基于深度學(xué)習(xí)模型實(shí)現(xiàn)頸椎MR圖像上各結(jié)構(gòu)的自動(dòng)分割

朱逸峰，趙凱，郭麗，張耀峰，王祥鵬，張曉東，李雨師，王霄英

頸椎病(cervical spondylosis,CS)是椎間盤(pán)變性、椎體骨質(zhì)及小關(guān)節(jié)軟組織病理改變刺激和壓迫頸動(dòng)脈、脊髓、頸神經(jīng)根等的退行性疾病，近年來(lái)患病率逐年增高，有明顯年輕化的趨勢(shì)[1]。

影像檢查可以輔助頸椎病的診斷，其中X線(xiàn)可顯示曲度改變、椎間隙變窄等，CT可顯示頸椎骨質(zhì)等結(jié)構(gòu)，MRI可顯示脊髓和頸椎間盤(pán)等結(jié)構(gòu)，在實(shí)際工作中MRI更普遍地被應(yīng)用于頸椎病的診斷和評(píng)估[2]。頸椎影像的精確分割和量化分析在頸椎病診斷中非常重要，但頸椎區(qū)域的骨骼、韌帶、血管和神經(jīng)等解剖結(jié)構(gòu)較多，影像重疊度較高，如何客觀、量化分析頸椎結(jié)構(gòu)一直是尚未解決的難題[3]。隨著人工智能(artificial intelligence，AI)的發(fā)展，AI在醫(yī)學(xué)影像領(lǐng)域也得到了廣泛的研究和應(yīng)用，通過(guò)深度學(xué)習(xí)對(duì)圖像進(jìn)行自動(dòng)分割在腎臟、前列腺和乳腺等部位都已經(jīng)得到實(shí)現(xiàn)[4-6]。既往也有很多學(xué)者針對(duì)不同人群、不同模態(tài)影像中頸椎各結(jié)構(gòu)的分割進(jìn)行了相關(guān)研究[7-13]。

本研究以影像科醫(yī)師手動(dòng)分割為金標(biāo)準(zhǔn)，訓(xùn)練3D U-Net模型，實(shí)現(xiàn)對(duì)頸椎MR圖像中各結(jié)構(gòu)的自動(dòng)分割，旨在為后續(xù)頸椎各結(jié)構(gòu)徑線(xiàn)自動(dòng)測(cè)量和疾病診斷奠定基礎(chǔ)。

材料與方法

本研究獲得了本院倫理審查委員會(huì)的批準(zhǔn)(2019-170)，按照本單位人工智能(artificial intelligence，AI)模型訓(xùn)練規(guī)范執(zhí)行研究方案。根據(jù)本單位AI訓(xùn)練管理方法定義研發(fā)頸椎MRI圖像中各結(jié)構(gòu)自動(dòng)分割及徑線(xiàn)測(cè)量模型的用例，包括模型的名稱(chēng)、臨床問(wèn)題、場(chǎng)景描述、模型在實(shí)際工作中的調(diào)用流程、模型輸入輸出數(shù)據(jù)結(jié)構(gòu)等。將頸椎矢狀面分割結(jié)果和橫軸面分割結(jié)果進(jìn)行空間配準(zhǔn)和定位，用程序?qū)崿F(xiàn)對(duì)頸椎各結(jié)構(gòu)(椎間盤(pán)、硬膜囊等)徑線(xiàn)及體積的測(cè)量和評(píng)價(jià)，結(jié)果可自動(dòng)輸入到頸椎MRI結(jié)構(gòu)化報(bào)告中。設(shè)定AI模型的返回結(jié)果：頸椎椎體的定位、硬膜囊和脊髓的體積、徑線(xiàn)等，返回結(jié)果應(yīng)用于頸椎MRI結(jié)構(gòu)化報(bào)告的“病灶列表”模塊(圖1)。

圖1 頸椎MRI分割及徑線(xiàn)測(cè)量模型的訓(xùn)練流程。

1.研究數(shù)據(jù)

自本院PACS系統(tǒng)回顧性搜集2020年4月-9月疑診頸椎病患者的MR圖像。排除標(biāo)準(zhǔn)：①行MR檢查前有手術(shù)等治療史；②有頸椎骨折、畸形和感染等；③不能配合檢查，圖像質(zhì)量不佳。最終將符合要求的92例患者共178掃描序列納入研究。年齡4～85歲，平均(55.6±21.8)歲，男、女比例為1.2∶1。

2.MR檢查方法

掃描設(shè)備包括GE Signa Excite 3.0T(48例)、GE Discovery HD750 3.0T(5例)、Siemens Magnetom Prisma 3.0T(2例)、Siemens Aera 1.5T(14例)、Phi-lips Ingenia 3.0T(3例)、Philips Achieva 1.5T(3例)、Philips Multiva 1.5T(17例)。掃描序列為頸椎矢狀面T1WI和T2WI，主要序列和掃描參數(shù)：TR 550～800 ms、TE 7～14 ms(T1WI)或TR 2800～3000 ms、TE 100～130 ms(T2WI)；層厚3.0～4.0 mm，層間距3.3～4.4 mm，視野22×22 cm～25×25 cm，矩陣≥320×224。

2.數(shù)據(jù)標(biāo)注

將頸椎矢狀面T1WI和T2WI的DICOM格式圖像轉(zhuǎn)換為NiFTI格式。由一位低年資放射科住院醫(yī)師(閱片經(jīng)驗(yàn)2年)使用ITK-SNAP 3.6.0軟件在頸椎矢狀面T2WI圖像上進(jìn)行標(biāo)注，手工調(diào)整窗寬和窗位。標(biāo)注的結(jié)構(gòu)包括椎體 、椎間盤(pán) 、硬膜囊、椎間孔和脊髓。然后由一位高年資放射科專(zhuān)家(閱片經(jīng)驗(yàn)≥15年)對(duì)低年資醫(yī)師的標(biāo)注進(jìn)行復(fù)核，如有不一致的情況，以高年資放射科專(zhuān)家的標(biāo)注為金標(biāo)準(zhǔn)，將修改好的T2WI圖像上的標(biāo)簽匹配至T1WI圖像上，并進(jìn)行修改和確認(rèn)，標(biāo)注內(nèi)容和標(biāo)準(zhǔn)如下。①椎體的標(biāo)注：自C2椎體向下，在全部顯示椎體的區(qū)域逐層標(biāo)注，椎體的前緣及上、下緣沿椎體邊緣進(jìn)行標(biāo)注，后緣標(biāo)注時(shí)根據(jù)后上緣、后下緣確定邊界并進(jìn)行標(biāo)注(不包括椎板、棘突等附件結(jié)構(gòu))。②椎間盤(pán)的標(biāo)注：自C2-3椎間盤(pán)以下，在全部顯示間盤(pán)的區(qū)域逐層標(biāo)注，以T2WI椎體與椎間盤(pán)交界的低信號(hào)上、下邊緣，以椎間盤(pán)與椎前軟組織的交界為前緣，以椎間盤(pán)與硬膜囊的交界為后緣。③硬膜囊的標(biāo)注：自枕骨大孔以下逐層標(biāo)注掃描范圍內(nèi)包含硬膜囊的圖像，不包括硬膜外脂肪。④脊髓的標(biāo)注：自延髓以下逐層標(biāo)注掃描范圍內(nèi)包含脊髓的圖像，不包括神經(jīng)根。⑤椎間孔的標(biāo)注：自C2-3椎間孔以下逐層標(biāo)注掃描范圍內(nèi)的椎間孔，其關(guān)鍵標(biāo)志是由椎體、椎間盤(pán)及椎板邊緣組成的完整環(huán)形及大部分完整環(huán)形(超過(guò)75%環(huán)形)的椎間孔區(qū)域。

3.分割模型的訓(xùn)練

使用的硬件為GPU NVIDIA Tesla P100 16G，軟件為Python3.6、Pytorch 0.4.1、Opencv、Numpy和SimpleITK等，Adam為訓(xùn)練優(yōu)化器。圖像預(yù)處理參數(shù)：size=16×448×256(z，y，x)，自動(dòng)窗寬、窗位。178個(gè)數(shù)據(jù)按照8︰1︰1的比例隨機(jī)分為訓(xùn)練集(train dataset,n=138)、調(diào)優(yōu)集(validation dataset,n=20)和測(cè)試集(test dataset，n=20)。采用Coarse-to-Fine序貫訓(xùn)練的方法訓(xùn)練3D U-Net網(wǎng)絡(luò)深度學(xué)習(xí)模型：先訓(xùn)練一個(gè)頸椎矢狀面MRI粗略分割模型，將得到的粗略分割結(jié)果作為掩膜(mask)，再訓(xùn)練精細(xì)分割模型。輸入頸椎矢狀面T1WI、T2WI圖像和各結(jié)構(gòu)的標(biāo)注文件，分割椎體、椎間盤(pán)、硬膜囊、脊髓和椎間孔，訓(xùn)練參數(shù)：每次讀取的圖像數(shù)量(batch size)為4，學(xué)習(xí)率(learning rate)為0.0001，訓(xùn)練次數(shù)(epoch)為400。

4.模型評(píng)價(jià)

客觀評(píng)價(jià)：使用Dice相似系數(shù)(Dice similarity coefficient,DSC)評(píng)估U-Net模型的分割性能，計(jì)算公式為：

(1)

其中，A為放射科醫(yī)師在頸椎MR圖像上手工標(biāo)注的頸椎某結(jié)構(gòu)的體素?cái)?shù)，B為在頸椎MR圖像上模型分割的頸椎某結(jié)構(gòu)的體素?cái)?shù)。DSC是衡量?jī)蓚€(gè)像素集合之間相似性的度量指標(biāo)，取值范圍為0～1，數(shù)值越大，代表兩個(gè)集合之間的相似度越高。

使用MedCalc 15.8軟件對(duì)訓(xùn)練集、調(diào)優(yōu)集及測(cè)試集中各結(jié)構(gòu)的DSC值進(jìn)行正態(tài)性檢驗(yàn)，對(duì)不符合正態(tài)分布的數(shù)據(jù)分別使用Friedman秩和檢驗(yàn)及Kruskal-Wallis秩和檢驗(yàn)，比較各結(jié)構(gòu)的DSC值在三組內(nèi)及組間是否存在統(tǒng)計(jì)學(xué)差異。

主觀評(píng)價(jià)：在測(cè)試集中，由影像醫(yī)師在正中矢狀面圖像上評(píng)估模型分割椎體、椎間盤(pán)、硬膜囊和脊髓的結(jié)果，在雙側(cè)旁正中矢狀面圖像上評(píng)估模型分割椎間孔的結(jié)果。當(dāng)模型的分割結(jié)果完全覆蓋目標(biāo)解剖區(qū)域，認(rèn)為滿(mǎn)足徑線(xiàn)測(cè)量的要求；分割結(jié)果與目標(biāo)區(qū)域有任何不重合之處，認(rèn)為不滿(mǎn)足徑線(xiàn)測(cè)量的要求。

結(jié) 果

1.模型分割結(jié)果的客觀評(píng)價(jià)

在訓(xùn)練集、調(diào)優(yōu)集以及測(cè)試集中，分割模型對(duì)頸椎各結(jié)構(gòu)的標(biāo)注結(jié)果與人工標(biāo)注結(jié)果的DSC值及P值見(jiàn)表1。各結(jié)構(gòu)的DSC值在訓(xùn)練集、調(diào)優(yōu)集和測(cè)試集之間三組的差異均有統(tǒng)計(jì)學(xué)意義(P<0.001)。在3個(gè)數(shù)據(jù)集中，頸椎各結(jié)構(gòu)之間的DSC值的差異均具有統(tǒng)計(jì)學(xué)意義(P<0.001)。在測(cè)試集中，平均DSC值為0.80±0.13，其中硬膜囊的DSC值最高，椎間孔的DSC值最低(圖2、3)。

表1 分割模型頸椎MR各結(jié)構(gòu)的DSC值

圖2 測(cè)試集病例T1WI上模型對(duì)頸椎各結(jié)構(gòu)的分割結(jié)果。a)正中矢狀面圖像上顯示硬膜囊的分割結(jié)果，DSC值為0.9；b)正中矢狀面圖像上顯示脊髓的分割結(jié)果，DSC值為0.82；c)正中矢狀面圖像上椎體和椎間盤(pán)的分割結(jié)果，DSC值分別為0.86和0.84；d)左側(cè)旁正中矢狀面圖像上顯示椎間孔的分割結(jié)果，DSC值為0.70；e)右側(cè)旁正中矢狀面圖像上顯示椎間孔的分割結(jié)果，DSC值為0.73；f)模型分割結(jié)果的三維圖像。圖3 測(cè)試集病例T2WI上模型對(duì)頸椎各結(jié)構(gòu)的分割結(jié)果。a)正中矢狀面圖像上顯示硬膜囊的分割結(jié)果，DSC值為0.87；b)正中矢狀面圖像上顯示脊髓的分割結(jié)果，DSC值為0.84；c)正中矢狀面圖像上椎體和椎間盤(pán)的分割結(jié)果，DSC值分別為0.87和0.8；d)左側(cè)旁正中矢狀面圖像上顯示椎間孔的分割結(jié)果，DSC值為0.72；e)右側(cè)旁正中矢狀面圖像上顯示椎間孔的分割結(jié)果，DSC值為0.72；f)模型分割結(jié)果的三維圖像。

2.模型分割結(jié)果的主觀評(píng)價(jià)

影像醫(yī)師對(duì)測(cè)試集中模型分割結(jié)果進(jìn)行主觀評(píng)價(jià)，3D U-Net模型對(duì)頸椎所有結(jié)構(gòu)的分割均能滿(mǎn)足徑線(xiàn)測(cè)量的要求。

討 論

X線(xiàn)、CT和MRI均已經(jīng)被廣泛應(yīng)用于頸椎病的診斷，MRI相比X線(xiàn)和CT具有更高的軟組織分辨力，可清晰顯示脊髓和椎間盤(pán)等軟組織結(jié)構(gòu)，因此能夠提供頸椎病診斷相關(guān)的定性和定量影像學(xué)信息。由于日常工作中對(duì)頸椎各結(jié)構(gòu)的人工測(cè)量耗時(shí)較多，所以在實(shí)際臨床工作中，影像科醫(yī)師對(duì)于頸椎MRI報(bào)告的書(shū)寫(xiě)大多局限在定性診斷，較少進(jìn)行定量指標(biāo)的測(cè)量，導(dǎo)致影像報(bào)告的結(jié)果存在一定的主觀性。在本研究中，我們訓(xùn)練了3D U-Net模型用于在矢狀面MR圖像中分割頸椎的主要結(jié)構(gòu)，結(jié)果顯示模型的分割結(jié)果較好，為后續(xù)自動(dòng)定量測(cè)量奠定了基礎(chǔ)。

既往有一些研究中提出了半自動(dòng)或自動(dòng)方法分割頸椎X線(xiàn)、CT或MR圖像中的結(jié)構(gòu)。在X線(xiàn)平片方面，Arif等[7]使用深度全卷積神經(jīng)網(wǎng)絡(luò)(fully convolu-tional neural networks,FCN)來(lái)定位頸椎X線(xiàn)側(cè)位片中的頸椎區(qū)域，然后利用深度概率空間回歸網(wǎng)絡(luò)對(duì)頸椎椎體中心進(jìn)行定位，最后采用形狀感知深度分割網(wǎng)絡(luò)對(duì)圖像中的脊椎進(jìn)行分割。最終得到了可在X線(xiàn)側(cè)位片中自動(dòng)分割頸椎椎體的模型，其DSC值為0.84，形狀誤差為1.69 mm。Shin等[8]利用深度學(xué)習(xí)系統(tǒng)(deep learning system,DLS)分析了韓國(guó)不同性別、不同年齡段人群中頸椎曲度的變化趨勢(shì)，通過(guò)使用頸椎X線(xiàn)側(cè)位片訓(xùn)練深度學(xué)習(xí)模型(訓(xùn)練集325例、調(diào)優(yōu)集130例、測(cè)試集130例)，并使用該模型對(duì)13691例頸椎側(cè)位X線(xiàn)片進(jìn)行了頸椎分段和曲度測(cè)量，該模型的DSC值達(dá)到了0.96。

在CT方面，Zhang等[9]采用自適應(yīng)閾值濾波器從CT圖像中分割頸椎椎體，將基于PointNet++的單椎體分割算法引入到頸椎分割中，最后利用基于邊緣信息的融合分割算法清晰地區(qū)分出兩個(gè)椎骨的邊緣，該模型的DSC值為0.96，明顯優(yōu)于卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks,CNN)分割模型。Bae等[10]使用2D U-Net模型實(shí)現(xiàn)了頸椎椎體及附件結(jié)構(gòu)的三維分割，該模型的DSC值為0.94。Liu等[11]使用稀疏椎間盤(pán)組合模型(sparse intervertebral fence composition,SiFC)，通過(guò)對(duì)椎間盤(pán)的分割來(lái)重建相鄰椎體之間的邊界，顯著降低了頸椎分割的難度，該模型的DSC值為0.95。

在MRI方面，Daenzer等[12]提出了一種基于直方圖特征的機(jī)器學(xué)習(xí)頸椎分割方法(histograms of oriented gradients for volumetric data，VolHOG)對(duì)C3～C7頸椎椎體分別進(jìn)行分割，其DSC值達(dá)0.98。Rak等[13]使用CNN分割脊柱3D-MRI上的所有椎體，其DSC值為0.96。上述研究中使用的影像檢查方法、模型分割的對(duì)象不盡相同(但大多集中在對(duì)頸椎椎體和附件的分割)，結(jié)果和評(píng)價(jià)指標(biāo)也不完全一致，多數(shù)研究中使用DSC作為評(píng)價(jià)指標(biāo)。本研究中使用3D U-Net網(wǎng)絡(luò)結(jié)構(gòu)[14]，以Coarse-to-Fine的方式序貫訓(xùn)練分割模型，進(jìn)行分割的頸椎結(jié)構(gòu)包括椎體、椎間盤(pán)、硬膜囊、脊髓和椎間孔等，最終建立的分割模型在測(cè)試集中對(duì)頸椎所有結(jié)構(gòu)的分割結(jié)果與人工標(biāo)注間的平均DSC值為0.80±0.13。本研究中建立的分割模型的客觀評(píng)價(jià)指標(biāo)值稍低于既往研究中單一分割模型，分析其原因可能是訓(xùn)練樣本量較少、部分結(jié)構(gòu)特征不典型所致。但主觀評(píng)價(jià)的結(jié)果顯示分割結(jié)果符合臨床要求。

在本研究中，硬膜囊、脊髓、椎體和椎間盤(pán)的分割結(jié)果好于椎間孔的分割結(jié)果，分析其原因是由于椎間孔本身體積較小、與周?chē)渌Y(jié)構(gòu)的重疊較多且信號(hào)強(qiáng)度接近，在標(biāo)注時(shí)容易存在一定的主觀偏差，故3D U-Net模型無(wú)法精準(zhǔn)分割椎間孔的結(jié)構(gòu)，這也導(dǎo)致了最終模型的客觀評(píng)價(jià)結(jié)果低于既往研究中單一分割模型，雖然DSC值低于其它4個(gè)解剖結(jié)構(gòu)，但考慮到椎間孔本身結(jié)構(gòu)較小且無(wú)明確的分界標(biāo)志，對(duì)于影像科醫(yī)師及臨床醫(yī)師來(lái)說(shuō)，模型將椎間孔區(qū)域分割出來(lái)即可達(dá)標(biāo)，出現(xiàn)輕度偏差是可以接受的。

本研究是使用深度學(xué)習(xí)方法實(shí)現(xiàn)頸椎各徑線(xiàn)自動(dòng)測(cè)量的序貫任務(wù)之一，即先完成頸椎各結(jié)構(gòu)的分割，在后續(xù)的研究中再開(kāi)發(fā)算法測(cè)量相關(guān)徑線(xiàn)，從而實(shí)現(xiàn)對(duì)頸椎病的定量診斷。在模型的準(zhǔn)確性較高時(shí)，可以自動(dòng)生成結(jié)構(gòu)化報(bào)告，提高臨床診斷的準(zhǔn)確性和效率，目前正在進(jìn)行的是增加頸椎橫軸面MR圖像的標(biāo)注和迭代。由本研究已經(jīng)完成的工作可知，在數(shù)據(jù)量并不大的情況下，不同廠商、不同場(chǎng)強(qiáng)MR掃描設(shè)備獲得的圖像均可達(dá)到較好的分割效果，可以預(yù)見(jiàn)在納入更多的圖像迭代后，模型對(duì)不同設(shè)備的適用性將不受限制。但就提高模型的泛化能力而言，仍需要嚴(yán)格制定和執(zhí)行影像檢查規(guī)范，以保證不同設(shè)備頸椎MR圖像的檢查質(zhì)量，并在模型迭代過(guò)程中納入各種有輕微偽影的病例，以提高模型在圖像質(zhì)量欠佳時(shí)的魯棒性。

綜上所述，本研究使用3D U-Net深度學(xué)習(xí)分割算法，建立了分割頸椎矢狀面MR圖像中椎體、椎間盤(pán)、硬膜囊、脊髓和椎間孔的自動(dòng)分割模型，為下一步建立頸椎各結(jié)構(gòu)徑線(xiàn)自動(dòng)測(cè)量和頸椎病的定量診斷模型提供了基礎(chǔ)。