深度學習用于肩關節影像學研究進展

鄭喻文,武玉花,陳曉飛,董馥聞,王 平,周 晟*

(1.甘肅中醫藥大學第一臨床醫學院,甘肅 蘭州 730000;2.甘肅省中醫院放射科,甘肅 蘭州 730050;3.甘肅省人民醫院放射科,甘肅 蘭州 730000)

肩痛在肌肉骨骼疼痛中居第三位[1],一般人群終生患病率為6.7%～67%[2]。肩袖損傷、肩關節不穩定(shoulder instability, SI)等均可引起肩痛。影像學可通過定性、定量分析肩關節形態學[3]、運動學[4]及解剖學[5]變化評估肩部疾病,但較為耗時,且存在一定主觀誤差。人工智能(artificial intelligence, AI)技術輔助自動定量、定性診斷可提高診斷準確率[6],而機器學習(machine learning, ML)和深度學習(deep learning, DL) 技術為其基礎[7]。本文對DL用于肩關節影像學研究進展進行綜述。

1 分割肩關節影像

肩關節骨骼、肌肉及脂肪含量與多種疾病密切相關,精確分割各組織是量化評估的基礎,可由經驗豐富的醫師辨別并手動勾畫其邊界,或根據其影像學特征設置閾值進行自動分割。WANG等[8]利用脈沖耦合神經網絡和全卷積神經網絡(fully convolutional network, FCN)、以基于圖像塊的AlexNet和U-Net構建分割肩關節MRI模型,包括分割肱骨模型、分割關節骨模型、分割肱骨頭模型及合成模型,其分割敏感度及戴斯相似系數(Dice similarity coefficient, DSC)最佳值分別達0.96及0.97。KIM等[9]基于nnU-Net(Non new U-Net)分割3D MRI所示肩袖撕裂(rotator cuff tear, RCT)患者肌腱、肌肉、骨骼及軟骨的DSC分別為0.807、0.858、0.978及0.808。LEE等[10]對肩袖全層撕裂患者以3D U-Net分割3D MRI中的撕裂區域,其DSC達0.943。CONZE等[11]基于雙側肩關節MRI數據構建VGG-16擴展U-Net分割模型對12例單側分娩致臂叢神經麻痹患兒分割肩關節肌肉,其分割三角肌(0.824)、岡下肌(0.820)、岡上肌(0.710)及肩胛下肌(0.828)的DSC均優于單一U-Net(0.783、0.816、0.657、0.814)。

SAAVEDRA等[12]根據Goutallier分級標準,基于VGG-19、Inception-v3和ResNet-50對T2WI所示肩袖損傷患者岡上肌脂肪潤浸進行分級,其中VGG-19的診斷效能最佳,其受試者工作特征曲線下面積(area under the curve, AUC)達0.991。TAGHIZADEH等[13]以U-Net自動量化和表征CT所示盂肱骨性關節炎肩部肌肉萎縮和脂肪浸潤水平,其自動分割肩袖肌肉的平均DSC達0.88,評估肌肉萎縮、脂肪浸潤和整體肌肉變性效果良好(R2=0.87、0.91、0.91)。RO等[14]利用VGG-19分割MRI中的岡上肌,其分割岡上窩和岡上肌的DSC分別達0.97、0.94,準確率均高于99%。以Otsu閾值技術定量分析岡上肌脂肪浸潤程度的程序簡單,具有無監督特性,可自動、穩定地選擇1個最優灰度閾值,且能利用圖像其他特征直方圖對目標進行分類;對于嚴重脂肪浸潤,先以直方圖均衡化調整圖像對比度后再行分析可獲得更好效果。RIEM等[15]以3D U-Net和Otsu閾值技術于RCT患者肩部3D MRI中分割肱骨、肩胛骨、鎖骨及肩袖肌肉,定量評估岡上肌脂肪浸潤率,其平均DSC均高于0.90。近年逐漸于相關研究中基于DL識別分割誤差、自動估計分割精度。HESS等[16]針對RCT患者以nnU-Net分割肩關節3D MRI中的肱骨、肩胛骨及肩袖并自動檢測分割誤差,其平均DSC為0.91、平均敏感度達1.0。

當前DL用于分割肩關節影像已可實現分割疾病區域及較小解剖結構,準確率逐步提高,但多數模型仍需進一步優化后用于臨床。

2 肩關節MRI質量控制

近來DL已用于肩關節MRI質量控制,以降低圖像噪聲、縮短掃描時間并保證圖像質量;其中,DL-MRI重建算法(AIRTMRecon DL)及高級智能Clear-IQ引擎(advanced intelligent clear-IQ engine, AiCE)去噪技術較為常用。

DL與多種快速成像技術相結合有助于打破MR掃描時間與圖像質量難以兼顧的困境。HAHN等[17]及KANIEWSKA等[18]的研究結果表明,以DL重建MRI的圖像質量及偽影評分均與標準序列圖像相當而掃描時間縮短,且 DL重建圖像顯示肩峰下囊增厚效果較好。OBAMA等[19]采集肩關節PI并行壓縮感知(compressed sensing, CS)成像及基于AiCE的PI、CS成像,AiCE圖像的信噪比和對比度均有所改善;而無論是否應用AiCE,CS組MR檢查時間均短于PI組。SHIRAISHI等[20]認為DL可通過改變圖像比例而調整降噪水平且無需經過DL重建過程;應用AiCE后圖像整體質量有所提高。FEUERRIEGEL等[21]報道,針對肩痛患者,利用DL可提高MR圖像質量,且評估病變準確性較高。ZHAO等[22]對膝關節及肩關節3D MRI以自動切片定位模型進行2D圖像切片定位,先以多分辨率區域提案網絡于3D MRI中提取感興趣體積,再以V-net類分割網絡分割圖像,其準確率及精度均高于85%。

3 檢測肩袖疾病

肩袖損傷是常見肩部疾病之一,自愈力低,早期診斷、及時干預對改善預后至關重要。DL基于MRI診斷RCT效能優異,亦可基于肩關節X線片篩查RCT。

MINELLI等[23]采用InceptionV3結合可微空間數值轉換法預測X線片中的臨界肩角(critical shoulder angle, CSA)的關鍵點并計算其角度,其預測CSA的中位誤差為0.95°,標準差為0.97°,有助于初步篩查肩袖疾病。KANG等[24]以關節鏡為標準,應用梯度類加權激活映射技術基于腋窩位X線片識別肱骨小結節改變,評估肩胛下肌腱撕裂(subscapularis tendon, SSC),其AUC為0.83;由于關節鏡可能未完全展現肱骨小結節處SSC,導致訓練數據中存在噪聲樣本而影響了模型的準確率,有待后續開展前瞻性研究進一步評估。KIM等[25]以超聲或MRI為標準,在肩關節前后位、岡上肌出口位、尾傾30° X線片中進行分類標注[0(正?；蛐∮?0%的RCT)或 1(大于50%或全層RCT)]以訓練DL模型,其診斷大于50% RCT的AUC為0.91、陰性預測率達96.6%。

YAO等[26]采用Resnet及U-Net多輸入CNN評估MRI所示岡上肌腱撕裂,后者診斷岡上肌腱撕裂的AUC達0.943。SHIM等[27]以關節鏡、DeOrio和Cofield評級結果為標準,利用Voxception-ResNet針對1 360例RCT及764例非RCT患者的肩關節MRI進行訓練及測試,其診斷RCT的準確率(92.5%)、診斷用時(0.01 s)均優于外科醫師(76.4%及20.3 s);且該網絡采用弱監督學習方法,雖僅標記正常及撕裂大小,但仍能基于三維數據獲取病灶位置、大小并生成熱圖。KEY等[28]采用Vision VGG-19構建DL模型,通過淺層標準分類器——k最鄰近分類算法、支持向量機和人工神經網絡對112例患者的295幅軸位、406幅矢狀位和468幅冠狀位MRI進行分類,其基于軸位、矢狀位及冠狀位MRI診斷肱二頭肌肌腱炎RCT的精度均達96%。

4 評估SI

SI指肩關節脫位致盂唇、關節囊及骨性結構等損傷并使關節動態及靜態穩定性下降[29]。目前DL智能量化評估SI尚處于初步探索階段。盂肱關節骨缺損(glenoid bone loss, GBL)為SI常見病因,GBL達20%～25%時多需行關節鏡下Bankart修復術,修復效果較差時需行植骨手術[30]。有學者[31]以基于U-Net的2D與3D CNN全自動分割并量化質子密度加權MRI所示多種肩部疾病患者肩關節解剖學參數,包括肱骨頭直徑、寬度,以及關節盂直徑、寬度及高度,結果顯示2D模型分割肱骨及關節盂的DSC分別為0.95、0.86,3D CNN模型分別為0.95、0.86,3D CNN模型測量肩關節解剖參數最大平均誤差為1.9 mm,評估GBL百分比最大平均誤差為4.67%。ZHAO等[32]以2階段網絡基于肩關節CT分割并測量關節盂骨缺損,發現先以ResNet-101定位關節盂所在CT切片可減少后續U-Net對關節盂的錯誤預測;之后以U-Net從關節盂CT切片中分割關節盂,ResNet-101的準確率達99.28%,U-Net的平均交并比達0.96,提示其分割準確性良好。

5 評估肩關節植入物

肩部嚴重損傷或關節感染時,需植入假體進行修復。DL技術有利于分類植入物、預測療效及評估預后,從而制定個體化治療方案。YI等[33]訓練ResNet-18用于檢測X線片中的肩關節置換術植入物、區分全肩關節置換術(total shoulder arthroplasty, TSA)與反置式人工全肩關節置換術(reverse total shoulder arthroplasty, RTSA),并訓練5個ResNet-152以區分5種不同TSA模型,結果顯示ResNet-18檢測肩關節置換術植入物的AUC為1.0,區分TSA與RTSA的AUC為0.97,而ResNet-152區分5種TSA模型的AUC均高于0.86。SULTAN等[34]利用改良ResNet-50、DenseNet-201和1個淺層連接網絡組成密集殘差網絡,其分類X線片中4種肩部植入物的準確率達85.92%。KUMAR等[35]納入7 811例肩關節置換術患者,采用線性回歸、決策樹及DL 3種ML方法建立模型,以預測術后多種臨床預后相關指標(美國肩肘外科協會評分、美國加州大學肩關節系統評分、疼痛視覺模擬評分等),其預測準確率均較好,預測預后達到最小臨床重要性閾值的AUC為0.79～0.97,其中DL技術預測各指標的平均絕對誤差最小。

6 小結與展望

DL用于肩關節影像學雖已表現出優異的性能和魯棒性,但仍存在不足：①目前DL在肩部的應用多為肩袖疾病,而較少用于SI、盂唇損傷及凍結肩等;②多采用單中心數據訓練模型,且圖像質量控制無統一標準;③多以監督學習技術及基于2D圖像構建DL模型。期待不久的將來能夠制定圖像質量控制相關標準,并基于影像學獲取3D信息,實現弱監督及無監督學習訓練。

利益沖突：全體作者聲明無利益沖突。

作者貢獻：鄭喻文查閱文獻、撰寫文章;武玉花查閱文獻;陳曉飛和董馥聞修改文章;王平審閱文章;周晟審閱文章、經費支持。