骨科和AI应用结合还是很紧密的,本推文由大壮指定,助理小黄同学整理,一个工作量满满的研究,值得学习。
其他公众号推文都很简短,我们推文很长,会占用大家宝贵时间,主要是想把论文读透,呈现研究的所有细节。后面会推出部分精简版本的分享。
0.1 论文信息

0.2 期刊信息

0.3 研究背景
(1)骨骼形态的量化分析具有重要意义。
(2)传统的2D CT测量方法依赖于切片方向,忽略了关节盂的三维形态特征。
0.4名词介绍
(1)五折交叉验证(5-fold cross-validation)
是一种模型评估方法,用于评估机器学习模型的性能。具体过程如下:
将整个数据集平均分成5个子集(folds)。
模型训练与验证:
训练:每次选择其中4个子集作为训练集,用于训练模型。
验证:用剩下的1个子集作为验证集,评估模型的性能。
这个过程重复5次
(2)飞行边算法(Flying Edges Algorithm)
是一种高性能的等值线提取算法,用于在三维数据集中生成等值面。
1研究介绍
1.1 目的
开发和验证一个深度学习模型,用于正常受试者和盂肱骨关节炎患者的 CT 肩胛骨和关节盂形态的量化。
1.2 方法
(1)利用深度学习模型从CT图像中自动分割出肩胛骨。
(2)在肩胛骨上确定13个标志点位置,其中9个用于建立坐标系,4个位于关节盂腔用于确定关节盂的尺寸和方向。
(3)建立一个不受骨关节炎影响的肩胛骨坐标系并测量关节盂的多个形态参数。
(4)通过5折交叉验证方法,对60例正常/非骨关节炎和56例病理/骨关节炎的肩胛骨进行性能评估。
1.3 结果
(1)手动和自动肩胛骨分割的Dice相似系数很高。
(2)自动肩胛骨和盂缘标记的平均误差与人工评估者的误差相当。
(3)自动方法对盂缘版本(R² = 0.94)
关键肩膀角度(R² = 0.95)、
盂极角(R² = 0.95)、
盂缘倾斜(R² = 0.90)、
盂缘高度(R² = 0.93)
宽度(R² = 0.88)的估计都很准确。
(4)但是,盂缘倾斜存在显著差异(p < 0.001)。
1.4 结论
深度学习模型能够从盂肱骨关节炎患者的 CT 扫描中自动量化肩胛骨和关节盂形态。
2.数据介绍
2.1 数据来源
(1)研究收集了418名患者的CT扫描,排除掉18岁以下的患者以及至少有一个肩胛骨没有完全包含在重建视野中,或未使用平滑核心重建CT图像系列的患者。
(2)最终研究数据集包括56名患有肩关节骨关节炎的患者以及60名正常肩胛骨创伤患者的CT扫描。

3 研究方法
3.1 肩胛骨分割
(1)一位有12年经验的医师手动分割了所有肩胛骨图像,用于深度学习模型的训练和验证。
(2)采用了遵循U-Net架构的nnUNet框架进行分割,并使用从CT扫描中提取的3D图像块进行训练。

(3)通过5折交叉验证评估准确性,比较自动和手动分割之间的Dice相似系数和Hausdorff距离。
(4)为了估计评估者间的差异性,使另外两名评估者再次手动分割了肩胛骨,并测量了不同评估者之间的Dice重叠系数。
3.2 肩胛骨和关节盂标志的定位
(1)在3D Slicer软件中手动放置了9个肩胛骨标志点,利用这些标志点来建立肩胛骨的参考坐标系。
(2)在关节盂腔的边缘额外放置了4个标志点(GL1-GL4),用以定义其高度和宽度。所以共计13个标志点,如下图。

(3)使用这些标志点的参考位置训练了一个略微修改过的3D U-Net模型,该模型能够从分割后的肩胛骨的二值图像中预测标志点位置。

(4)对于自动标志点检测的评估包括5折交叉验证,在该验证中评估了预测标志点与参考标志点之间的距离,并通过最佳拟合线的角度来评估标志点的检测质量。
(5)使用总数据集的5%来确定表现最佳的网络参数,并通过对数据集应用随机3D旋转来进行10倍数据增强。
3.3 临床相关的肩胛骨和关节盂解剖参数的计算
(1)使用标志点为每位患者创建肩胛骨参考坐标系。
(2)肩胛骨平面由AI(角下点)、TS(肩胛冈)和SF1(肩胛下窝最外侧标志点)定义。
(3)将SF2和SF3投影到肩胛骨平面上,最佳拟合这些投影和SF1的线定义为肩胛骨轴(Z轴),X轴垂直于肩胛骨平面,Y轴垂直于X轴和Z轴。

(4)使用飞行边算法从分割中生成三角表面网格,自动从网格中识别出关节盂表面,对识别出的关节盂腔进行球体拟合。
(5)自动计算肩胛骨和关节盂的临床相关解剖参数。
(6)由同一位医师手动测量,然后自动测量与手动测量通过五折交叉验证进行比较。
(7)使用双尾t检验进行自动和手动量化之间的统计比较,显著性水平设定为p值<0.05。同时,使用配对样本t检验计算两种方法之间差异的95%置信区间(CI)。
4 结果
4.1 肩胛骨分割
(1)五折交叉验证显示,自动和手动肩胛骨分割之间的平均Dice相似系数为0.97 ± 0.01,对正常和病理情况都表现出色。

(2)正常和病理肩关节的平均Hausdorff距离分别为2.3毫米和5.1毫米,表明骨关节炎病例的最大分割误差更高。误差较高的区域包括关节盂边缘、肩峰和喙突的外侧部分,以及肩胛下窝。
4.2 肩胛骨和关节盂标志的定位
(1)所有标志点的自动标识与参考值之间的平均偏差在1.0毫米到2.5毫米之间。

(2)在正常受试者中,人工评估者和自动标识的肩胛骨标志点之间没有发现巨大统计学差异;在病理案例中,只有PC(p=0.036)的人工评估者和自动标识之间存在显著差异。
(3)除了关节盂标志点外,自动方法显示出与人工评估者间误差相似或更小的误差。

4.3 临床相关的肩胛骨和关节盂解剖参数的计算
(1)回归分析显示良好至极佳的一致性。


(2)手动和自动确定的参数之间的最佳拟合斜率在0.91到0.95之间,截距在0.44°到2.70°之间。
(3)手动和自动量化参数之间的决定系数(R²)从0.88到0.95不等。

(4)手动和自动量化解剖参数之间的平均差异的95%置信区间在1°以内和0.5毫米以内,关节盂倾角除外。

(5)下图分别总结了自动和手动量化解剖参数之间的一致性,以及评估者间的一致性,包括相关性和Bland-Altman图。


(6)手动和自动关节盂倾角之间的平均差异为1.6°,表明自动量化倾向于得到略低的关节盂倾角。手动和自动关节盂倾角之间的相关性仍然很高,回归斜率为0.91,R²值为0.93。
(7)除了关节盂倾角(p<0.001)外,手动和自动量化的解剖参数之间没有发现显著差异。
4 学习心得
(1)通过自动测量如关节盂版本、倾角和其他关键解剖参数,该研究为改善肩部手术的规划和结果提供了可能。
(2)研究中使用的深度学习模型在自动分割和标志点定位方面显示出了高精确度和重复性,这对于临床应用是至关重要的。
(3)通过五折交叉验证和统计测试(如t-test和Bland-Altman分析),研究确保了其结果的可靠性和有效性。
引用
[1]Satir OB, Eghbali P, Becce F, Goetti P, Meylan A, Rothenbühler K, Diot R, Terrier A, Büchler P. Automatic quantification of scapular and glenoid morphology from CT scans using deep learning. Eur J Radiol. 2024 Aug;177:111588. doi: 10.1016/j.ejrad.2024.111588. Epub 2024 Jun 25. PMID: 38944907.
感谢您的阅读,如果您对这项研究感兴趣或想了解更多关于AI在医学中的应用,请继续关注我们,我们会定期分享最新的科研成果和健康资讯。别忘了点赞和转发哦!👍🔄