1、茅枭骁,马树声,卢亮,等.基于增强 CT 纹理分析联合机器学习鉴别腮腺腺淋巴瘤与混合瘤J.CT 理论与应用研究,2023,32(1):74-80.DOI:10.15953/j.ctta.2022.027.MAO X X,MA S S,LU L,et al.Enhanced CT Based Texture Analysis and Machine Learning for Differentiation between Adenolymphomaand Mixed Tumors of the Parotid GlandJ.CT Theory and Applications,2023,32(1
2、):74-80.DOI:10.15953/j.ctta.2022.027.(inChinese).基于增强 CT 纹理分析联合机器学习鉴别腮腺腺淋巴瘤与混合瘤茅枭骁,马树声,卢亮,施久刚,张磊靖江市人民医院影像科,江苏 靖江 214500摘要：目的：探究基于增强 CT 纹理分析技术联合机器学习在腮腺腺淋巴瘤与混合瘤鉴别中的应用。方法：回顾性分析 40 例于本院手术并有完整病理资料的腮腺腺淋巴瘤与混合瘤患者，其中腺淋巴瘤组21 例，混合瘤组 19 例。运用 Mazda 软件在增强 CT 静脉期图像上手动勾画病灶最大层面 ROI 区；应用Fisher 系数、POE+ACC、MI 及三者联合应用（F
3、PM）的方法，筛选出最佳纹理参数，通过 ROC 曲线评估其诊断效能；最后采用 RDA、PCA 和 LDA、NDA 四种机器学习算法进行分类分析，并分析不同算法的诊断效能。结果：纹理特征参数中腺淋巴瘤组的 WavEnHH_s-4、GrVariance、45dgr_Fraction 低于混合瘤组，WavEnLL_s-4、GrSkewness 高于混合瘤组，且均在组间有统计学意义。ROC 曲线显示 WavEnLL_s-4 的敏感性与特异性较为平衡，AUC 值、敏感性、特异性分别为 0.797、84.2、76.2，具有良好诊断效能；RDA、PCA、LDA、NDA 算法的误判率范围分别为 30.037.
4、5、30.037.5、7.537.5、5.012.5，其中误判率最低的是 FPM 联合 NDA 分类分析法，为 5.0；准确率、敏感性、特异性、阳性预测值、阴性预测值分别为 95.0、95.2、94.7、95.2和 94.7，分类效能最佳。结论：增强 CT 纹理分析提取的最佳特征参数在腮腺腺淋巴瘤与混合瘤间具有显著差异，FPM 联合 NDA分类分析法误判率最低，有助于鉴别腮腺腺淋巴瘤与混合瘤。关键词：增强 CT；机器学习；纹理分析；腮腺肿瘤DOI:10.15953/j.ctta.2022.027中图分类号：R 814文献标识码：A腮腺肿瘤中约 80 为良性肿瘤，最常见的为腮腺混合瘤与腺淋巴瘤1
5、。腮腺混合瘤虽然是良性肿瘤，但具有潜在恶性的生物学行为，术后局部复发及恶变风险均高于腺淋巴瘤2。因此术前精准诊断对临床手术方式与预后具有指导意义，腮腺混合瘤与腺淋巴瘤影像学表现具有一定交叉3，常规影像学检查手段对两者之间鉴别困难。CT 纹理分析技术是一种能够进行定量分析的后处理技术，目前已广泛应用于良恶性鉴别、术前分期、疗效评价4-5等方面，已有研究应用 CT 平扫图像纹理分析用于腮腺肿瘤鉴别6-7，但关于增强CT 纹理分析对腮腺肿瘤的异质性研究较少。本研究基于 CT 增强图像，探讨纹理分析技术联合机器学习算法鉴别腮腺混合瘤与腺淋巴瘤的可行性。1材料与方法1.1临床资料回顾性分析 2016 年
6、 1 月至 2021 年 12 月于本院经手术病理确诊为腮腺腺淋巴瘤与混合瘤的患者 40 例。其中腮腺腺淋巴瘤 21 例，男性 18 例，女性 3 例，年龄 4077 岁，平均年龄（62.2411.17）岁，术前误诊混合瘤 4 例；腮腺混合瘤 19 例，男性 6 例，女性 13 例，年龄2167 岁，平均年龄（46.6312.28）岁，术前误诊腺淋巴瘤 1 例。每个患者均有完整的病理资料，收稿日期：20220222。第 32 卷第 1 期CT 理论与应用研究Vol.32,No.12023 年 1 月（7480）CT Theory and ApplicationsJan.,2023术前 2 周内
7、均行增强 CT 检查。排除标准：CT 检查前已治疗过或其他肿瘤病史；存在明显伪影而影响观察。1.2扫描方法采用 Siemens 或 Philips 多层螺旋 CT 对患者进行增强扫描，扫描范围从外耳孔至锁骨上平面。检查参数：球管电压 120 kV，管电流 200 mA，螺距 1.0，层厚 5 mm，重建矩阵 512512，重建层厚 1 mm。增强扫描按 2.5 mL/s 速率，静脉团注对比剂碘海醇 1 mL/kg，动脉期于注射后 25 s 扫描，静脉期于注射后 50 s 扫描。1.3图像处理1.3.1图像导出及 ROI 选择从 PACS 工作站中将患者病灶最大层面图像导出，导出图像保存为 BP
8、M 格式，导出时确保所有图像窗宽窗位均为 W250/L50。随后将图像导入 Mazda 软件，由两名高年资医师协商，沿病灶边缘 1 mm左右勾画 ROI（图 1），尽量避开坏死、钙化及血管。1.3.2纹理特征提取及筛选运用 Mazda 软件自动获取 6 类纹理特征（包括直方图、灰度共生矩阵、游程矩阵、绝对梯度、自回归模型及小波转换），共 312 项纹理特征。采用 Fisher 系数、POE+ACC、MI 4 种降维筛选方式以及 3 种降维方式的联合运用（FPM）。1.3.3纹理特征分类分析运用 Mazda 软件的 B11 模块，对获得的纹理特征进行分类分析。该软件主要包括原始数据分析（RDA）
9、、主要成分分析（PCA）、线性判别分析（LDA）和非线性判别分析（NDA）4 种机器学习算法。计算不同降维方式联合不同机器学习算法的误判率、准确率、敏感性、特异性、阳性预测值、阴性预测值。1.4统计学处理 xs采用 SPSS 22.0 统计分析软件进行分析，计量资料的表示方式为均数标准差，即（），对本次研究的 4 种纹理特征筛选方法中出现 3 次以上的特征参数进行统计分析。符合正态分布的采用独立样本的 t 检验，不符合正态分布的运用 Wilcoxon 秩和检验，以 P0.05 认为差异具有统计学意义。建立 ROC 曲线，并计算其 AUC 值，获得研究所需的诊断阈值，并计算敏感性和特异性，比较其
10、诊断效能。（a）（b）（c）（d）注：（a）和（b）腺淋巴瘤，男，45 岁；（c）和（d）多形性腺瘤，男，40 岁。图 1腮腺肿瘤 CT 静脉期图像以及 ROIsFig.1Enhanced CT images(with ROIs)of a parotid tumor1 期茅枭骁等：基于增强 CT 纹理分析联合机器学习鉴别腮腺腺淋巴瘤与混合瘤752结果2.1腮腺腺淋巴瘤与混合瘤的纹理参数比较运用 Fisher、POE+ACC、MI 以及 FPM 分别提取的最有代表性的纹理特征参数各 10、10、10、30 项，其中出现 3 次以上的参数共 5 项（表 1）。其中 WavEnHH_s-4、WavE
11、nLL_s-4 为小波转换参数；GrVariance、GrSkewness 为绝对梯度参数，45dgr_Fraction 为游程矩阵参数。腮腺腺淋巴瘤组的 WavEnHH_s-4、GrVariance、45 dgr_Fraction 低于混合瘤组，WavEnLL_s-4、GrSkewness 高于混合瘤组，且均在组间有统计学意义。2.2腮腺腺淋巴瘤与混合瘤纹理参数的 ROC 曲线分析本研究针对具有统计学意义的纹理参数建立 ROC 曲线，并对其诊断效能进行分析，结果见表 2及图 2。鉴别腮腺腺淋巴瘤与混合瘤 AUC 最高的是 WavEnHH_s-4，为 0.827，其相应的敏感性、特异性分别为
12、84.2、66.7；鉴别腮腺腺淋巴瘤与混合瘤敏感性最高的是 GrSkewness，其 AUC 值、敏感性、特异性分别为 0.805、94.7、61.9，特异性较低；鉴别腮腺腺淋巴瘤与混合瘤特异性最高的是 WavEnLL_s-4，其 AUC 值、敏感性、特异性分别为 0.797、84.2、76.2，敏感性与特异性较为平衡，具有良好诊断效能。2.3腮腺腺淋巴瘤与混合瘤纹理特征的分类分析运用 B11 模块中 4 种机器学习方法对不同纹理筛选方式进行分类分析。RDA、PCA、LDA、NDA 算法的误判率范围分别为 30.037.5、30.037.5、7.537.5、5.012.5，其中误判率最低的是
13、FPM 联合 NDA 算法，为 5.0，低于本研究放射科术前诊断误诊率 12.5（5/40）；其准确率、敏感性、特异性、阳性预测值、阴性预测值分别为 95.0、95.2、94.7、95.2、94.7，结果见表 3 及表 4。表1腮腺腺淋巴瘤与混合瘤间最佳纹理特征参数比较Table 1Comparison of the optimal texture feature parameters betweenparotid adenolymphomas and mixed tumors参数组别统计检验腺淋巴瘤组混合瘤组t/ZPWavEnHH_s-44.1621.9087.4933.157-4.0840
14、.01WavEnLL_s-421044.4693887.16416649.2894309.2263.3920.002GrVariance0.1850.0460.2360.033-4.0550.01GrSkewness1.9960.5161.4750.295-3.2910.00145 dgr_Fraction0.3280.0800.4220.074-3.8540.01表2腮腺腺淋巴瘤与混合瘤间最佳纹理特征参数的诊断效能Table 2Diagnostic performance of the optimal texture feature parametersfor parotid adenoly
15、mphomas and mixed tumors参数AUC阈值敏感性/特异性/PWavEnHH_s-40.8274.97984.266.70.01 WavEnLL_s-40.79719227.148 84.276.20.001GrVariance0.8150.20089.566.70.001GrSkewness0.8051.81994.761.90.00145 dgr_Fraction0.8020.38473.771.40.00176CT 理论与应用研究32 卷1-特异性1.00.80.60.40.20.0敏感度1.00.80.60.40.20.0ROC 曲线参考线45dgr_Fraction
16、GrSkewnessGrVarianceWavEnLL_s-4WavEnHH_s-4曲线的源图 2腮腺腺淋巴瘤与混合瘤组间 WavEnHH_s-4、WavEnLL_s-4、GrVariance、GrSkewness、45dgr_Fraction 的 ROC 曲线Fig.2ROC curves for WavEnHH_s-4,WavEnLL_s-4,GrVariance,GrSkewness,45 dgr_Fractionfor differentiating between adenolymphomas and mixed tumors of the parotid gland表3腮腺腺淋巴瘤
17、与混合瘤间不同机器学习算法的误判率Table 3False-positive rates of different machine-learning algorithms for parotidadenolymphomas and mixed tumors组别RDA/PCA/LDA/NDA/Fisher37.5（15/40）37.5（15/40）10.0（4/40）7.5（3/40）POE+ACC35.0（14/40）30.0（12/40）22.5（9/40）10.0（4/40）MI30.0（12/40）30.0（12/40）37.5（15/40）12.5（5/40）FPM35.0（14/40
18、）32.5（13/40）7.5（3/40）5.0（2/40）表4腮腺腺淋巴瘤与混合瘤间不同机器学习算法的效能比较Table 4Comparison of the performance of different machine-learning algorithmsfor parotid adenolymphomas and mixed tumors分类算法准确率/敏感性/特异性/阳性预测值阴性预测值Fisher/RDA62.561.963.265.060.0Fisher/PCA62.561.963.265.060.0Fisher/LDA90.095.284.287.094.1Fisher/N
19、DA92.590.594.795.090.0POE+ACC/RDA65.076.252.664.066.7POE+ACC/PCA70.076.263.269.670.6POE+ACC/LDA77.576.278.980.075.0POE+ACC/NDA90.085.794.794.785.7MI/RDA70.076.263.269.670.6MI/PCA70.076.263.269.670.6MI/LDA62.566.757.963.661.1MI/NDA87.581.094.794.481.8FPM/RDA65.066.763.266.763.2FPM/PCA67.571.463.268.2
20、66.7FPM/LDA92.595.289.590.994.4FPM/NDA95.095.294.795.294.71 期茅枭骁等：基于增强 CT 纹理分析联合机器学习鉴别腮腺腺淋巴瘤与混合瘤773讨论腮腺腺淋巴瘤与混合瘤为腮腺最常见的良性肿瘤，两者在 CT 平扫上均表现为颌面部包块，形态规则，边界清晰。增强扫描时，腮腺混合瘤多呈轻度延迟强化；腺淋巴瘤多呈快进快出方式强化，但也有部分影像表现有交叉8，且影像诊断主观性强，诊断经验和诊断标准不一。CT 纹理分析技术是对医学图像像素分布特征进行数学统计的图像后处理技术，能够定量评估肿瘤的异质性9。刘文华等6通过CT 平扫纹理分析技术发现，纹理参数偏
21、度、峰度在鉴别腮腺混合瘤与腺淋巴瘤中具有统计学意义；任思桐等7研究发现基于CT 平扫图像的纹理特征中位数、均值、体素值和、标准差、偏度可以鉴别腮腺混合瘤和恶性肿瘤。两者均以 CT 平扫图像为研究对象，且选取的是低阶纹理参数，而增强图像能够通过强化方式的不同反应病灶内组织差异，更好地体现纹理参数的差异性。本文基于增强 CT 图像选取高阶纹理参数联合机器学习的方式，探讨鉴别腮腺腺淋巴瘤与混合瘤的可行性。本研究通过 4 种降维方式筛选出最佳纹理特征 5 个，腮腺腺淋巴瘤组的 WavEnHH_s-4、GrVariance、45 dgr_Fraction 低于混合瘤组，WavEnLL_s-4、GrSke
22、wness 高于混合瘤组，且均在组间有统计学意义。45 dgr_Fraction 即 45方向游程图像分数，属于游程矩阵参数，反应的是该矩阵的像素在一定方向上出现的频率。任继亮等10研究发现基于游程矩阵纹理参数能够用于鉴别眼眶淋巴瘤与炎性假瘤，不同病理类型的肿瘤游程矩阵参数也有差异。GrVariance 即绝对梯度方差、GrSkewness 即绝对梯度偏度，属于绝对梯度参数，反应病灶内部像素分布的复杂程度11。WavEnHH_s-4 即高高频小波转换系数、WavEnLL 即低低频小波转换系数12，反应的是区域内像素在高高频、低低频率能量的空间分布情况。绝对梯度参数与小波转换系数属于高阶纹理参数
23、，徐圆等13发现小波转换系数在不同分化程度肾透明细胞癌中具有统计学差异，低频量越丰富图像纹理越模糊，与本研究结果相符。本研究中腮腺腺淋巴瘤由上皮样和淋巴样组织构成，内富含粘液成分，且易囊变并有胆固醇结晶，混合瘤由上皮细胞、变异肌上皮细胞、黏液样或软骨样组织构成14；增强后腺淋巴瘤强化更显著，更易囊变，内部密度分布不均，导致图像纹理粗糙模糊；两者组织学上的不同反映为纹理参数的差异性。机器学习算法中，从降维方式来看 FPM 算法的误诊例总数最少，而 MI 误诊例总数最多。从机器学习算法来看，NDA 算法的误诊例总数最少，而 RDA 误诊例总数最多。且 FPM 联合 NDA 分类分析法误诊率最低（5
24、.0），低于本研究放射科术前诊断误诊率（12.5），能够帮助放射科诊断医师提高诊断准确率。余先超等15基于CT 平扫图像机器学习算法对腮腺腺淋巴瘤与混合瘤的鉴别中，MI/NDA 算法具有最高的特异度，MI/RDA、MR/PCA 灵敏度最高，但该研究缺少了纹理特征参数最多的 FPM 降维方式。FPM 降维方式选择的参数为 3 种降维方式的联合应用，包含的纹理参数最多、最优，能够充分的反应腮腺肿瘤的纹理信息，这与既往研究相符。尹进学等16的研究结果显示，基于常规 T2 WI 图像纹理特征，NDA 分类联合 FPM 纹理降维方法对预测早期宫颈鳞癌盆腔淋巴结转移的误判率最低；徐圆等17的研究结果表明，
25、基于常规胸部增强 CT 图像纹理特征，NDA 纹理特征分类方法对预测肺腺癌淋巴结转移的正确率最高，明显优于 RDA、PCA 和 LDA，具有较好的诊断效能。由此可见，FPM 联合NDA 算法可以用于鉴别腮腺腺淋巴瘤与混合瘤。本研究还存在的局限性：本研究为回顾性分析，样本量偏小，病例可能存在选择偏倚；本研究仅对腮腺肿瘤的最大层面进行分析，没有勾画三维 ROI 区，会缺乏一些纹理信息；纹理参数的提取缺乏操作规范，提高研究的可重复性。下一步本研究将加大样本量、多中心的影像组学研究验证。综上所述，增强 CT 纹理分析提取的最佳特征参数在腮腺腺淋巴瘤与混合瘤间具有显著差异，其中 WavEnLL_s-4
26、的敏感性与特异性较为平衡，具有良好的诊断效能，且 FPM 联合 NDA 算法误判率最低，有助于鉴别腮腺腺淋巴瘤与混合瘤，能够帮助放射科诊断医师提高诊断准确率。78CT 理论与应用研究32 卷参考文献YAMAMOTO T,KIMURA H,HAYASHI K,et al.Pseudo-continuous arterial spin labeling MR images inWarthin tumors and pleomorphic adenomas of the parotid gland:Qualitative and quantitativeanalyses and their corr
27、elation with histopathologic and DWI and dynamic contrast enhanced MRIfindingsJ.Neuroradiology,2018,60(8):803812.1ZHENG C Y,CAO R,GAO M H,et al.Comparison of surgical techniques for benign parotid tumours:A multicentre retrospective studyJ.International Journal of Oral&Maxillofacial Surgery,2018,48(
28、2):187192.2胡涛,刘琼,邹玉坚,等.扩散峰度成像及动态增强 MRI 鉴别腮腺多形性腺瘤与 Warthin 瘤J.放射学实践,2021，36(9):10891094.HU T,LIU Q,ZOU Y J,et al.Application value of DKI and DEC-MRI in the differential diagnosisof parotid pleomorphic adenoma and Warthin tumorJ.Journal of Radiology Practice,2021,36(9):10891094.(in Chinese).3PARK H J
29、,LEE S M,SONG J W,et al.Texture-based automated quantitative assessment of regionalpatterns on initial CT in patients with idiopathic pulmonary fibrosis:Relationship to decline inforced vital capacityJ.American Journal of Roentgenology,2016,207(5):976983.4AHN S J,KIM J H,PARK S J,et al.Prediction of
30、 the therapeutic response after FOLFOX andFOLFIRI treatment for patients with liver metastasis from colorectal cancer using computerized CTtexture analysisJ.European Journal of Radiology,2016,85:18671874.5刘文华,张衡,李敏,等.CT 图像纹理分析鉴别诊断腮腺混合瘤与腺淋巴瘤J.临床放射学杂志,2019，38(12):22712274.LIU W H,ZHANG H,LI M,et al.CT
31、 texture analysis in the differential diagnosis of mixed tumorof parotid gland and adenolymphomaJ.Journal of Clinical Radiology,2019,38(12):22712274.(in Chinese).6任思桐,李小虎,刘斌,等.CT 平扫图像纹理分析鉴别腮腺多形性腺瘤与恶性肿瘤的初步研究J.CT 理论与应用研究,2019，28(6):685691.DOI:10.15953/j.1004-4140.2019.28.06.06.REN S T,LI X H,LIU B,et
32、al.Preliminary study on differentiating pleomorphic adenoma andmalignant tumors of the parotid gland by texture analysis of non-enhanced CT imagesJ.CT Theoryand Applications,2019,28(6):685691.DOI:10.15953/j.1004-4140.2019.28.06.06.(in Chinese).7茂盛,王嗣伟,晋丹丹,等.腮腺多形性腺瘤与腺淋巴瘤的 CT 影像特征及对比分析J.实用放射学杂志,2019，3
33、3(1):2846.MAO S,WANG S W,JIN D D,et al.CT imaging characteristics and comparative analysis of parotidpleomorphic adeonoma and adenolymphomaJ.Journal of Practical Radiology,2019,33(1):2846.(in Chinese).8茅枭骁,征锦.CT 纹理分析技术在甲状腺结节影像研究中的应用进展J.医疗卫生装备,2020，41(12):97100.MAO X X,ZHENG J.Research progress of CT
34、 texture analysis for imaging studies of thyroidnodulesJ.Medical and Health Equipment,2020,41(12):97100.(in Chinese).9任继亮,吴颖为,陶晓峰,等.常规 MRI 纹理分析鉴别诊断眼眶淋巴瘤与炎性假瘤J.中国医学影像技术,2017，33:980984.REN J L,WU Y W,TAO X F,et al.MRI texture analysis in differential diagnosis of orbitallymphoma and inflammatory pseud
35、otumorJ.Chinese Journal of Medical Imaging Technology,2017,33:980984.(in Chinese).10DODGSON T,MEDICINES M D,SCHEDAR N,et al.Can quantitative CT texture analysis be used todifferentiate fat-poor renal policewoman from renal cell carcinoma on enhancement CT imagesJ.Radiology,2015,276(3):787796.11SUDAR
36、SHAN V K,MOOKIAH M R,ACHARYA U R,et al.Application of wavelet techniques for cancer diag-nosis using ultrasound images:A reviewJ.Computers in Biology&Medicine,2016,69:97111.12徐圆,段钰,吴晶涛,等.基于 CT 增强扫描的纹理分析技术鉴别肾脏透明细胞癌恶性程度的可行性研究J.临床放射学杂志,2019，38:16931697.XU Y,DUAN Y,WU J T,et al.Preoperative assessment o
37、f pathological grade of clear cell renalcell carcinoma by texture analysis based on CT enhanced imagesJ.Journal of Clinical Radiology,2019,38:16931697.(in Chinese).13周明,钱斌,翟晓东.腮腺腺淋巴瘤与多形性腺瘤的双期增强 CT 表现与鉴别J.临床放射学杂志,2012，31:12431246.ZHOU M,QIAN B,ZHAI X D.CT differential diagnosis between parotid gland
38、lymphoma andpleomorphic adenomaJ.Journal of Clinical Radiology,2012,31:12431246.(in Chinese).14余先超,孙宇凤,李鹏,等.影像组学在腮腺多形性腺瘤与腺淋巴瘤鉴别诊断中的应用J.现代肿瘤医学,151 期茅枭骁等：基于增强 CT 纹理分析联合机器学习鉴别腮腺腺淋巴瘤与混合瘤792021，29(5):837840.YU X C,SUN Y F,LI P,et al.Application of radiomics in the differential diagnosis of parotidpleomor
39、phic adenoma and adenolymphoma of the parotid glandJ.Modern Oncology,2021,29(5):837840.(in Chinese).尹进学,汤日杰,钟熹,等.常规 T2WI 纹理分析预测早期宫颈鳞癌盆腔淋巴结转移的价值J.临床放射学杂志,2020，39:358362.YIN J X,TANG R J,ZHONG X,et al.Value of conventional T2-weighted images texture analysis inpredicting pelvic lymph node metastasis i
40、n early-stage cervical cancerJ.Journal of ClinicalRadiology,2020,39:358362.(in Chinese).16徐圆,段钰,曹正业,等.CT 纹理组学联合机器学习预测肺腺癌淋巴结转移J.临床放射学杂志,2020，39:691695.XU Y,DUAN Y,CAO Z Y,et al.Value of texture analysis combined with machine learning based onenhanced CT of lung adenocarcinoma in prediction of lymph n
41、ode metastasisJ.Journal of ClinicalRadiology,2020,39:691695.(in Chinese).17Enhanced CT Based Texture Analysis and MachineLearning for Differentiation between Adenolymphomaand Mixed Tumors of the Parotid GlandMAOXiaoxiao,MAShusheng,LULiang,SHIJiugang,ZHANGLeiDepartmentofImaging,JingjiangPeoplesHospit
42、al,Jingjiang214500,ChinaAbstract:Objective:Toexploretheapplicationofenhancedcomputedtomography(CT)-basedtextureanalysiscombinedwithmachinelearninginthedifferentialdiagnosisofadenolymphomasandmixedtumorsoftheparotidgland.Methods:Weretrospectivelyanalyzed21and19casesofadenolymphomasandmixedtumorsofthe
43、parotidgland,respectively.Regionsofinterest(ROI)werechosenonaxialenhanced-CTimagesofthetumorsmaximumcrosssectionusingtheMazdasoftware.The optimal texture parameters were selected using Fisher s coefficient,probability of classification error and averagecorrelationcoefficients,mutualinformation,andac
44、ombinationofthethree.Receiveroperatingcharacteristic(ROC)curveanalysiswasperformedtoevaluatethediagnosticefficacy.Finally,thetextureparameterswereclassifiedandanalyzedusingthefollowingfourmachine-learningmethods:rawdataanalysis,principalcomponentanalysis,lineardiscriminantanalysis,and nonlinear disc
45、riminant analysis(NDA).The diagnostic efficiencies of these classification algorithms were analyzed.Results:WavEnHH_s-4,GrVariance,45dgr_Fraction,WavEnLL_s-4,andGrSkewnesswerethestatisticallysignificanttexturefeatureparametersfordifferentiatingbetweenparotidadenolymphomasandmixedtumors.ROCcurveanaly
46、sisrevealedthatWavEnLL_s-4hadabalancedsensitivityandspecificity,andtheareaunderthecurve,sensitivity,andspecificitywere0.797,84.2%,and62.5%,respectively.ThemisclassificationrateofNDA(5.0%12.5%)waslowerthanthatoftheotheralgorithms.TheNDAofFPMhadthelowestmisclassificationrate(5.0%);itsaccuracy,sensitiv
47、ity,specificity,positivepredictivevalue,andnegativepredictivevaluewere95.0%,95.2%,94.7%,95.2,and94.7,respectively.Conclusion:TheoptimumenhancedCT-basedtexturefeaturesdifferedsignificantlybetweenparotidadenolymphomasandmixedtumors.AcombinationofFPMandNDAhadthelowestmisclassificationrate;itcancontributetowardtheidentificationofparotidadenolymphomasandmixedtumors.Keywords:enhancedCT;machinelearning;textureanalysis;parotidtumor作者简介：茅枭骁，男，硕士，靖江市人民医院影像科主治医师，主要从事 CT 诊断及介入治疗，E-mail：；卢亮，靖江市人民医院影像科副主任医师，主要从事 CT 影像诊断与研究，E-mail：。80CT 理论与应用研究32 卷
