劉 蓉 郭新路 張亞坤 王永軒

1(大連理工大學電子信息與電氣工程學部生物醫(yī)學工程系，遼寧 大連 116024)2(大連大學附屬中山醫(yī)院，遼寧 大連 116001)

引言

骨質(zhì)疏松癥是一種以骨量流失和微結構破壞為特征的代謝性骨病，極易導致骨折的發(fā)生[1-2]。隨著人口老齡化加劇，骨質(zhì)疏松癥患者數(shù)急劇增加，全球患者約2億人，中國患者約8 400萬人，約占人口的6.97%，其發(fā)病率已躍居各種常見病的第7位[3]。在骨質(zhì)疏松癥明顯發(fā)病后，由于無法從根本上改變骨質(zhì)疏松狀態(tài)，所以治療效果都不甚理想[4-5]。在骨質(zhì)疏松癥未明顯發(fā)病時，如果能根據(jù)骨量流失情況、骨小梁結構、形態(tài)計量學參數(shù)及其變化等了解骨組織的狀態(tài)變化，預測骨質(zhì)疏松的狀態(tài)，采取適當手段提早進行疾病預防，就可以極大地減少骨質(zhì)疏松癥的發(fā)生，幫助患者保持最佳的身體狀態(tài)。因此，除治療方法外，對骨質(zhì)疏松癥以及骨折等疾病的預測也成為骨科領域中的一大熱點。

在骨質(zhì)疏松癥的研究中，一般普遍認為骨量流失是導致骨質(zhì)疏松癥的主要原因[6]。因此，目前常用的檢測方法大多是基于骨密度(骨量)與檢測參量之間的準線性關系，比如作為金標準的雙能X線骨密度測定[7-8]、單光子骨密度測定[9]、超聲導波法[10-11]評價等，都是利用檢測媒介在骨質(zhì)中傳導后的綜合變化來反映骨質(zhì)情況。這些方法可以提供很多參數(shù)來描述骨質(zhì)疏松狀態(tài)。

然而近年來的研究發(fā)現(xiàn)，骨量流失因素僅僅為骨質(zhì)疏松癥導致骨折的決定因素的50%～70%，以及力學性能改變因素的40%～80%。因此，不能簡單地依賴骨量流失情況作為骨質(zhì)疏松癥的診斷標準[12-13]。隨著醫(yī)學影像學技術的發(fā)展，以及計算機數(shù)據(jù)處理能力的提高，使得基于醫(yī)學圖像分析的形態(tài)計量學方法被廣泛應用于骨小梁結構變化的研究中，這為實現(xiàn)骨質(zhì)疏松癥等疾病的預測奠定了基礎[4]。因為骨小梁的微觀結構尺寸很小，比如人的骨小梁間隙是400～600 μm，大鼠的骨小梁間隙是幾十微米，所以為了能得到清晰可辨的骨小梁結構圖像，使用Micro-CT進行檢測成了最主要的方法。

下面主要介紹基于Micro-CT的骨小梁圖像獲取方式和幾種形態(tài)計量學參數(shù)，總結和分析基于形態(tài)計量學進行骨小梁參數(shù)測量計算的方法，為應用于動物實驗中的骨疾病機理研究以及藥物治療效果評價提供依據(jù)。

1 骨小梁圖像的獲取

骨小梁是骨皮質(zhì)在內(nèi)部的延伸部分，在骨髓腔內(nèi)呈現(xiàn)不規(guī)則的網(wǎng)狀結構，起支撐造血組織的作用。骨小梁是骨內(nèi)極難分割的微結構，數(shù)十年來，科研人員一直探索改進利用圖像分析骨小梁結構的方法。傳統(tǒng)獲取骨小梁圖像的方法是基于組織切片技術[15-17]進行的，通過拍攝每一切片的組織形態(tài)，重建出組織的整體結構來研究整體的結構參數(shù)。傳統(tǒng)切片方法破壞組織結構，檢測分析難度大，耗時長且錯誤多。

隨著計算機技術的迅速發(fā)展，使得影像學技術廣泛應用到醫(yī)學領域的各個方面。在實驗研究中一種重要的醫(yī)學影像設備就是Micro-CT。Micro-CT的空間分辨率可以達到微米級，生物骨組織的細微結構可以一覽無余，因此已成為目前獲取骨小梁圖像最廣泛的應用方法[18]。Simone等通過Micro-CT的三維視角觀察骨小梁微結構分析骨折的骨骼結構變化情況[19]；馮秀媛等利用Micro-CT對特發(fā)性青少年骨質(zhì)疏松癥的病因發(fā)病機制可能性進行了研究[20]。骨小梁微觀結構如圖1所示。

圖1 豬股骨頭骨小梁的三視圖。(a)橫斷面視圖；(b)冠狀面視圖；(c)矢狀面視圖

利用Micro-CT獲得清晰可分割的骨小梁圖像，可以對其進行二維圖像分析或三維模型分析，便于觀測骨小梁的變化，分析骨組織的狀態(tài)。在Micro-CT使用中，基于不同的實驗目的，需要選擇適當分辨率進行圖像采集與分析，從而減少數(shù)據(jù)處理的復雜度和誤差率，得到最佳的實驗結果。

2 骨小梁的形態(tài)計量學參數(shù)

骨小梁的形態(tài)計量學參數(shù)是衡量骨小梁結構狀態(tài)的重要依據(jù)。19世紀中后期，Meyer和Wolff針對骨小梁的排列，提出骨小梁是按照最優(yōu)效果方式排列[21]。Dyson等利用電鏡掃描，研究了骨小梁的面積、周長等測量方法[22-23]。Niessen等也研究了體內(nèi)骨小梁的結構形態(tài)，為后續(xù)的骨小梁形態(tài)學參數(shù)研究奠定了基礎[24]。隨后影像技術的進步使得骨小梁參數(shù)不斷豐富，測量方法也在不斷多樣化。骨小梁的形態(tài)計量學參數(shù)及意義[25-26]如表1所示，通過對參數(shù)本身以及參數(shù)變化規(guī)律進行研究，不僅能了解當前骨小梁狀態(tài)，更能發(fā)現(xiàn)變化的原因，從而提供可能的預防措施，降低骨質(zhì)疏松癥等疾病的發(fā)病率。

3 骨小梁形態(tài)計量學參數(shù)計算方法

形態(tài)計量法屬于體視學和生物醫(yī)學組織形態(tài)測量學中的交叉分支。這種方法依據(jù)生理學基礎，從組織切片上觀察組織結構，并用定性、定量的方法描述出來[27-28]。骨小梁的形態(tài)計量學參數(shù)，客觀準確地衡量了骨小梁的生物性能，為骨質(zhì)疏松癥等疾病的評價和預防提供可靠依據(jù)。邱明才等首先將該方法應用于骨質(zhì)疏松等代謝病研究[29]。近年來，不少學者都對此進行了廣泛的探索[30-31]。下面介紹和總結部分形態(tài)計量學方法，分析骨小梁形態(tài)計量參數(shù)及其應用，以及對骨質(zhì)疏松情況的預測。

表1 骨小梁的形態(tài)計量學參數(shù)

3.1 骨小梁的基本形態(tài)計量學參數(shù)

骨小梁的基本形態(tài)計量學參數(shù)主要表示骨小梁的基本信息，并不體現(xiàn)骨小梁的特征，可通過直接測量、計算圖像的面像素和體像素而獲得。在測得骨小梁面積和體積的基礎上，可繼續(xù)獲得骨小梁的體積分數(shù)、數(shù)量以及骨小梁間距，具體計算公式[32-33]為

骨小梁厚度(Tb.Th)為

Tb.Th=2/(BS/BV)

(1)

骨小梁數(shù)量(Tb.N)為

Tb.N=(BS/BV)/Tb.Th

(2)

骨小梁間隙(Tb.Sp)為

Tb.Sp=(1/Tb.N)-Tb.Th

(3)

3.2 骨小梁的連通性

除了基本形態(tài)計量學參數(shù)外，骨小梁的連通性、各向異性等參數(shù)更能表征骨小梁狀態(tài)。骨小梁相互連通的結構保證了骨髓、血液等成分順利到達骨內(nèi)的各個部位，滿足機體代謝生長的要求[34]，因而連通性是表征骨小梁特征的重要內(nèi)容。從20世紀開始，研究人員就開始對骨小梁連通性進行研究，并且經(jīng)歷了從定性到定量的變化。在19世紀70年代，Whitehouse等利用電子掃描顯微鏡觀測骨小梁形態(tài)，并且進行定性的描述，得到了“顯著連通”、“明顯不連通”的結論。隨后出現(xiàn)了“骨架化”等替代測量方式，即將骨小梁結構簡化為線型，不考慮梁的外觀，只研究骨小梁的連通狀況[12]。然而利用其進行研究時發(fā)現(xiàn)，由于過多地加入主觀判定，具體的測量條件以及從圖像到結構的轉(zhuǎn)換等問題通常會對結果產(chǎn)生較大影響。隨著研究的深入，連通性方法不斷改進，下面對常用的兩種方法進行介紹。

3.2.1骨小梁的模式因子

骨小梁的模式因子(TBPf)，是一種以衡量骨小梁凹凸程度來定量測量連通性的參數(shù)[35-36]。1992年，Hahn等首次提出骨小梁模式因子可作為一種新的衡量骨小梁連通性的參數(shù)[37]。TBPf的計算方法是：首先測量出結構的表面積(BS)和體積(BV)，然后利用膨脹將整體結構的體素增加一個單位的厚度，再次計算出骨小梁結構膨脹后的表面積(BS′)和體積(BV′)。骨小梁的模式因子計算公式為

(4)

TBPf值變化表示骨小梁柱狀梁和板狀梁[38]的相互轉(zhuǎn)化。發(fā)生骨質(zhì)疏松時，板狀梁向柱狀轉(zhuǎn)化，連通性降低，TBPf值增高。模式因子被作為衡量骨小梁特征的重要參數(shù)而不斷被應用。2005年，Kensuke等用模式因子作為二維參數(shù)進行了骨形態(tài)分析，得出二維參數(shù)結果可能與三維的骨強度有密切聯(lián)系的結論[39-40]；Wang等利用兔子研究骨微結構變化與骨壞死機制關系時也利用了模式因子作為觀測指標，發(fā)現(xiàn)在患病組模式因子值發(fā)生了明顯改變，證明了早期骨微結構變化與骨壞死之間的相關性[41]。骨小梁的模式因子是在圖像基礎上進行計算，因而更適用于二維的組織形態(tài)計量，沒有明確證據(jù)表明，二維的模式因子變化會造成三維的結構變化，這可能是由于圖像掃描分辨率或是其他實際條件的影響，不能完全將圖像等同于真實立體結構。綜上所述，模式因子適用于圖像分析中的骨小梁連通性分析。隨著對骨小梁結構的深入研究，三維方法更能準確描述骨小梁的連通性[42]。基于拓撲樹[43]的連通性表述方法被應用于骨小梁三維形態(tài)的描述分析。

3.2.2拓撲樹

χ=β0-β1+β2

(5)

χ=1-β1

(6)

從歐拉數(shù)被提出開始，它就不斷被應用于骨小梁三維結構的定量分析中。吳沛澤等利用MR研究正常骨小梁和骨質(zhì)疏松狀態(tài)時，也利用歐拉數(shù)作為骨小梁連通性的衡量標準，歐拉數(shù)越大，骨質(zhì)疏松程度就越大[44]；樊立娜等在骨質(zhì)疏松的研究中也反復提到歐拉數(shù)，并用歐拉數(shù)變化情況衡量骨質(zhì)疏松狀態(tài)[45]。歐拉數(shù)是定量描述骨小梁連通性的常用參數(shù)，已經(jīng)被廣泛應用于研究骨質(zhì)疏松癥等研究中。然而，不能將部分結構的連通性等同于整體，如果用部分結果代替整體，將會產(chǎn)生不可預測的錯誤。因而，在利用上述方法時需要用盡可能大的結構進行分析。

3.3 骨小梁的結構模型指數(shù)

假定骨小梁由柱狀、板狀和球狀組成，則可以利用結構模型指數(shù)(structure model index，SMI)來定量描述骨小梁結構的柱-板組成梯度情況[46-47]。在理想情況下，盤狀、柱狀、球狀結構的SMI值分別為0、3、4，正常的結構值在0～3中間變化。運用閔可夫斯基函數(shù)[48]，定義SMI為

(7)

式中，r為單元球半徑。

標準的SMI計算方法只適用于二進制圖像分析，而骨小梁圖像多為灰度圖像?？蒲腥藛T對SMI算法進行了多種改進，使其更適用于灰度圖像的分析[49]。利用膨脹腐蝕方法計算SMI值是改進方法中較常用的一種，其假定Im是骨小梁圖像，Im(x)是表示在某點x位置圖像的灰度等級，Im被一種結構成分因素ε腐蝕變成εIm。BV和BS分別指骨小梁的體積和表面積，εBV和εBS分別指被腐蝕部分的體積和表面積。通過ε腐蝕計算，可以得到

(8)

骨小梁結構的體積V和表面積S的計算公式為

(9)

將上述V和S公式代入式(8)，即可得到灰度圖像的SMI計算公式。

PhilL、Claes、王程等研究骨小梁結構時，發(fā)現(xiàn)柱狀梁增多，SMI值變大，更容易發(fā)生骨質(zhì)疏松疾病[50]。結構模型指數(shù)根據(jù)梁結構的組成情況結合骨小梁的連通性、孔隙率變化情況衡量骨質(zhì)疏松情況，因而能對骨質(zhì)疏松癥等疾病起到很好的預測作用，適用于對骨小梁結構組成形態(tài)的研究，以及構建骨植入物來治療疾病。

3.4 骨小梁的各向異性

骨小梁是各向異性的，研究骨小梁的各向異性程度可以更好地分析其組織形態(tài)和力學性能。建立結構張量[51-53]的方法是衡量組織材料特征的重要手段，通過計算矩陣的特征值和特征向量，表征組織的各向異性和形態(tài)。骨小梁的各向異性測量方法不斷發(fā)展改進，下面介紹幾種常用方法。

3.4.1平均截距長度

平均截距長度方法(mean intercept length，MIL)是測量骨小梁各向異性程度最常用的方法[54-57]。MIL算法主要計算平行線與組織或空腔交點的數(shù)目，如圖2所示。首先，在圖像上標定一組方向為v的平行線；然后，計算平行線與骨小梁結構的交點數(shù)量c(v)，MIL(v)可以被表示為

(10)

式中，h是所有軌跡線的長度之和。

圖2 MIL算法平行線v和交點c(v)示意圖

利用二階矩陣表示MIL算法張量，通過計算矩陣的特征值和特征向量來描述骨小梁的各向異性，提高圖像上沿方向v的軌跡線的數(shù)量可以提高MIL算法的準確性。通過計算分析骨小梁的MIL值以及利用圖形表示結果，可以直觀表征骨小梁的特征，衡量骨質(zhì)狀況，以預測骨質(zhì)疏松疾病。經(jīng)過不斷地改進研究，MIL算法不僅應用于二維圖像，還適用于三維結構的分析研究。

盡管MIL算法得到了廣泛應用，但其仍存在著一些局限性。首先，MIL算法要求圖像交點清晰，這要求圖像掃描的分辨率較高，對于分辨率較低的骨小梁圖像數(shù)據(jù)會丟失信息甚至不能使用；其次，骨小梁的MIL結構張量的建立需要大量的掃描計算，導致費用高和時間長；另外，骨小梁的MIL算法對噪聲較為敏感，可能會引起各向異性結果的錯誤，影響后續(xù)的數(shù)據(jù)處理；最后，MIL張量算法由于方法的局限性，不適用于所有的結構材料[58]。

3.4.2Volume-Orientation(VO)方法

由于MIL算法不適用于所有組織測量，Odgaard、Andersen等將測量各向異性的重點從交點轉(zhuǎn)換到體積[59-60]，提出了基于體積的VO方法[61]。VO方法規(guī)定某點最長的骨小梁方向為局部體積方向，并將其轉(zhuǎn)為半圓(2D)和半球(3D)極坐標表示。假定骨小梁的方向為空間向量a(e1,e2,e3)，方向ω用極坐標(θ，φ)表示，有

(11)

式中，θ是骨小梁與e3坐標軸的夾角，φ是骨小梁與其在平面e1e2的夾角，VO張量矩陣的特征值描述局部體積內(nèi)骨小梁的取向分布。

Kanis將VO方法分析各向異性應用到骨質(zhì)疏松預測中，當發(fā)生病變時，骨間隙明顯增大，VO值也隨之變大[62]；María、David等利用VO方法結合Micro-CT等影像學技術，分析了大鼠的骨組織形態(tài)，同樣得出骨組織形態(tài)在發(fā)生骨質(zhì)疏松時明顯改變的結論[63]。相比MIL算法，VO方法適用的組織材料更廣泛，對圖像質(zhì)量要求低，且計算量大大減少。然而，根據(jù)骨小梁實際結構，使用VO方法時需要事先假定參數(shù)分布函數(shù)和骨小梁的幾何模型，而且需要事先知曉整體體積的主方向分布，這些先決條件使得VO方法沒有MIL方法應用廣泛，但通過不斷改進VO算法，可以更好地利用其測量分析骨小梁的各向異性。

3.4.3分形維度

分形維度(fractal dimension，F(xiàn)D)[64-65]的方法直觀展示了骨小梁的各向異性，是骨密度衡量骨小梁結構的補充方法，提高了對骨小梁力學性能預測的準確性。功率譜是衡量分形維度的標準，結果用極坐標橢圓形狀表示，定義橢圓極軸最小值的位置為骨小梁的主壓力方向，用極軸比率來表示骨小梁各向異性程度。

分形維度主要采用快速傅里葉變換算法，將局部目標域的功率譜轉(zhuǎn)換到極坐標系統(tǒng)中，所有位置的平均功率譜以空間頻率的方式表示。分形維度FD的公式為：

FD=(7-slope)/2

(12)

式中，slope是與分形維度的相關曲線線性部分。

各向異性由分形維度的極坐標橢圓圖得到，計算公式為[49]：

式中，(x,y)是分形維度的方法得出的極坐標橢圓上的點坐標，N是組成橢圓的點的數(shù)量，Mij是橢圓的轉(zhuǎn)動慣量，θ是某時刻橢圓極軸的角度，Imin、Imax是最小和最大的極坐標軸，A是各向異性表示參數(shù)。

當發(fā)生骨質(zhì)疏松等疾病時，由于板狀梁和柱狀梁之間的組成比率變化，上述3種方法測量計算的骨小梁結構的各向異性值都會增大，各向異性程度可以為衡量藥物治療效果以及設計骨植入物等提供一定的依據(jù)。

除上述各向異性方法外，還存在用實驗加力、有限元分析方法等測量各向異性。由于骨小梁的結構微細復雜性，實驗加力方法不適用，容易對實驗樣品造成損傷，同時測量結果誤差大；而有限元分析等方法由于結構分割、局部應力應變等問題，測量結果隨機性較大且數(shù)據(jù)量大。各向異性是表征骨小梁的重要特征，是未來研究骨小梁的重要內(nèi)容，現(xiàn)有的計算方法還存在一些問題有待解決。隨著影像學技術的發(fā)展以及圖像分析技術的精進，對骨小梁各向異性的研究會不斷精進，更方便對骨植入物的設計研究。

3.5 骨小梁的紋理特征

骨小梁圖像可以看作紋理圖，不同的紋理直接反映了骨小梁的網(wǎng)絡結構，對骨小梁圖像直接進行紋理分析可以評估骨質(zhì)疏松程度。紋理分析方法很多，下面主要介紹灰度共生矩陣[68]、灰度游程長度等方法[69]。

3.5.1灰度共生矩陣

灰度共生矩陣(gray level co-occurrence matrix，GLCM)是一個以概率P(i,j,d,θ)表征的矩陣，表示了圖像中灰度為i的點(x1,y1)和灰度為j的點(x2,y2)相距d、θ時，所發(fā)生的概率為P(i,j,d,θ)，如圖3所示。圖像的灰度共生矩陣反映了圖像灰度在方向、幅度和相鄰間隔等方面變化的綜合信息，通過計算圖像的特征向量表示圖像的紋理特征。

圖3 圖像在灰度共生矩陣中顯示的像素對間的關系[59]

根據(jù)d、θ的灰度共生矩陣，計算出表征圖像紋理特征的一系列二次統(tǒng)計特征量，主要有角二階距F1、對比度F2、相關性F3、熵F4和反差分矩F5，分別用下列公式表示，有

F1反映了圖像灰度的均勻性，當F1值較大時說明圖像分布是均勻的；F2反映了紋理的清晰度，紋理的溝紋越深，F(xiàn)2越大，圖像的視覺清晰效果越好；而相關性F3描述了灰度共生矩陣中行或者列元素間的相似程度，當圖像中相似的紋理區(qū)域有某種方向性時，F(xiàn)3值較大；F4是圖像的信息量的度量，若圖像沒有任何紋理，則熵接近零；若圖像充滿著細紋理，則圖像的熵值F4最大；若圖像中分布著較少的紋理，則該圖像的F4值較??；最后，反差分矩F5反映了局部同質(zhì)性，當共生矩陣沿對角線集中時，其反差矩F5值較大。

灰度共生矩陣是骨小梁紋理分析中較常用的方法，鄭磊斌、嵇鳴等用灰度共生矩陣對比正常骨小梁圖像和患病圖像差別，發(fā)現(xiàn)當骨質(zhì)疏松時骨小梁的共生矩陣變得不均勻，柱狀紋理增多，間距變大[70]；陳樹越等提取LBF模型時同樣采用灰度共生矩陣，分析了骨小梁的紋理特征[71]。隨著對骨小梁研究的增多，利用灰度共生矩陣分析紋理特征不斷被應用于衡量骨質(zhì)疏松程度。

3.5.2灰度游程長度

灰度游程長度(gray level run length，GLRL)是指一幅可以計算出灰度游程矩陣M(θ)的圖像中，灰度g、長度d的灰度串所出現(xiàn)的總次數(shù)。

假設Ng為灰度級數(shù)，Nd為灰度游程數(shù)，對于角度為θ的灰度游程矩陣，可得以下特征值：短游程優(yōu)勢RF1，長游程優(yōu)勢RF2，灰度不均勻性度量RF3，游程長度的不均勻性度量RF4，具體公式為

(24)

(25)

(26)

RF1、RF2是對圖像紋理的比較，當紋理較粗時，呈現(xiàn)長游程優(yōu)勢，RF2值較大；反之，RF1值較大。當圖像中灰度均勻分布時，RF3值最?。欢硞€灰度游程出現(xiàn)較多時，RF4值較大。

Padma等曾對游程長度應用于圖像分析的算法進行了研究，并對此方法在醫(yī)學領域的廣泛應用寄予厚望[72-74]。Zou等結合小波變換算法，利用灰度共生矩陣和灰度游程長度描述骨小梁模式，并對比正常和骨質(zhì)疏松狀態(tài)的骨小梁差異，這是游程長度在分析骨小梁紋理的一個重要應用[75]。灰度共生矩陣和灰度游程長度除了描述骨小梁的紋理特征外，也適用于其他組織的紋理分析。Molina、Padma、Sassi等分別將游程長度應用于腦腫瘤、乳腺癌等疾病的研究中[76-79]。相比灰度共生矩陣利用特征值表征圖像紋理特點，灰度游程長度更側(cè)重于反映圖像紋理分布的不均勻性，更側(cè)重于宏觀描述，缺少微觀特征，因而沒有灰度共生矩陣適用。

無論正常骨小梁還是患病骨小梁結構，在不同的區(qū)域都存在不同的紋理結構，在指定的區(qū)域通過比較紋理特征可以發(fā)現(xiàn)骨小梁變化情況，然而不能簡單以紋理特征變化說明疾病，通過骨小梁結構的紋理變化結合骨小梁的其他形態(tài)學參數(shù)，進而為骨小梁結構變化的研究分析提供依據(jù)。

骨小梁圖像是具有紋理特征的圖像，根據(jù)對圖像紋理的分析，可以發(fā)現(xiàn)結構的改變以及結構的力學性能，對研究骨質(zhì)疏松等疾病、設計骨植入物進行臨床治療以及研究治療效果等有重要作用。現(xiàn)有的方法可能還未普遍應用，未來的研究中可能會成為研究骨小梁特征的重點。

4 總結

骨質(zhì)疏松的發(fā)生與骨密度(骨量)有關，也與骨小梁微結構變化有關?；谟跋駥W技術，對骨小梁結構的變化進行研究，對分析骨質(zhì)疏松狀態(tài)更加有效。本研究介紹了骨小梁的形態(tài)計量學方法，該方法能定性定量地對骨小梁形態(tài)計量學參數(shù)進行測量分析，客觀真實地反映骨小梁的生物學性能，判斷骨質(zhì)疏松的程度，進而預防骨病的發(fā)生。目前的研究主要是改進組織形態(tài)計量學的計算方法，使之更加準確地分析骨小梁結構狀態(tài)。然而，由于高分辨率圖像采集要求等因素的限制，在進行測量時必須滿足離體的條件，這限制了組織形態(tài)計量學方法在臨床骨質(zhì)疏松癥診斷中的應用，目前主要用于動物實驗中評價骨質(zhì)疏松狀態(tài)及藥物治療效果。隨著影像技術的發(fā)展，期待該技術能進一步應用于臨床診斷中，從而可以預測骨質(zhì)疏松癥的發(fā)病過程，進而采取適當手段提早進行預防，減少骨質(zhì)疏松癥的發(fā)生，為生命健康服務。

[1] Kanis JA. Assessment of fracture risk and its application to screening for postmenopausal osteoporosis. Report of a WHO Study Group [J]. WHO Technical Report,1994,4(6):368-381.

[2] Weaver CM, Gordon CM, Janz KF, et al. The National Osteoporosis Foundation′s position statement on peak bone mass development and lifestyle factors: a systematic review and implementation recommendations [J]. Osteoporosis International, 2016, 27(4):1281-1386.

[3] 張智海,劉忠厚,李娜,等.中國人骨質(zhì)疏松癥診斷標準專家共識(2014版) [J]. 中國骨質(zhì)疏松雜志, 2014(9): 1007-1010.

[4] Liu Xiaowei Sherry, Cohen A, Shane E, et al. Bone density, geometry, microstructure, and stiffness: Relationships between peripheral and central skeletal sites assessed by DXA, HR-pQCT, and cQCT in premenopausal women [J]. Journal of Bone and Mineral Research, 2010,25(10):2229-2238.

[5] Erhart S, Zegg M, Kralinger F, et al. Fast and easy preoperative estimation of cancellous bone mineral density in patients with proximal femur fractures [J]. Archives of Orthopaedic & Trauma Surgery, 2015, 135(12):1683-1689.

[6] Raafat BM, Hassan NS, Aziz SW. Bone mineral density (BMD) and osteoporosis risk factor in Egyptian male and female battery manufacturing workers [J]. Toxicology & Industrial Health, 2011, 28(3): 245-252.

[7] 高飛,喬巨峰,高鋒，等.骨代謝指標在骨質(zhì)疏松患者椎體變形中的意義 [J]. 中國組織工程研究, 2014, 18(24):3803-3807.

[8] Mabilleau G, Mieczkowska A, Libouban H, et al. Comparison between quantitative X-ray imaging, dual energy X-ray absorptiometry and micro-CT in the assessment of bone mineral density in disuse-induced bone loss [J]. Journal of Musculoskeletal & Neuronal Interactions, 2015, 15(1):42.

[9] 李慶浩,萬柏坤,明東,等.骨密度定量檢測方法及性能比較 [J]. 國際生物醫(yī)學工程雜志, 2010, 33(4):239-244.

[10] Xu Kailiang, Ta Dean, He Runxin, et al. Axial transmission method for long bone fracture evaluation by ultrasonic guided waves: simulation, phantom and in vitro, experiments [J]. Ultrasound in Medicine & Biology, 2014, 40(4):817-827.

[11] Baron C. Using the gradient of human cortical bone properties to determine age-related bone changes via ultrasonic guided waves [J]. Ultrasound in Medicine & Biology, 2012, 38(6):972-981.

[12] Wainwright SA, Marshall LM, Ensrud KE, et al. Hip fracture in women without osteoporosis [J]. Journal of Clinical Endocrinology & Metabolism,2005,90(5):2787-2793.

[13] Kanis JA, Mccloskey EV, Harvey NC, et al. Intervention thresholds and the diagnosis of osteoporosis [J]. Journal of Bone & Mineral Research, 2015, 30(10):1747-1753.

[14] 許江威. 股骨近端骨折發(fā)生機制的解剖學、影像學以及臨床研究[D]. 大連: 大連醫(yī)科大學,2013.

[15] Amstutz HC, Sissons HA. The structure of the vertebral spongiosa[J]. Journal of Bone & Joint Surgery British Volume, 1969, 51(3): 540-550.

[16] Hou Yang, Yuan Wen, Kang Jian, et al. Influences of endplate removal and bone mineral density on the biomechanical properties of lumbar spine [J]. PLoS ONE, 2013, 8(11):e76843.

[17] 萬世勇, 雷偉, 吳子祥,等. 膨脹式椎弓根螺釘在骨螺釘界面的顯微CT評價及組織學分析 [J]. 中華外科雜志, 2007, 45(18):1271-1273.

[18] 崔軼,徐永清,唐輝,等. 顯微CT在骨質(zhì)疏松研究領域的研究進 [J].中國骨質(zhì)疏松雜志, 2012,18(1):87-89.

[19] 王江雪,高玉,李輝,等. 離子造影劑增強Micro-CT掃描對大鼠關節(jié)軟骨形態(tài)的定量分析 [J]. 生物醫(yī)學工程研究,2014,33 (3):157-161.

[20] 馮秀媛,王永福. 特發(fā)性青少年骨質(zhì)疏松癥 [J]. 中國骨質(zhì)疏松雜志,2015(3):342-348.

[21] Barak MM, Lieberman DE, Hublin JJ. A Wolff in sheep′s clothing: trabecular bone adaptation in response to changes in joint loading orientation [J]. Bone,2011,49(6):1141-1151.

[22] Whitehouse WJ, Dyson ED, Jackson CK. The scanning electron microscope in studies of trabecular bone from a human vertebral body [J]. Journal of Anatomy,1971,108(Pt 3):481-496.

[23] Chappard D, Legrand E, Pascaretti C, et al. Comparison of eight histomorphometric methods for measuring trabecular bone architecture by image analysis on histological sections [J]. Microscopy Research & Technique, 2015, 45(4-5):303-312.

[24] Niessen WJ, López AM, Enk WJV, et al. In Vivo Analysis Of Trabecular Bone Architecture [M]. Berlin: Springer Berlin Heidelberg, 1997:435-440.

[25] Dalle CL, Valenti MT, Bertoldo F, et al. Bone microarchitecture evaluated by histomorphometry [J]. Micron,2005,36(7-8):609-616.

[26] Dias DR, Leles CR, Batista AC, et al. Agreement between histomorphometry and microcomputed tomography to assess bone microarchitecture of dental implant sites [J]. Clinical Implant Dentistry & Related Research, 2015, 17(4):732-741.

[27] Parfitt AM, Drezner MK, Glorieux FH, et al. Bone histomo-rphometry: standardization of nomenclature, symbols, and units. Report of the ASBMR Histomorphometry Nomenclature Committee [J]. Journal of Bone and Mineral Research,1987, 2(6):595-610.

[28] Maquer G, Musy SN, Wandel J, et al. Bone volume fraction and fabric anisotropy are better determinants of trabecular bone stiffness than other morphological variables [J]. Journal of Bone & Mineral Research, 2015, 30(6):1000-1008.

[29] 邱明才.骨質(zhì)疏松研究的現(xiàn)狀與展望 [J].中華醫(yī)學雜志, 2001,81(14):833-835.

[30] Dempster DW, Compston JE, Drezner MK, et al. Standardized nomenclature, symbols, and units for bone histomorphometry: A 2012 update of the report of the ASBMR Histomorphometry Nomenclature Committee [J]. Journal of Bone and Mineral Research, 2013,28(1):2-17.

[31] 于順祿,魏學磊,熊光宜,等. 骨計量學方法在骨質(zhì)疏松模型中的定量觀察 [J]. 中國體視學與圖像分析, 2012(3):207-214.

[32] Carbonare LD, Ballanti P, Bertoldo F, et al. Trabecular bone microarchitecture in mild primary hyperparathyroidism [J]. Journal of Endocrinological Investigation,2008,31(6):525-530.

[33] Negri AL, Valle EED, Zanchetta MB, et al. Evaluation of bone microarchitecture by high-resolution peripheral quantitative computed tomography (HR-pQCT) in hemodialysis patients [J]. Osteoporosis International, 2012, 23(10):2543-2550.

[34] 彭靜,石銳,閔理,等. 骨質(zhì)疏松髖部骨折區(qū)骨微結構變化研究 [J]. 中國骨質(zhì)疏松雜志, 2014(10):1184-1188.

[35] Chappard D, Legrand E, Pascaretti C, et al. Comparison of eight histomorphometric methods for measuring trabecular bone architecture by image analysis on histological sections [J]. Microscopy Research & Technique, 2015, 45(4-5):303-312.

[36] Effendy NM, Khamis MF, Shuid AN. The effects of Labisia pumila extracts on bone microarchitecture of ovariectomized- induced osteoporosis rats: A micro-CT analysis [J]. Journal of X-Ray Science and Technology, 2016, 25(1):1-12.

[37] Hahn M, Vogel M, Pompesiuskempa M, et al. Trabecular bone pattern factor-a new parameter for simple quantification of bone microarchitecture [J]. Bone,1992,13(4):327-330.

[38] 溫鑫鑫,雷偉,王法琪,等.松質(zhì)骨顯微結構參數(shù)與表觀力學強度關系研究進展[J]. 中國骨質(zhì)疏松雜志, 2014(12):1495-1500.

[39] Asa K, Kumasaka S, Sakurai T, et al. Evaluating two-dimensional skeletal structure parameters using radiological bone morphometric analysis [J]. Oral Radiology,2005,21(1):30-37.

[40] Silva AMHD, Alves JM, Silva OLD, et al. Two and three-dimensional morphometric analysis of trabecular bone using X-ray microtomography (μCT) [J]. Revista Brasileira De Engenharia Biomedica, 2014, 30(2):93-101.

[41] Wang Lei, Zhang Longzhen, Pan Haobo, et al. Abnormal subchondral bone microstructure following steroid administration is involved in the early pathogenesis of steroid-induced osteonecrosis [J]. Osteoporos Int, 2016, 27(1):153-159.

[42] Cieszko M, Szczepański Z, Gadzaa P. Determination of bone porosity based on histograms of 3D μCT images [J]. Journal of Materials Science, 2014, 50(2):1-12.

[43] Thomsen JS, Jensen MV, Niklassen AS, et al. Age-related changes in vertebral and iliac crest 3D bone microstructure differences and similarities [J]. Osteoporosis International, 2015, 26(1):219-228.

[44] 吳沛澤. 基于QCT影像的動物骨結構參數(shù)測量方法研究 [D]. 南京：東南大學, 2016.

[45] 樊立娜,劉素筠,孫棟,等. HRMRI對絕經(jīng)后婦女骨質(zhì)疏松癥藥物治療效果的評價 [J].中國骨質(zhì)疏松雜志,2010,16(2): 113-119.

[46] Ohser J, Redenbach C, Schladitz K. Mesh free estimation of the structure model index [J]. Image Analysis & Stereology,2009, 28(3):179-185.

[47] Nakada H, Sakae T, Watanabe T. Structure model index changes in the femoral epiphyseal region on micro-computed tomography caused by a supplement diet in ovariectomized rats [J]. Journal of Hard Tissue Biology, 2014, 23(2):169-176.

[48] 李國平. 自守函數(shù)與閔可夫斯基函數(shù) [M]. 北京：科學出版社, 1979.

[49] Tabor Z. A novel method of estimating structure model index from gray-level images [J]. Medical Engineering & Physics, 2011, 33(33): 218-225.

[50] Salmon PL, Claes O, Shefelbine SJ, et al. Structure model index does not measure rods and plates in trabecular bone [J]. Frontiers in Endocrinology,2015,6:162.

[51] 李夢. 圖像分割的結構張量幾何活動輪廓模型 [J]. 計算機應用研究,2014,31(12):3890-3893.

[52] Marangalou JH, Ito K. A novel approach to estimate trabecular bone anisotropy from stress tensors [J]. Biomechanics and Modeling in Mechanobiology,2015,14(1):39-48.

[53] Bishop PJ, Clemente CJ, Hocknull SA, et al. The effects of cracks on the quantification of the cancellous bone fabric tensor in fossil and archaeological specimens: a simulation study [J]. Journal of Anatomy,2016.230:461-470.

[54] Whitehouse WJ. The quantitative morphology of anisotropic trabecular bone [J]. Journal of Microscopy,1974,101(2):153-168.

[55] Tabor Z. Equivalence of mean intercept length and gradient fabric tensors-3d study [J]. Medical Engineering & Physics,2012,34(5): 598-604.

[56] Moreno R, Borga M, Smedby ?. Generalizing the mean intercept length tensor for gray-level images [J]. Medical Physics,2012, 39(7): 4599-4612.

[57] Nazemi SM, Cooper DML, Johnston JD. Quantifying trabecular bone material anisotropy and orientation using low resolution clinical CT images: A feasibility study [J]. Medical Engineering & Physics,2016,38(9): 978-987.

[58] Allison SJ, Poole KE, Treece GM, et al. The influence of high-impact exercise on cortical and trabecular bone mineral content and 3d distribution across the proximal femur in older men: A randomized controlled unilateral intervention [J]. Journal of Bone & Mineral Research,2015,30(9):1709-1716.

[59] Odgaard A, Jensen EB, Gundersen HJG. Estimation of structural anisotropy based on volume orientation. A new concept [J]. Journal of Microscopy,1990,157(Pt 2):149-162.

[60] Fields AJ, Keaveny TM. Trabecular Architecture and Vertebral Fragility in Osteoporosis [J]. Current Osteoporosis Reports, 2012, 10(2):132-140.

[61] Tabor Z, Lataa Z. 3D gray-level histomorphometry of trabecular bone-A methodological review [J]. Image Analysis & Stereology, 2014,33(1):1-12.

[62] D’Souza MS, Isac C, Venkatesaperumal R, et al. Exploring fracture risk factors among Omani women: Implications for risk assessment[J]. Open Journal of Nursing, 2012, 2(4):365-371.

[63] Permuy M, Guede D, López-Pea M, et al. Comparison of various SYSADOA for the osteoarthritis treatment: an experimental study in rabbits [J]. BMC Musculoskeletal Disorders,2015,16(1):120.

[64] Zehani S, Mimi M, Taleb-Ahmed A, et al. Anisotropy analysis of textures using wavelets transform and fractal dimension[C]// Ahmed B H, Basel S, eds. Advanced Technologies for Signal and Image Processing (ATSIP 2016). Monastir: Curran Associates, 2016: 341-347.

[65] Moreno R, Borga M, Klintstr?m E, et al. Anisotropy estimation of trabecular bone in gray-scale: Comparison between cone beam and micro computed tomography data [M]//Developments in Medical Image Processing and Computational Vision. Berlin: Springer International Publishing, 2015: 207-220.

[67] Wu Yuchin, Adeeb S, Doschak MR. Using micro-CT derived bone microarchitecture to analyze bone stiffness-a case study on osteoporosis rat bone [J]. Frontiers in Endocrinology,2015,6:80.

[68] El Hassani ASEB, El Hassouni M, Jennane R, et al. Texture analysis for trabecular bone x-ray images using anisotropic morlet wavelet and Rényi entropy [M]// Image and Signal processing. Berlin: Springer International Publishing, 2012:290-297.

[69] Pustelnik N, Wendt H, Abry P, et al. Combining local regularity estimation and total variation optimization for scale-free texture segmentation [J]. IEEE Transactions on Computational Imaging, 2016, 2(4):468-479.

[70] 鄭磊斌,嵇鳴,莊天戈. 活體磁共振圖像分析對骨質(zhì)疏松的初步評估 [J]. 中國醫(yī)療器械雜志,2005,29(4):244-246.

[71] 陳樹越,李穎,鄒凌. 基于Micro-CT的小鼠骨小梁LBF模型提取及特征分析 [J]. 生物醫(yī)學工程研究,2016,35(2):65-70.

[72] Padma A, Sukanesh R. Automatic classification and segmentation of brain tumor in CT images using optimal dominant gray ievel run iength texture features [J]. International Journal of Advanced Computer Science & Applications, 2011, 2(10):53-59.

[74] Rocha SVD, Junior GB, Silva AC, et al. Texture analysis of masses malignant in mammograms images using a combined approach of diversity index and local binary patterns distribution [J]. Expert Systems with Applications, 2016, 66:7-19.

[75] Leijenaar RTH, Nalbantov G, Carvalho S, et al. The effect of SUV discretization in quantitative FDG-PET Radiomics: The need for standardized methodology in tumor texture analysis [J]. Scientific Reports,2015,5:11075.

[76] Molina D, Pérez-Beteta J, Martínez-González A, et al. Influence of gray level and space discretization on brain tumor heterogeneity measures obtained from magnetic resonance images [J]. Computers in Biology & Medicine, 2016, 78:49-57.

[77] Sassi OB, Sellami L, Slima MB, et al. Improved spatial gray level dependence matrices for texture analysis [J]. International Journal of Computer Science & Information Technolo, 2012, 4(6):209-219.

[78] Padma A, Sukanesh R. SVM based classification of soft tissues in brain CT images using wavelet based dominant gray level run length texture features [J]. Middle East Journal of Scientific Research, 2013, 13(7):883-888.

[79] Padma A, Giridharan N. Performance comparison of texture feature analysis methods using PNN classifier for segmentation and classification of brain CT images [J]. International Journal of Imaging Systems & Technology, 2016, 26(2):97-105.