图像识别技术在骨质疏松诊断中的应用 / 四六文摘

作者：

上海交通大学附属第一人民医院创伤中心骨科

李太锡邓国英王秋根

摘要

影像学检查是骨质疏松诊断的重要手段。传统的人工阅片方式依赖于医生个人经验，不同医生的诊断结果可能存在差异。目前常用的双能X线吸收法尚有缺陷。图像识别技术作为自动化检测影像的技术，可以迅速且客观地提供多方面信息。该文针对图像识别技术及其在骨质疏松中的应用进行综述，介绍了几种骨科影像识别技术，并对其发展现状与优势进行阐述。

骨质疏松是以骨量降低与骨组织微结构破坏为特征的代谢性疾病。影像学检查是骨质疏松诊断与评估的重要方法。临床医师主要通过人工方法进行阅片与分析，以个人临床工作经验为基础判断患者病情。然而，人工阅片有两大缺陷：一是识别效率有限；二是不同阅片者的水平与经验差异会导致诊断结果不一致^[1]。

近年来，随着图像识别技术的兴起，应用计算机技术进行医学影像识别与诊断正逐步成为可能。这一技术可从影像数据中提取典型特征，利用精密设计的算法辅助临床医师判断病灶。不仅如此，在医学图像大数据时代，图像数据数量与复杂度飞速提升，同时数据结构趋于碎片化，医学研究往往需要大量的整合工作^[2]。在这一背景下，图像识别技术的应用可客观准确地实现信息系统整理，极大提高临床工作的效率。

图像识别技术

图像识别技术是指通过计算机技术对图像进行处理与分析，识别并选取特定区域与目标的技术，其步骤一般包括图像获取、重点区域识别、区域分割、提取描述性特征、特征库填充及基于算法模型的分类^[3]。其中最关键的步骤为区域分割，要求分割后的图像相对于原始图像信息差异最小，从而提高识别的准确性^[4]。

作为最关键的步骤，区域分割有多种方法：阈值分析、区域增长、聚类分析、马尔科夫随机场与神经网络等^[5]。目前最受关注的方法为神经网络技术。神经网络具有多个算法层次，可用于处理不同抽象程度的图像数据，帮助计算机识别复杂的图像数据结构，并在识别过程中自动学习图像的分析方法^[6]。随着大数据应用的普及以及图形处理单元的更新，神经网络技术日趋成熟，借助神经网络技术，深度学习在医学影像识别中得以实现^[6-7]。

传统的基于内容的图像检索(CBIR)依靠手动输入目标特征进行图像选取，易造成输入特征以外的信息丢失^[8]。而深度学习模仿人类大脑，通过多层次结构进行学习，以自动形成的复杂图像特征代替手动输入的单一特征，从而减少了信息丢失。

Qayyum等^[9]研究证实，基于深度学习的图像识别具有比CBIR更高的精度。Kim等^[10]应用卷积神经网络技术识别脊椎结核与化脓性脊椎炎的MRI影像，发现神经网络分类器与3位放射科医生的读片结果无显著性差异，证明了应用神经网络技术自动识别医学影像的可行性。

图像识别技术应用于骨质疏松诊断

2.1　骨密度识别技术

骨密度(BMD)降低是骨质疏松的直接病理表现之一，通过BMD可以及时评估骨质疏松的情况。常用评价BMD的影像学方法是双能X 线吸收法(DXA)。由于DXA简单、快速、分辨率高，世界卫生组织(WHO)将其作为骨质疏松诊断的金标准^[11]。

包括X线、CT在内的影像学技术一般需要人工阅片，短时间内难以定量测定BMD，只能定性诊断骨质疏松，但结合图像识别技术，基于X线片与CT影像也可以高效准确地测定BMD。

2.1.1　基于X线片的BMD识别技术

相比于CT检查，X线检查使用更为广泛，且成本低廉。X线片上BMD自动识别一般依靠灰度识别来完成。

该技术包括以下步骤：

①编码，在每个像素中用灰度值替代图像；

②预处理，降噪与增强对比度；

③分割，根据灰度值变化确定边界；

④特征提取；

⑤结构分析^[12]。

X线片最大的局限在于只能在二维平面测量BMD。对均匀的不规则骨进行X线照射，不同的照射方向会影响X线穿透距离，使衰减程度产生变化，从而影响BMD 数值。因此，在BMD测量过程中，患者姿势、角度均会对测量结果产生影响。

图像识别技术则提供了避免这一影响的可能。具有深度学习功能的图像识别技术可以根据以往读取的影像，调整识别对象的位置参数，拟合出最适合BMD测量的位置，尽可能避免角度的影响。

Thodberg等^[13]在基于手掌X线片的BMD测量中，采用主动形状模型(ASM)算法并进行改进，使掌骨模型三维坐标轴的建立不受手的位置与角度变化干扰，提高了通过测量BMD进行骨质疏松诊断的准确率，自动识别结果与临床诊断符合率为99.5%。

2.1.2　基于CT影像的BMD识别技术

与二维平面的DXA相比，CT检查的出现将影像分析提高了1个维度。在此基础上，定量CT(QCT)技术逐渐成熟，并成为诊断骨质疏松的新途径。

借助图像识别技术，QCT可以根据CT影像直接测量BMD。与DXA测得的面积BMD(aBMD，单位为g/cm2)不同，QCT测量的结果为体积BMD(vBMD，单位为g/cm3)，可以更直观地反映骨量变化^[14]。QCT技术的另一特点为可以单独测量骨皮质与骨松质的密度，考虑到骨松质代谢活性较骨皮质高，一般取骨松质密度作为骨质疏松的敏感指标^[15]。

QCT的步骤包括：

①载入CT影像；

②划定感兴趣区域(ROI)；

③自动分割骨边缘；

④测定ROI面积与位置；

⑤与校准体模对比计算BMD^[16]。

其中图像识别技术主要用于骨边缘的自动分割。卫娇等^[17]使用反向传播(BP)神经网络方法进行骨皮质分割，经样本训练后，系统对髋骨骨皮质识别的正确率达到90%，提高了骨边缘分割的效率与学习能力。QCT技术影像分辨率高，且可区分骨皮质与骨松质，为骨质疏松的诊断提供了更精确的信息。

Norton等^[18]借助计算机软件自动识别口腔区域CT影像，根据影像中骨骼区域灰度值评价BMD，结果表明自动识别的BMD与临床主观骨质量评分之间具有强相关性，图像识别技术测量BMD的可靠性得以证实。但QCT技术同时也有高成本、高辐射、操作者依赖性强等缺点^[16]。

为普及这一技术，部分学者对QCT技术提出改进。Brown等^[19]提出新的QCT技术，该技术不必依赖于标准体模进行同步校准，而是使用标准数据集与患者CT影像进行比较，使BMD测量更便捷，且其扫描结果与传统QCT技术无显著性差异。

2.2　骨小梁识别技术

相比BMD，骨小梁结构对骨质疏松更加敏感，同时它也是影响骨脆性的关键因素^[20]。诊断骨质疏松可根据骨小梁的3个参数：数量、厚度与间距。

早期受X线片低分辨率所限，测量骨小梁参数的方法是显微镜下观察骨切片。这是一种有创的检测，仅用于研究而不被用于临床诊断。随着技术的进步，医学影像的分辨率大大提升，目前在X线片、DXA与CT影像中均可观测骨小梁，也为图像识别技术评估骨小梁提供了基础。

2.2.1　基于X线片与DXA的骨小梁识别技术

虽然X线片仅能显现骨小梁的二维投影，但考虑到其在骨科中的广泛应用，X线片仍然是骨小梁自动识别的重要途径。基于X线片的骨小梁自动识别技术主要依靠对骨小梁影像的纹理分析，而由于X线片显示的骨小梁结构是相互叠加的，骨质疏松患者与正常人的骨小梁纹理有时难以区分。目前利用X线片进行骨小梁自动识别模式仍需改进。

Houam等^[21]将局部二值模式进行改进，从平面内多条直线上记录骨小梁灰度变化，并同时结合骨松质整体分析，提出一维局部二值模式，用于骨小梁结构自动识别，这一图像识别模式对骨质疏松患者的筛选敏感率比传统模式更高。

由于设备的更新，目前DXA的功能不再限于BMD测量，也可用于骨小梁成像，且成像更为清晰。在DXA影像中，可用骨小梁评分(TBS)间接评价骨小梁结构。在骨小梁的投影上，致密的骨小梁分布表现为投影的高像素值与微小的像素值变化幅度，有孔的骨小梁分布则相反，像素值变化的斜率即为TBS。

借助TBS，能发现骨脆性增加但BMD在正常范围内的骨质疏松^[22]。TBS是独立于BMD的参数，与BMD无显著相关性，但与CT影像显示的骨小梁基础参数显著相关^[23]。

2.2.2　基于CT影像的骨小梁识别技术

常规可使用软件依据CT影像半自动测定识别骨小梁。一种方法是平均截距长度法，首先划定感兴趣的区域，然后生成多条测量线并记录其在区域内的截距，测量骨小梁体积与表面积，从而估计骨小梁数量与厚度等参数^[24]。另一方法是三角测量法，即以三角形划分感兴趣区域，计算被分割的骨小梁形成的四边形面积在三角形面积中的比例，从而得出骨小梁面积^[25]。

这些方法减少了骨小梁参数测算的工作量，但仍需要较多的手动操作，测算结果容易受到操作者影响。因此，新的骨小梁识别系统要求更少的人工操作与更高的精确度。叶含笑等^[26]使用改进的扫描种子填充算法，解除了原算法在空间上的限制，可以更稳定地提取图像特征，减少手动操作，提高骨小梁识别的客观性。

随着影像技术的进步，微CT的出现使骨小梁参数测量精确度大大提升，也使骨质疏松自动化识别踏入新的领域。Bouxsein等^[27]针对微CT影像，制订了骨小梁识别过程中各步骤的操作指南与相关指标记录标准，对图像识别技术在微CT识别中的应用进行规范化，为这一技术在未来的广泛使用提供了可能。Das　Neves　Borges等^[28]诱导小鼠发生骨关节炎，并使用影像识别软件依据微CT影像测量胫骨平台软骨下骨小梁参数，结果与人工评估结果无显著性差异，证明基于微CT影像的图像识别技术在识别骨小梁方面的实用性。

近年来，一些学者开发出新的骨小梁参数以用于骨质疏松的识别。其中之一是结构模型指数，即杆状骨小梁与板状骨小梁的分布特征。有学者依据微CT影像使用拓扑方法分割骨小梁，然后建立骨的弹性模型，分别检测杆状骨小梁与板状骨小梁对骨弹性的影响，结果显示高比例的板状骨小梁会提高骨的弹性^[29]。

得出这一结论后，该研究团队基于数字拓扑分析技术开发了新的算法，将骨小梁分割为独立的杆状与板状骨小梁，基于图像的有限元分析将独立骨小梁的方向与长度等参数进行组合，确定了一系列新的骨小梁量化参数，从而补充了骨质疏松判断的量化指标^[30]。Rozental等^[31]利用骨小梁单独分割系统测量桡骨远端骨折者与未骨折者一系列结构模型相关参数，证明板状骨小梁体积、数量与厚度均与骨折相关，也表明图像识别技术在结构模型指数测定中的实用性。

2.3　骨皮质微结构识别技术

骨皮质微结构更小，其识别需要更高的分辨率，导致图像识别技术在骨皮质领域的应用出现较晚。与骨小梁识别技术相同，基于微CT影像的骨皮质识别技术可实现骨皮质微结构的自动识别。

骨单位参数与骨小梁参数相类似，例如骨板厚度和间隔与骨小梁厚度和间隔相对应。因此，识别骨小梁的一些算法可以直接套用到骨皮质识别中。但由于骨单位形成不完全闭合的网状结构，而非骨小梁形成的闭合环状结构，传统的拓扑结构分析可能造成识别错误。Cooper等^[32]开发出一种专门识别骨单位的图像分析软件，用于识别管状结构的中心轴，从而得到哈弗氏管的网状结构，在此基础上识别骨架周围的空腔与骨板，得到完整的骨皮质微观结构。

骨质疏松的影像学特征之一是骨皮质厚度降低，这一宏观特征的微观基础是骨皮质微观结构改变。Shanbhogue等^[33]使用基于双阈值技术自动分割方法分割骨皮质单位，计算皮质空隙体积占皮质总体积的比例，结果显示绝经前妇女皮质孔隙度较绝经后低。Granke等^[34]使用半自动程序建立骨皮质孔隙度模型，分析截面上空隙灰度与宽度变化，证实低骨质面积分数和高皮质空隙度会降低骨强度。

骨皮质二维图像只能反映骨单位横截面，诊断价值有限。随着三维重建技术的出现，骨皮质结构得以更直观地呈现，为相关研究提供了新的手段。Maggiano等^[35]根据微CT影像建立骨皮质三维模型，将哈弗氏管分支分为横向分支与二分支2种，并发现了分支种类的年龄相关趋势，更好地解释了镜下骨骼微观形态的变异。

结语

图像识别技术主要用于宏观与微观的骨参数提取，但仍处于研究阶段，图像分割、特征提取与算法设计还有着诸多不足，在充分改进之前尚不能进行普遍的临床应用。同时，图像识别技术走向临床要克服的也不仅仅是技术上的难题，还包括临床医生计算机技能的不足、患者可能的质疑心理等。

因此，这一技术在临床的推广将有一段很长的路要走。但凭借其高效率、高精度与客观性的特点，图像识别技术有望成为未来辅助骨质疏松影像学诊断的主流技术。

★

作者简介

★