《Computer Methods and Programs in Biomedicine Update》:Automated 3D Morphological Analysis of Calcaneal Fractures on CT-scans using Deep Learning-Based Segmentation and Rule-Based Geometric Measurements
编辑推荐:
专业术语翻译
背景:跟骨(calcaneus)是一种复杂的解剖结构,对人体直立姿势与运动至关重要。跟骨骨折可能导致严重残疾。根据骨折形态,治疗方式从非手术到手术固定不等。目前的评估依赖于对二维(2D)和三维(3D)影像的主观解读,限制了可重复性与标准化。定量化
专业术语翻译
背景:跟骨(calcaneus)是一种复杂的解剖结构,对人体直立姿势与运动至关重要。跟骨骨折可能导致严重残疾。根据骨折形态,治疗方式从非手术到手术固定不等。目前的评估依赖于对二维(2D)和三维(3D)影像的主观解读,限制了可重复性与标准化。定量化、自动化工具可能改善骨折特征描述,但临床应用的可行性仍需进一步验证。
目的:开发并评估一种对跟骨及其关节面进行三维形态学分析的自动化方法。
方法:使用发育数据集(n=35例非骨折,n=38例骨折)训练nnU-Net模型,用于在CT图像上分割跟骨、距骨、骰骨及跟骰关节(calcaneocuboid joint),并在外部测试数据集(n=46例非骨折,n=38例骨折)上进行评估。分割性能采用Dice相似系数(Dice Similarity Coefficient, DSC)、平均表面距离(mean surface distance, MSD)及第95百分位Hausdorff距离(95th percentile Hausdorff distance, HD95)进行评估,以手动分割作为参考标准。随后基于表面几何计算形态学测量值,评估手动与自动分割所得测量值之间的一致性。此外,进行了探索性队列间比较,以评估非骨折与骨折跟骨之间测量值是否存在差异。
结果:自动分割在跟骨、距骨和骰骨上取得了高性能,Dice相似系数至少达到0.98。对于跟骰关节,Dice相似系数范围为0.79至0.89。大多数形态学测量值在手动与自动分割衍生模型之间表现出良好一致性。多个测量值在队列间存在显著差异,包括后距跟关节(posterior talocalcaneal, PTC)不匹配度、B?hler角(B?hler's angle, BA)、内翻/外翻成角(varus/valgus angulation, VRA/VLA)以及跟骨/距跟高度(calcaneal/talocalcaneal height),而跟骰关节距离测量和Gissane临界角(Critical angle of Gissane, CAG)的差异一致性较差。
结论:该方法利用基于深度学习的分割和规则几何测量,为跟骨骨折形态的自动化三维CT分析提供了一种可重复且定量的工作流程。队列间比较属于探索性分析,在用于临床决策前需进行受试者内及临床验证。
论文解读
一、研究背景与目的
跟骨作为人体最大的跗骨,承担着将体重从下肢传递至足部并在步态中吸收冲击的重要生物力学功能。跟骨骨折约占全身骨折的2%,其中约60%为移位型关节内距下骨折。此类骨折通常由高能量轴向负荷导致,其复杂的解剖结构和关键功能角色使治疗决策充满挑战。目前的临床评估主要依赖医师对二维(2D)X线片和三维(3D)CT影像的主观判读,这种方法存在观察者间变异大、可重复性差、标准化程度低等固有局限。骨折形态的精确测量对于评估骨折严重程度和指导治疗方案选择至关重要,尤其对于双侧跟骨骨折患者,由于缺乏健侧作为重建模板,详细的形态学测量和定量评估显得更为必要。近年来,深度学习等医学影像计算技术的进展为实现客观、可重复的自动化形态学分析提供了可能,但此前尚无完全自动化的方法能够对骨折跟骨进行全流程形态学测量。因此,研究人员开展本研究,旨在开发一种融合深度学习分割与规则几何测量的全自动CT到测量工作流程,实现对非骨折及骨折跟骨三维形态的系统性定量分析,并评估其分割性能、测量一致性以及区分骨折与非骨折状态的探索性能力。
二、研究方法概述
本研究为一项两中心、回顾性比较研究,获得当地医学研究伦理委员会批准(伦理批号:MEC-2024-0380)。研究数据来源于荷兰鹿特丹两家医疗中心:Erasmus MC(2006—2021年影像,作为发育数据集)和Maasstad医院(2014—2024年影像,作为外部测试集)。发育数据集包含35例非骨折和38例骨折CT扫描,外部测试集包含46例非骨折和38例骨折CT扫描,所有扫描层厚均≤1 mm且完整显示跟骨、距骨及跟骰关节。
研究人员采用的主要技术方法包括:(1)基于nnU-Net框架训练三个三维分割模型——Calc-Non-Frac(针对非骨折跟骨、距骨及骰骨)、Calc-Frac(针对骨折跟骨及非骨折距骨、骰骨)和Calc-CC(针对跟骰关节)——采用五折交叉验证,以手动分割作为参考标准;分割性能以Dice相似系数(DSC)、平均表面距离(MSD)和第95百分位Hausdorff距离(HD95)评估;(2)基于模板的解剖区域定位,通过将患者距骨与距骨模板进行非刚性配准,从而传递解剖标记并建立一致的解剖坐标系,避免直接对骨折跟骨进行模板配准可能引起的误差;(3)基于规则的几何测量算法,对3D表面模型自动计算多项形态学参数,包括后距跟关节(PTC)不匹配度、B?hler角(BA)、内翻/外翻成角(VRA/VLA)、Gissane临界角(CAG)、跟骨/距跟高度以及跟骰关节(CC关节)不匹配度和骨折百分比。
测量算法中的参数值均基于发育数据集选定并在外部测试集中保持固定,未进行参数再调整。一致性评估采用组内相关系数(ICC[2,1])和Bland-Altman分析,队列间比较采用独立t检验或Mann-Whitney U检验,并辅以错误发现率(FDR)校正和秩双列效应量(r_rb)评估。
三、研究结果
1. 分割性能
Calc-Non-Frac和Calc-Frac模型在验证集和测试集中对所有骨结构均取得了至少0.98的Dice得分,表面距离误差较低,MSD中位数范围为0.07—0.15 mm,HD95中位数范围为0.35—0.71 mm。Calc-Frac模型在非骨折测试集上也表现出与Calc-Non-Frac相当的性能,因此被选定为后续所有分析中分割跟骨、距骨和骰骨的最终模型,表明单一模型可同时应对骨折与非骨折病例。对于跟骰关节(CC关节)分割模型,验证集Dice得分较低(跟骨侧0.79、骰骨侧0.83),外部测试集Dice范围为0.84—0.89,MSD中位数范围为0.10—0.22 mm,HD95中位数范围为0.52—1.04 mm,反映了该关节区域体积小且解剖结构更为复杂。
2. 后距跟关节不匹配度
后距跟关节(PTC)不匹配度通过计算距骨后关节面与跟骨后关节面沿法线方向的表面距离进行量化。手动与自动分割衍生测量值一致性高,ICC范围为0.83—1.00,Bland-Altman偏倚范围为?0.08至0.12 mm。所有亚区域中,Test-aNF与Test-aF组之间均存在显著差异(p<0.001),总关节距离中位数在非骨折组为1.8 mm(四分位距1.4—2.2),骨折组为3.3 mm(四分位距2.6—4.7),提示骨折后距下关节面分离程度显著增加。
3. B?hler角
B?hler角采用三维等效方法计算,通过定位跟骨前突最高点、跟骨结节最高点及后距跟关节面最高点构造两条直线并投影至矢状面后测量夹角。手动与自动分割衍生BA值之间ICC范围为0.81—1.00,Bland-Altman偏倚范围为?0.3°至0.3°,未观察到显著差异,证明测量具有良好的可重复性。而非骨折与骨折跟骨之间BA存在显著差异(p<0.001),测试集非骨折组BA中位数为29.9°(27.6—31.8),骨折组为11.8°(6.1—20.1),证实骨折后后关节面轴向塌陷导致B?hler角显著减小。
4. 内翻/外翻成角
内翻/外翻成角通过分析跟骨外侧壁的曲率和横向投影进行计算,取前、后凸包与整体凸包交点之间的中间区域中形成最大绝对角度的点来量化外侧壁的偏斜程度。手动与自动分割衍生测量值ICC范围为0.95—1.00,Bland-Altman偏倚范围为?0.2°至0.3°。非骨折组与骨折组之间存在显著差异(p<0.001),测试集非骨折组中位数为9.5°(6.8—13.9),骨折组为22.6°(17.3—29.7),表明骨折后跟骨外侧壁形态发生显著改变,通常表现为内翻或外翻角度增大。
5. Gissane临界角
研究人员采用了两种方法计算Gissane临界角(CAG):基于解剖标志点的传统方法(LAND_CAG)和基于拟合关节面平面的表面法方法(SURF_CAG)。手动与自动分割衍生值一致性高,ICC范围为0.93—0.99。Bland-Altman偏倚范围为?2.1°至0.2°,其中SURF_CAG在Test-mNF与Test-aNF之间观察到显著差异(p=0.004),绝对配对差异为2.4°。然而,两种CAG测量方法在非骨折组与骨折组之间均未观察到显著差异。测试集非骨折组SURF_CAG为141.9°(135.8—144.9),骨折组为140.8°(135.4—145.3);LAND_CAG分别为123.8°(120.1—127.6)和124.4°(121.4—130.5)。研究人员分析认为,这可能是因为CAG在骨折中的表现因骨折类型而异,角度可能增大或减小,导致群体层面平均值趋于一致;同时三维测量能够完全捕捉后关节面和跗骨窦的真实凹陷结构,与二维影像学的投影测量存在根本差异。
6. 跟骨和距跟高度
跟骨高度和距跟高度通过四个解剖标志点(跟骨结节最低点、跟骨前部最低点、距骨最高点、后距跟关节面最高点)构造基线和相关投影点后计算,并使用距骨表面积的平方根进行归一化以消除个体间骨骼尺寸差异。手动与自动分割衍生测量值ICC范围为0.88—1.00,Bland-Altman偏倚范围在非骨折组为?0.003至0.002,骨折亚组为0.000至0.001。所有高度测量值在非骨折组与骨折组之间均显著较低(p<0.001),其中距跟高度(MT)差异最大,测试集非骨折组中位数为0.86(0.84—0.88),骨折组为0.81(0.78—0.82),定量证实了骨折后轴向压缩导致的跟骨高度丢失。
7. 跟骰关节不匹配度
跟骰关节(CC)不匹配度通过计算关节间隙距离(CC_Cub点到CC_Calc表面的正交距离)和骨折百分比(基于凸包光线投射法检测无表面相交区域的面积比例)进行量化。手动与自动分割衍生距离测量值的ICC在不同亚组中变异范围较大:发育非骨折队列为0.71—0.89,测试非骨折亚组为0.71—0.94,测试骨折亚组为0.43—0.95。Bland-Altman偏倚范围为?0.01至0.27 mm。非骨折组与骨折组CC关节比较显示,骨折组关节面间距离总体趋于增大,但并非所有亚区域差异均达统计学意义。测试集非骨折组总体平均距离为1.47 mm,非骨折CC关节骨折组为1.68 mm,骨折CC关节骨折组为1.73 mm。骨折百分比测量在FF组与NF组及FNF组之间差异显著(p<0.001),表明该指标在检测CC关节受累方面更为稳健,而基于距离的测量在骨折中可能因碎片间分离而非阶跃移位导致关节间隙变化不够明显。
四、讨论与结论
本研究的核心意义在于首次将深度学习分割、模板辅助解剖区域定位、解剖坐标系定义和规则几何测量提取整合为一个完整的CT到测量工作流程,同时适用于非骨折和骨折跟骨。与既往的半自动方法相比,该流程消除了手动分割、人工模型定向和观察者初始化标志点放置等依赖人工操作的步骤,实现了从CT影像到形态学参数的端到端自动化分析。测量一致性分析显示,大多数形态学参数在手动与自动分割之间表现出良好一致性,支持该方法作为队列水平形态学定量分析工具的可行性。PTC不匹配度、B?hler角、跟骨/距跟高度比和VRA/VLA在FDR校正后仍保持稳定的队列间差异,并具有较大的效应量,而CC关节距离测量和CAG的一致性较差。在临床转化方面,研究者指出,队列间比较属于探索性分析,还需进行受试者内(如双侧对比)和临床验证,方可用于临床决策支持。同时,模板辅助区域定位对严重移位或粉碎性骨折可能导致区域定位错误,视觉质量控制仍不可或缺。总之,该研究为跟骨骨折形态的客观定量评估提供了可行的技术基础,推动了个体化、数据驱动的骨折管理策略的潜在发展。