基于AI技术的腰椎X射线图像质量控制模型的构建与应用

邓青山，陈晓，刘鑫淼，王强，陈磊，曹国全

1.温州医科大学附属第一医院放射科，浙江温州 325015；2.温州医科大学仁济学院，浙江温州 325015；3.上海联影智能有限公司研究院，上海 200232

腰椎数字X射线摄影（digital radiography，DR）可帮助医生了解患者腰椎骨质是否有破坏，排除部分肿瘤、骨结核、骨折、腰椎畸形等。高质量的腰椎X射线可有效避免漏诊并提高诊断的精准性。现阶段，医学影像人工智能（artificial intelligence，AI）应用研发主要集中在医学影像的诊断环节，多以单一疾病入手，以单纯图像训练为主，关于AI技术对放射技师的影响讨论却很少[1-2]。放射技师是成像过程之前、成像期间和成像之后与患者直接沟通的关键角色，放射技师的摄影技术直接影响图像的质量[3]。腰椎X射线摄影在临床检查中应用频率较高，对图像的质量要求也高，然而摄影技术特别是左右双斜位拍摄因受检者个体体型差异经常达不到诊断要求。本研究拟在腰椎DR检查质量控制标准的基础上，基于AI分析方法构建腰椎X射线摄影图像的智能质控模型，通过该模型实时和回顾性评估临床图像。

1 资料和方法

1.1 对象

回顾性收集温州医科大学附属第一医院2018年1月至2021年2月行腰椎DR检查的患者1389例。腰椎X射线摄影图像包括正位、侧位和斜位片。其中，训练集包括1070例患者的腰椎X射线摄影图像（800幅正位片、798幅侧位片、623幅斜位片），验证集包括319例患者的腰椎X射线摄影图像（200幅正位片、205幅侧位片、156幅斜位片）。由3位工作经验超过5年的技师为所有图像进行手工标注。腰椎正位片标注腰椎、骨盆、棘突、L3、L3双边影，见图1A；腰椎侧位片标注腰椎、棘突、椎间孔、L3、L3双边影、骶椎，见图1B；腰椎斜位片标注腰椎、下关节突、骨盆，见图1C。本研究经温州医科大学附属第一医院伦理委员会审批通过[伦理审批号：（2022）第（R017）号]。

图1 腰椎X射线摄影手工标注解剖结构

1.2 质控标准

根据腰椎X射线摄影规范，腰椎X射线摄影包括3个体位：正位、侧位、左斜位和（或）右斜位，不同的体位可观察不同的解剖结构。各体位标准摄影指标参考相关资料[4-5]；其中腰椎斜位片需展示“小狗”的特征，见图2A。

图2 “小狗”特征的判别方法

1.3 增强型U-Net网络的图像分割算法

全卷积神经网络U-Net是一种在医学图像分析领域广泛应用的先进分割算法。有研究提出一种多通道压缩和激励（squeeze and excitation，SE）模块，通过整合空间和多通道相关性提升性能[6]。SE模块学习通道特定描述算子并重新校准特征图，以重点关注更重要的通道，见图3A。本研究利用U-Net网络框架，加入SE模块以提升图像分割效能，见图3B；进一步在U-Net框架内增加空间和多通道SE模块（spatial and channel SE，scSE），其特性是可分别沿空间和通道重新校准特征图。本研究提出的scSE U-Net分割模型可应用于3个位置（即正位、侧位和斜位）拍摄的腰椎X射线图像。首先用于分割腰椎的解剖特征，如椎体、骨盆、棘突、椎间孔和骶椎。然后在获得的腰椎分割掩模范围内，自动识别腰椎的解剖特征。在U-Net的编码器和解码器之后集成SE模块。假设一个输出特征图M∈RH×W×C，其中H、W和C分别是空间高度、宽度和输出通道。是SE模块重新校准的特征图，用于后续的池化层。组合两个SE模块，一个空间SE模块（空间压缩，sSE）和一个通道SE模块（多通道压缩，cSE）；组合SE模块表示为scSE模块，见图3B[7]。在sSE模块中，特征图沿着通道被压缩并在空间上激发。对于cSE模块，空间压缩由全局平均池层执行。最后，生成的模块在空间和通道上都进行重新校准，可执行颗粒度较小的分割任务。AI分割算法基于Python 3.6和Pytorch 1.2实现。

图3 空间信息与通道压缩-激励U-Net网络结构示意图

1.4 图像评价标准

本研究开发一种基于AI分割模型的自动评价系统。图像评价参照定义标准，由3位技师对所有图像进行人工评分[4-5]。对所有评分合格的图像进行定量分析和计算，得出重要解剖位置判断的阈值范围。当判断第3腰椎是否有双边影时，根据双边影面积占整个第3腰椎面积的比例，结合人工评分。当该比值在某一确定的范围内，则判断为没有肉眼可见的明显双边影。在正位片中，当判断棘突是否位于中央时，本研究把所有棘突连成一条线，得到棘突的平均位置，再结合人工评分，在某一特定范围内判断该棘突位于中央位置。对是否能在斜位片上看出“小狗”的特征形状，本研究将所有能看到“小狗”形状的下关节图连成线，然后判断其在整个锥体的位置，见图2B。所有能看到“小狗”形状的合格图像纳入运算，最后得出一个合理的范围。在该范围内，判定其具有“小狗”特征形状。本研究设立的主观和客观评价标准见表1。

表1 腰椎X射线主观和客观评价标准

2 结果

2.1 分割及分类结果

AI算法对正位、侧位及斜位图像分割速度分别为0.38、0.37及0.34s/幅。AI模型在验证集上的分割结果见表2；模型在验证集上的准确性、敏感度、特异性结果见表3。

表2 scSE U-Net模型的分割性能

表3 AI质控模型在验证集上不同体位的评估效能

2.2 质控模型效果评价

从训练集获得的最终模型应用于验证集，模型自动评价结果见表3，定量评价的阈值基于人工评分，见表1。在正位片，当棘突中心点位0.4～0.6时，棘突被评判位于脊柱中间。在正位和侧位片，如果双边影面积与L3面积的比值为0～0.21，则判断第3腰椎无双边影。在斜位片中，当下关节突位置的阈值为0.265～0.365时，判定可看到“小狗”特征。对其他关键解剖特征，如骨盆、椎间孔、骶骨，只要能在图像中识别出并分割出，即认为模型分割是有效的。根据标准，每个体位可见的椎体都应该是7个。>7个则表示摄影范围过大，<7个表示摄影范围过小。3个不同位置的腰椎X射线图像举例见图4。

图4 腰椎X射线质控模型对图像的评价

2.3 模型应用

第一步利用DR对患者腰椎进行摄影，获得正位、侧位、斜位的图像。第二步将图像传输到本研究建立的质量控制模型的AI服务器；AI服务器对图像进行检测、分割和评价。第三步将评价结果呈现在后处理工作站上。第四步，放射技师根据质量控制评价结果及时检查图像。如发现不合格的图像则重新拍摄。本研究的质控模型投入使用后，回顾性统计2022年度放射科腰椎X射线摄影图像质控结果。质控模型可自定义合格分值及各个分项质控的扣分配置。本次统计分析中，≥90分设定为优秀，≥70分设定为中等，<70分设定为不合格。腰椎X射线正位摄影评分均值为82.1分，侧位为84.9分，斜位为50.9分。此外模型可统计各个机房和各个技师的图像质量，有助于及时定点反馈信息，控制图像质量，见表4。

表4 2022年度放射科腰椎X射线摄影分项质控结果统计

3 讨论

本研究采用基于scSE U-Net架构的深度学习方法，建立腰椎X射线图像质量控制模型，自动评价图像质量。该模型从3个体位准确识别并分割出腰椎的关键解剖位置，并结合人工分析计算出合理的阈值范围，根据摄影标准评价拍摄后的图像质量，判断图像是否合格。

本研究中对验证集中患者图像质量分析结果显示，无论是人工评价还是AI智能评价，图像质量的合格率都很低（6.9%和8.2%），因此，规范腰椎X射线摄影技术很有必要。大多数不合格的图像是因图像中椎体数目超过7个。根据正常生理解剖，腰椎个数为5个，因此，当图像中的椎体数>5时，说明实际拍摄范围过大。AI质控系统投入使用后，这项评分标准与本研究对2022年的质控评价一致，摄影范围不规范（椎体数量不合格）导致的扣分例数占比高达47.1%～75.7%，其中斜位摄影需要特别注意。由于通过特征很难识别斜位腰椎的“小狗”特征形状，本研究通过替换法取得较好结果。根据2022年腰椎X射线摄像AI质控结果，“小狗”特征未显示的扣分例数占43.3%，因此，有必要对斜位摄影技术进行强化培训。高质量的医学影像图像可提高临床诊断的及时性和准确性[8-11]。有研究显示，成人和儿童颈椎检查的不合格率为（57.1±0.7）%，暴露过度和患者体位不当是常见的原因，与本研究结果一致[12]。

本研究存在一定的局限性：①没有对含有金属等异物的图像进行分割和检测，微小的外部或内部异物很容易被忽视；②未涉及机器本身成像质量的检测，无法对分辨率、信噪比等提出建议。本研究提出的腰椎X射线AI质控模型将规范化的摄片标准进行量化，该模型在临床实践中的成功应用，将规范和提高技师摄片水平，减少经济成本，提高科室管理水平，在提高摆位技术的同时降低患者的辐射剂量，具有较高的临床应用价值。