对于肾功能块边缘检测电脑辅助影像学评估的初步评估肿瘤粗糙度的指示预测肾癌亚型

抽象

客观的。开发软件，以评估潜在的侵略性偶然发现肾脏肿块使用图像。方法。三名谁对肾细胞癌（RCC）行肾切除术有自己的图像随机选择患者自主工程师审查。肿瘤“粗糙度”是基于地形特征可视化上计算机断层扫描（CT）扫描肿瘤的图像的算法。单变量和多元统计分析被用于分析。结果。我们调查了30名受试者将经历部分或根治性切除术。After excluding poor image-rendered images, 27 patients remained (benign cyst = 1, oncocytoma = 2, clear cell RCC = 15, papillary RCC = 7, and chromophobe RCC = 2). The mean roughness score for each mass is 1.18, 1.16, 1.27, 1.52, and 1.56 units, respectively ( )。肾脏肿块与肿瘤粗糙度相关(Pearson’s， )。然而，肿瘤大小本身是良性肿瘤更大（ )。线性回归分析指出，粗糙度分数对模型的影响最大，而其他人口统计数据均相同，包括肿瘤大小( )。结论。使用基本的CT成像软件，肿瘤的地形(“粗糙度”)可以被量化，并与肾细胞癌亚型等组织学相关，从而可以确定小的肾脏肿块的侵袭性。

1.介绍

肾癌（肾细胞癌; RCC），预计占确诊，2017年所有新发癌症的3.8％，并会造成估计14,400人死亡[1]。自20世纪70年代以来，放射成像的广泛应用可能是美国新诊断癌症发病率增加的原因。高达40%的附带性肿块是局部的，大约15-20%的小的肾脏肿块最终是良性的。(2-7]。

肾小肿块典型地不具侵袭性，生长缓慢，恶性潜力低;因此，泌尿科医生采用了一种监测方案，即主动监测来长期跟踪这些病例[8]。主动监测很大程度上依赖于肿瘤的生长在规模和缺乏统一的标准化通常援引每6个月的成像[9]。虽然大小在肾肿瘤中是一个重要的因素，但它不能完全预测小的肾肿块的恶性潜力。在多尔蒂等人的研究,提出了各种不同大小的必要性被切断肾癌症亚型表示透明细胞癌最恶性潜能,应小于4厘米,chromophobe最低恶性潜能,可以等到7厘米大小(10]。虽然对适当选择的患者进行主动监测是外科干预的可行选择，但它仍会带来不确定性、患者焦虑、疾病进展风险以及患者相关的经济成本等负担[11]。由于肾脏小肿块的诊断仍然主要是影像学，软件开发，以评估质量的潜在的攻击性将在临床医生的医疗设备共享决策提供有用的帮助。以前的研究已尝试辨别肿瘤组织学通过使用当前的成像技术和自动化图像分析与不同程度的成功[12-16]。

为了在不需要活检的情况下提供关于小肾肿块恶性潜能的额外信息，我们利用计算机断层扫描的图像增强技术和边缘检测来计算计划部分切除的肾肿块的表面不规则性。利用这项技术，我们创建了一个整体的“肿瘤粗糙度评分”(TRS)，以确定肾肿瘤亚型和潜在侵袭性的区别。对这项技术的初步评估是确定其在积极监测、临床随访和潜在研究试验中的效用。

2.方法

2.1。患者人群

本院30例肾细胞癌患者均为透明细胞肾细胞癌( ),乳头状RCC ( ),和嫌色细胞癌（ )。有限的人口结构和随访数据可用。我们排除患者称为遗传性疾病和那些被认为有质量差的CT图像。

2.2。用多层体素盒计数法测量肿瘤粗糙度

肾脏肿瘤的“粗糙度”测量需要增强CT扫描，它可以根据肿瘤的地形自动检测、定量测量和区分淋巴结的侵犯和肿瘤的局部侵犯[17]。广泛的计算机模拟验证了提出的粗糙度测量采集需要一个三阶段的算法。

2.2.1。提高图像质量和对比度

一般来说，图像的质量受到图像尺寸和像素分辨率的限制以及噪声和对比度差造成的强迫效应等因素的影响。为了克服这些问题，我们使用了描述良好的增强方法，如引导滤波、边缘增强和图像融合来提高图像的对比度和质量[18，19]。

2.2.2。增强图像多级分割使用其Alpha-尾均值和方差

多级分割的目的是为给定的图像获得一个以上的阈值，并将图像分割成覆盖在一个背景上的特定感兴趣区域(肿瘤)[20.]。该方法假设图像只包含前景和背景信息。传统的多层分割技术容易受到高斯噪声和脉冲噪声的影响。该算法是对用于图像分割的多级阈值法的修改，该方法消除了噪声，并对最小类(前景和背景)alpha- cutting方差的阈值进行全面搜索[21]。该方法的关键部分是阈值的选择，通过最大化类间方差将像素分割为多个类。类间方差定义为 在哪里是类间方差，是类的概率 ， class的平均值是多少 ，和是直方图的总平均值。

2.2.3。感兴趣区域(肿瘤)Hausdorff测量平均值的计算

Hausdorff测度是度量空间的子类的两组点的接近度[22]。该度量为两条路径、数据云或任何一组点之间的相似性分配一个标量分数。由式(2）和（3)。让 是一个度量空间。对于任何一个子集 ， 将表示直径 。对于任何 ，任何 ，任何 ，外量度由下式给出

因此，豪斯多夫 -的空间尺度是

该系统基于图像中边缘的存在，采用盒数方法生成特征点。根据这些特征点估计Hausdorff维数，并根据最佳拟合线的斜率生成粗糙度分值。在我们的例子中，Hausdorff度量是一个外部度量，它计算每个层次的粗糙度，并生成一个综合得分。该评分称为肿瘤粗糙度评分。

3.统计分析

连续变量有两种分析Ť-比较5个肾肿块亚型组的检验或方差分析。方差分析采用最不显著差异(LSD)。所有值是双尾的，具有显著性 ，除非另有说明。皮尔逊相关系数用于确定相关分析，特别是在肾肿块大小和肿瘤粗糙度之间，因为较大的肿瘤更有可能具有侵袭性。我们利用线性回归模型来确定对预测肿瘤亚型影响最大的因素。

4.结果

在选择的30例患者中，我们排除了3例CT图像质量差的患者。我们从27例患者中选取数据进行分析，包括以下亚型:良性囊肿( ),嗜酸性( ),透明细胞RCC ( ),乳头状RCC ( ),和嫌色细胞癌（ )。总体人口统计包括中位年龄56岁(IQR 48-63)，中位体重指数30.4(27.6-32.0)，中位肿瘤大小2.5 cm (IQR 1.8-4 cm)，四个阳性边缘(14.8%，4/27)，其中93%为男性(25/27)。只有1个肿瘤升级为pT3a，共有3个肿瘤升级为pT1b，其余肿瘤均为pT1a。种族包括59%的欧洲血统和41%的非欧洲血统。我们在表中显示每个子类型的人口统计信息和比较1。平均随访时间3.9年(IQR)(2.2 - 5.4年)，无患者死亡。所有患者都没有复发的记录。大多数病例为一期疾病;有2例患者没有分期记录，且在手术切除前均未发现转移或接受新辅助治疗(表)1)。我们在图中展示了一个自适应分割技术用于图像处理的肿瘤粗糙度分数计算的例子1。我们获得标准的临床CT扫描，并分割肾脏和肿瘤进行表面增强。为了研究肿瘤的不规则性，我们利用边缘检测等技术对肿瘤切片进行分层，以获得三维的表面不规则性。这些切片被计算成肿瘤粗糙度的综合评分。

在27例患者中，肿瘤大小与良性肾脏肿块相关(图)2， )。的平均粗糙度得分为每个质量为1.18，1.16，1.27，1.52，和1.56单位，分别为（图3(一个)， )。平均TRS没有随着肿瘤侵袭性相关的肾癌亚型的趋势。最低四分位数为1.32，并会指示基于该数据集的风险最低，并通过相应的肿瘤亚型直观地显示在TRS的瀑布图和彩色。舞台T3A升级的肿瘤具有1.46的TRS。的正和负边缘的平均得分分别为相同的（ ),但都在最低四分位数以上。我们用Furman评分( ）并没有表现出高品位的肿瘤与低级别肿瘤之间的差异显著（ );然而，83%(19/23)被记录为Furman 2级(低级别)，因此，根据组织病理学，肿瘤细胞的侵袭性没有一个可接受的范围。肾肿块的大小与肿瘤的粗糙度相关(Pearson’s， ，数字4)。然而，肿瘤大小本身是良性肿瘤而非恶性肿瘤的情况下（ ）表明大小并不是攻击性的重要因素。线性回归分析指出，粗糙度分数对模型的影响最大，而其他人口统计数据均相同，包括肿瘤大小( ）(表2)。

5.讨论

在此，我们描述了一种数据图像处理技术，以提供肿瘤粗糙度评分，可以有肿瘤大小以外的额外信息。目前，医生采用肿瘤大小和生长速度作为主动监测策略。然而，这种策略对于肿瘤亚型或肿瘤的侵袭性并不准确。我们表明，TRS可以是一个有用的辅助图像评估，并有潜力自动化使用人工智能和机器学习。无需肾肿块活检，TRS提供了与传统肾细胞癌侵袭性相关的肿瘤亚型的额外信息。医生已经可以获得这些信息;然而，计算机辅助技术在评价方面仍然有限。粗糙度评分可以提供关于那些可能不太具有攻击性的透明细胞癌和乳头状癌的信息。我们计划在未来的临床试验中使用这些技术，并可能实现机器学习协议，这将提高其预测能力与更全面的数据集。

我们从描述的表面接触面积，这也被证明预测术后的结果以前的手稿区分我们的分析，但对于肿瘤亚型未研究[23，24]。肿瘤表面接触面积仅代表肿瘤接触肾脏实质的程度，本质上，该测试是一个肾肿瘤对其周围组织的外生性程度的指标。我们的技术增强和勾勒出整个肿瘤表面的不规则性，这种不规则性不是基于外生或内生的，这通常是为手术切除计划保留的。CT成像的另一个应用是Khene及其同事进行的纹理分析，他们注意到CT上的纹理可以预测恶性或良性肿瘤，以及手术干预期间的会阴粘连性脂肪[25，26]。我们的分析的结尾是Linguraru等人的工作，他们开发了肾脏肿瘤半自动量化和分类，以分类良性或恶性肿瘤，特别是那些容易形成多发肾脏肿瘤的基因异常患者[27]。相当大的努力已经被放置到由透明细胞，包括基于对比度增强亚型，主要是因为乳头状肾肿瘤有不良或延迟增强可能难以从高密度肾囊肿辨别[检测乳头状肾癌28，29]。此外，乳头状亚型肿瘤不太可能有肿瘤周围厚的假包膜这将与具有更不规则边缘到肿瘤重合[30.]。我们的技术可以协助在更广泛的研究，这种特殊的问题。

与使用的深度学习为基础的自动化方法数据科学的要求不断提高，并与临床护理合并[31]。其他作者也使用类似的技术进行图像分析。模式识别在放射学中至关重要;然而，使用定量图像分析将提供客观的额外数据肿瘤的侵袭性。这些技术已经应用于肺癌和其他疾病[32-34]。其它技术对于小的肾质量鉴定的审查将在进一步评估和改进[被利用35，36]。我们寻求利用图像分析技术，利用科学的数据来实现可操作的数据给医生和患者增加了扩大文献。

本研究存在一些局限性。首先，虽然我们发现了一些潜在的重要关联，但这只是一项在一小群患者中进行的试点研究，没有得到有效的结果。其次，我们的队列包含了在不同机构使用不同CT扫描仪进行的CT扫描，这可能会给粗糙度评分的质量带来变数。然而，在实际应用中，这将成为规范，因为其他临床医生将使用来自他们自己机构的CT图像。我们假设肿瘤粗糙度评分将更适用于肾小肿块，对未来决策有更大的影响。遗憾的是，由于具体算法尚未发表，我们无法将我们的方法与前人的方法进行比较[37]。我们认可快速发展的图像分析领域，以及利用地形评估等新技术在成像中分离目标病灶的新技术[38]。我们包括所有肾脏占位类型，因为直到手术切除，子类型是完全未知的，给我们推动这项研究。目前，我们正在开发我们的工作和人工智能技术的发展，可以在定量的形式作为生物标志物提供视觉肿瘤特征的验证配置文件。

6.结论

在这一概念验证研究中，使用现有的CT成像，可以量化肾脏肿块的肿瘤地形，并与小的肾脏肿块的组织学和生物侵袭性相关。我们提供的初步数据表明，与更积极的治疗相比，影像学地形学在选择患者进行主动监测或监测肾肿块时可以提供额外的信息。需要进行更大规模的研究来验证这些发现，并确定放射肿瘤表面分析是否可以消除对常规血清或尿液生物标记物的需要。

数据可用性

用来支持这项研究的结果的数据是可用的，请相应的作者。

的利益冲突

作者声明他们没有利益冲突。

致谢

这项工作得到萨癌症理事会希望圈的支持。

参考文献

1. R. L. Siegel, K. D. Miller, A. Jemal，《癌症统计》，2019年，CA：一个癌症临床医生杂志卷。69，没有。1，第7-34，2019。视图:出版商的网站|谷歌学术
2. 。D. C.约翰逊，J。Vukina，A. B. Smith等人，“术前误判，手术​​切除良性肾肿瘤：手术系列和美国的人口负担水平估算的系统评价，”泌尿学杂志卷。193，没有。1，第30-35，2015年。视图:出版商的网站|谷歌学术
3. C. J.凯恩，K.马林，J.里奇，M。R. Cooperberg和P. R.卡罗尔，“肾细胞癌阶段迁移，”癌症第113卷，no。1，第78-83页，2008。视图:出版商的网站|谷歌学术
4. A. Kutikov，L. K.福赛特，P. Ramchandani等人，“在为推定为术前成像肾细胞癌孤肾传肾部分切除术良性病理结果的发生率，”泌尿科学第68卷，no。第737-740页，2006年。视图:出版商的网站|谷歌学术
5. B. R.里，D. Babineau表示M.W。Kattan等人，“用于固体增强肾肿瘤7厘米或肾部分切除术较不易甲术前预后诺模图，”泌尿学杂志，第178卷，第2期2，第429-434页，2007。视图:出版商的网站|谷歌学术
6. A.马修，S. S.德维萨，J. F.弗罗梅尼，w.h.。全球肾癌发病率的增加，1973-1992，"欧洲癌症预防杂志卷。11，没有。2，第171-178，2002。视图:出版商的网站|谷歌学术
7. M. M. Nguyen, I. S. Gill, L. M. Ellison，“肾癌在美国的表现演变:来自监测、流行病学和最终结果项目的趋势”，泌尿学杂志，第176卷，第2号第2397-2400页，2006。视图:出版商的网站|谷歌学术
8. I. S.吉尔，M.阿隆，D. A.热维斯，和M. A. S. Jewett的，“临床实践。肾脏小传”新英格兰医学杂志卷。362，没有。7，第624-634，2010。视图:出版商的网站|谷歌学术
9. C. W.廖，J.S。Winoker和R. Mehrazin，“在肾细胞癌主动监测成像协议，”目前泌尿学报告第19卷，no。2018年，第81页，10页。视图:出版商的网站|谷歌学术
10. M. Daugherty, D. Sedaghatpour, O. Shapiro, S. Vourganti, A. Kutikov，和G. Bratslavsky，“肾肿瘤的转移潜力:组织学亚型对小肾肿块定义的影响，风险分层，和未来的积极监测方案，”泌尿肿瘤学:研讨会和原始调查第35卷，no。4，第153页e115-153页e120, 2017。视图:出版商的网站|谷歌学术
11. S.坎贝尔，R。G. Uzzo，M. E.阿拉夫等人，“肾质量和局部肾癌：AUA准则”。泌尿学杂志，第198卷，第2期。3，第520-529页，2017。视图:出版商的网站|谷歌学术
12. M. G. Linguraru, S. Wang, F. Shah等，“肾癌多期CT自动无创分型”，医学物理第38卷第2期10，第5738-5746页，2011。视图:出版商的网站|谷歌学术
13. R. Papalia，A. L.德卡斯特罗阿布雷乌V. Panebianco等人，“小说肾脏分割系统来描述肿瘤位置保留肾单位手术，”世界日报泌尿外科第33卷，no。6, 2015年第865-871页。视图:出版商的网站|谷歌学术
14. 陈f, M. Gulati, D. Hwang等，“基于体素的全病变增强参数:其在鉴别透明细胞肾细胞癌和肾嗜酸细胞瘤中的临床价值研究”，腹部放射学第42卷，no。2，第552-560页，2017。视图:出版商的网站|谷歌学术
15. H. Coy, J. R. Young, M. L. Douek, M. S. Brown, J. Sayre, and S. S. Raman, “Quantitative computer-aided diagnostic algorithm for automated detection of peak lesion attenuation in differentiating clear cell from papillary and chromophobe renal cell carcinoma, oncocytoma, and fat-poor angiomyolipoma on multiphasic multidetector computed tomography,”腹部放射学第42卷，no。1919-1928页，2017。视图:出版商的网站|谷歌学术
16. N. J.法伯，Y.吴，邹L.，P. Belani和E. A.歌手，“挑战RCC成像：肾功能不全，术后监测，并radiomics的作用，”肾癌杂志第13卷，no。4，第84-90页，2015年。视图:谷歌学术
17. 赵俊伟，蔡绍昌，张俊英等，“食管癌的淋巴结转移:内镜医师的观点”，临床内镜第47卷第2期6，第523-429页，2014。视图:出版商的网站|谷歌学术
18. 何国强，孙建华，唐欣欣，“引导图像滤波”，IEEE模式分析与机器智能汇刊第35卷，no。6, 1397-1409页，2013。视图:出版商的网站|谷歌学术
19. K. Panetta, Y. Yicong Zhou, S. Agaian, H. Hongwei Jia，“非线性非锐化掩蔽的乳房x光增强，”IEEE生物医学信息技术汇刊第15卷第2期6，第918-928页，2011。视图:出版商的网站|谷歌学术
20. S.阿罗拉，J.阿查，A.维尔马和P. K. Panigrahi，“通过快速统计递归算法的多阈值进行图像分割，”模式识别快报第29卷，no。第119-125页，2008年。视图:出版商的网站|谷歌学术
21. K. M. Kamath, R. Rajendran, K. Panetta，和S. Agaian，“一种基于组织学图像的人类视觉二值化技术”，刊于移动多媒体/图像处理、安全及应用程序的进展，阿纳海姆，CA，USA，2017年4月。视图:谷歌学术
22. 即Banič和a . Taranenko”测量曲线的亲密豪斯多夫距离,”马来西亚数学科学通报第40卷，no。1，第75-95页，2017年。视图:出版商的网站|谷歌学术
23. V. Ficarra，A. Crestani，R. Bertolo。等，“肿瘤接触表面面积为术后并发症和在接受了肾肿瘤部分肾切除术的患者的肾功能的预测因子，”BJU国际，第123卷，no。2019年，第639-645页。视图:出版商的网站|谷歌学术
24. 张建民，“肾肿瘤接触面面积:预测肾部分切除术复杂性和预后的新参数”，国立中山大学医学研究所硕士论文。欧洲泌尿学卷。66，没有。5，第884-893，2014。视图:出版商的网站|谷歌学术
25. Z. E. Khene，K.萨拉赫，A. LARGENT等人，“定量CT纹理中的贴壁肾周围脂肪的预测分析中的作用，”世界日报泌尿外科卷。36，没有。10，第1635至1642年，2018。视图:出版商的网站|谷歌学术
26. B. A. Varghese表示，F陈，D。H.黄某等人，“主要是固体通过使用增强CT增强脂质差肾癌群众的分化：评估肿瘤亚型质感的角色，”。Roentgenology的美国杂志卷。211，没有。6，第W288-W296，2018。视图:出版商的网站|谷歌学术
27. M. G. Linguraru，S.王，F. Shah等人，“计算机辅助通过的曲率相关的特征直方图从对比增强CT肾癌量化和分类，”在在医学和生物学学会的IEEE工程2009年度国际会议论文集，第6679-6682，明尼苏达州明尼阿波利斯，美国，2009年9月。视图:出版商的网站|谷歌学术
28. dr . Egbert, E. M. Caoili, R. H. Cohan等，“乳头状肾细胞癌的CT和MRI分化”，Roentgenology的美国杂志卷。201，没有。2，第347-355，2013。视图:出版商的网站|谷歌学术
29. R. P. Kopp, L. Aganovic, K. L. Palazzi, F. H. Cassidy, K. Sakamoto, I. H. Derweesh，“利用CT冲洗公式区分透明细胞和非透明细胞肾细胞癌”，泌尿外科杂志加拿大第20卷，no。3, 6790-6797, 2013年。视图:谷歌学术
30. J. M. Jacob, S. R. Williamson, D. D. Gondim等人，“瘤周假包膜的特征随T1肾肿瘤的组织学亚型而变化。”泌尿科学第86卷，no。5，第956-961页，2015。视图:出版商的网站|谷歌学术
31. L. Carin和M. J. Pencina，“医学图像分析的深度学习”，美国医学协会杂志卷。320，没有。11，第1192至1193年，2018。视图:出版商的网站|谷歌学术
32. G. Buizza, I. Toma-Dasu, M. Lazzeroni等，“利用序列PET/CT图像扫描的新型纵向模式特征预测肺癌患者的早期肿瘤反应，”物理学杂志，第54卷，2018年第21-29页。视图:出版商的网站|谷歌学术
33. 孙文，蒋m.e, Dang, Chang P.， Yin F. F.，“机器学习方法对基于放射组学分析预测NSCLC总生存时间的影响”，放射肿瘤学第13卷，no。1，第197页，2018。视图:出版商的网站|谷歌学术
34. F. L. Bayisa，X.刘A. Garpebring和J.玉“在计算机断层扫描图像估计统计学习，”医学物理卷。45，没有。12，第5450-5460，2018。视图:出版商的网站|谷歌学术
35. K.筱栗和N.高桥，“CT和MR成像用于固体肾传表征，”欧洲医学影像学杂志， 2018年第99卷第40-54页。视图:出版商的网站|谷歌学术
36. S. Hemachander，A.维尔马，S.阿罗拉和P. K. Panigrahi，“局域自适应块阈值方法具有连续性约束，”模式识别快报第28卷第2期1, 2007年，第119-124页。视图:出版商的网站|谷歌学术
37. M. Srivastava, S. K. Singh, P. K. Panigrahi，“一种用于物体分离的半自动统计算法，”电路，系统和信号处理卷。32，没有。6，第3059-3078，2013。视图:出版商的网站|谷歌学术
38. Cui H.， Wang X.， J. Zhou等，“一种基于解剖图像的模糊目标边界定义的地形图模型”，生物医学的计算机方法和程序，第159卷，第211-222页，2018。视图:出版商的网站|谷歌学术

版权

Rahul Rajendran等人版权所有这是一篇开放获取下发布的文章知识共享署名许可，允许在任何媒体中不受限制地使用、发布和复制原创作品，只要原稿被正确引用。