CT图像增强辅助诊断系统在椎间盘突出诊断中的应用研究

2020-12-30黄鸣宇吴丽梅邝晓东彭伟清

中国医学装备 2020年12期

黄鸣宇吴丽梅邝晓东彭伟清*

椎间盘突出症是我国常见的慢性疾患之一，主要由椎间盘髓核、纤维环以及软骨板退行性病变后加之外力作用下引起。纤维环断裂后髓核脱出椎管导致神经丛机械性挤压，产生肢体麻木、疼痛等症状，给患者工作和生活带来严重影响。近年来，随着人们生活方式的转变以及老龄化进程加快，椎间盘突出症呈上升趋势[1]。其中，以腰椎间盘突出症(lumbar disc herniation，LDH)增长率为主，约占新增患者90%以上[2]。临床诊断中，由于脊柱成分及结构复杂，如何凸显出组织及其解剖结构，尤其是脊髓、韧带及血管等软组织特征，精准医学要求诊断从定性观察提升为定量化分析诊断，对传统诊断模式形成挑战。采用现代数据分析理念如何深度挖掘CT影像信息，实现临床知识转化，进而提高诊断效率，降低阅片过程临床医师的精力消耗，弥补基层临床薄弱的现状，成为亟需解决的问题。

随着影像学的发展和工程技术的进步，计算机断层成像(computed tomography，CT)技术在诊断精度上已取得了长足的进步[3]。通过多排CT椎体显像，临床医师可通过观察脊柱侧方代偿性凸起、韧带间骨赘、椎间隙狭窄程度等[4-5]影像特征直观诊断LDH，逐渐成为脊柱外科影像诊断的基础方法。基于此，本研究采用CT图像增强辅助诊断系统对临床椎间盘突出诊断中的应用效果进行分析研究。

1 资料与方法

1.1 临床资料

选择2015年7月至2019年11月中山市中医院收治的161例经微创手术确诊为LDH患者，将其临床医疗档案数据作为研究样本，其中男性93例，女性68例；年龄37～65岁，平均年龄(51.90±14.90)岁。患者均伴有腰腿痛、单(双)侧下肢麻木等症状，主诉症状持续平均时间为(1.41±0.62)年，其中25例存在腰部外伤史，11例为骶髂关节损伤，8例为椎体骨折，16例为锥孔狭窄及骨质病变。本研究已征得医院医学伦理会批准，且患者及家属均知情同意。

1.2 纳入与排除标准

(1)纳入标准：①具有腰椎间盘突出症的患者，并经常规CT及MRI检查；②微创手术确诊LDH的患者。

(2)排除标准：①无其他腰椎手术病史；②无完整的CT及MRI影像资料；③无癌症及血液病等重大疾病。

1.3 仪器设备

采用Aquilion 64排CT(日本东芝公司)；Signa 1.5T核磁共振仪(美国GE公司)。

1.4 检查方法

测试均采用Aquilion 64排CT，患者取卧姿，采用定位拍摄，扫描范围为胸12至骶1，扫描层厚及间距均为3 mm。

1.5 CT图像增强辅助诊断系统

通过图像增强技术，为后续分析及临床诊断提供层次分明、清晰直观的影像信息。基于功能分析，采用机器学习方法实现CT图像增强处理、椎间盘的定位，并在此基础上实现LDH风险评估，为临床诊断提供定量分析及辅助诊断方法。CT图像增强辅助诊断系统流程见图1。

图1 CT图像增强辅助诊断系统功能流程

1.5.1 CT图像增强

CT影像成像原理较之核磁共振图像高低密度对比度强，但脊髓、韧带及血管等软组织图像特征较弱[6]。在LDH影像中，需要采用图像增强技术提高髓核、锥动脉、纤维环、锥间韧带、神经丛等显像对比度。CT图像由于受到拍摄设备、环境、患者状态、拍摄手法等影响，可能存在灰度分布偏差、细节失真等问题，需要采用图像增强方法调整灰度分布并增强对比度，提高诊断效果。CT图像增强采用直方图均衡化算法实现图像增强，该算法在实现图像灰度分布均匀的基础上避免了过度曝光的问题，同时实现了邻域间像素间灰度关联[7]其计算为公式1：

式中sk为转换像素，rk为原CT图像像素，L为灰度范围，M为原始图像宽度，N为原始图像高度，Pr(rj)为像素rk出现的概率，nj为像素值为j的个数。

系统采用openCV图像分析库函数equalizeHist实现CT图像增强功能：

1.5.2 椎间盘定位

为提高诊断效率，降低运算量，椎间盘诊断需要检测受检感兴趣区域(region of interest，ROI)，即椎间盘区域。检测精度越高，能够最大限度剔除周边组织，并保留目标区域[8-9]。采用深度学习Faster R-CNN算法实现脊椎轮廓、独立椎骨轮廓ROI区域检测功能，最终通过轮廓重叠分割出椎间盘区域[10]。

1.5.3 LDH定量分析与辅助诊断

LDH的定量分析与辅助诊断首先应完成椎间盘区域分割，精准分割结果不仅能够降低背景图像干扰，降低计算量，同时能够最大程度保留椎间盘区域特征，提高定量分析准确性与辅助诊断可信性，其流程为：①椎间盘区域分割椎间盘区域分割采用深度学习U-Net网络结合K-means聚类模型[11-12]实现；②椎间盘区域特征选择与定量分析根据临床先验知识，LDH通常在CT影像中伴有椎间盘变性、钙化、脊髓变形、硬膜囊受压、神经根受压、椎间盘积气等典型特征[13-17]。

通过上述特征检测构建支持向量机(support vector machines，SVM)分类器，实现椎间盘突出分类诊断功能，其实现过程包括选取LDH关联特征作为SVM输入变量，分别通过深度学习、数字图像处理、机器学习等方法获得对应特征信息。将提取后SVM输入变量经预处理后结合临床确诊结果形成样本数据，基于训练样本数据训练并形成SVM辅助诊断模型。LDH特征参数及分析方法见表1。

表1 LDH特征参数及分析方法

1.6 统计学方法

采用SPSS20.0软件对研究数据进行统计处理。率的比较采用卡方检验，计数资料采用x2检验，以P＜0.05为差异有统计学意义。

2 结果

测试结果采用Signa 1.5T核磁共振诊断结果对照分析。将161例患者的临床医疗数据载入CT图像增强辅助诊断系统后与核磁共振对比，系统经迭代运算后，LDH阳性检测准确率为96.89%，已接近核磁共振阳性检测98.14%的结果，差异无统计学意义(x2=0.51，P＞0.05)；在阴性检测方面，CT图像增强辅助诊断系统准确度为85.71%，低于核磁共振检测91.43%的结果，差异无统计学意义(x2=0.56，P＞0.05)。在测试时间上，辅助诊断工具平均检测耗时12.43 s，略快于核磁共振的13.67 s。测试结果见表2，系统运行界面见图2。

表2 两种检测方法的检测结果比较[例(%)]

图2 系统运行界面图

3 讨论

在Faster R-CNN训练网络构建中，将训练图片序列输入卷积神经网络(convolutional neural networks，CNN)传入共享卷积层，共享卷积层分别将数据转发至特有卷积层及区域生长网络(region proposal network，RPN)，分别提取图块特征。RPN提取特征信息经滑动窗及卷积层生成区域网络建议及对应得分信息[9]。图块特征及区域建议输入ROI池化层关联后形成区域建议特征，输入全连接层后形成区域边框回归及对应分类结论。

脊椎轮廓检测模型训练基于默认预训练结果实现，预训练模型采用经典CNN模型视觉几何组(visual geometry group，VGG)[10]。基于训练数据迭代训练RPN网络，从训练完成的RPN网络中生成网络建议，构建Faster R-CNN初始网络。在Faster R-CNN初始网络基础上，分别训练Fast R-CNN、RPN网络。网络收敛后更新网络建议形成最终脊椎轮廓检测模型。椎间盘区域的检测中，待测CT图像数据分别传入脊椎轮廓、独立椎骨轮廓ROI区域检测模型，将脊椎轮廓检测模型检测后生成图像分割掩模。基于独立椎骨轮廓图像训练数据构建Faster R-CNN检测模型，实现脊椎轮廓内椎骨轮廓检测功能。

U-Net为基于全卷积网络下语义分割深度学习网络，具有样本需求量小、分割准确率高、自我调节能力强、数据利用率高、训练周期短等优点，可满足本研究中稀疏注释的分割图像数据[12]。基于U-Net网络实现椎间盘区域分割通过Faster R-CNN椎间盘定位模型分别生成对应脊椎轮廓及椎间盘区域掩模[13]。将椎间盘区域掩模与CT图像执行逻辑与运算，屏蔽椎间盘区域外图像背景影响，将临床医师标注后椎间盘区域训练数据块序列代入U-Net网络输入层，经镜像、卷积、池化层逐层执行降采样操作，形成图像特征图谱序列[14-15]。将图像特征图谱序列与对应图块标签信息迭代训练后形成分类网络。网络收敛后可将待分割图块序列输入U-Net网络模型经分类、反卷积、池化等操作形成分割结果。

SVM方法具有泛化错误率低、支持小样本建模、分类准确率高等特点，能够满足设计功能[16-17]。椎间盘区域特征选择与定量分析功能包括：LDH关联特征提取、SVM辅助诊断模型训练以及LDH辅助诊断等模块组成。

随着机器学习为代表的智能分析技术的发展，基于深度学习方法的数字医学图像分析技术已在早期肺结节筛查、糖尿病视网膜病变辅助诊断等领域应用，为椎间盘突出疾病辅助诊断及伤情评估创造了条件[18-19]。本研究采用智能分析方法针对LDH诊断中存在的图像软组织对比度低、定量分析及辅助诊断等问题，构建基于CT图像的椎间盘辅助诊断工具。

腰部疼痛是LDH的主要外在表征，通常由单侧或双侧的脊柱凸出神经受挤压所致。然而，临床上包括腰椎间盘突出症、骶髂关节损伤、腰部椎管狭窄症、椎体骨折、腰椎退行性病变、腰椎滑脱、腰椎间盘源性腰痛等多种疾病均可能表现为该症状[20-22]。如何实现上述疾病的鉴别诊断，并为临床提供科学可靠的诊断依据成为需要解决的核心问题。从解剖特征分析，LDH的CT影像通常包括脊柱侧方代偿性凸起、韧带间骨赘等定性特征以及椎间隙距离及椎间盘积气宽度[17]等定量特征[23]。基于图像特征实现椎间盘分割，进而通过LDH诊断特征检测，构建鉴别诊断模型，实现LDH辅助分析功能，并为临床提供定性定量诊断依据。

在本研究测试中，采用CT图像增强与人工智能辅助诊断方法，其诊断结果准确，接近核磁共振诊断结果。经分析认为：CT图像与核磁共振相比诊断直观，可直接呈现解剖特征，结合图像分析算法，可凸显不同密度分辨率下组织区域，对钙化、椎间盘积气、组织形变等特征检测具有较高特异性[1]的量化分析。数字图像分析技术可增强软组织图像对比度，可采用相关因素间接评估椎间盘形变特征，拓展了CT诊断能力及范围，较之肉眼观察，受对比度、图像噪声干扰较小。CT检查对脊椎椎体轮廓、骨骼细节具有较高的诊断价值，检测经济、快捷且患者认可度高，适合急诊及体检大规模筛查等应用场景。采用智能分析算法评估队列样本椎间盘积气程度及其变化规律，可为椎间盘退行性变化、椎间盘突出预测提供诊断依据。但在本研究测试中，采用辅助诊断算法实现骶髂关节损伤诊断误判较多，分析与算法LDH特征选择具有相关，容易受到组织形变类疾病的干扰，故在后续研究中将引入更多相关因素，提高鉴别能力。同时，测试结果也受到样本数量影响，如ROI检测，前期需要采用人工标注修正区域建议特征，不断完善模型功能，下一步将扩大样本量，提高深度学习模型精度。