多激活卷積神經網絡自動學習模型對膝關節軟骨損傷的診斷效能分析

楊貴昌，鐘妍其，朱彥，劉哲，王冬青

(1淄博市第一醫院，山東淄博 255200；2江蘇大學；3江蘇大學附屬醫院)

膝關節軟骨損傷由于部分患者臨床癥狀不明顯，且關節軟骨的再生和修復能力有限，往往就診時已發展成骨關節炎等關節難治性疾病。MRI檢查能夠及時發現臨床上無明顯癥狀的輕微膝關節軟骨損傷，并有助于判斷其病變程度。由于臨床上針對不同分級膝關節軟骨損傷而采取的治療措施不同，且患者預后也存在明顯差別，故膝關節軟骨損傷的準確分級尤為重要。以往膝關節軟骨損傷患者的MRI檢查結果多采用傳統人工閱片，費時費力，且準確性及可靠性均不夠理想。傳統機器學習分類中比較常用的是支持向量機(SVM)分類，是一種通過求解超平面進行分類的算法。多激活卷積神經網絡(MACNN)自動學習模型是一種前饋神經網絡模型，可在傳統人工閱片基礎上通過復雜的海量同類數據學習，掌握共性信息特征，進而達到精確分類識別的目的，具有參數相對較少、更新速度快的特點[1,2]。本研究以大樣本量膝關節軟骨多序列MRI圖像作為訓練集建立MACNN模型，并分析該模型對膝關節軟骨損傷及其MRI分級的診斷效能。

1 資料與方法

1.1 臨床資料 選擇2016年5月～2018年8月淄博市第一醫院收治、經關節鏡手術確診為膝關節軟骨損傷患者117例，均為男性，年齡30～40(37.6±1.1)歲， BMI為15～25(22.7±0.8)kg/m2，關節鏡診斷軟骨損傷分級：Ⅰ級21例、Ⅱ級39例、Ⅲ級30例、Ⅳ級27例。納入標準：①有關節疼痛或關節活動障礙，且持續時間超過3個月的首診男性患者；②未經藥物或外科手術治療；③關節鏡手術前進行MRI檢查并排除其他關節病變。排除標準：①已入院治療過的復診患者；②既往嚴重膝關節外傷史；③MRI檢查合并其他關節病變；④存在MRI檢查禁忌證。選擇男性健康志愿者23例，其年齡、BMI與膝關節軟骨損傷患者相匹配。本研究通過醫院倫理委員會審核，患者均簽署知情同意書。

1.2 MRI檢查及數據采集 膝關節軟骨損傷患者關節鏡手術前、健康志愿者入組后均進行膝關節MRI檢查。數據采集設備采用3.0 T MR掃描儀及膝關節專用線圈。采集序列及相關參數：①水激發三維多回波數據聯合成像(3D-MEDIC)序列，層厚1.0 mm，重復時間31 ms，回波時間17 ms，翻轉角度8°，帶寬190 Hz，視野160 mm×160 mm，120分區，矩陣512 mm×512 mm，層面內分辨率0.4 mm×0.4 mm，相位分辨率100%，切層分辨率75%。②水激發三維快速小角度激發(3D-FLASH)序列，層厚1.5 mm，重復時間16 ms，回波時間7.2 ms，翻轉角度12°，80分區，帶寬130 Hz，視野160 mm×160 mm，矩陣512×512，層面內分辨率0.4 mm×0.4 mm，相位分辨率100%，切層分辨率75%。③T2-mapping序列，層厚3 mm，重復時間2 124 ms，回波時間14 ms，翻轉角度180°，視野159 mm×159 mm，矩陣384×384，平均次數1次。采用Siemens VB12工作站進行圖像處理，包括3D形態學數據測量及T2-mapping偽彩顯示。

1.3 膝關節軟骨損傷的分級診斷方法 收集117例膝關節軟骨損傷患者和23例健康志愿者的膝關節MRI圖像共2 035幅，以此為基礎分析傳統人工閱片、SVM分類及MACNN模型三種方法對膝關節軟骨損傷的總診斷效能及分級診斷效能。

1.3.1 傳統人工閱片 將膝關節軟骨MRI檢查結果按照6個部位，即髕骨、股骨滑車、股骨內髁面、股骨外髁面、脛骨平臺內側面、脛骨平臺外側面，進行關節軟骨分割、厚度測量、異常信號辨別及T2值測量。最后分別由兩位高年資主任醫師根據圖像特征及所測數據對膝關節軟骨損傷進行分級，結果不一致時邀請第3位高年資主任醫師進行裁決判斷，傳統人工閱片分級診斷采用ICRS分級標準。

1.3.2 SVM分類 采用SVM分析膝關節軟骨MRI檢查結果。SVM分類方法采用公式1求解計算，其中y表示數據點的標簽，值為-1或1，以方便于距離計算的公式推導。當w和b等比例放大時，d的結果不會改變，可以將其簡化為公式2。通過拉格朗日乘子法對其進行求解，即公式3。對L中的參數，分別求偏導，并令偏導的值為0，帶入公式4計算結果。

公式3：s.t.y(wTx+b)-1≥0

1.3.3 MACNN模型 訓練集數據采集：查詢并導出近期膝關節軟骨MRI多序列原始圖像共約5 000幅(包括水激發 3D-MEDIC序列、3D-FLASH序列及T2-mapping序列數據)，經過對圖像進行可接受范圍內的微量偏移或翻轉，將訓練集樣本量擴充至一倍以上。

MACNN模型構架及運算：以上述訓練集為基礎導入MACNN模型開始進行自動訓練學習，該MACNN模型包括5個卷積層、3個池化層、2個全連接層以及最后的分類輸出層。卷積層卷積核均采用3×3，步長為1×1；池化層均采用2×2最大池化，步長為2×2；全連接層的神經元個數選擇4 096個。在對MACNN模型訓練過程中選擇ubuntu16.04 64位系統下，采用英特爾i7 4.20 GHz CPU(Core i7-770K)、16 GB內存和NVIDIA GeForce GTX1070的顯卡配置。初試學習率為1e-5，權重初始化選用“Xavier”，權重衰減值為0.000 5，學習率的衰減策略為“step”，gamma取值0.1。訓練時設置100個epoch，將所有的BN層和激活層全部設置為預激活，最終選擇softmaxloss函數計算網絡的loss值。

MACNN模型診斷步驟：MACNN模型訓練完成后，通過TensorFlow框架的內在函數進行模型保存，對應的保存格式可以為.mdf5或者是.pb等。根據相應的保存格式，采用對應的讀取模型方法，分別讀取模型結構和參數，將需要測試的圖像路徑放入代碼中，通過已經訓練好的模型參數返回預測的結果。

1.4 統計學方法 采用SPSS23.0統計軟件。繪制傳統人工閱片、SVM分類及MACNN模型三種方法診斷膝關節損傷及其分級的ROC曲線，計算曲線下面積(AUC)、敏感性、特異性及準確性。計數資料以率表示，結果比較采用χ2檢驗。P<0.05為差異有統計學意義。

2 結果

2.1 三種方法對膝關節軟骨損傷的診斷效能比較 見表1。

表1 三種方法對膝關節軟骨損傷的診斷效能比較

注：與傳統人工閱片比較，aP<0.05，bP<0.01；與SVM分類比較，cP<0.05，dP<0.01。

2.2 三種方法對不同分級膝關節軟骨損傷的診斷效能比較 見表2。

表2 三種方法對不同分級膝關節軟骨損傷的診斷效能比較

注：與傳統人工閱片診斷同等級膝關節軟骨損傷比較，aP<0.05，bP<0.01；與SVM分類診斷同等級膝關節軟骨損傷比較，cP<0.01。

3 討論

膝關節是人體最大的關節，在日常生活及運動中常發生軟骨、韌帶損傷，而軟骨由于其特殊的成分組成，一旦損傷便難以自愈，且隨著時間的遷延可引發創傷性骨性關節炎[3]。膝關節軟骨損傷近年來有年輕化及普遍化趨勢，一些程度輕的損傷由于起病隱匿，往往容易臨床漏診而導致治療延誤，即使通過敏感性較高的MRI檢查，部分不典型的Ⅰ級及Ⅱ級病變亦不能保證可以明確診斷[4]。

3D-MEDIC、3D-FLASH及T2-mapping序列均為影像學分析膝關節軟骨損傷的重要序列[5]，能夠最大程度地提供相應的影像學數據及特征，可以從膝關節軟骨形態學變化、軟骨水含量、軟骨膠原異向性及軟骨內蛋白聚糖含量變化等方面分析膝關節軟骨是否損傷[6]，尤其是T2-mapping成像，能夠在膝關節軟骨功能層面進行損傷判斷。Juras等[7]研究表明，在T2-mapping序列中，Ⅰ級及Ⅱ級病變的T2值差異不大，無法明確區分，而形態學相關的3D-FSE-Cube或3D-SPACE序列在部分病灶微小的Ⅰ級病變中應用價值受限[8]。在實際臨床工作中，部分輕度膝關節軟骨損傷由于圖像特征變化極小，肉眼極易漏診，加之受影像診斷醫師水平及經驗等因素影響，即使通過專用影像學分析軟件也無法明顯提高輕度膝關節軟骨損傷的識別率及分級診斷準確率[9]。故需要更精確的手段對膝關節軟骨損傷尤其是非常輕度的損傷加以識別及鑒別。

隨著人工智能相關技術的興起，機器學習分類成為解決該問題的一種新的思路及方法。在傳統機器學習的眾多算法中，SVM分類算法可以說是最穩定也是優勢最明顯的算法之一。但傳統的機器學習分類方法所需樣本量巨大，且需要人工設定圖像特征值及概率值，具有結果不穩定及過高的假陽性率等缺點[10]，在實際應用中其可行性容易受到質疑。為了解決該問題，本研究團隊在基于Python語言的TensorFlow深度學習框架下，構建出一種基于標準卷積神經網絡的MACNN模型，該模型網絡中卷積核通過滑動卷積進行特征表達和特征提取，其卷積核參數在訓練過程中是共享權值的，在反向傳播中不斷地更新和優化權值[11]；同時每一層的卷積上通過使用不同的激活函數，使得引入不同類型的非線性信號，增加網絡的多樣性，提升網絡的魯棒性，從而使最終的模型能夠解決更復雜的問題。

由于關節軟骨厚度存在性別上的差異，為保證計算機模型擬合準確性及可靠性，本研究均選擇男性膝關節軟骨損傷患者作為研究對象。本研究結果顯示，MACNN模型對膝關節損傷的診斷總效率最高，其診斷準確性、敏感性、特異性均優于其他兩種方法。本研究結果顯示，傳統人工閱片及SVM分類對于Ⅰ、Ⅱ級關節軟骨損傷的診斷特異性較差，這與既往研究中對于Ⅰ級膝關節軟骨損傷易漏診及Ⅰ、Ⅱ級膝關節軟骨損傷具有一定鑒別難度的結論是一致的[12,13]；同時本研究證明傳統人工閱片及SVM分類在Ⅱ級膝關節軟骨損傷的診斷中均存在過高的假陽性率，從而導致診斷效能明顯下降。MACNN模型通過高度復雜的非線性處理及強大的自組織、自學習和自適應能力，可明顯降低將Ⅱ級膝關節軟骨損傷誤判為Ⅰ級或Ⅲ級損傷的概率。而Ⅲ、Ⅳ級膝關節軟骨損傷由于病變較重，MRI圖像特征明顯，傳統人工閱片法及SVM分類能夠很輕易地做出準確判斷，故無需更加復雜的方法來輔助診斷。

綜上所述，MACNN模型對膝關節軟骨損傷患者的總診斷效能及分級診斷效能均較高，尤其在Ⅰ級及Ⅱ級膝關節軟骨損傷的診斷中有明顯優勢，可以作為較可靠的工具模型進行輔助診斷。MACNN模型具有強大的自動表征能力，能夠從影像數據中提取生理上的重要表征，并學習出其中隱藏的復雜關系，通過復雜的卷積計算，對未輸入結果的狀態加以判斷，并給出結果預測。該模型預測能力可靠穩定，尤其適用于需要通過細微差別進行篩選及鑒別的精準影像學領域。