利用深度學習實現CT圖像上腰骶椎各結構分割及椎間盤自動定位的可行性研究

田靖一,王可欣,吳鵬升,李家輪,張曉東,王霄英

CT圖像因具有良好的空間與密度分辨率,有利于觀察椎小關節骨質增生、韌帶增厚骨化對椎管造成的壓迫程度。對于椎體細微骨折、有無游離骨片等具有較好的檢出效能。腰椎CT檢查常作為腰椎退行性骨關節病、脊柱骨折的重要檢查手段[1,2]。椎體的自動分割及精準定位作為影像診斷一部分,能夠為病灶定位、術中所需各影像學參數測量以及術后隨訪評估奠定基礎,減少診斷醫師閱片時間、避免醫師手工測量引起的誤差。

本研究中利用深度學習完成腰骶椎各椎體、椎間盤、硬膜囊的分割,并通過連通域算法完成腰椎諸椎間盤定位,以便后續研究中獲得相應水平硬膜囊徑線的測量值。

材料與方法

本研究經北京大學第一醫院倫理審查委員會的批準[批件號:2019(169)],按照本單位人工智能(artificial intelligence,AI)項目研發規范執行研究方案。

1.用例定義

根據本單位AI訓練項目管理方法,首先定義研發腰椎CT圖像上主要解剖結構AI分割模型的用戶樣例(Use Case)。包括模型的ID、臨床問題、場景描述、模型在實際工作中的調用流程、模型輸入和輸出數據的結構等。AI模型返回結果定義為腰椎椎體、椎間盤、硬膜囊的坐標。

2.研究隊列的建立

回顧性搜收集2020年12月1日-2021年3月29日于本院行腰椎平掃CT的連續病例資料,納入標準:腰椎CT檢查包含清晰腰骶椎結構的病例。排除標準:①腰椎術后存在較重金屬偽影;②存在明顯脊柱畸形;③椎體存在明顯溶骨性骨質破壞。最終搜收集135例患者154人次的CT檢查圖像,將該組圖像數據用于腰骶椎各主要結構分割模型的訓練。

3.CT掃描方案及圖像處理

本院腰椎CT圖像數據來源于本科5臺CT設備:Philips iCT256、GE Discovery CT750 HD、GE LightSpeed VCT、Simens Somatom Definition Flash、Simens Somatom Force,掃描層厚5 mm,重建層厚1～1.25 mm、層間距1～1.25 mm。

4.圖像標注

將腰椎CT掃描的原始DICOM圖像轉換為NIFTI格式,由一名具有5年影像診斷經驗的住院醫師使用ITK-SNAP軟件(Version 3.6.0,http://www.itksnap.org/)對掃描范圍內胸腰骶椎椎體及其附件結構、椎間盤及硬膜囊逐層標注,再由一名具有26年以上影像診斷經驗的主任醫師對標簽進行審核、修改后確認。

椎體及其附件結構包括骨質增生及骨贅部分;椎間盤包括髓核壓跡、游離髓核部分;硬膜囊以硬脊膜囊為界,不包含神經根出口部分。

5.模型訓練

對本院154例圖像數據進行腰骶椎各主要結構進行模型訓練,顯存使用GPU NVIDIA?Tesla P100 16G,軟件使用包括Python3.6、Pytorch0.4.1、OpenCV、NumPy、Simple ITK,以Adam作訓練優化器。對圖像數據進行預處理,設置窗寬為300 HU、窗位為1000 HU,圖像像素數設為256×160×128,圖像擴增技術包括旋轉、隨機噪聲、透視變換、傾斜、平移。將圖像按8:1:1比例隨機分為訓練集(n=125)、調優集(n=14)、測試集(n=15),同一患者多次掃描的圖像均分到相同的數據集中。訓練3D U-Net分割模型的參數如下:nfilter=16,每次讀取圖像數=2,訓練次數=400,學習率=0.0001。

6.椎間盤及椎體自動定位

在基于模型分割完成的骶椎及腰椎各椎間盤標簽的基礎上,應用連通域分析算法,以骶椎為基準線,自下而上依次標記為L5-S1椎間盤、L5椎體、L4-5椎間盤、…、T12-L1椎間盤、…。對于體積<5000像素的連通域認為小連通域,計算該連通域與鄰近椎間盤最短距離歸為同一椎間盤。

7.模型評價

客觀評價:用測試集數據的Dice相似系數(dDice similarity coefficient,DSC)、體積相似度(volume similarity,VS)及Hausdorff距離(Hausdorff distance,HD)作為評價模型分割效能的指標。DSC及VS取值范圍為0～1,值越接近1代表模型預測結果與手工標注結果一致性越高,HD距離越小,代表模型模型分割精度越高。

主觀評價:由一名高年資醫師完成。包括對分割效果的評價和椎間盤及椎體定位的評價。對測試集數據的分割的目標區域進行滿意度評估時,正確分割目標區域認為滿意,可應用于后續評價椎體病變及完成椎體各結構徑線的測量;未正確分割目標區域認為不滿意,無法用于后續評價椎體病變及完成椎體各結構徑線的測量。醫師對椎間盤和椎體做出定位,并與模型自動定位的結果對比。

圖1 醫師手工標注腰骶椎各主要結構標簽示例。a)軸面圖示腰骶椎、椎間盤層面醫師手工標注標簽,紅色為腰椎椎體、黃色為椎間盤、綠色為骶椎椎體、藍色為硬膜囊;b)腰椎正中矢狀面示醫師手工標注各結構標簽。

8.統計學分析

結 果

1.患者臨床信息

154個全部入組數據的臨床信息見表1?；颊吣挲g中位數為58.5 [40.0,70.0]歲,男性50%。診斷包括:腰椎骨質退變、椎管狹窄、椎間盤突出(膨出)、椎體滑脫、峽部裂、移行椎、輕度腰椎側彎、骨折、椎管內占位、骨島等?；颊吒黜椗R床信息在訓練集、調優集、測試集之間的差異均無統計學意義(全部P>0.05)。

表1 患者臨床信息

表2 3U-Net模型對腰骶椎各結構的分割效能指標[median(Q1, Q3)]

2.3D U-Net模型的分割效能

主觀評價:3D U-Net模型對椎間盤分割結果均為滿意,可滿足后續椎間盤自動定位的需求,模型對腰骶椎椎體及其附件結構、硬膜囊分割滿意度均為98.7%,兩結構分割模型各有兩例未能完全正確分割目標區域(圖2),其中:①2例模型預測結果存在腰骶椎標簽的穿插、錯位;②1例模型誤將腹主動脈管腔預測為硬膜囊結構;③1例模型誤將椎管內軟組織密度占位預測為正常硬膜囊結構。

客觀評價:以醫師手工標注的腰椎、骶椎、椎間盤和硬膜囊各結構標簽為參考標準,3D U-Net模型對測試集中各結構的分割結果與手工標注結果覆蓋率較高,其分割的腰椎、骶椎、椎間盤、硬膜囊的DSC值及VS值均>0.96,HD距離中位數分別為7.00 mm、1.97 mm、5.03 mm和3.55 mm。訓練集、調優集和測試集,腰椎、骶椎的DICS、VS和HD的差異均無統計學意義(P>0.05),達到了后續對椎體及附件結構進行各徑線測量的要求;椎間盤和硬膜囊的DICS、VS和HD的差異均有統計學意義(P<0.05),椎間盤與相鄰椎體終板交界區域、硬膜囊與黃韌帶交界區域及脊髓終絲處模型分割結果稍差(圖3、4)。

圖3 測試集中腰骶椎椎體、椎間盤及硬膜囊分割模型標注及預測結果圖(軸位面)。從左至右依次為原始CT圖像、醫師手工標注各結構圖像(紅色標簽)、模型預測各結構圖像(綠色標簽)、醫師標注和模型預測對照圖(白色為模型預測超出部分)。從上至下依次為腰椎、骶椎、椎間盤及硬膜囊結構。

圖4 測試集中腰骶椎椎體、椎間盤及硬膜囊分割模型標注及預測結果圖(腰椎正中矢狀位面)。從左至右依次為原始CT圖像、醫師手工標注各結構圖像(紅色標簽)、模型預測各結構圖像(綠色標簽)、醫師標注和模型預測對照圖(白色為模型預測超出部分)。從上至下依次為腰椎、骶椎、椎間盤及硬膜囊結構。

圖5 3U-Net模型對腰骶椎各結構的在訓練集、調優集和測試集的分割效能指標。a)腰椎標簽各數據集DSC值; b) 骶椎標簽各數據集DSC值; c) 椎間盤標簽各數據集DSC值; d) 硬膜囊各數據集DSC值; e) 腰椎標簽各數據集VS值; f) 骶椎標簽各數據集VS值; g) 椎間盤標簽各數據集VS值; h) 硬膜囊各數據集VS值; i) 腰椎標簽各數據集HD值; j) 骶椎標簽各數據集HD值; k) 椎間盤標簽各數據集HD值; l) 硬膜囊各數據集HD值。

3.椎體自動定位的一致性分析

以脊柱為單位統計,模型預測與醫師判定結果的符合率為98.7%(152/154)。154例中有2例出現定位錯誤,其中1例為腰5雙側橫突肥大,與骶骨脊形成假關節;模型預測將腰5椎體識別為骶1椎體,實際腰5-骶1椎間盤未識別。另1例為移行椎,腰5骶化(圖6)。

圖6 測試集中模型自動定位與醫師判定結果對照。a)腰椎冠狀面圖示腰5雙側橫突肥大、伴假關節面形成(紅框); b) 模型預測各椎間盤標簽并定位; c) 醫師標注各椎間盤位置; d) 腰椎冠狀面圖示移行椎,腰5骶化,腰5雙側橫突與骶骨側塊融合(紅框); e) 模型預測各椎間盤標簽并定位;f)醫師標注各椎間盤位置。

討 論

在臨床診療過程中,以脊柱疾病引起的腰痛是最常見的就診原因之一,CT和MRI是臨床診斷及治療過程中不可缺少的常規檢查方法,其中MRI為診斷脊柱疾病的首選檢查方法,例如椎間盤突出、椎管狹窄等。同時,也需要CT圖像觀察骨質結構及密度的改變,如腰椎骨折、骨質破壞等;并應用CT重建技術對椎弓根、椎體上進行各影像參數測量[3,4]。所有這些臨床的應用,都以精準的定位和準確的識別椎體各結構為先決條件。

近年來,隨著U-Net卷積神經網絡在醫學圖像分割中的廣泛應用,已有多位學者在CT、MR圖像上應用不同學習網絡完成腰椎各結構的分割及定位,且結果較為準確[5-9]。本研究中所建立的CT圖像上腰椎各主要結構的3D U-Net分割模型具有較好的分割效能,與醫師手工標注標簽相比,各分割模型預測標簽在測試集中亦具有良好的準確性。既往Cheng等的研究中,采用兩階段的Destiny-U-Net進行椎體自動定位和分割,對椎體分割的Dice系數為0.953±0.014,Hausdorff距離為(4.013±2.128)mm;Yu等[10]基于多圖譜分割算法對21張腰椎CT圖像進行各椎體分割,Dice系數為0.939±1.0,Hausdorff距離為(0.41±0.08)mm。本研究與既往研究相比,采用了更大的數據量構建分割模型,腰、骶椎分割模型預測結果的Dice值和Hausdorff距離優于同類研究,達到了后續進一步對椎體及附件結構各徑線測量的要求。同時本研究完成了椎間盤及硬膜囊結構的分割,測試集中,椎間盤及硬膜囊的Dice系數均>0.96,達到了基于椎間盤標簽進行自動定位及各椎間盤水平硬膜囊徑線測量的需求。

椎體自動定位方面,既往研究在椎體定位中多基于椎體形態,采用隨機森林、決策樹、YOLOv5等算法實現[7,11-13]。但基于椎體的自動定位仍面臨一些挑戰,例如創傷或病理性骨折引起的椎體形態改變導致椎體定位偏移。也有部分學者在MR圖像中以椎間盤為標志定位,應用Dijkstra’s最短距離算法完成椎間盤的自動檢出及定位[14],定位精度達96.25%。在本研究中,我們訓練了3D U-Net模型用于分割腰骶椎各主要結構,并基于模型預測的椎間盤標簽,應用連通域算法可以簡單、快速完成椎間盤的自動定位,定位準確率達98.7%。

本研究還存在一定的局限性,此次入組的數據為臨床工作中的實際病例,病種以腰椎退行性骨關節病為主,后續研究我們將針對多種脊柱疾病收集大樣本數據來提升模型的泛化能力,也為進一步術前影像參數測量做準備。椎間盤定位方面,本研究中因先天發育變異所致的腰5橫突肥大,考慮后續研究中增加一批同類樣本數據進行學習,從而實現椎間盤自動定位的精準度。對于存在移行椎的病例,我們考慮在實際臨床工作中,醫師仍需結合頸胸椎影像圖像判定是否存在移行椎,此類模型預測出現的偏移尚可接受。

本研究旨在為腰椎CT圖像自動化評估流程打下基礎。本研究提出的深度學習模型可完成腰、骶椎椎體、椎間盤及硬膜囊的自動分割和定位,有望用于腰椎CT圖像上病變的定位和測量,如腰椎骨折患者術前椎弓根徑線測量、腰椎管狹窄患者各椎間盤水平硬膜囊的徑線測量等,并將測量結果自動生成在結構化報告里,在日常的工作中,可減輕影像醫師繁瑣的測量任務,提高工作效率、增加報告的可讀性及臨床應用性。