般分类方案的概述，并详细描述了决策系统的不同要素。这包括第III-A节中图像特征的描述，第III-B节中原始选择方法的描述以及第III-C节中SVM分类器的简要

7、概述。第 IV节描述了为评估使用不同CAD方案实现的检测性能而进行的分析。结果和讨论部分分别在第V和VI节中给出。II、数据库描述A. 研究人群 包括20至79岁的25名患者（11名男性14名女性）。他们在基线的侵袭性淋巴瘤（B细胞淋巴瘤或霍奇金病）的综合检查中进行了增强的CT和FDG PET。B. FDG PET / CT方案 在日常实践条件下进行增强的FDG PET / CT检查，意味着空腹患者在静脉内注射5.2MBq / kg的18F-FDG之前检查血糖水平。在18F-FDG注射后约60分钟，使用Gemini PET / CT装置（Philips Medical Systems）进行PE

8、T / CT采集。患者检查包括在正常但浅的呼吸下（2行检定器，120kV，100mAs，旋转：0.5s，切片：3.2mm，增量：2.5，间距：1.35，注射90-120ml含有350mg I / ml异吲哚醇的造影剂，Xenetix 350以3ml / s的速率注射）。）的颈部至大腿透射对比增强CT扫描。这样得到尺寸为1.17×1.17×2.5mm3的512×512×191个体素的CT重建图像。随后进行3-D PET扫描（发射数据，每床位置3分钟，6-9床位置，床长度18cm，重叠9.6cm，视野57.6cm）。 PET数据用基于CT的衰减图校正衰减，并

9、用迭代RAMLA算法重建，得到144×144×234体素的重建图像，其具有4mm的各向同性体素。 图1 图2图1横向切片示例（a）增强CT图和(b)良性性肿瘤患者锁骨上棕色脂肪FDG摄入的PET图像。 这种摄取由覆盖在CT和PET图像上的绿色线内的ROI区域。图2横向切片示例（a）增强CT图和（b）恶性肿瘤患者锁骨上淋巴瘤淋巴结FDG摄入的PET图像。C.预处理和说明 PET图像被线性内插到与CT图像相同的体素尺寸，并被重新缩放为通过患者体重标准化的SUV值以模仿常见的临床实践。适合高代谢过程的感兴趣区域（ROI）由核医师在PET图像上手动绘制，然后如果需要在CT图像上再现

10、和调整以适合解剖轮廓。当感兴趣的组织在几个连续的切片上可见时，其在每个切片上被勾画出来。术语“ROI”然后是指那些2-D区域描绘的堆叠。根据专家解释，患者跟踪和活检结果，他们被归类为高代谢性淋巴瘤疾病部位（淋巴结和结外部位）或高代谢可疑但非淋巴结部位（褐色脂肪，炎症，感染，生理性胸腺摄取等）。分析了总共156个淋巴瘤ROI（M表示恶性肿瘤）和32个可疑非淋巴结ROI（NS表示正常可疑）。图1展示了CT的一个横切面图1（a）和病人颈部锁骨上棕色脂肪两个生理区域FDG摄取的PET图像图1（b）。类似的，图2突出显示了颈部锁骨上两个生理区域的淋巴瘤FDG摄取图像。对于可疑但正常的区域平均ROI体积为

11、27，癌性淋巴结是8.2，对于结外癌部位为27（主要位于骨，肝，头和颈和脾脏）。III、CAD系统的描述 本文着重于两类分类问题（癌症病变缺失和癌症病变存在）。 第一步骤在于为每个ROI提取一些基于图像的特征的向量V. 这些特征是输出恶性评分的监督分类器的输入数据。 提出了一种组合不同滤波器方法的原始特征选择协议，以在分类步骤之前选择最多的判别特征。A. 特征提取 纹理信息已广泛用于模式识别领域。最近的研究集中在它们在PET肿瘤成像中的应用，主要在放射治疗计划的病变分割10和治疗反应预测16 - 18领域。Yu et al.例如，来自FDG-PET和CT图像的纹理信息，例如PET粗糙度或PET

12、繁忙度，可以提供对于头颈癌的异常和正常组织之间的良好区分。Tixier et al. 还调查了38全球和地方纹理特征对食管癌FDG成像治疗反应的预测影响。他们表明，用二阶统计学表征的局部肿瘤代谢不均匀性能够提供无应答者，部分反应者和完全响应者患者鉴定，其具有比标准SUV值更高的灵敏度。这个书目分析使我们选择从PET和CT图像提取的105个特征，包括一阶和二阶信息。考虑最小和最大ROI体素值作为如17中所建议的下限和上限，每个ROI（PET或CT）内的灰度级被线性地缩放到NGL = 16级（NGL代表“灰度级数”）。这允许在不同患者中标准化体素强度，并且在提取纹理系数之前降低噪声。SUV在每个R

13、OI中的平均变化范围为0.65至15，平均值为3.45，而平均CT Hounsfield值范围为65至1935，平均值为296。因此，16级局部重采样足以折中准确性和计算。1） 一阶特征： 灰度频率分布的这些全局特性包括对每个ROI的最小（min），最大（max）和平均值以及相应的标准偏差（std）的计算。还计算峰度和偏度系数。例如，峰度描绘了相对于正态分布的灰度级分布的形状，而偏斜度表征了分布的对称性。我们还计算了PET SUV峰值，其被计算为每个ROI区域及其26邻域体素最大值的平均值 。所以每个ROI有7个PET特征6个CT 特征。图3图3.4个纹理矩阵的示意图描述。2） 纹理特征 这些

14、二阶统计量度考虑图像中相邻体素的组之间的关系。本研究中使用的这些是来自图3所示的4个矩阵。最初为2-D图像和规则ROI计算的所有这些矩阵在本研究中适应于3-D图像和由Yu等人提出的不规则形状的ROI。a）灰度级共现矩阵（GLC）19-21:GLC元素，d（i，j）是在角度方向上由体素距离d分离的两个体素的灰度级i和j的出现的联合概率密度。GLC矩阵是维度为NGL图像灰度级的方阵。对于和d的每个值计算一个矩阵。 它是计算Haralick系数的基础，例如能量，熵和相关性19以及Soh和Clausi最近提出的诸如“簇突出”或“簇阴影”的系数20 21。 所得21个特征的详尽列表在附录的表A中给出。

15、在这项研究中，GLC矩阵在3-D中的计算考虑4个角方向上的平均值，=，和体素距离d = 1。我们通过考虑距离d = 3也评估了较低的频率变化对分类性能的影响。如前所述，NGL设置为16。 b）灰度游程矩阵（GLRL）22，23：GLRL元素是灰度级i的j个体素（游程长度= j）的对准发生的联合概率密度，其中i的空间关系由角度定义。对于GLC矩阵，它是由角度参数化的NGL×NGL矩阵。这允许对每个PET和CT ROI进行计算在附录中的表B中描述的11个特征。本研究中考虑的最大游程长度被设置为16。对于GLC矩阵，考虑在4个角方向上的平均值，在3-D中计算GLRL矩阵，=，。 c）灰度强

16、度尺寸区域矩阵（GLISZ）24：GLISZ（i，j）元素是强度i的j个体素的同质区域发生的概率密度。它允许计算11个特征遵循与GLRL特征相同的定义。 在本研究中，同质区的最大尺寸设置为16。d）灰度级差分矩阵（GLD）25：GLD（i，j）元素是在强度j的体素和其邻域平均强度之间的灰度级差i的发生的概率密度。GLD矩阵使得能够计算三个特征，即粗糙度，对比度和繁忙度，其被认为与人类印象相关。 这为每个ROI提供了三个PET特征和三个CT特征。 因此，在2-B部分中定义的188个ROI中的每一个特征由对应7个PET和6个CT一阶特征，21个PET和21个CT GLCM特征，11个PET和11个

17、CT GLRL特征， 11 PET和11 CT GLISZ特征，以及3个PET和3个CT GLD特征的105个元素组成的特征向量。B.特征选择减少特征空间维度旨在抛弃不详细的特征，以防止过度拟合，加快学习过程以及提高模型的可解释性。标准方法通过在原始数据（数据选择）中选择或通过基于原始集合的组合（数据简缩）导出新的代表来产生区别特征的子集。在特征选择方法中，可以从“包装器”方法中区分出“过滤器”方法。过滤器方法建议根据一些度量（如统计测试）对特征进行排名，并通过对度量设置阈值来从此列表中选择最佳排名的特征。这些方法的主要缺点是它们独立于分类器性能，并且强烈依赖于在大多数情况下任意设置的阈值。&

18、#160;然而，这些方法可以快速计算和可重现。另一方面，“包装器”方法搜索适合于分类算法的性能的最佳子集。然而，这些方法可能是计算密集的并且具有很差的再现性。 我们提出了一种结合六种滤波器方法的原始方法，目的是避免滤波器方法的任意阈值选择步骤，同时保持快速的计算时间和可重复的结果。该方法如下：首先实现了基于不同度量的六种过滤方法，以独立于分类器对105个特征进行排序。这包括首先计算每个特征的标准距离度量，定义为其中和是在训练样本上计算的特征i和类M的分布的平均值和标准差。第二个标准是从Kruskal-Wallis非参数单因素方差分析得到的H统计量，其测试了对应于NS和M群体的两个特征集来自具有

19、相等中值的两个分布的假设。第三个是分别从105个特征中的每一个得出ROC下面积。 使用交互信息（I）作为关联参数，从冗余度和相关性度量26，27计算了两个指数。 相关性评估特征和目标类别l之间的关联，而冗余度量化不同特征之间的相关性 和是K的两个特征。这两个标准的组合可以是加性的或乘法的，因此导致分别称为MID和MIQ的两个度量，其中D和Q表示差和商相关性标准也被作为第六个标准。该特征选择方法的第二步骤在于从这些列表中选择最具辨别力的特征。 我们提出通过选择六种选择方法中的每一种在十个最佳排名特征中至少排列两次的特征来分别折衷每个度量所实现的排名顺序。 这种方法在下文中称为TOP10，首先通过

20、称为“TOP10频率”的度量来表征每个特征，该TOP10频率总计六种滤波方法中每个特征出现在前十个最佳排名特征中的次数（范围从0到6） 。 然后通过按照降序排列特征来获得最终选择的特征列表这个“TOP10频率”度量并设置阈值2。C.使用SVM的监督分类 这项研究是基于SVM 28，其包括从一组基于特征向量V的两个类别的训练数据得 出预测模型。 然后将该模型应用于任何测试图像并输出可被阈值化以确定测试图像类别的决策变量。 SVM分类器提供低泛化误差，即使对于小的学习样本数据集。 它们基于固定的理论背景，因此导致可再现的性能，并且最终显示出对噪声或错误标记数据的良好鲁棒性。我们最近已经显示它们可以

21、在FDG PET图像中实现良好的检测性能13。SVM方法是基于统计学习理论28。 考虑一组示例，其中是样本n的K个特征的向量，是样本n的类，（-1，+1），n = 1,2，.，N）。 SVM分类器的基本思想是找到最佳超平面*V + b，其最大化每个类的最接近的数据点之间的分离余量，称为支持向量。最优分类器可以通过求解二次优化问题找到决策变量()是将与超平面分开的有符号距离SVM允许通过借助于核函数方法将数据映射到更高维度的空间来解决非线性问题。 它们还通过允许由惩罚参数C参数化的分类误差来解释不可分离的类。在本研究中，通过对每个特征单独应用标准范围变换，所有特征在分类之前被归一化，使得所有值范

22、围在0和1之间。我们选择径向基函数作为核函数，其通过高斯核标准偏差 （或）。 基于在4-A部分中描述的优化研究得到C和的值。 成员概率输出使用Platt算法从距离到边界来估计29。IV. CAD系统的性能 A.分析方案 1）TOP10选择方法的评价：TOP10选择首先应用于整个系列的188个（32个NS和156个M）特征向量，分别考虑105个PET和CT特征以及53个PET特征。这允许基于整个样本数据库得到所选特征的列表。然后，我们评估了TOP10方法的不同随机组合的数据的重现性。通过在分层重采样策略之后从原始数据库随机抽取188个特征向量的80来生成6个单独的子数据库， 即保证这些

23、数据库将包含原始数据库中的17的NS样本和83的M个目标。然后，对这些子数据库中的每一个单独应用TOP10选择方法，从而产生六个不同的排序的特征列表。 然后我们计算每个特定特征的TOP10频率度量大于或等于2的次数。该值除以试验次数（在我们的研究中为6次）从0变化到1，并且估计该特定特征的选择频率。值“0”意味着该特征从未在六个试验中的任何一个中由TOP10方法选择，而值“1”表示该特征总是被选择。被称为“TOP10置信度”的度量方法将应用于接下来的所选择的每一个特征的计算。TOP10方法的性能最终与一个参考包装方法GA 30相比较，GA 用以下参数配置：种群大小= 5，最大迭代次数

24、= 30的选择方案。 我们还与一种经典的数据简化方法，PCA 31进行了比较，其中特征向量的数量设置为总方差的95。 2）SVM内在参数的优化： 对SVM分类器进行了详尽的网格搜索，以便使用11个规则的尺度间隔覆盖0.001到16之间的的空间以及使用16个间隔以的尺度覆盖0.125和4096之间的C的空间，因此得到176对C和参数的评估。 进行留一法（LOO）交叉验证以估计每对（C，）参数的分类性能。 LOO策略避免了对相同的数据进行训练和测试，并且已知能够产生一般群体性能的无偏估计。该方法的基本过程在于使用除一个样本之外的所有样本来训练SVM并且然后在该预测模型上测试剩余样本。重复

25、该过程，直到选择每个样本作为测试样本。 这可以从计算ROC曲线中得到每个样本的预测得分。 将ROC曲线下面积（AUC）用作质量度量以选择最佳参数对（C，）。基于快速分析软件32，对每个组合的特征向量（选择和没被选择的PET / CT特征，选择和没被选择的PET特征，如第4-B节所述）进行详尽的网格搜索分析。3） 基于ROC的性能评估：首先使用两种不同的重采样策略，LOO交叉验证方法（如用于网格搜索分析）和Fukunaga-Hayes（FH）方法33来估计不同CAD方案的性能。FH方法的主要原理是使用数据库的不同部分，即在保持策略之后，Ntrain训练样本和Ntest测试样本的不同组合来估计分类

26、器性能。Fukunaga和Hayes表明AUC随1 / Ntrain线性变化，并且建议基于AUC和1 / Ntrain变量之间的线性回归推断对应于NNtrain的AUC值（基于无限数量的样品的理想训练）。 在这项研究中，线性回归模型调整21点均匀取样Ntrain从30到188，每个点重复使用20次。然后使用非参数Wilcoxon方法拟合来自LOO分析的实验ROC曲线，并且在Dorfman-Berbaum-Metz ANOVA分析中选择AUC作为伪值，以测试不同CAD方案之间的差异的任何统计学显着性 35。 该统计分析基于DBMMRMC软件（版本2.33，来自于医学图像感知实验室（ht

27、tp:/）和Kurt Rossmann放射学图像研究实验室（/krl/）。B.不同参数对CAD性能的影响 我们首先通过比较SVM算法结合PET和CT特征实现的分类性能和1）TOP10选择方法，2）GA，3）PCA和4）没有特征选择来分析特征选择的影响。表I从TOP10方法得到的最大判别的PET和CT特征的列表表II从TOP10方法得到的最大判别的PET特征的列表 然后，我们评估了SVM与不同类型的特征向量的区别性能，并将其与在具有和不具有特征选择的PET和CT特征系列上训

28、练的SVM所实现的相比较。这些不同的特征向量由以下组成：1）53个PET特征的系列。 它们在结果部分中称为“PET”。2）从TOP10方法中选择的一系列PET特征，称为“PET TOP10”。3）13个一阶PET和CT特征参见3-A1部分，称为“PET / CT一阶”。4）仅7个一阶PET特征，称为“PET / CT一阶”。 前两种类型的向量旨在仅在PET特征上估计PET和CT特征的附加值，而第三和第四特征集旨在突出用于该医学诊断任务的纹理参数的影响。 最后，如第III-A2a节所述，我们还通过比较达到体素距离d = 1和d = 3的鉴别能力来评估GLC矩阵参数的影响。这种方法在后面称为“”。

29、注意，对于每个CAD方案运行单独的网格搜索分析以确定它们的最佳内部参数。V、结果 A.TOP10特征选择方法的结果 第III-B节中描述的特征选择的结果以及应用于整个系列的105个PET和CT特征的结果报告在表I中， 特征通过六个标准中的每一个的递减顺序（例如，给出最高AUC的特征被排在这个标准的第一等等）单独排序，从而为每个特征产生六个排名值（在表I 的第2列至7列给出）。然后，使用报告中第8列的“TOP10频率”度量按降序对特征进行排序。注意，在列4中括号中报告的值对应于由每个特征分别实现的AUC值。 从整个105个PET和CT特征中选择9个PET和3个CT特征，包括在临床实践中

30、评估的标准的基于SUV的指标，以及PET峰度指数和5个纹理参数，包括两个Haralick系数，两个来自GLISZ矩阵的特征，一个来自GLRL矩阵。  纹理参数的全名在附录中的表A和B中给出。 表II报告了在53个PET特征系列中选择的特征。该系列12个特征再次包括临床SUV度量和PET峰度指数以及两个Haralick系数，从GLISZ矩阵导出的三个指数，以及来自GLRL矩阵的一个。表III应用于特征向量时从TOP10选择得到的PET / CT和PET的特征子集表4在PET和CT特征应用的不同选择方法组合的SVM分类器的最佳性能表I 和表II 的最后一列（第9列）报告了来自4-A1节中

31、所述的六个试验的TOP10置信度量。当TOP10方法应用于原始样品的不同组合时，大多数选择的特征出现在超过80的情况中，因此证明了TOP10方法的良好稳定性。 表III报告了基于体素距离d = 3计算的GLC系数的一系列PET / CT（左列）特征和PET（右列）特征的所选特征的子集。 临床PET一阶特征（峰度等）在表I和II中，因此证明了它们的强鉴别力。选择的纹理参数与表I和II中报告的不同。一阶和二阶CT参数确实更好地表示在表III中（五个CT特征）。 这可能表明捕获较低频率变化的PET纹理参数对于该特定诊断任务较少区分。B.特征选择对分类性能的影响 表IV总结了通过SVM算法与TOP10

32、，GA和PCA方法组合实现的分类性能（AUC）以及由DBM-MRMC软件估计的相应的95置信区间。它还报告了完全网格搜索的平均计算时间。 TOP10选择方法被显示为比GA更快地处理，同时实现稍微更好的分类性能。 分类和计算性能也优于PCA，所以我们支持TOP10方法，有着比PCA区分特征更直接的分析。表IV还强调了与在没有选择的情况下实现的AUC值为0.878相比，选择最大判别特征时实现的改善。表V在不同训练数据集下SVM分类器的最优表现 表V显示了使用不同类型的判别组件所实现的性能结果。除了基于AUC值等于0.825的七个一阶PET特征的CAD方案之外，所有特征集实现高检测性能，AUC值在0

33、.86和0.894之间。通过PET特征的子集实现最佳性能，包括平均AUC值等于或高于0.89的纹理参数（表V的第1和2行）。这些值没有超过通过SVM分类器结合表IV中给出的12个选择的PET和CT特征系列获得的0.911的AUC值。这凸显了结合PET和CT特征的积极影响，从而证实了用于该诊断任务的多模式方法。使用PET或PET CT包括纹理特征的特征实现的AUC值也高于仅考虑一阶特征（线3和4）获得的AUC值，从而强调纹理参数对于该辨别任务的影响。用更高的体素距离（对于GLC矩阵d = 3）计算的纹理参数导致总体上比d = 1所实现的性能低。 表VI显示了从具有以下特征载体的FH重新取样策略得

34、到的AUC值：具有TOP10特征选择的PET和PET / CT，没有特征选择的PET和PET / CT。这证实了用表I中报道的一系列选择的PET和CT特征获得的具有最佳AUC（AUC = 0.92）的LOO策略（参见表IV和V）实现的排序顺序。 使用DBM-MRMC对表IV的四个CAD方案和表V的八个分类方案进行非参数全局ANOVA分析。该ANOVA分析表明12种策略没有统计学差异（I型错误率为0.05），因此我们不能基于AUC差异进行多重比较。VI、讨论我们设计了一种CAD系统，用于在FDG PET / CT检查中区分癌性与良性但可疑的组织。通过将SVM分类器与从配准的PET和对比度CT图像

35、提取的一系列纹理和基于SUV的参数组合来实现最佳性能（AUC = 0.911）。这种令人鼓舞的性能促进了基于更大数据库的更广泛的临床验证。 我们将特别注意增加可疑的ROI数量。该临床评价研究将设计用于评价在CAD方案的辅助下由不同专业水平的核医生获得的精度的增益。使用一系列组合的PET和CT特征实现了最高的检测性能，因此证明了组合互补成像模式的积极影响。虽然我们不能证明该性能在统计学上高于用一系列PET特征（AUC = 0.89）获得的性能，但观察到的趋势是令人鼓舞的。增加样本数据库的大小可以允许实现足够的统计功效以断定不同的CAD方案有不同的表现。在他们的研究中，Yu et al。 10旨在

36、从这种解剖区域的正常组织中的高代谢FDG摄取来区分头部和颈部癌（HNC）组织。他们的研究分别基于PET和CT图像的14和15个纹理特征。通过组合三个纹理特征（即CT粗糙度，CT繁忙度和PET粗糙度）和基于决策树的K-最近邻分类器来实现最佳辨别性能（AUC = 0.95）。0.95的AUC值高于本研究中获得的0.91的值。先前报道的三个判别特征也没出现在我们的分析得到的最佳排序特征中。这些结果不容易比较，首先，因为临床应用（淋巴瘤和HNC）是不同的，其次，因为辨别任务是不同的。他们的研究确实集中在正常组织中的FDG摄取，而我们关注可疑的FDG摄取。我们还执行了另一个辨别任务14，从感兴趣的主要器

37、官提取的158个生理样品被添加到32个可疑组织中去。使用这种新的“正常”类别进行包括特征选择和分类器优化步骤在内的完整分析，得到0.97的最佳AUC值，其因此更接近Yu等人报道的值。 其他最近的研究也讨论了PET成像的纹理特征，但是用于肿瘤治疗反应预测的具体目的16 - 18。他们都聚焦于PET成像部分，并没有探索包括CT特征的潜在增益，如Yu和我们自己做的那样。在他们的研究中，El Naqa et al。导出宫颈癌的逻辑回归模型，发现Haralick能量系数具有高的预测价值16。他们不能得出结果预测主要由SUV和形状描述统计决定HNC癌症患者的相似结论。Tixier et al。 还研究了来

38、自GLC，GLD，GLISZ和GLRL矩阵的不同类型的纹理参数对预测食管癌治疗反应的影响17。他们的研究调查了38个特征中的每一个的预测值，即没有任何分类或特征组合模型。他们表明从GLISZ矩阵派生的两个特征允许在无应答者，部分反应者和应答者患者类别中最佳的患者分层。如本研究所示，引入分类策略可能会改善性能。实际上，各个特征（由表I和II的第四列中的括号中报告的AUC值表征）所实现的性能显示为比通过表IV和表V中报告的不同分类策略获得的性能更低（<0.8）。 本研究的另一个贡献是基于六种滤波方法的组合的原始特征选择方法（TOP10）。该方法允许实现与GA或PCA实现的等同检测。因此，折中

39、性能和计算时间有利于TOP10滤波器方法。然而，需要进一步的调查，以更好地形式化这种方法。一个问题是为什么应用于PET和CT特征选择的的TOP10方法能够实现比不使用标准纹理参数（d = 1的GLC矩阵，参见表IV）更好的分类性能，而对于等于d=3的体素距离计算GLC系数且使用相同的纹理参数时性能会很不好（参见表V的第5和6行）。 我们还评估了基于由Yu等人实现的良好辨别力的RDF实现的性能 10。首先基于PET和CT特征在14中估计分类性能，并且在本研究中基于仅PET特征进一步扩展（数据未示出）。它们显示出高度可变，取决于初始化种子的值，并且胜过SVM性能。考虑到RDF计算时间较长，因此我们

40、建议将SVM作为本应用的最佳分类方案。计算纹理参数时应当提及的另一个问题是确保ROI包含足够数量的体素。如文中所述，132个癌性淋巴结的平均体积为8.2，对应于4mm×4mm×4mm的129个PET体素，这似乎足以计算纹理参数。10个最小节点具有大约3和4的体积，对应于50至62个PET体素和重采样后的大约900至1200个CT体素，考虑到本研究中考虑的体素距离d = 1和3，这仍然是合理的。最后，我们选择将PET数据重新采样到CT空间分辨率，这可能通过添加相邻体素之间的一些相关性来影响纹理系数的值。这种选择以相同的空间分辨率工作主要是由于我们的短期目标将这种基于ROI的分

41、析扩展到基于体素的分析，从而挑战病变检测和分类的任务。我们选择以最好的空间分辨率工作，以避免CT纹理信息的损失。备选的选择将是在PET图像的最低空间分辨率下工作，或者以每个模态的原始分辨率提取纹理系数，这对于基于ROI的方法是可行的。我们没有评估这种重采样步骤对CAD性能的影响，这可能是进一步研究的目的。VII.总结我们设计了一个CAD系统，以区分淋巴瘤患者在FDG PET / CT检查中癌组织中的可疑组织。这项研究表明，基于多模态信息的图像纹理分析和自动决策的组合提供了一种有前途的方法来应对这种临床挑战。通过将SVM分类器与从配准的PET和对比CT图像提取的一系列一阶和二阶纹理参数组合，实现

42、最佳性能（AUC = 0.91）。包括以下几点：1）增加PET / CT数据库，特别是关于可疑组织的样本，2）进行广泛的临床研究以评估这种CAD系统对具有不同专业水平的放射科医师组的性能的影响，3）将基于ROI的分析扩展到基于体素的分析，从而挑战病变检测和分类的任务。附录表A从GLC矩阵得到的特征的定义表B GLRL 22，23和GLISZ 24中的特征的定义和缩写参考文献：1 V. Kapoor, B. M. McCook, and F. S. Torok, “An introduction to PET-CT imaging, Radiographics, vol. 24, pp. 523

43、43, 2004.2 Y. S. Jhanwar and D. J. Straus, “The role of PET in lymphoma,” J. Nucl.Med., vol. 47, pp. 13261334, 2006.3 U. Metser and E. Even-Sapir, “Increased (18)F-fluorodeoxyglucose uptake in benign, nonphysiologic lesions found on whole-body positron emission tomography/computed tomography (PET/CT

44、): accumulated data from four years of experience with PET/CT,” Seminars Nuclear Med.,vol. 37, pp. 20622, 2007.4 L. Kostakoglu, R. Hardoff, R. Mirtcheva, and S. J. Goldsmith, “PETCT fusion imaging in differentiating physiologic from pathologic FDG uptake,” Radiographics, vol. 24, pp. 141131, 2004.5

45、G. J. Cook, E. A. Wegner, and I. Fogelman, “Pitfalls and artifacts in 18FDG PET and PET/CT oncologic imaging,” Seminars Nuclear Med.,vol. 34, pp. 12233, 2004.6 S. Paidisetty and T. M. Blodgett, “Brown fat: Atypical locations and appearances encountered in PET/CT,” Amer. J. Roentgenol., vol. 193,pp.

46、35966, 2009.7 J. Jerushalmi, A. Frenkel, R. Bar-Shalom, J. Khoury, andO. Israel, “Physiologic thymic uptake of 18 F-FDG in children and young adults: a PET/CT evaluation of incidence, patterns, and relationship to treatment,” J. Nucl.Med., vol. 50, pp. 84956, 2009.8 P. Castellucci, C. Nanni, M. Fars

47、ad, L. Alinari, P. Zinzani, V. Stefoni, G. Battista, D. Valentini, C. Pettinato, M. Marengo, S. Boschi, R. Canini,M. Baccarani, N. Monetti, R. Franchi, L. Rampin, S. Fanti, andD.Rubello,“Potential pitfalls of 18 F-FDG PET in a large series of patients treatedfor malignant lymphoma: Prevalence and sc

48、an interpretation,” Nucl. Med.Commun., vol. 26, pp. 68994, 2005.9 F. M. Paes, D. G. Kalkanis, P. A. Sideras, and A. N. Serafini, “FDG PET/CT of extranodal involvement in non-Hodgkin lymphoma and Hodgkin disease,” Radiographics, vol. 30, pp. 26991, 2010.10 H. Yu, C. Caldwell, C. Mah, I. Poon, J. Balo

49、gh, R. MacKenzie, N. Khaouam, and R. Tirona, “Automated radiation targeting in head-andneck cancer using region-based texture analysis of PET and CT images,”Int. J. Radiat. Oncol. Biol. Phys., vol. 75, pp. 618625, 2009.11 Y. Nie, L. Q. Q. Li, F. Li,Y. Pu,D.Appelbaum, andK. O.Doi, “Integrating PET an

50、d CT information to improve diagnostic accuracy for lung nodules: a semiautomatic computer aided method,” J. Nucl. Med., vol. 47, pp. 10751080, 2006.12 G. V. Saradhi, G. Gopalakrishnan, A. S. Roy, R. Mullick, R.Manjeshwar,K. Thielemans, and U. Patil, “A framework for automated tumor detection in tho

51、racic FDG PET images using texture-based features,” in Proc. IEEEInt. Symp. Biomed. Imag., 2009, pp. 97100.13 C. Lartizien, S. Marache-Francisco, and R. Prost, “Automatic detection of lung and liver lesions in 3D positron emission tomography images: A pilot study,” IEEE Trans. Nucl. Sci., vol. 59, n

52、o. 1, pp. 10212, Feb. 2012.14 C. Lartizien, M. Rogez, A. Susset, F. Giammarile, E. Niaf, and F. Ricard,“Computer aided staging of lymphoma patients with FDG PET/CT imaging based on textural information, presented at IEEE Int. Symp. Biomed.Imag., Barcelona, Spain, 2012.15 I. A. Ill´an, J.M. G

53、80;orriz, J. Ram´rez, D. Salas-Gonzalez, M. M. L´opez,F. Segovia, R. Chaves, M. G´omez-Rio, C. G. Puntonet, and A. D. N. Initiative, “18 F-FDG PET imaging analysis for computer aided Alzheimers diagnosis,” Inform. Sci., vol. 181, pp. 90316, 2011.16 I. E. Naqa, P. W. Grigsby, A. Apte,

54、E. Kidd, E. Donnelly, D. Khullar, S. Chaudhari, D. Yang, M. Schmitt, R. Laforest, W. L. Thorstad, and J. O. Deasy, “Exploring feature-based approaches in PET imaging for predicting cancer treatment outcomes,” Pattern Recog., vol. 42, pp. 11621171, 2009.17 F. Tixier, C. C. Le Rest, M. Hatt, N. Albarg

55、hach, O. Pradier, J.-P. Metges,L. Corcos, and D. Visvikis, “Intratumor heterogeneity characterized by textural features on baseline 18 F-FDG PET images predicts response to concomitant radio chemotherapy in esophageal cancer,” J.Nucl.Med.,vol. 52, pp. 369378, 2011.18 J. George, P. Claes, K. Vuncks,

56、S. Tejpar, C. M. Deroose, J. Nuyts,D. Loecks, and P. Suetens, “A textural feature based tumor therapy response prediction model for longitudinal evaluation with PET imaging,” presented at IEEE Int. Symp. Biomed. Imag., Valencia, Spain, 2012.19 R. Haralick, K. Shanmuggan, and I. Dinstein, “Textural f

57、eatures for image classification,” IEEE Trans. Syst., Man Cybern., vol. SMC-3, no. 6,pp. 61021, Nov. 1973.20 L.-K. Soh, “Texture analysis of SAR sea ice imagery using gray level co-occurrence matrices,” IEEE Trans. Geosci. Remote Sensing, vol. 37,21 D. A. Clausi, “An analysis of co-occurrence textur

58、e statistics as a function of grey level quantization,” Can. J. Remote Sensing, vol. 28, pp. 4562,2002.22 H. H. Loh, J. G. Leu, and R. C. Luo, “The analysis of natural textures using run length features,” IEEE Trans. Ind. Electron., vol. 35, no. 2, pp. 323328, May 1988.23 X. Tang, “Texture information in run-length matrices,” IEEE Trans. Imag. Pro