郭麗，趙凱，朱逸峰，張耀峰，李世佳，張曉東，王霄英

腰椎MRI是下腰痛檢查最常用的成像技術(shù)之一[1]。通過腰椎MRI評估腰椎椎體、椎間盤及其相關(guān)病變、腰椎管狹窄及脊髓-馬尾神經(jīng)的病變，可為臨床決策提供一定的依據(jù)。利用腰椎MRI不僅可對疾病做出定性診斷，更可進(jìn)一步對重要結(jié)構(gòu)進(jìn)行定量測量，精確的測量值對臨床評估和治療計(jì)劃非常重要[2]。腰椎解剖結(jié)構(gòu)的自動(dòng)化分割是精準(zhǔn)測量的基礎(chǔ)，能夠大大減少人工測量的誤差，節(jié)省讀片時(shí)間，提高工作效率。

本研究應(yīng)用U-Net網(wǎng)絡(luò)對腰椎矢狀面T2WI圖像進(jìn)行分割，包括椎體、椎間盤、椎管/硬膜囊、椎間孔、脊髓及馬尾神經(jīng)，為未來輔助診斷奠定基礎(chǔ)。

材料與方法

本研究獲得了倫理審查委員會(huì)批準(zhǔn)，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。

1.用例定義

根據(jù)本單位AI訓(xùn)練管理方法定義研發(fā)腰椎MR矢狀面T2WI圖像上主要解剖結(jié)構(gòu)分割模型的用例。包括模型的ID、臨床問題、場景描述、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。AI模型返回結(jié)果定義為腰椎椎體、椎間盤、椎間孔、椎管/硬膜囊、脊髓及馬尾神經(jīng)的坐標(biāo)。

2.一般資料

回顧性搜集2020年9月20-29日本院行腰椎MRI檢查患者的圖像資料，由兩名高年資影像醫(yī)生進(jìn)行閱片并挑選合格的圖像。納入標(biāo)準(zhǔn)：腰椎MRI檢查包含清晰的矢狀面T2WI圖像。排除標(biāo)準(zhǔn)：①腰椎明顯發(fā)育畸形，椎體結(jié)構(gòu)顯示欠清；②腰椎術(shù)后有明顯金屬偽影；③矢狀T2WI為脂肪抑制序列；④圖像質(zhì)量不佳。

3.MRI檢查及圖像處理

矢狀面T2WI圖像采集自本院5臺MR檢查設(shè)備(2臺Philips Multiva 3.0T、Philips Achieva 1.5T、SIEMENS Aera 1.5T和GE DISCOVERY MR750 3.0T各1臺)，掃描層厚3.5～5 cm，層間距3.85～5.4 cm。

4.圖像標(biāo)注

由2位有經(jīng)驗(yàn)的影像診斷醫(yī)師進(jìn)行圖像標(biāo)注(圖1)，標(biāo)注軟件為ITKSNAP version 3.6.0。

圖1 腰椎椎體各解剖結(jié)構(gòu)手工標(biāo)注圖。a)正中矢狀面椎體、椎間盤及椎管/硬膜囊標(biāo)注；b)旁中央矢狀面腰椎椎體、椎間盤及椎間孔標(biāo)注；c)正中矢狀面脊髓及馬尾神經(jīng)標(biāo)注。

1)椎體標(biāo)注：在矢狀面T2WI圖像中全部有椎體的區(qū)域逐層進(jìn)行標(biāo)注，包括所掃及的胸椎及腰骶椎椎體，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)椎間盤標(biāo)注：椎間盤與椎體邊緣重合，二者以T2WI低信號為界，大部分T2WI低信號標(biāo)為椎間盤區(qū)域。3)椎管/硬膜囊標(biāo)注：在矢狀面圖像中(可參考橫軸面圖像)逐層進(jìn)行掃描范圍內(nèi)硬膜囊的標(biāo)注，原則上不包括硬膜外脂肪。如硬膜外脂肪與椎管內(nèi)高信號分界欠清，可標(biāo)注椎管內(nèi)所有高信號區(qū)域；如硬膜囊下緣顯示欠清可參考硬膜囊走行標(biāo)注至S1-2水平。4)椎間孔標(biāo)注：圖像中標(biāo)注由椎體、椎間盤及椎板邊緣組成的完整環(huán)形及大部分完整環(huán)形(超過75%環(huán)形)的椎間孔區(qū)域，大部分完整環(huán)形的椎間孔區(qū)域標(biāo)注可據(jù)顯示區(qū)域弧形勾勒出缺損區(qū)域的邊界。5)脊髓及馬尾神經(jīng)標(biāo)注：標(biāo)注圖像中椎管內(nèi)的脊髓、脊髓圓錐及馬尾神經(jīng)，均為T2WI低信號。

5.模型訓(xùn)練

模型訓(xùn)練的硬件為GPU NVIDIA Tesla P100 16G，軟件包括Python3.6、Pytorch 0.4.1、Opencv、Numpy、SimpleITK等。使用Adam作為訓(xùn)練優(yōu)化器。

分割模型訓(xùn)練(圖2)：將所有數(shù)據(jù)隨機(jī)分為訓(xùn)練集(train set)、調(diào)優(yōu)集(validation set)和測試集(test set)，訓(xùn)練分割模型時(shí)按粗分割和細(xì)分割(Coarse-to-Fine)兩步訓(xùn)練。第一步(Coarse)訓(xùn)練一個(gè)低分辨率的分割模型。輸入圖像為矢狀面T2WI圖像和5個(gè)不同的標(biāo)注區(qū)域(椎體、椎間盤、椎間孔、椎管/硬膜囊、脊髓及馬尾神經(jīng))，輸出數(shù)據(jù)為腰椎椎體、椎間盤、椎間孔、椎管、脊髓及馬尾神經(jīng)的預(yù)測區(qū)域。圖像預(yù)處理包括自動(dòng)窗寬、窗位，圖像大小設(shè)置為16×256×128。第二步(Fine)訓(xùn)練一個(gè)高分辨率的分割模型。以前述模型獲得的5個(gè)預(yù)測區(qū)域?yàn)檠谀?mask)對矢狀面T2WI圖像進(jìn)行裁切，對裁切后圖像再調(diào)整圖像大小，圖像大小設(shè)置為16×320×128。圖像擴(kuò)增方法包括旋轉(zhuǎn)、平移、隨機(jī)噪聲等。本研究使用了Ronneberger等在2016年提出的3D U-Net網(wǎng)絡(luò)[3]，其編碼(encoder)路徑由4個(gè)卷積層、池化層組成，通過下采樣降低圖像大??；解碼(decoder)路徑通過4個(gè)卷積和反卷積層組成，通過上采樣來增加圖像大小。在編碼和解碼路徑之間通過跳躍連接二者的特征圖結(jié)合在一起。最后通過1個(gè)卷積層分類。網(wǎng)絡(luò)主要參數(shù)如下：batch_size=5，num_epoch=400, learning_rate=0.0001。

詩的字里行間清晰地表明，鄉(xiāng)愁在詩人的不同人生階段是具有不同涵義的，分別體現(xiàn)在詩的4小節(jié)中：詩人對辛勞母親的綿綿牽掛（第1節(jié)）、詩人對新婚妻子的深深思念（第2節(jié)）、詩人對已逝母親的無限哀思（第3節(jié)）以及詩人對祖國統(tǒng)一的無比向往（第4節(jié)）。而這4層不同的涵義又是通過詩中所使用的郵票、船票、墳?zāi)购秃{這4個(gè)不同的喻體來傳遞的，如圖1所示。

圖2 腰椎MRI分割模型訓(xùn)練流程。

6.模型評價(jià)

客觀評估：用測試集數(shù)據(jù)的Dice系數(shù)(Dice coefficient)評價(jià)模型的效能。Dice系數(shù)取值為0～1，越接近1代表模型分割效果越好。

主觀評估：由1位醫(yī)師對測試集數(shù)據(jù)的分割效果進(jìn)行主觀評估。分別對椎體、椎間盤、椎管/硬膜囊、椎間孔、脊髓及馬尾神經(jīng)5個(gè)解剖部位的分割進(jìn)行滿意度的評估，對于目標(biāo)區(qū)域進(jìn)行完全正確分割和正確分割區(qū)域達(dá)90%及以上的，評為滿意；對于目標(biāo)區(qū)域進(jìn)行未進(jìn)行正確分割及正確分割區(qū)域小于90%的，評為不滿意。

結(jié) 果

1.一般資料

共入組44例患者，其中男17例，女27例，年齡3～85歲(中位年齡49歲)。最終獲得80個(gè)矢狀面T2WI序列，將其隨機(jī)分為訓(xùn)練集(n=57)，調(diào)優(yōu)集(n=12)，和測試集(n=11)。

2.客觀評估

11例測試集數(shù)據(jù)中5個(gè)解剖部位分割的Dice值如下：椎體0.82～0.9(平均0.864)、椎間盤0.86～0.92(平均0.898)、椎管/硬膜囊0.76～0.87(平均0.837)、椎間孔0.6～0.76(平均0.67)、脊髓及馬尾神經(jīng)0.55～0.9(平均0.669)。

3.主觀評估

11例測試集數(shù)據(jù)中5個(gè)解剖部位分割的主觀評估如下(圖3、4)。

圖3 測試集中比較滿意的預(yù)測結(jié)果。a)正中矢狀面椎體、椎間盤及椎管/硬膜囊的分割，其中腰椎椎體及椎間盤分割滿意，骶椎有不完全識別伴椎前軟組織誤識別(箭)，硬膜囊前下緣輕微過度識別(長箭)；b)旁中央矢狀面腰椎椎體、椎間盤及椎間孔的分割，其中腰椎椎體、椎間盤及椎間孔分割滿意，大部分骶椎未被識別(長箭)，小部分椎弓根誤識別為椎間孔(箭)；c)正中矢狀面脊髓及馬尾神經(jīng)的分割基本滿意，小部分馬尾神經(jīng)未被識別(箭)。 圖4 測試集中不滿意的預(yù)測結(jié)果。a)旁中央矢狀面椎體、椎間盤及椎管/硬膜囊的分割，其中大部分腰椎椎體及椎間盤分割滿意，僅腰1椎體的Schmorl結(jié)節(jié)被誤識別為椎體成分(箭)，硬膜囊部分未被識別(長箭)；b)旁中央矢狀面腰椎椎體、椎間盤及椎間孔的分割，其中大部分腰椎椎體、椎間盤分割滿意，腰2椎體過度識別了椎弓根(箭)，部分椎間孔未被識別(長箭)或未被完全識別(箭頭)；c)正中矢狀面脊髓及馬尾神經(jīng)的分割，大部分脊髓及馬尾神經(jīng)未被識別(箭)。

1)椎體：共440個(gè)腰椎椎體，429個(gè)椎體(97.5%)分割滿意，11個(gè)椎體(2.5%)分割不滿意。2)椎間盤：共570個(gè)椎間盤，558個(gè)椎間盤(97.9%)分割滿意，12個(gè)椎間盤(2.1%)分割不滿意。3)椎管/硬膜囊：共評估44個(gè)層面，38個(gè)層面(86.4%)分割滿意，6個(gè)層面(13.6%)分割不滿意。4)椎間孔：共223個(gè)完整及大部分完整椎間孔，171個(gè)(76.7%)分割滿意，17個(gè)椎間孔(7.6%)未被識別，35個(gè)椎間孔(15.7%)分割不滿意。5)脊髓及馬尾神經(jīng)：共評估28個(gè)層面，22個(gè)層面(78.6%)分割滿意，6個(gè)層面(21.4%)分割不滿意。

討 論

腰背痛是全世界終身殘疾的最重要原因之一[4-6]，導(dǎo)致巨大的醫(yī)療和社會(huì)成本。高達(dá)97%的腰痛患者是由腰椎退行性改變所引起[1]。腰椎退行性改變發(fā)生在腰椎的各個(gè)解剖結(jié)構(gòu)，包括椎間盤、終板及終板下骨質(zhì)、關(guān)節(jié)突關(guān)節(jié)、韌帶、肌肉軟組織等。雖然85%的病例無明確診斷[1,7]，研究表明椎體的Modic改變以及椎間盤的退變是其中一個(gè)很重要的因素[8,9]。腰椎磁共振成像能顯示腰椎各組成部位的異常改變，為腰痛的診斷及鑒別診斷提供依據(jù)。腰椎MRI通過對神經(jīng)肌肉等軟組織成像，可清晰顯示腰椎椎間盤退變的情況、椎間盤突出程度、方向、對椎管內(nèi)神經(jīng)壓迫等情況，同時(shí)可排除椎管內(nèi)的腫瘤性病變，是迄今為止診斷腰椎病變最精確的影像學(xué)手段，尤其對腰椎間盤突出的診斷價(jià)值很高。此外，MR檢查可用于脊柱惡性腫瘤、感染、外傷以及炎性疾病的診斷及鑒別診斷[10]。

脊柱的相關(guān)疾病是現(xiàn)代社會(huì)中的常見病，臨床工作中對MRI的需求量越來越大。隨著人工智能技術(shù)在醫(yī)學(xué)影像工作中的應(yīng)用，利用軟件自動(dòng)識別脊柱的解剖結(jié)構(gòu)、檢出病變并生成結(jié)構(gòu)化報(bào)告成為可能。不僅可以減輕影像科閱片醫(yī)師的工作壓力，同時(shí)有可能在此基礎(chǔ)上通過深度學(xué)習(xí)方法，更進(jìn)一步探討腰椎MRI引起臨床癥狀的責(zé)任病灶，提高臨床診治的效率。

多種網(wǎng)絡(luò)可用于腰椎MRI的分割[11]。Abdullah等[12]使用公開數(shù)據(jù)集的數(shù)據(jù)，包括100例正?；颊吆?10例異常患者的CT和MR圖像訓(xùn)練二分類模型，使用的方法是主成分分析(principal component analysis，PCA)、K最近鄰算法(K-Nearest Neighbors，KNN)和隨機(jī)森林算法(Random Forest，RF)，對正常異常二分類的最高準(zhǔn)確率為86.13%。Alomari等[13]使用約1000例臨床MR數(shù)據(jù)分割矢狀面上腰椎間盤，研發(fā)了一套計(jì)算機(jī)輔助診斷(computer-aided diagnosis，CAD)系統(tǒng)，在分割間盤后可診斷間盤突出，但未報(bào)告系統(tǒng)對間盤分割和分類的準(zhǔn)確性。Kafri等[14]使用基于patch的體素分類方法(patch-based pixel classification)在軸面T2WI圖像上分割腰椎的前弓和后弓，平均交并比(intersection over union，IoU)為0.76，使用兩個(gè)Seg3D網(wǎng)絡(luò)分割了515例患者的MR軸面T2WI數(shù)據(jù)，使用隨機(jī)參數(shù)的Seg3D網(wǎng)絡(luò)和使用遷移學(xué)習(xí)的Seg3D網(wǎng)絡(luò)，對硬膜囊分割最佳IoU為0.85[15]。近年隨著U-Net在醫(yī)學(xué)圖像分割中的廣泛應(yīng)用，在全身各個(gè)臟器的分割中均有較好的表現(xiàn)[16-19]，腰椎MR的分割也多以U-Net網(wǎng)絡(luò)及其改良版為主流。Whitehead等[20]使用42名患者的200層MR矢狀T2WI圖像訓(xùn)練多尺度(multi-scale)U-Net模型，分割椎體和間盤的平均Dice值分別為0.854～0.865和0.793～0.832。

既往關(guān)于腰椎A(chǔ)I的研究中[2,13,20,21]研究者對腰椎MRI圖像進(jìn)行了解剖結(jié)構(gòu)分割和定位主要關(guān)注于腰椎椎體及椎間盤的分割及定位。本研究使用U-Net模型對腰椎的解剖結(jié)構(gòu)進(jìn)行識別，不僅對椎體、椎間盤進(jìn)行了分割，而且嘗試了對椎管/硬膜囊、椎間孔、脊髓及馬尾神經(jīng)這些解剖結(jié)構(gòu)進(jìn)行分割。本研究對測試集的評估分為主觀評估和客觀評估，主觀評估結(jié)果優(yōu)于客觀評估，主要是在主觀評估中，筆者僅分析了腰椎節(jié)段的解剖結(jié)構(gòu)的分割效果，剔除了解剖結(jié)構(gòu)不完整的部分層面；而客觀評估不僅納入了胸腰段和骶椎，而且同時(shí)也評估了靠近掃描野左、右邊緣的部分解剖結(jié)構(gòu)不完整的層面。因此，盡管客觀評估結(jié)果中，Dice值大于0.9的比例不高，在主觀評估中，腰椎椎體和椎間盤的分割滿意率達(dá)到95%以上。

本研究的各個(gè)解剖結(jié)構(gòu)的分割結(jié)果中腰椎椎體和椎間盤的分割結(jié)果比較滿意(圖3)，絕大部分的椎體和椎間盤分界清晰。椎體的分割中僅有2例出現(xiàn)椎弓根的過度識別和2例許莫氏結(jié)節(jié)的誤識別(圖4a)。而骶骨椎體邊緣未識別及骶前軟組織的過度識別(圖3a)，是造成客觀評估結(jié)果不滿意的主要原因，而骶骨的分割未納入此次主觀評估中。椎間盤的分割結(jié)果中除了有2例共6個(gè)層面的許莫氏結(jié)節(jié)未被識別外，還有1例椎間盤突出部分未被識別。椎管/硬膜囊的分割中未被識別的區(qū)域主要出現(xiàn)在椎管后上緣，由于脊髓與硬膜囊后緣緊貼且均顯示為T2WI低信號，導(dǎo)致椎管/硬膜囊未被完全正確識別。對于椎間孔的分割，由于周圍脂肪、椎間孔內(nèi)神經(jīng)根和周圍椎弓根的干擾，造成椎間孔未識別和過度識別(圖4b)。脊髓及馬尾神經(jīng)僅在矢狀面圖像的中間層面可被識別。

本研究對于腰椎和椎間盤的分割結(jié)果較為滿意，與既往的研究類似。下一步可在椎體和椎間盤自動(dòng)定位的基礎(chǔ)上針對不同病變進(jìn)行進(jìn)一步的研究，自動(dòng)識別椎體和椎間盤的病變，并有可能協(xié)助骨科大夫找出造成臨床癥狀的責(zé)任病灶，提高臨床診治的效率。本研究不足一是數(shù)據(jù)量比較小，二是未納入軸面圖像進(jìn)行參考。因此，在后續(xù)的研究中可結(jié)合軸面圖像對椎管/硬膜囊、椎間孔、脊髓及馬尾神經(jīng)進(jìn)行精細(xì)分割，以期能夠達(dá)到自動(dòng)測量和檢測病變的能力，幫助臨床識別并診治椎管內(nèi)的病變以及神經(jīng)根的病變。

總之，基于U-Net 深度學(xué)習(xí)網(wǎng)絡(luò)對腰椎矢狀T2WI圖像的解剖結(jié)構(gòu)進(jìn)行自動(dòng)分割是可行的，將來可增加數(shù)據(jù)量并結(jié)合軸面圖像對分割效果進(jìn)一步完善。在腰椎MRI圖像自動(dòng)分割的基礎(chǔ)上可進(jìn)一步進(jìn)行精準(zhǔn)的測量和病變識別，不僅可以提高工作效率，而且有可能為臨床診治提供更多的參考依據(jù)。