基于同軸相襯成像方法與支持向量機(jī)算法的早期骨性關(guān)節(jié)炎的鑒別診斷

李 君 程 程 董立男 吳明樹 張 璐*

(1.北京大學(xué)第三醫(yī)院腫瘤放療科，北京 100191；2.中國(guó)人民解放軍總醫(yī)院影像科，北京 100039；3.首都醫(yī)科大學(xué)生物醫(yī)學(xué)工程學(xué)院，北京 100069)

對(duì)于骨性關(guān)節(jié)炎(osteoarthritis, OA)疾病，軟骨內(nèi)部結(jié)構(gòu)的改變遠(yuǎn)遠(yuǎn)早于軟骨外部形態(tài)的改變。而軟骨內(nèi)微結(jié)構(gòu)的變化主要表現(xiàn)在軟骨細(xì)胞的分布改變及纖維化樣病變的產(chǎn)生[1-3]。如果在臨床體檢時(shí)，能夠?qū)浌墙M織微結(jié)構(gòu)進(jìn)行評(píng)估與監(jiān)測(cè)，將對(duì)骨關(guān)節(jié)疾病的早期診斷和預(yù)防具有重要意義。同軸相襯成像(in-line phase contrast imaging, IL-PCI)技術(shù)是一種基于菲涅爾衍射的X射線相位成像方法，可以無創(chuàng)探測(cè)低吸收物體內(nèi)部不同組織的精細(xì)結(jié)構(gòu)信息。該技術(shù)對(duì)于生物軟組織具有微米級(jí)別的高分辨率[4-5]。因此，利用IL-PCI技術(shù)對(duì)生物組織微結(jié)構(gòu)進(jìn)行成像，通過分析其內(nèi)部微結(jié)構(gòu)的改變來預(yù)測(cè)或診斷疾病已成為近年來的研究熱點(diǎn)[6-8]。

目前醫(yī)學(xué)圖像診斷領(lǐng)域中計(jì)算機(jī)輔助診斷技術(shù)不斷發(fā)展，其中紋理分析技術(shù)在疾病預(yù)測(cè)、分類、預(yù)后判斷等方面均有重要價(jià)值[9]。通過紋理測(cè)度量化，能夠有效、準(zhǔn)確地識(shí)別圖像紋理改變。獲取圖像中肉眼無法觀察到的潛在信息[10]?；谥С窒蛄康臋C(jī)器學(xué)習(xí)作為一種小樣本量人工智能算法，可以利用紋理分析提供的紋理特征參數(shù)建立疾病的預(yù)測(cè)模型。

因此，本研究利用IL-PCI技術(shù)對(duì)正常及早期OA患者的離體軟骨組織進(jìn)行成像，基于支持向量機(jī)算法，對(duì)正常和早期OA軟骨的紋理進(jìn)行自動(dòng)分類，為早期OA的臨床鑒別診斷提供一種無創(chuàng)量化判別的輔助手段。

1 材料與方法

1.1 實(shí)驗(yàn)樣本

研究樣本為離體的人體膝關(guān)節(jié)軟骨組織，分別來自于北京大學(xué)第三醫(yī)院骨科接受人工膝關(guān)節(jié)置換手術(shù)及創(chuàng)傷性關(guān)節(jié)損傷患者的離體關(guān)節(jié)組織，創(chuàng)傷性關(guān)節(jié)損傷患者的部分關(guān)節(jié)軟骨結(jié)構(gòu)相對(duì)完整，可作為正常關(guān)節(jié)軟骨樣本用于入組研究。

關(guān)節(jié)鏡是OA診斷的黃金標(biāo)準(zhǔn)。依據(jù)關(guān)節(jié)鏡檢查結(jié)果，國(guó)際軟骨修復(fù)協(xié)會(huì)軟骨損傷分級(jí)系統(tǒng)(international cartilage repair society，ICRS)將關(guān)節(jié)軟骨損傷分為四個(gè)等級(jí)，具有表淺、鈍性缺口和表淺開裂的軟骨組織為一級(jí)，視為早期損傷。對(duì)于表面光滑、無鈍性損傷的軟骨視為正常。依照ICRS分級(jí)系統(tǒng)，將樣本分為正常組與早期OA組，每組18例。

1.2 IL-PCI掃描成像

1.2.1 IL-PCI技術(shù)原理

如圖1所示，同步輻射X射線由儲(chǔ)能環(huán)反射出來，經(jīng)兩塊單色晶體[Si(311)晶體]折射后變成一束相干的單色光。單色光穿透樣本時(shí)，X 射線相位發(fā)生改變，在不同組織表面發(fā)生菲涅爾衍射，當(dāng)樣本與探測(cè)器達(dá)到合適距離時(shí)，探測(cè)器所在位置接收信號(hào)的強(qiáng)度會(huì)出現(xiàn)明顯的邊緣增強(qiáng)效應(yīng)，從而形成相位襯度圖像。

圖1 同步輻射同軸相襯成像原理圖

1.2.2 膝關(guān)節(jié)軟骨IL-PCI掃描成像

人體膝關(guān)節(jié)軟骨組織成像實(shí)驗(yàn)于上海同步輻射光源(Shanghai Synchrotron Radiation Facility，SSRF)的BL13W1線站進(jìn)行。實(shí)驗(yàn)采用高頻探測(cè)器，分辨率3.7 μm×3.7 μm，樣品至光源的距離為15 cm，輻射能量15 keV，掃描曝光時(shí)間2.5 s，掃描投影圖 720張，暗場(chǎng)圖像10張，背景圖像10張。在成像過程中，由于成像系統(tǒng)內(nèi)部或外部多種因素的干擾，會(huì)產(chǎn)生背景噪聲,降低圖像質(zhì)量,影響圖像后續(xù)處理和量化分析。去除或最大程度地減少這種噪聲是十分必要的。首先利用圖像歸一化的方法去除投影圖像的本底噪聲[11]。接著采用濾波反投影算法進(jìn)行CT重建。圖像歸一化去除投影圖像的本底噪聲的方法表示為：

(1)

Ip為獲取的相襯投影圖像，Ib為背景圖像，Id為暗場(chǎng)圖像。

1.3 感興趣區(qū)分割

根據(jù)臨床專家的意見，軟骨的輻射層是感興趣區(qū)(region of interest, ROI)的最佳選擇位置，因?yàn)樵搮^(qū)域在早期OA軟骨纖維化樣病變的表征較為突出。由于實(shí)驗(yàn)樣本量有限，正常組與早期OA組分別只獲得18例。為了能夠提高分類的正確率，需要增大樣本量。因此，對(duì)每個(gè)樣本選取6個(gè)感興趣區(qū)用于測(cè)量紋理。這6個(gè)ROI按照每間隔10層選取一張的原則。不僅能夠保證不同ROI均取自軟骨輻射層，又能最大限度降低圖像在紋理上的相關(guān)性。由此，正常組和早期OA組分別得到108個(gè)ROI。

1.4 紋理特征提取

1.4.1 基于行程長(zhǎng)度矩陣的紋理特征提取

行程長(zhǎng)度矩陣定義為某個(gè)方向上連續(xù)j個(gè)點(diǎn)，具有相同灰度值i出現(xiàn)的次數(shù)，記為P(i,j)，其中i=1，2，…，M；j=1，2，…，N；M為灰度級(jí)數(shù)，N為最長(zhǎng)的行程長(zhǎng)度?；谛谐涕L(zhǎng)度矩陣沿四個(gè)方向 0°、45°、90°和135°分別計(jì)算特征參數(shù)：長(zhǎng)行程加權(quán)(long run emphasis，LRE)、短行程加權(quán)(short run emphasis，SRE)、行程分?jǐn)?shù)(run percentage，RP)、灰度級(jí)非均勻性(gray level non-uniformity，GLN)、行程長(zhǎng)度非均勻性(run length non-uniformity，RLN)[12-13]。

①長(zhǎng)行程加權(quán)：

(2)

②短行程加權(quán)：

(3)

③行程分?jǐn)?shù)：

(4)

④灰度級(jí)非均勻性：

(5)

⑤行程長(zhǎng)度非均勻性：

(6)

式中，nr是行程總數(shù)：np是窗口中像素總數(shù)。

1.4.2 基于分形維的紋理特征提取

本研究采用差分盒維數(shù)法，以三維立方體網(wǎng)格直接覆蓋CT圖像計(jì)算分形維數(shù)。對(duì)于M×N像素，灰階為Hk的CT圖像, 可將其視為底邊為δk×δk、高度為Hk的盒子。以δk為尺度將底面劃分為(1/δk)×(1/δk)的網(wǎng)格,用(M/δk)×(N/δk)×(Hk/δk)的立方體進(jìn)行覆蓋，計(jì)算的立方體個(gè)數(shù)Nδk，通過改變灰階Hk的大小,可以得到一系列不同的Nδk值,在雙對(duì)數(shù)坐標(biāo)下擬合lgNδk=a·(-lgδk)+b直線,其斜率即為該CT圖像的分形維數(shù)。

1.4.3 基于雙樹復(fù)小波變換(dual-tree complex wavelet transform, DT-CWT)紋理特征提取

相襯圖像ROI進(jìn)行2層DT-CWT分解，并對(duì)每層所得到0°、45°、90°和135° 4個(gè)方向上的高頻系數(shù)圖像和低頻系數(shù)圖像求均值，最終將ROI分解成尺度1方向上高頻系數(shù)圖像和低頻系數(shù)圖像各一幅，以及尺度2方向上的高頻系數(shù)圖像及低頻系數(shù)圖像各一幅。然后用行程長(zhǎng)度矩陣中所提及的LRE、SRE、RP、GLN、RLN紋理參數(shù)進(jìn)一步提取。因此基于DT-CWT的分析方法可以得到20個(gè)紋理參數(shù)。

1.5 主成分分析方法降維

本文通過行程長(zhǎng)度矩陣方法可提取5維紋理特征；分形維方法提取1維紋理特征；雙樹復(fù)小波變換方法提取20維紋理特征，共計(jì)26維紋理特征。由于高維紋理特征數(shù)據(jù)包含大量冗余信息，會(huì)降低學(xué)習(xí)算法的準(zhǔn)確性，故需對(duì)高維紋理特征數(shù)據(jù)降維[14-15]。本研究采用主成分分析(principal component analysis，PCA)方法進(jìn)行紋理特征參數(shù)降維。通過PCA運(yùn)算，26個(gè)紋理特征就轉(zhuǎn)化為5個(gè)線性無關(guān)的特征(Y1,Y2,Y3,Y4,Y5)。根據(jù)這5個(gè)紋理特征在PCA中的貢獻(xiàn)率，得到了1個(gè)最終的紋理特征叫作綜合得分值Y，即：

1.6 支持向量機(jī)(support vector machine, SVM)分類

SVM是廣泛應(yīng)用的數(shù)據(jù)學(xué)習(xí)分類方法。SVM根據(jù)有限的樣本信息在模型的復(fù)雜性和學(xué)習(xí)能力之間尋求最佳折中，以期獲得最好的推廣能力，在解決小樣本、非線性及高維模式識(shí)別中表現(xiàn)出特有的優(yōu)勢(shì)[16]。經(jīng)由SVM引入到高維特征空間，在這個(gè)空間里，通過某一非線性映射函數(shù)，運(yùn)用線性代數(shù)和幾何的方法將紋理特征數(shù)據(jù)分類。本研究隨機(jī)抽取2/3數(shù)據(jù)作為訓(xùn)練集，其余1/3作為測(cè)試集，最終訓(xùn)練集包含72個(gè)ROI數(shù)據(jù)，測(cè)試集包含36個(gè)。

1.7 統(tǒng)計(jì)學(xué)方法

2 結(jié)果

2.1 IL-PCI成像結(jié)果

如圖2(A)所示，在未使用造影劑的條件下，正常軟骨組織膝關(guān)節(jié)軟骨與軟骨下骨的結(jié)構(gòu)依舊清晰可辨。可以觀察到軟骨的完整結(jié)構(gòu)(包含表層、過渡層、輻射層和鈣化層)，并能探測(cè)到骨細(xì)胞分布均勻的情況，實(shí)現(xiàn)了相襯技術(shù)在細(xì)胞水平的成像。相比于早期OA軟骨組織(圖2B)，軟骨層的潮線部分缺失，軟骨細(xì)胞分布均勻性也被破壞。正常軟骨(圖2C)中軟骨細(xì)胞分布均勻，序列整齊，層次清楚。相比之下，早期OA膝關(guān)節(jié)軟骨(圖2D)中可以觀察到軟骨的紋理十分不規(guī)則，有些區(qū)域呈現(xiàn)梁狀結(jié)構(gòu)，軟骨細(xì)胞分布不均，局部有軟骨細(xì)胞缺失。

圖2 軟骨組織相襯CT圖

2.2 紋理特征提取結(jié)果

2.2.1 基于行程長(zhǎng)度矩陣與分形維度的紋理特征提取

正常組的LRE與分形維度高于早期OA組(P<0.05)，而早期OA組的GLN、RLN遠(yuǎn)高于正常組(P<0.05)。詳見表1。對(duì)于SRE和RP，早期OA組只是略高于正常組，但差異無統(tǒng)計(jì)學(xué)意義。

表1 基于行程長(zhǎng)度矩陣與分形維度方法提取的正常組與早期OA組軟骨紋理特征

2.2.2 基于雙數(shù)復(fù)小波變換紋理特征提取

對(duì)于第一層和第二層高頻系數(shù)圖像的紋理特征提取結(jié)果，如表2、表3所示，早期OA組的ROI與正常組ROI的紋理特征值SRE′、RP′、GLN′、RLN′差異較明顯(P<0.05)，具有統(tǒng)計(jì)學(xué)意義。對(duì)于第一層低頻系數(shù)圖像的紋理特征提取結(jié)果，兩組紋理特征LRE′、RP′、GLN′與RLN′具有明顯的不同(P<0.05)，差異具有統(tǒng)計(jì)學(xué)意義(表4)。對(duì)于第二層低頻系數(shù)圖像，兩組紋理特征值LRE′、SRE′、RP′與RLN′明顯不同(P<0.05)，差異具有統(tǒng)計(jì)學(xué)意義(表5)。

表2 第一層高頻系數(shù)圖像的紋理特征結(jié)果

表3 第二層高頻系數(shù)圖像的紋理特征結(jié)果

表4 第一層低頻系數(shù)圖像的紋理特征結(jié)果

表5 第二層低頻系數(shù)圖像的紋理特征結(jié)果

2.3 基于PCA方法降維結(jié)果

本文利用貢獻(xiàn)率加權(quán)的方式，將PCA運(yùn)算得到的5維特征進(jìn)一步降維，最終得到一個(gè)特征參數(shù)：綜合得分值。這樣不僅可以減少后續(xù)的工作量，更能突出主要紋理特征的分類作用。如圖3所示，正常組與早期OA組沒有交疊的部分，存在明顯的差異。因此可以初步認(rèn)定，綜合得分值能有效區(qū)分正常組與早期OA組的ROI。

圖3 正常組與早期OA組的綜合得分值

2.4 基于支持向量機(jī)的分類

綜合得分值能夠很好地將正常組與早期OA組區(qū)分，因此將綜合得分結(jié)果作為SVM分類器的訓(xùn)練樣本。并從另外36個(gè)未使用的測(cè)試集ROI中提取特征向量，對(duì)基于SVM的分類器進(jìn)行測(cè)試，其分類正確率可達(dá)86.1%。特異度為0.83，敏感度為0.89，受試者工作特征(receiver operating characteristic, ROC)曲線的曲線下面積(area under the curve，AUC)為0.83。

3 討論

在不使用造影劑的條件下，相襯成像技術(shù)依然有能力實(shí)現(xiàn)關(guān)節(jié)軟骨的清晰成像[17]。已有研究[18]采用該技術(shù)實(shí)現(xiàn)了牛膝關(guān)節(jié)軟骨膠原纖維分布的定向測(cè)量。以往研究[18]雖然證實(shí)了IL-PCI技術(shù)對(duì)軟骨組織成像定量分析的能力，但沒有用于臨床疾病的預(yù)測(cè)及診斷。本實(shí)驗(yàn)利用類同軸相襯技術(shù)，對(duì)早期OA患者及正常人群的膝關(guān)節(jié)軟骨組織進(jìn)行成像。從軟骨組織相襯CT圖中，可以清晰、明確的發(fā)現(xiàn)早期OA軟骨結(jié)構(gòu)與正常軟骨結(jié)構(gòu)存在差異。在正常軟骨組織，骨細(xì)胞的相對(duì)大小與位置的分布基本一致，表現(xiàn)出一定的自相似性。而OA軟骨組織的細(xì)胞分布會(huì)呈現(xiàn)細(xì)胞的簇集、凋亡以及軟骨纖維化的早期表征。因此有高分辨率、高襯度特性的IL-PCI技術(shù)對(duì)關(guān)節(jié)軟骨的微觀結(jié)構(gòu)的改變具有很強(qiáng)的敏感性和特異性[16-17]，該技術(shù)為生物組織微觀成像提供了一種全新的手段。

此外，本研究通過提取圖像感興趣區(qū)的紋理特征，定量分析正常軟骨與早期OA軟骨之間的差異，并利用基于支持向量機(jī)的分類器對(duì)正常軟骨與早期OA軟骨進(jìn)行分類，實(shí)驗(yàn)結(jié)果表明，基于行程長(zhǎng)度矩陣、分形維及雙樹復(fù)小波分解方法的紋理特征提取，能有效量化正常與早期OA軟骨圖像的差異。而支持向量機(jī)算法是一種基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理的分類技術(shù)，基于支持向量機(jī)的分類系統(tǒng)，對(duì)小樣本量的分類測(cè)試，具有較理性的分類結(jié)果。本研究將其應(yīng)用到早期OA分類識(shí)別，效果比較令人滿意?；贗L-PCI與SVM技術(shù)，可為今后早期骨關(guān)節(jié)炎的輔助診斷提供一種新思路與方法。

盡管同步輻射IL-PCI技術(shù)擁有無可比擬的優(yōu)勢(shì),但其理論系統(tǒng)的建立和應(yīng)用研究的發(fā)展還處于初級(jí)階段，并且成像裝置龐大，目前研究多集中在基礎(chǔ)科學(xué)領(lǐng)域。因此，IL-PCI技術(shù)要從現(xiàn)在的原理研究、基礎(chǔ)科學(xué)研究發(fā)展到臨床應(yīng)用還需要走很長(zhǎng)的路。

本研究證實(shí)了IL-PCI技術(shù)對(duì)于生物樣本具有高分辨率可視化軟組織結(jié)構(gòu)的能力。通過可視化軟骨組織內(nèi)部微觀結(jié)構(gòu)并創(chuàng)建分類模型，對(duì)未來研究關(guān)節(jié)炎早期臨床鑒別診斷可以提供一定的依據(jù)。