腰椎X線攝影人工智能測量技術研究進展

姚紅艷，鄧興，3，陳曉飛，王聞奇，周晟

1.甘肅中醫藥大學第一臨床醫學院，甘肅蘭州730000；2.甘肅省中醫院放射影像科，甘肅蘭州730050；3.南充市中心醫院介入放射科，四川南充637000

前言

腰痛（Low Back Pain, LBP）是指發生在肋骨以下、臀下皺襞以上的疼痛、肌緊張或僵硬，伴或不伴坐骨神經痛［1］，具有廣發性［2］，是全球范圍內致殘的主要原因［3-5］，亦是造成全球總體疾病負擔的第6大因素［6］。對患者個體來說，LBP 不僅帶來巨大的經濟負擔與精神壓力，還可直接使患者勞動能力下降，其比正常人群收入減少約87%［7］。既往研究表明，腰椎間盤退變是引起LBP 最常見的病因［8-9］，椎間盤源性約占39%-41%［10-11］，腰椎不穩約占30%［12］。目前，臨床中腰椎X 線檢查是LBP 首選的影像學方法，其影像空間分辨率高，便于腰椎結構力線及角度的測量。但腰椎測量參數繁多，人工測量費時費力，一致性及重復性較差，且腰椎X線圖像受診斷醫師的主觀影響較大，過度分析或分析不足都會對患者的臨床治療造成較大的影響［13］。近年來，隨著人工智能（Artificial Intelligence,AI）技術的蓬勃發展，眾多學者對腰椎X 線攝影影像學測量參數進行了智能技術探索。

1 X線檢查在腰椎疾病中的應用

腰椎數字X 線攝影是LBP最常見的檢查方法［14］，其簡單經濟，空間分辨率高，對椎體、小關節等骨骼結構顯示清晰，故腰椎X 線圖像可對腰椎序列、椎體和椎間隙的空間大小、骨關節以及軟組織等結構進行整體評估。而腰椎由骨結構、椎間盤及周圍脊髓、血管、韌帶等組織組成，解剖結構極為復雜。與此同時，隨著醫療數據的增加以及醫學影像由單純的觀察解剖結構向定量化和功能化分析的方向發展，因此僅憑診斷醫師對腰椎X 線圖像的視覺觀察和主觀判斷已不能完全滿足臨床醫師對腰椎疾病的精準診療需求。近年來，眾多學者對腰椎X 線圖像中可定量化信息，包括腰椎結構力線及角度等進行了相關研究和探索［15-18］，如腰椎曲度、腰骶角、骶骨傾斜角等X 線參數，對腰椎相關疾病的提示和診斷以及術后評估具有一定的臨床價值［19-21］。X 線測量參數及其臨床意義總結如表1 所示。然而，腰椎X 線人工測量的可重復性和再現性受到測量方法和臨床醫師主觀的影響。而AI 技術和深度學習算法的興起，使腰椎X線檢查技術和對臨床應用潛在價值邁入一個新紀元。

表1 腰椎X線測量參數及其臨床意義Tab.1 Lumbar X-ray measurement parameters and their clinical significance

2 腰椎X線定量測量方法的進展

近年來，計算機技術的蓬勃發展使基于腰椎X線定量測量的方法及結果得到不斷改進和完善，從傳統X線手工測量，到計算機輔助系統測量以及與AI技術的結合。

傳統X 線手工測量的準確性和可重復性依賴于臨床醫師的經驗和判斷［22］，據報道，不同醫師Cobb角測量誤差從3°到10°不等［23-24］。為解決這一問題，Zhang 等［22］采用模糊霍夫變換技術開發一種計算機輔助檢測椎體終板的方法，可自動識別上、下端椎并測量Cobb角，這種方法減少了Cobb角測量的可變性（ICC>0.9，平均誤差<3°），幫助臨床醫師較客觀地評估脊柱側凸。但該方法需要臨床醫師判斷選擇感興趣區域，且測量速度較慢（平均處理時間約3 min/張）。Lafage等［25］通過一款新的計算機輔助測量軟件Surgimap（Nemaris Inc.,New York,NY），對50 名成人脊柱畸形患者X 線圖像的13 個脊柱-骨盆參數進行測量，結果表明，該軟件可快速、準確地對全脊柱進行分析，而基于解剖標注的測量結果具有更高的可靠性（ICC≥0.95vs0.84），所需平均時間為75 s?？梢?，計算機輔助測量有效降低或消除了傳統人工測量誤差，但對X 線圖像的整體識別、分析和測量速度仍存在一定的局限性。

近幾年，隨著AI 技術的發展，基于AI 技術開發的腰椎X 線定量測量模型或工具可自動識別椎體并測量相關參數，提高了醫學圖像分析的質量和效率。這些工具的出現在減輕臨床醫師工作負荷的基礎上，使得腰椎X 線潛在的影像學信息得以充分利用，對臨床醫師定量化分析和精確診斷腰椎相關疾病及預后評估具有重要意義。

3 AI在腰椎X線成像上的應用

3.1 AI和深度學習

AI 作為計算機科學的一個分支，研發用于模擬、延伸和擴展人類智能的理論、方法、技術及應用系統的一門信息學科，主要專注于構建算法及通過運行算法來實現以近似人類的認知能力分析復雜的信息，并通過提供客觀的數據，更好地輔助臨床醫師決策，以此來提高診療的客觀性及精準性［26］。而機器學習（Machine Learning,ML）是AI 的一個組成部分，是計算機在沒有先驗知識的情況下通過自動學習和執行預定義任務的過程。根據用于學習的樣本是完全標記、部分標記還是未標記，ML 進一步分為監督、半監督和無監督學習［27］。

深度學習是ML 領域中一個新的研究方向，相比傳統的AI 算法，其擁有強大的自主學習能力。Van等［28］表示，深度學習網絡可以結合圖像數據和放射學文本報告，對圖像做出最佳判斷。深度學習包含多個隱藏處理層的人工神經網絡（Artificial neural network,ANN）算法的子集［29］，通過由許多層網絡組成的模型，將輸入數據（即圖像）轉換成輸出信息（如，疾病存在/不存在），取代了傳統的ML 方法。經過訓練的網絡可以預測或估計新輸入數據的輸出［30］，這種能力使深度神經網絡成為目前醫學成像領域中應用最多的算法，具有廣闊的醫學應用前景。

3.2 AI分析X線圖像的基本過程

利用AI技術分析腰椎X 線圖像的關鍵技術主要包括圖像識別與AI 計算，主要有以下步驟［29,31］：（1）基于臨床問題的模型設計，關鍵在于選擇易于臨床醫師決策和廣大患者受益的臨床問題，同時需獲取大量易于標注和學習的數據；（2）結構化數據構建，高質量的結構化數據是學習任務的基礎，模型的準確性和魯棒性有賴于人工數據集的準確標注［32］；（3）AI 算法選擇和模型的建立，不同模型的選擇取決于學習數據的數量和復雜度，但無論使用哪種模型建立算法，必須對其準確性、魯棒性和泛化性進行驗證和測試［29］；（4）圖像數據分割，一般將數據分為訓練集、驗證集和測試集3 組，使用交叉驗證等方法通過訓練集預測模型穩定性，驗證集用于模型調優，獨立的測試集驗證模型的魯棒性和泛化性，最后與專家的決策結果（金標準）進行對比分析［30］。

3.3 腰椎X線圖像檢測與分割

腰椎X線圖像的檢測與分割，是準確提取圖像特征及綜合分析的基礎和關鍵，國內外眾多學者基于AI 技術開發了不同模型并進行相關研究和驗證［33］。Li 等［34］基于特征融合深度學習提出一種新的神經網絡模型，將腰椎的形狀信息和紋理信息兩類特征結合起來，在不受金屬內固定影響的基礎上可自動定位和檢測腰椎X 線圖像中的椎體，準確率達89%。Azimi 等［35］通過多層感知器開發一個基于多變量的ANN 模型來預測復發性腰椎間盤突出癥，對402 例接受腰椎間盤突出癥手術的患者信息（年齡、腿痛/背痛視覺模擬量表、復發性腰椎間盤突出癥、椎間盤突出程度、椎間盤突出類型等）進行術后預測，其準確率達94.1%，AUC 為0.83%。2016年Sa 等［36］基于方向梯度直方圖特征的多級支持向量機分類器和梯度向量流-蛇模型提出一種新的框架，用于從X 線圖像中檢測和分割椎體，平均準確率為75%，平均時間為3 min，但該方法的檢測速度和算法性能還有待提高。2017年，Sa 等［37］又提出一種新的Faster-RCNN 目標檢測模型，通過少量標注的臨床數據（974 個訓練圖像）對模型進行訓練（圖1），實現對腰椎側位X 線椎間隙的檢測和分割，平均準確率為90.5%，每幅圖像的平均計算時間為3 s，顯著優于傳統方法。

圖1 U-net訓練數據示例［37］Fig.1 Example of U-net training data［37］

3.4 AI在腰椎X線定量分析上的應用

AI 技術對腰椎X 線圖像信息的定量評估成為當今影像領域內的研究熱點，尤其是以當前最具應用前景的深度學習算法為代表，對腰椎X線圖像潛在信息的挖掘和利用，使得腰椎相關疾病的定量分析和診斷成為可能，特別是對脊柱畸形的定量評估。Cho等［38］提出一種成熟的卷積神經網絡（Convolutional Neural Network，CNN）分割架構U-net，利用629 張腰椎側位X 線圖像中的70%對該網絡進行訓練，該方法可快速識別L1 和S1 椎體（平均速度為0.14 s/片），全自動測量脊柱矢狀位參數，用于輔助評估腰椎前凸，測量的角度與外科醫生的手動測量沒有統計學上的顯著差異（MAE為0.855,P>0.05）（圖2）。

圖2 U-net自動計算腰椎前凸角度的算法流程概述［38］Fig.2 Overview of algorithm workflow for automatic lumbar lordosis angle calculation［38］

Horng 等［39］基于脊柱X 線圖像開發了一個自動測量系統來評估脊柱側凸的嚴重程度，其通過CNN識別、分割椎體，然后重建完整的脊柱圖像，基于Cobb 角度計算脊柱曲率，該方法與人工測量具有極高的一致性（ICC>0.94）。而Galbusera等［40］將標準全卷積網絡與可微分的空間到數值變換相結合，提出一種新的CNN，通過提取493例脊柱矢狀位和冠狀位雙平面圖像的78個解剖標志點（終板中心、髖關節中心和S1終板邊緣）并進行三維重建，針對不同的脊柱結構進行建模，除對Cobb 角進行測量外，還評估了T4～T12脊柱后凸角、L1～L5脊柱前凸角、骨盆入射角和骶骨、骨盆傾斜度等參數，其誤差范圍為2.7°～11.5°，該方法可更全面地對脊柱畸形進行全自動測量和分析。2020年，Schwartz 等［41］開發了一種CNN 分割算法，與計算機視覺算法相結合，用于從腰椎側位X 線圖像中全自動測量脊柱側凸參數，其精確度與外科醫生相當，該算法可簡化臨床工作流程或進行脊柱生理參數的大規模研究。

上述研究極大地推動了AI技術自動化定量分析腰椎X線圖像的應用，在減輕臨床醫師工作負荷的同時，有效降低或消除人工測量帶來的誤差，其高效、客觀的預測結果對輔助臨床醫師從定量角度評估脊柱畸形等相關疾病具有很好的應用前景。部分學者［42-45］基于DL 算法也對腰椎CT、MRI圖像進行了相關的智能探索和分析，取得了令人滿意的結果。但不論AI技術與哪種模態下的腰椎圖像結合進行定量分析和診斷，數據規范化的采集和質量的異質性、模型的過度擬合與魯棒性的提高以及與醫學專家金標準的比較分析等，都是我們未來需要考慮和面臨的難題。

4 結語

隨著醫療數據的指數型增長和AI技術的蓬勃發展，AI、ML 與X 線圖像的結合無疑是對腰椎病變定量分析和精準診斷的一場重大變革。AI自動化定位和識別、準確測量和分析，不僅節省了大量的人力物力，而且提高了醫學圖像分析的客觀性及精確性。目前，我國基于AI 結合X 線圖像檢測和分析腰椎病變的發展仍然處于早期階段，因此進一步探究醫學領域統一的計算機數據分析程序、算法的改進和提升、新的影像學參數以及臨床相關參數測量標準，對臨床研究者制定腰椎相關疾病新的診斷量化標準，提高疾病結果解釋的精確性和了解疾病的發生發展機制具有重要意義。