《》:Development and validation of a deep learning-based automated Notch Width Index measurement system from anteroposterior knee radiographs
编辑推荐:
摘要背景切迹宽度指数(Notch Width Index, NWI)是放射影像中用于评估前交叉韧带(ACL)损伤风险的标志物,人工测量时其可重复性较差。我们开发了一种结合深度学习和几何分析的全自动NWI系统。方法在384张公开图像上训练了分割模型(U-Net++/Effici
摘要
背景
切迹宽度指数(Notch Width Index, NWI)是放射影像中用于评估前交叉韧带(ACL)损伤风险的标志物,人工测量时其可重复性较差。我们开发了一种结合深度学习和几何分析的全自动NWI系统。
方法
在384张公开图像上训练了分割模型(U-Net++/EfficientNet-B5)和YOLOv8侧别分类器。两名外科医生各自对33张膝关节正位X线平片进行了两次测量。利用组内相关系数(ICC)和Bland-Altman分析,将全自动方法(D)与两名外科医生的测量结果进行了比较,并将两种半自动方法(B、C)与1号外科医生的测量结果进行比较,以分离各个处理阶段。此外,模型在未重新训练的情况下应用于500张外部X线平片,以评估其可行性和失效模式。
结果
单次人工测量的可靠性较差至中等(ICC 0.475 和 0.562)。确定性自动方法与两名外科医生的测量结果一致性为中等至良好(ICC 0.525–0.756);半自动方法表现相当(ICC 0.734 和 0.753)。分割的平均Dice系数达到 0.975 ± 0.003,处理速度比人工测量快约540倍。在外部数据集上,骨关节炎和低质量图像的分割效果下降,因此看似合理的数值并不能保证分割正确。
结论
该方法与专家测量结果达到了中等至良好的一致性,同时确保了确定性的、不受检查者影响的重复性。由于从未使用外科医生的测量数据进行训练,这反映的是对几何定义的再现,而非过拟合。主要障碍是域漂移下的分割问题,而非算法本身;该方法最适合被视为常规正位视图的可重复性标准化工具。
引言
切迹宽度指数(NWI)由Souryal等人提出[1]并进行了前瞻性验证[2],其定义为膝关节X线平片上同一水平面测量的髁间切迹宽度与股骨双髛宽度之比。较低的NWI反映了狭窄的髁间切迹,已被一致确认为前交叉韧带(ACL)损伤的解剖学危险因素[3], [4], [5], [6], [7]。由于ACL损伤会显著增加膝关节半月板损伤和骨关节炎的长期风险[8], [9], [10],可靠地识别髁间切迹狭窄的个体可能有助于制定有针对性的损伤预防策略。
由于其成本低廉且普及率高,普通X线摄影在临床筛查中仍是评估NWI最广泛使用的方法。然而,二维投影图像上的骨性轮廓常常不清晰,使得难以可重复地识别测量标志点。因此,参考点的放置严重依赖检查者的判断,据报道单次人工测量的可重复性有限[11]。此外,NWI评估中的测量变异不仅限于普通X线平片;McKeeman等人[12]证明,MRI上的NWI值也会因所选测量平面的不同而有显著差异。
这些发现表明,这种变异不仅源于检查者在不清晰的骨性轮廓上依赖主观判断放置标志点,还源于测量平面等方法学选择,这指向了测量程序本身难以标准化的更广泛问题。因此,需要一种标准化的、不依赖检查者的测量方法来提高基于NWI的风险评估的可靠性。
深度学习的最新进展大大扩展了医学影像自动分析的范围[13], [14]。在肌肉骨骼放射学中,卷积神经网络已被应用于从膝关节骨关节炎进展预测[15]到下肢对线[16]、腿长[17]和胫骨后倾角[18]的自动测量等任务。由于这些算法一旦训练完成便具有确定性,能对相同输入产生一致输出,它们本质上消除了伴随人工测量的观察者间变异。
然而,据我们所知,尚无任何研究将深度学习应用于普通X线平片上NWI的自动测量。
因此,我们开发了一种全自动算法,利用基于深度学习的分割加上明确的几何分析,从膝关节正位X线平片中测量NWI。我们特意选择了这种“分割+几何”的设计,而不是端到端回归器或标志点检测器——后者需要目前NWI所不具备的大规模目标标注数据集——使得该方法仅通过轮廓标签即可训练,并保持每个处理步骤及任何失效模式的可检查性。本研究的目的是:(1) 评估自动方法与两名独立骨科外科医生完全人工测量结果的一致性;(2) 通过与半自动方法进行逐步比较,验证每个自动处理步骤与完全人工测量结果的一致性;(3) 在外部多源数据集上评估该方法的可行性和失效模式,包括看似合理的NWI是否可靠地指示了正确的分割。
章节摘要
伦理批准
本研究已获得机构伦理委员会批准,并严格按照1964年《赫尔辛基宣言》及其后续修正案的原则进行。由于本研究的回顾性性质,豁免了书面知情同意的要求,并在影像数据的使用上采用了退出机制。
数据集
本研究使用了三个独立的数据来源:一个用于训练深度学习模型,一个用于临床测试,一个用于外部可行性评估
侧别与分割模型性能
在临床测试集(n = 33)上,YOLOv8侧别分类器达到了100%的准确率(33/33)。对于股骨区域提取,分割模型的平均DSC(Dice相似系数)为 0.975 ± 0.003,平均IoU(交并比)为 0.950 ± 0.006,且所有病例均未出现分割失效(表1)。
NWI测量的可靠性与一致性
1号外科医生的单次测量观察者内可靠性较差(ICC (3,1) = 0.475 [0.160–0.700]),但两次测量的平均值达到了中等水平(ICC (3,2) = 0.644 [0.280–0.820])。2号外科医生表现出相同的模式,其
讨论
所提出方法的主要贡献在于其确定性的可重复性,这消除了人工测量的主观变异;而且它的运行时间仅为人工的几分之一。该方法与专家人工测量结果达到中等至良好的一致性(ICC = 0.525–0.756),支持了其作为跨检查者标准化NWI获取方式的手段这一潜力。深度学习已被应用于相关的下肢测量,如机械轴对线[16]和腿
结论
我们通过结合基于深度学习的分割与几何分析,开发了一种从膝关节正位X线平片计算NWI的全自动方法。所提出的方法与专家人工测量结果达到了中等至良好的一致性(ICC = 0.525–0.756),且速度比人工评估快约540倍。逐步比较显示,在每个自动化层面上,该方法与人工测量结果的一致性均相当(ICC 0.734–0.756),其中最高值属于
CRediT作者贡献声明
田晶晶(Jingjing Tian):论文审阅与编辑,论文初稿撰写,可视化,验证,软件,方法学,调查,形式分析,数据整理。斋藤亚人(Ayato Saito):形式分析,调查。入江智典(Takanori Iriuchishima):论文审阅与编辑,验证,资源,方法学,概念构思。李尚阳(Sang Yang Lee):调查,验证,论文审阅与编辑。加藤刚(Tsuyoshi Kato):论文审阅与编辑,监督,资源,项目管理,概念构思。
伦理批准
本研究已获得机构伦理委员会批准,并严格按照1964年《赫尔辛基宣言》及其后续修正案的原则进行。由于本研究的回顾性性质,豁免了书面知情同意的要求,并在影像数据的使用上采用了退出机制。
在稿件准备过程中使用生成式AI及AI辅助技术的声明
在本文准备过程中,我们使用了Claude(Anthropic)来协助稿件的语言润色。使用该工具后,我们根据需要对内容进行了审阅和编辑,并对发表文章的内容承担全部责任。
资助
本研究未获得公共、商业或非营利部门的任何特定资助机构的资金。
利益冲突声明
作者声明不存在可能影响本文所报告工作的已知竞争性经济利益或个人关系。
田晶晶|斋藤亚人|入江智典|李尚阳|加藤刚