【摘要】随着临床医生从患者身上获取的医学图像数量快速增长，这些图像的使用已从诊断工具扩展到个体化诊疗背景下医学数据。目前，对如此大量的医学影像数据的有效利用仍是一个挑战。近些年在定量成像分析方面有了一个重要的进展，称为影像组学。影像组学组学是从医学图像中高通量提取高级定量特征，通常使用数学纹理分析。利用纹理分析可以量化医学上的异质性，纹理特征从医学图像中提取出肉眼无法察觉的空间信息。纹理分析可能成为一种潜在的、有用的生物标记物，可以评估和量化肿瘤的空间异质性，从而更好地根据疾病，尤其肿瘤性疾病的影像组学特征选择合适的治疗方案。本文旨在综述纹理分析在超声医学领域研究进展，存在的问题等，以期为纹理分析在超声医学领域的应用、发展提供一定的参考作用。
【关键词】超声医学；纹理分析；影像组学；灰度共生矩阵
纹理一般指从图像中观察到的图像像元的灰度变化规律，人们将图像中存在的局部不规则的，二宏观有规律的特征称为纹理。在图像分析学中用数字特征描述灰度变化特征称为图像的纹理特征。纹理分析的主要内容可以分为图像变换和图像量化两大类。图像变换将传统的图像滤除为其基本分量（空间、频率等），生成派生的子图像。纹理分析已经在诸多领域应用，医学研究人员尝试将纹理特征分析用于医学图像，探索疾病诊断、治疗及预后等，并取得了一定的研究成果。
1纹理分析方法
纹理量化技术包括结构、模型（分形维数）、基于统计和频率的方法。统计分析纹理特征的方法简单，易于实现，所以目前医学研究中应用的较多。统计分析方法是通过统计图像的空间及边界频率、空间灰度依赖关系等，纹理的细致和粗糙程度与空间频率有关，低空间频率与粗糙的纹理相关，细致的纹理具有高空间频率。基于统计的方法：灰度共生矩阵、灰度行程统计、灰度差分统计、局部灰度统计、半方差图、自相关函数等。灰度共生矩阵（GLCM）是统计分析方法中最重要的方法。GLCM是建立在估计图像的二阶组合条件概率密度函数基础上的统计方法，主要描述纹理基元或局部模式随机和空间统计特征，以表示区域的一致性及区域间的相对性。其它方法在医学影像研究中应用的较少，所以在此不再赘述。
2纹理分析用于超声医学研究现状
国内外研究者尝试利用各种纹理分析技术对多种医学成像图像（CT、MRI、数字X线片、超声）进行分析，探索无创诊疗新途径。在新兴领域-影像组学中纹理分析也是一个重要组成部分，它通过评估图像中像素或体素灰度的分布和关系，可以定量客观地评估组织的异质性。纹理分析应用于计算机断层扫描（CT）和磁共振成像（MRI）较超声图像较超声图像早，在预测病理特征、预后和对各种疾病的治疗反应方面已经显示出了良好的效果。近些年有学者将纹理分析用于超声成像，并取得了一定的研究成果。超声图像的纹理是由于不同的组织、同一组织不同病变及正常组织对超声脉冲的吸收、衰退、反射有差异，由超声脉冲相互作用而形成。因此，研究者假设图像的纹理的不同，可定量分析来区分不同疾病，甚至预测基因、蛋白表达等的差异。从而为疾病的无创诊断、疾病的分期、基因相关性分析及预后预测等提供新的可参考依据。
2.1乳腺肿瘤研究现状
因全球女性发病率最高的恶性肿瘤，一直以来对乳腺癌的早期诊断和治疗是临床持续关注的热点问题。超声诊断是乳腺癌的普查和早期诊断的重要工具。超声图像纹理分析有望提高乳腺癌的诊断率，并有望为乳腺癌的分型及放化疗预后等提供有价值的参考依据。种美玲等对113个病理证实的乳腺结节行灰阶超声及剪切波弹性成像回顾性分析，利用灰度共生矩阵特征提取，获得对比度、同质性、相关性，角二距等4个参数建立诊断模型，实验结果显示灰阶超声及剪切波弹性图像的多参数纹理分析及建立的诊断模型对乳腺结节良恶性有较高的诊断效能[1]。诸多关于乳腺病变的基于超声图像纹理特征分析的影像组学研究为无创分类乳腺肿瘤的可能性奠定了基础。
2.2肝脏疾病中的研究现状
纹理分析可以进一步提取和量化超声图像中的纹理特征，为进一步的视觉信息提供补充，对肝脏疾病，尤其对肝纤维化有较高的诊断准确性。张慧等对经病理检查证实的120个肝脏超声影像（其中包括正常肝脏、肝脏恶性病变、肝脏良性病变等）行纹理特征提取分析，并结合决策树算法进行分类诊断，结果显示提取的纹理特征对图像内容有较好的分区性[2]。纹理分析作为影像组学图像特征提取的重要方法多个实验研究证实该方法可为临床上辅助诊断肿瘤性疾病提供依据,也为后期图像识别,图像检索和图像数据挖掘提供了特征数据。
2.3骨骼肌疾病的研究现状
灰度共生矩阵（GLCM）灰度分析是一种考虑图像像素空间分布的图像纹理分析方法。在研究运动诱导肌肉损伤（EIMD）中灰度共生矩阵（GLCM）一种很有前途的方法。Matta等跟踪了骨骼肌偏心收缩后超声图像上两个GLCM纹理参数（对比度、相关度）和回声强度（EI）的时间变化。将13名未经训练的妇女分为两组，行肘部屈曲的偏心收缩。运动后24小时、48小时、72小时和96小时分别获得超声图像。计算肱肌两种GLCM纹理参数：对比（CON）和相关（COR）。测量峰值扭矩、EI、肌肉厚度（MT）和疼痛。与所有措施相比，干预后峰值扭矩和疼痛立即下降。干预后72hMT立刻升高（P＜0.05）。COR（48、72、96h）和EI仅在72、96h时显著升高（P＜0.05），COR升高代表灰度级之间高度相似，这在肘关节屈肌偏心训练后几天的超声图像上可以观察到。最终通过实验得出结论：肌肉组织超声图像熵的变化与其能量消耗程度的相关度很高。肌骨超声影像组学研究主要通过纹理分析方法实现，为运动医学、康复医学的发展提供了更多的定量诊断信息。
2.4其它疾病中的研究现状
随着纹理分析相关研究的发展，纹理特征被用于更多的领域，如甲状腺肿瘤、卵巢肿瘤、心肌疾病及肾脏肿瘤等。Vidaurreta提出了一种基于神经网络的附件肿瘤自动判别方法。研究者首先从卵巢超声图像中计算出7种不同类型的纹理特征（局部二进制模式、分形维数、熵、不变矩、灰度共生矩阵、法则纹理能量和Gabor小波），从中提取若干特征并随临床患者年龄一起收集。采用145例患者的卵巢肿瘤超声图像实验，其中106张良性图像，39张恶性图像，将提取的图像特征进行分类后，对分类器进行评价，其准确率为98.78%，灵敏度为98.50%，特异度为98.90%，曲线下面积为0.997。Priyank等对肾脏超声图像进行预处理后利用灰度共生矩阵方法生成能量、熵、均匀性、相关性、对比度、差异性等多个二阶统计纹理特征，将特征行主成分分析（PCA）将得到的特征简化为最优子集，经统计分析结果显示出较高的分类准确率。
3对医学超声图像的纹理分析方法的问题及未来展望
纹理分析虽发展较早，但用于医学图像，尤其用于超声图像较晚，在超声医学中的相关研究也较少，目前，对超声图像的纹理分析主要应用乳腺良恶性肿瘤的鉴别诊断，肝脏纤维化程度的分期，骨骼肌的损伤定量分析等疾病的诊断中，对恶性肿瘤的基因相关性研究、恶性肿瘤化疗及放疗效评估、肿瘤分级分期等研究仍较为缺乏。后续的更深入的研究中需要解决的问题仍有很多。最大的问题在于对图像进行标准化。在不同的研究者采用的设备及参数设置、图像的预处理、对兴趣区的分割方式的不同、特征提取等过程差异很大，因此实验的重复性较差[3]。今后的研究需要重新关注研究设计、报告实践和图像采集的标准化、特征计算和特征提取等，以推动纹理分析在医学超声领域的发展。近些年，基于先进计算机运算能力、云计算、大数据以及机器学习及深度学习应用于医学图像的纹理分析，为开发正在生成的大量图像数据财富的潜力创造了有利条件大大加快临床数据分析的步伐。纹理分析作为影像组学的重要图像特征也因此成为了多学科合作研究的新的研究领域。超声医学以其实时、无创、操作简单、廉价、便于多次重复检查等优势，用过纹理分析的定量诊断方法必将为精准医疗及疾病的个体化诊疗方案提供更多选择，因此需要进一步研究及探索。
【参考文献】
[1]种美玲,时白雪,张禧,等.超声联合纹理分析对乳腺结节良恶性的诊断价值[J].中华医学超声杂志(电子版)，2019,16(08):581-585.
[2]张慧,迟庆云,刘彩霞.基于灰度共生矩阵的肝癌B超纹理特征决策树诊断分析[J].中国医药指南,2015,13(25):2-3.
[3]仇清涛,段敬豪,巩贯忠等.影像组学可重复性问题研究进展[J].中华放射肿瘤学杂志,2018,27(03):327-330.
作者：吴昕怡 包呼和 单位：内蒙古医科大学