CT圖像增強(qiáng)輔助診斷系統(tǒng)在椎間盤突出診斷中的應(yīng)用研究

黃鳴宇 吳麗梅 鄺曉東 彭偉清*

椎間盤突出癥是我國(guó)常見的慢性疾患之一，主要由椎間盤髓核、纖維環(huán)以及軟骨板退行性病變后加之外力作用下引起。纖維環(huán)斷裂后髓核脫出椎管導(dǎo)致神經(jīng)叢機(jī)械性擠壓，產(chǎn)生肢體麻木、疼痛等癥狀，給患者工作和生活帶來(lái)嚴(yán)重影響。近年來(lái)，隨著人們生活方式的轉(zhuǎn)變以及老齡化進(jìn)程加快，椎間盤突出癥呈上升趨勢(shì)[1]。其中，以腰椎間盤突出癥(lumbar disc herniation，LDH)增長(zhǎng)率為主，約占新增患者90%以上[2]。臨床診斷中，由于脊柱成分及結(jié)構(gòu)復(fù)雜，如何凸顯出組織及其解剖結(jié)構(gòu)，尤其是脊髓、韌帶及血管等軟組織特征，精準(zhǔn)醫(yī)學(xué)要求診斷從定性觀察提升為定量化分析診斷，對(duì)傳統(tǒng)診斷模式形成挑戰(zhàn)。采用現(xiàn)代數(shù)據(jù)分析理念如何深度挖掘CT影像信息，實(shí)現(xiàn)臨床知識(shí)轉(zhuǎn)化，進(jìn)而提高診斷效率，降低閱片過程臨床醫(yī)師的精力消耗，彌補(bǔ)基層臨床薄弱的現(xiàn)狀，成為亟需解決的問題。

隨著影像學(xué)的發(fā)展和工程技術(shù)的進(jìn)步，計(jì)算機(jī)斷層成像(computed tomography，CT)技術(shù)在診斷精度上已取得了長(zhǎng)足的進(jìn)步[3]。通過多排CT椎體顯像，臨床醫(yī)師可通過觀察脊柱側(cè)方代償性凸起、韌帶間骨贅、椎間隙狹窄程度等[4-5]影像特征直觀診斷LDH，逐漸成為脊柱外科影像診斷的基礎(chǔ)方法。基于此，本研究采用CT圖像增強(qiáng)輔助診斷系統(tǒng)對(duì)臨床椎間盤突出診斷中的應(yīng)用效果進(jìn)行分析研究。

1 資料與方法

1.1 臨床資料

選擇2015年7月至2019年11月中山市中醫(yī)院收治的161例經(jīng)微創(chuàng)手術(shù)確診為L(zhǎng)DH患者，將其臨床醫(yī)療檔案數(shù)據(jù)作為研究樣本，其中男性93例，女性68例；年齡37～65歲，平均年齡(51.90±14.90)歲。患者均伴有腰腿痛、單(雙)側(cè)下肢麻木等癥狀，主訴癥狀持續(xù)平均時(shí)間為(1.41±0.62)年，其中25例存在腰部外傷史，11例為骶髂關(guān)節(jié)損傷，8例為椎體骨折，16例為錐孔狹窄及骨質(zhì)病變。本研究已征得醫(yī)院醫(yī)學(xué)倫理會(huì)批準(zhǔn)，且患者及家屬均知情同意。

1.2 納入與排除標(biāo)準(zhǔn)

(1)納入標(biāo)準(zhǔn)：①具有腰椎間盤突出癥的患者，并經(jīng)常規(guī)CT及MRI檢查；②微創(chuàng)手術(shù)確診LDH的患者。

(2)排除標(biāo)準(zhǔn)：①無(wú)其他腰椎手術(shù)病史；②無(wú)完整的CT及MRI影像資料；③無(wú)癌癥及血液病等重大疾病。

1.3 儀器設(shè)備

采用Aquilion 64排CT(日本東芝公司)；Signa 1.5T核磁共振儀(美國(guó)GE公司)。

1.4 檢查方法

測(cè)試均采用Aquilion 64排CT，患者取臥姿，采用定位拍攝，掃描范圍為胸12至骶1，掃描層厚及間距均為3 mm。

1.5 CT圖像增強(qiáng)輔助診斷系統(tǒng)

通過圖像增強(qiáng)技術(shù)，為后續(xù)分析及臨床診斷提供層次分明、清晰直觀的影像信息。基于功能分析，采用機(jī)器學(xué)習(xí)方法實(shí)現(xiàn)CT圖像增強(qiáng)處理、椎間盤的定位，并在此基礎(chǔ)上實(shí)現(xiàn)LDH風(fēng)險(xiǎn)評(píng)估，為臨床診斷提供定量分析及輔助診斷方法。CT圖像增強(qiáng)輔助診斷系統(tǒng)流程見圖1。

圖1 CT圖像增強(qiáng)輔助診斷系統(tǒng)功能流程

1.5.1 CT圖像增強(qiáng)

CT影像成像原理較之核磁共振圖像高低密度對(duì)比度強(qiáng)，但脊髓、韌帶及血管等軟組織圖像特征較弱[6]。在LDH影像中，需要采用圖像增強(qiáng)技術(shù)提高髓核、錐動(dòng)脈、纖維環(huán)、錐間韌帶、神經(jīng)叢等顯像對(duì)比度。CT圖像由于受到拍攝設(shè)備、環(huán)境、患者狀態(tài)、拍攝手法等影響，可能存在灰度分布偏差、細(xì)節(jié)失真等問題，需要采用圖像增強(qiáng)方法調(diào)整灰度分布并增強(qiáng)對(duì)比度，提高診斷效果。CT圖像增強(qiáng)采用直方圖均衡化算法實(shí)現(xiàn)圖像增強(qiáng)，該算法在實(shí)現(xiàn)圖像灰度分布均勻的基礎(chǔ)上避免了過度曝光的問題，同時(shí)實(shí)現(xiàn)了鄰域間像素間灰度關(guān)聯(lián)[7]其計(jì)算為公式1：

式中sk為轉(zhuǎn)換像素，rk為原CT圖像像素，L為灰度范圍，M為原始圖像寬度，N為原始圖像高度，Pr(rj)為像素rk出現(xiàn)的概率，nj為像素值為j的個(gè)數(shù)。

系統(tǒng)采用openCV圖像分析庫(kù)函數(shù)equalizeHist實(shí)現(xiàn)CT圖像增強(qiáng)功能：

1.5.2 椎間盤定位

為提高診斷效率，降低運(yùn)算量，椎間盤診斷需要檢測(cè)受檢感興趣區(qū)域(region of interest，ROI)，即椎間盤區(qū)域。檢測(cè)精度越高，能夠最大限度剔除周邊組織，并保留目標(biāo)區(qū)域[8-9]。采用深度學(xué)習(xí)Faster R-CNN算法實(shí)現(xiàn)脊椎輪廓、獨(dú)立椎骨輪廓ROI區(qū)域檢測(cè)功能，最終通過輪廓重疊分割出椎間盤區(qū)域[10]。

1.5.3 LDH定量分析與輔助診斷

LDH的定量分析與輔助診斷首先應(yīng)完成椎間盤區(qū)域分割，精準(zhǔn)分割結(jié)果不僅能夠降低背景圖像干擾，降低計(jì)算量，同時(shí)能夠最大程度保留椎間盤區(qū)域特征，提高定量分析準(zhǔn)確性與輔助診斷可信性，其流程為：①椎間盤區(qū)域分割椎間盤區(qū)域分割采用深度學(xué)習(xí)U-Net網(wǎng)絡(luò)結(jié)合K-means聚類模型[11-12]實(shí)現(xiàn)；②椎間盤區(qū)域特征選擇與定量分析根據(jù)臨床先驗(yàn)知識(shí)，LDH通常在CT影像中伴有椎間盤變性、鈣化、脊髓變形、硬膜囊受壓、神經(jīng)根受壓、椎間盤積氣等典型特征[13-17]。

通過上述特征檢測(cè)構(gòu)建支持向量機(jī)(support vector machines，SVM)分類器，實(shí)現(xiàn)椎間盤突出分類診斷功能，其實(shí)現(xiàn)過程包括選取LDH關(guān)聯(lián)特征作為SVM輸入變量，分別通過深度學(xué)習(xí)、數(shù)字圖像處理、機(jī)器學(xué)習(xí)等方法獲得對(duì)應(yīng)特征信息。將提取后SVM輸入變量經(jīng)預(yù)處理后結(jié)合臨床確診結(jié)果形成樣本數(shù)據(jù)，基于訓(xùn)練樣本數(shù)據(jù)訓(xùn)練并形成SVM輔助診斷模型。LDH特征參數(shù)及分析方法見表1。

表1 LDH特征參數(shù)及分析方法

1.6 統(tǒng)計(jì)學(xué)方法

采用SPSS20.0軟件對(duì)研究數(shù)據(jù)進(jìn)行統(tǒng)計(jì)處理。率的比較采用卡方檢驗(yàn)，計(jì)數(shù)資料采用x2檢驗(yàn)，以P＜0.05為差異有統(tǒng)計(jì)學(xué)意義。

2 結(jié)果

測(cè)試結(jié)果采用Signa 1.5T核磁共振診斷結(jié)果對(duì)照分析。將161例患者的臨床醫(yī)療數(shù)據(jù)載入CT圖像增強(qiáng)輔助診斷系統(tǒng)后與核磁共振對(duì)比，系統(tǒng)經(jīng)迭代運(yùn)算后，LDH陽(yáng)性檢測(cè)準(zhǔn)確率為96.89%，已接近核磁共振陽(yáng)性檢測(cè)98.14%的結(jié)果，差異無(wú)統(tǒng)計(jì)學(xué)意義(x2=0.51，P＞0.05)；在陰性檢測(cè)方面，CT圖像增強(qiáng)輔助診斷系統(tǒng)準(zhǔn)確度為85.71%，低于核磁共振檢測(cè)91.43%的結(jié)果，差異無(wú)統(tǒng)計(jì)學(xué)意義(x2=0.56，P＞0.05)。在測(cè)試時(shí)間上，輔助診斷工具平均檢測(cè)耗時(shí)12.43 s，略快于核磁共振的13.67 s。測(cè)試結(jié)果見表2，系統(tǒng)運(yùn)行界面見圖2。

表2 兩種檢測(cè)方法的檢測(cè)結(jié)果比較[例(%)]

圖2 系統(tǒng)運(yùn)行界面圖

3 討論

在Faster R-CNN訓(xùn)練網(wǎng)絡(luò)構(gòu)建中，將訓(xùn)練圖片序列輸入卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks，CNN)傳入共享卷積層，共享卷積層分別將數(shù)據(jù)轉(zhuǎn)發(fā)至特有卷積層及區(qū)域生長(zhǎng)網(wǎng)絡(luò)(region proposal network，RPN)，分別提取圖塊特征。RPN提取特征信息經(jīng)滑動(dòng)窗及卷積層生成區(qū)域網(wǎng)絡(luò)建議及對(duì)應(yīng)得分信息[9]。圖塊特征及區(qū)域建議輸入ROI池化層關(guān)聯(lián)后形成區(qū)域建議特征，輸入全連接層后形成區(qū)域邊框回歸及對(duì)應(yīng)分類結(jié)論。

脊椎輪廓檢測(cè)模型訓(xùn)練基于默認(rèn)預(yù)訓(xùn)練結(jié)果實(shí)現(xiàn)，預(yù)訓(xùn)練模型采用經(jīng)典CNN模型視覺幾何組(visual geometry group，VGG)[10]。基于訓(xùn)練數(shù)據(jù)迭代訓(xùn)練RPN網(wǎng)絡(luò)，從訓(xùn)練完成的RPN網(wǎng)絡(luò)中生成網(wǎng)絡(luò)建議，構(gòu)建Faster R-CNN初始網(wǎng)絡(luò)。在Faster R-CNN初始網(wǎng)絡(luò)基礎(chǔ)上，分別訓(xùn)練Fast R-CNN、RPN網(wǎng)絡(luò)。網(wǎng)絡(luò)收斂后更新網(wǎng)絡(luò)建議形成最終脊椎輪廓檢測(cè)模型。椎間盤區(qū)域的檢測(cè)中，待測(cè)CT圖像數(shù)據(jù)分別傳入脊椎輪廓、獨(dú)立椎骨輪廓ROI區(qū)域檢測(cè)模型，將脊椎輪廓檢測(cè)模型檢測(cè)后生成圖像分割掩模。基于獨(dú)立椎骨輪廓圖像訓(xùn)練數(shù)據(jù)構(gòu)建Faster R-CNN檢測(cè)模型，實(shí)現(xiàn)脊椎輪廓內(nèi)椎骨輪廓檢測(cè)功能。

U-Net為基于全卷積網(wǎng)絡(luò)下語(yǔ)義分割深度學(xué)習(xí)網(wǎng)絡(luò)，具有樣本需求量小、分割準(zhǔn)確率高、自我調(diào)節(jié)能力強(qiáng)、數(shù)據(jù)利用率高、訓(xùn)練周期短等優(yōu)點(diǎn)，可滿足本研究中稀疏注釋的分割圖像數(shù)據(jù)[12]。基于U-Net網(wǎng)絡(luò)實(shí)現(xiàn)椎間盤區(qū)域分割通過Faster R-CNN椎間盤定位模型分別生成對(duì)應(yīng)脊椎輪廓及椎間盤區(qū)域掩模[13]。將椎間盤區(qū)域掩模與CT圖像執(zhí)行邏輯與運(yùn)算，屏蔽椎間盤區(qū)域外圖像背景影響，將臨床醫(yī)師標(biāo)注后椎間盤區(qū)域訓(xùn)練數(shù)據(jù)塊序列代入U(xiǎn)-Net網(wǎng)絡(luò)輸入層，經(jīng)鏡像、卷積、池化層逐層執(zhí)行降采樣操作，形成圖像特征圖譜序列[14-15]。將圖像特征圖譜序列與對(duì)應(yīng)圖塊標(biāo)簽信息迭代訓(xùn)練后形成分類網(wǎng)絡(luò)。網(wǎng)絡(luò)收斂后可將待分割圖塊序列輸入U(xiǎn)-Net網(wǎng)絡(luò)模型經(jīng)分類、反卷積、池化等操作形成分割結(jié)果。

SVM方法具有泛化錯(cuò)誤率低、支持小樣本建模、分類準(zhǔn)確率高等特點(diǎn)，能夠滿足設(shè)計(jì)功能[16-17]。椎間盤區(qū)域特征選擇與定量分析功能包括：LDH關(guān)聯(lián)特征提取、SVM輔助診斷模型訓(xùn)練以及LDH輔助診斷等模塊組成。

隨著機(jī)器學(xué)習(xí)為代表的智能分析技術(shù)的發(fā)展，基于深度學(xué)習(xí)方法的數(shù)字醫(yī)學(xué)圖像分析技術(shù)已在早期肺結(jié)節(jié)篩查、糖尿病視網(wǎng)膜病變輔助診斷等領(lǐng)域應(yīng)用，為椎間盤突出疾病輔助診斷及傷情評(píng)估創(chuàng)造了條件[18-19]。本研究采用智能分析方法針對(duì)LDH診斷中存在的圖像軟組織對(duì)比度低、定量分析及輔助診斷等問題，構(gòu)建基于CT圖像的椎間盤輔助診斷工具。

腰部疼痛是LDH的主要外在表征，通常由單側(cè)或雙側(cè)的脊柱凸出神經(jīng)受擠壓所致。然而，臨床上包括腰椎間盤突出癥、骶髂關(guān)節(jié)損傷、腰部椎管狹窄癥、椎體骨折、腰椎退行性病變、腰椎滑脫、腰椎間盤源性腰痛等多種疾病均可能表現(xiàn)為該癥狀[20-22]。如何實(shí)現(xiàn)上述疾病的鑒別診斷，并為臨床提供科學(xué)可靠的診斷依據(jù)成為需要解決的核心問題。從解剖特征分析，LDH的CT影像通常包括脊柱側(cè)方代償性凸起、韌帶間骨贅等定性特征以及椎間隙距離及椎間盤積氣寬度[17]等定量特征[23]。基于圖像特征實(shí)現(xiàn)椎間盤分割，進(jìn)而通過LDH診斷特征檢測(cè)，構(gòu)建鑒別診斷模型，實(shí)現(xiàn)LDH輔助分析功能，并為臨床提供定性定量診斷依據(jù)。

在本研究測(cè)試中，采用CT圖像增強(qiáng)與人工智能輔助診斷方法，其診斷結(jié)果準(zhǔn)確，接近核磁共振診斷結(jié)果。經(jīng)分析認(rèn)為：CT圖像與核磁共振相比診斷直觀，可直接呈現(xiàn)解剖特征，結(jié)合圖像分析算法，可凸顯不同密度分辨率下組織區(qū)域，對(duì)鈣化、椎間盤積氣、組織形變等特征檢測(cè)具有較高特異性[1]的量化分析。數(shù)字圖像分析技術(shù)可增強(qiáng)軟組織圖像對(duì)比度，可采用相關(guān)因素間接評(píng)估椎間盤形變特征，拓展了CT診斷能力及范圍，較之肉眼觀察，受對(duì)比度、圖像噪聲干擾較小。CT檢查對(duì)脊椎椎體輪廓、骨骼細(xì)節(jié)具有較高的診斷價(jià)值，檢測(cè)經(jīng)濟(jì)、快捷且患者認(rèn)可度高，適合急診及體檢大規(guī)模篩查等應(yīng)用場(chǎng)景。采用智能分析算法評(píng)估隊(duì)列樣本椎間盤積氣程度及其變化規(guī)律，可為椎間盤退行性變化、椎間盤突出預(yù)測(cè)提供診斷依據(jù)。但在本研究測(cè)試中，采用輔助診斷算法實(shí)現(xiàn)骶髂關(guān)節(jié)損傷診斷誤判較多，分析與算法LDH特征選擇具有相關(guān)，容易受到組織形變類疾病的干擾，故在后續(xù)研究中將引入更多相關(guān)因素，提高鑒別能力。同時(shí)，測(cè)試結(jié)果也受到樣本數(shù)量影響，如ROI檢測(cè)，前期需要采用人工標(biāo)注修正區(qū)域建議特征，不斷完善模型功能，下一步將擴(kuò)大樣本量，提高深度學(xué)習(xí)模型精度。

4 結(jié)論

CT圖像增強(qiáng)輔助診斷系統(tǒng)是基于數(shù)字圖像處理結(jié)合人工智能等技術(shù)，通過圖像增強(qiáng)、特征提取、深度學(xué)習(xí)、輔助診斷等方法，為CT診斷提供輔助診斷工具，以期提高臨床診斷效率，降低醫(yī)師工作量，彌補(bǔ)區(qū)域間醫(yī)療資源不平衡狀況，并通過挖掘病例中CT圖像信息，提高既往醫(yī)療檔案的利用率，以及CT診斷的精準(zhǔn)性和特異性。