首页 > 论文范文 > 医药卫生论文 > 影像检验论文 > X线论文 > 基于深度学习的X线腰椎正侧位片的智能质量控制研究

基于深度学习的X线腰椎正侧位片的智能质量控制研究

2024-07-26 60 上传者：管理员

摘要：目的：探讨基于深度学习的X线腰椎正侧位片的智能质量控制方法在临床工作中应用的可行性。方法：回顾性分析4 690例X线腰椎正侧位片。将图像质量特征分为投照技术质量和图像清晰度质量2种类别，构建质控知识图谱。通过数据标注和模型训练，使用平均精确度均值（mAP）和平均绝对误差（MAE）评估智能质控与人工质控之间的差异。结果：根据参考标准，在投照技术质量方面，智能质控的mAP显著优于单人质控（A、B），与多人质控结果接近；在图像清晰度方面，智能质控的MAE显著小于单人及多人质控。结论：基于深度学习的X线腰椎正侧位片的智能质量控制方法优于单人质控，在图像清晰度质量方面也优于多人质控。该方法可客观评估图像质量，提高工作效率，有望在临床质控中推广应用。

关键词：
智能质量控制
深度学习
知识图谱
腰椎正侧位片
质量质控
加入收藏

腰椎X线正侧位片在腰椎病变筛查方面具有重要作用[1]。影像质控是保障图像质量和医疗安全的重要环节[2]。目前的影像质控工作通常只抽取少量样本，由影像科医师进行评价，存在主观性强、效率低的问题[3]，难以全面反映科室整体的摄影质量，更无法实时进行质量控制。因此，需要一种更全面、客观且高效的影像质控方法以提高医疗图像的质量和疾病诊断的准确性。随着人工智能的发展，深度学习已成功应用于医学领域的计算机视觉任务[4-6]。将深度学习用于影像质控工作可有效提升工作效率，降低主观因素的影响，优化图像质量管理[7]。然而，针对部分质控因素的人工智能研究无法满足实际质控工作的需求，需从整体上研究实现智能质控的可行性。本研究旨在构建腰椎正侧位片图像质量控制的知识图谱[8]，并通过深度学习技术实现基于该知识图谱的图像智能质量控制。

1、资料与方法

1.1 一般资料

通过安徽省影像云平台在全省1 962家联网医疗机构中随机抽取336家机构的5 000例腰椎正侧位片，检查时间为2018年6月至2023年6月，采集设备涵盖目前临床各类常见的数字化X线检查设备，图像信息均按照《信息安全技术个人信息安全规范：GB/T 35273-2020》[9]进行了匿名化脱敏处理。排除同次就诊拍摄多组X线腰椎正侧位片的患者，最终共筛选出4 690例腰椎正侧位片，其中男2 167例，年龄15～92岁，平均（60.00±9.24）岁；女2 523例，年龄32～96岁，平均（61.00±5.86）岁。

1.2 仪器与方法

1.2.1 智能质量控制评价标准的制订

根据中华医学会放射学分会组织编写的《放射科管理规范与质控标准（2017版）》[10]制订了腰椎正侧位片的图像质量评价标准。为实现智能影像质控，采用“基于规则”和“基于人工智能”2种处理方式，探讨深度学习模型在实现“基于人工智能”各项标准的可行性。具体质量评价标准及其智能质控分类见表1。

表1 X线腰椎正侧位片质量评价标准及处理方式

1.2.2 知识图谱构建

参考影像诊断3层结构模型[11]，提出基于影像质控专家的工作模式和图像质量评价标准的“质控类别-量特征/等级-细节特征”影像质控3层结构模型。基于该模型构建了腰椎正侧位片图像质量控制知识图谱。该图谱包含6个质控类别、17个质量特征/等级和8个细节特征。知识图谱采用树状结构，分为投照技术质量和图像清晰度质量两大类别，其中投照技术质量方面包含5个质控类别、12个质量特征和8个细节特征；图像清晰度质量方面包含1个质控类别，5个质量等级（表2，图1）。

1.2.3 数据标注

由多位经过培训的放射科医师进行数据集标注，包括单人质控和多人质控2个环节。单人质控由2位放射科医师（A和B，均具有影像科3年工作经验分别对同一组腰椎正侧位片进行阅片，标注异常节点。投照技术质量方面的各节点标注示例见图2～8；图像清晰度方面的各节点标注示例见图9。标注系统整合2位医师的标注结果，突出显示两者标注不一致的标签，再进入多人质控环节：由放射科医师C（具有影像科10年工作经验）对单人质控中不一致的标注结果进行主观判断，得出最终标注结果作为多人质控结果。将多人质控结果作为智能质控深度学习模型的标注数据集。

1.3 深度学习模型设计

1.3.1 数据集准备

首先，对DICOM文件进行图像预处理，转换为JPG格式后，进行归一化和标准化[12]，并按照腰椎正位片、侧位片的顺序对同组图像进行组内排序。然后，将数据集按照7∶2∶1的比例随机分为训练集、测试集和验证集。其中，3 285例腰椎正侧片用于模型训练，465例进行验证，940例进行模型测试。数据集各节点样本分布见表3。

1.3.2 深度学习模型构建

腰椎正侧位片智能质控采用了深度卷积神经网络TResNet[13]和ResNet50[14]作为网络的主干。通过加载在ImageNet数据集[15]上进行预训练过的模型进行迁移学习，在目标数据集上微调网络参数。TResNet模型使用深度可分离卷积模块[16]，其初始学习率设置为0.000 1,Batchsize为16,Epoches为200，使用Adam[16]作为梯度下降优化器。而用于图像清晰度质量相关节点分级回归任务的ResNet50模型采用了残差学习设计思路，其初始学习率设置为0.000 01,Batchsize为16,Epoches为100，同样使用Adam作为梯度下降优化器。训练好的模型输出即为智能质控结果。

表2 腰椎正侧位片知识图谱节点设计及相关说明

图1 知识图谱的可视化

1.4 数据审核与模型性能评价

1.4.1 数据审核

由1位具有15年以上工作经验的影像科质控专家（D）对测试集数据的智能质控结果进行进一步审核。在审核过程中，数据审核系统会将每个数据智能质控结果与多人标注结果的差异用红色标记并在界面中显示，由专家审核智能质控结果与多人标注结果，在两者之间作出最终选择，并将其作为评价腰椎正侧位片智能质控与人工质控差异的参考标准。

1.4.2 模型性能评价

以审核结果为参考标准，通过计算精确度（Precision）、平均精确度均值（mean average precision,mAP）来比较人工质控与智能质控之间的差异。Precision计算公式：Precision=；其中，TP为正确预测正样本数，FP为错误预测正样本数。mAP计算公式：；其中，C为质控节点数量，APi为单个质控节点在各个阈值下的精确度平均值。在图像清晰度质量方面，使用平均绝对误差（mean absolute error,MAE）比较人工质控与智能质控在图像清晰度方面的差异。MAE计算公式：；其中，n是样本数量，表示预测值与实测值之间差距的绝对值。

图2 标准图像示例

图3 知识图谱节点：缺少左右标识示例

图4 知识图谱节点：检查范围异常示例

图5 知识图谱节点：中心线异常示例

图6 知识图谱节点：体位—双边影异常示例

1.5 统计学方法

使用SPSS 26.0软件，将智能质控结果分别与单人质控（A、B）、多人质控的结果进行配对样本t检验。以P<0.05为差异有统计学意义。

图7 知识图谱节点：图像伪影—设备伪影异常示例

注：图7a为散射线，图7b为其他

图8 知识图谱节点：图像伪影—异物伪影异常示例

注：图8a为拉链，图8b为腰带，图8c为内衣，图8d为其他

图9 知识图谱节点：图像清晰度标注示例

表3 数据集各节点样本分布

2、结果

2.1 智能质控与人工质控在投照技术质量方面的对比（表4)

智能质控的mAP为0.990，高于单人质控（A、B），接近多人质控。智能质控与单人质控（A、B）的mAP差异均有统计学意义（均P<0.01），与多人质控差异无统计学意义（P=0.351）。

表4 智能质控与人工质控对投照技术质量的预测结果对比

2.2 智能质控与人工质控在图像清晰度质量方面的对比

单人质控（A,B）的MAE为0.601、0.569，多人质控为0.352，智能质控为0.228。单人质控（A,B）、多人质控与智能质控差异均有统计学意义（均P<0.01），人工质控的MAE均高于智能质控。

3、讨论

人工智能在放射学和医疗卫生领域的应用越来越广泛[17]，特别是在影像学图像质控方面。通过人工智能技术，可避免主观因素的影响，使得影像质量报告更客观、更标准化。人工智能技术高效处理大规模数据，快速反馈质量评价结果，为影像质控工作提供了新的方式[18]。

在影像学质控任务中，制订全面符合相关规定并兼顾临床医师工作特点的客观标准至关重要[19]。本研究中，提出了腰椎正侧位片图像质控的知识图谱，包括投照技术质量和图像清晰度质量两大类别。运用该知识图谱可使质控工作更具条理性和系统性。除此之外，本研究还根据知识图谱特征分别选用了TResNet和ResNet50 2个深度学习模型，其中TResNet在保持高度精度的同时，具备更高的计算效率，这种创新的架构使其在解决投照技术质量这种多标签问题时效果更加显著；ResNet50具有深层的网络结构和多尺度特征提取能力，更适合应用于图像清晰度的质量评估。这种将知识图谱与人工智能相结合的方式，可有效提升深度学习模型的可解释性[20]，对影像检查质控的自动化和检查结果的互认共享有重大意义。

为克服人工智能模型训练所需的大量高质量数据缺乏的问题[21]，本研究采用了多轮人工标注的方法，为深度学习算法训练提供了高质量标注数据集。为了比较人工质控与智能质控之间的差异，本研究纳入了数据审核环节，用于评估人工质控与智能质控之间的差异。结果显示，在投照技术质量方面，智能质控的mAP达0.990，明显高于单人质控结果（0.869,0.889），与多人质控结果（0.994）相近；在图像清晰度方面，智能质控的MAE(0.228）明显小于单人质控（0.601,0.569）、多人质控标注结果（0.352）。

本研究存在以下局限性：①将腰椎正侧位片作为整体进行训练，未具体涉及哪张图像出现质量异常，后续工作将对图像选择进行细化；②该方法仅在腰椎正侧位片进行测试，未涉及其他检查项目和检查模式，后续将在多模态大模型研究[20,22-23]基础上，拓展至更多项目，扩大智能质控的临床应用范围。

综上所述，运用深度学习技术可实现对腰椎正侧位X线片的智能质量控制。该方法将知识图谱与人工智能相结合，智能质控的预测结果明显优于单人质控，甚至在图像清晰度质量方面优于多人质控，实现了对投照技术质量和图像清晰度的准确客观评估。该方法有望逐步推广至影像实际质控工作中，提升质控工作的效率。

参考文献:

[3]乔远罡,韩晓东,韩顺霞,等.深度学习技术在胸部X射线片质量评价中的价值研究[J].中国医学装备,2021,18(8):25-28.

[4]胡君花,黄倩,胡安宁.人工智能在医学影像数字X线摄影质量控制方面的技术优化[J].影像技术,2020,32(6):12-14.

[7]余淑洁.“互联网+人工智能”的全新质控模式在放射诊断质控工作中的应用[J].中医药管理杂志,2021,29(7):211-212.

[9]国家市场监督管理总局,国家标准化管理委员会.《信息安全技术个人信息安全规范:GB/T 35273-2020》[S].北京:中国标准出版社,2020:5-22.

[10]中华医学会放射学分会.放射科管理规范与质控标准(2017版)[M].北京:人民卫生出版社,2017:57-210.

[12]孟宇,马之骋,阮敬儒,等.基于Faster R卷积神经网络构建胸部X线片异物智能检测模型的可行性研究[J].中华放射学杂志,2022,56(12):1359-1364.

基金资助:安徽省高校协同创新项目(GXXT-2021-065,GXXT-2022-031);

文章来源:张禹萱,谷宗运,鲁文豪,等.基于深度学习的X线腰椎正侧位片的智能质量控制研究[J].中国中西医结合影像学杂志,2024,22(04):406-412.