首页 > 论文范文 > 医药卫生论文 > 骨科疾病论文 > 脊柱论文 > 基于机器学习标准化积分面积算法的脊柱侧弯度量方法

基于机器学习标准化积分面积算法的脊柱侧弯度量方法

2024-03-11 9 上传者：管理员

摘要：目的基于机器学习算法搜索全脊柱X线影像的行最大像素和像素局部极值，开发一种自动度量脊柱侧弯程度的计算机视觉评估方法。方法搜集129例特发性脊柱侧弯患者全脊柱正位X线影像，行直方图均衡后使用对称叠加阈值算法凸显出非对称像素，搜寻每行中最大亮度的像素点作为全局最大像素点，搜寻每行像素中比两侧3～5个像素点高的局部极值点，以两种点的交集作为候选锚点。从最上面的候选锚点开始向第二行的候选锚点连直线，如连线斜率绝对值>1则第二行的点即作为精细锚点。所有精细锚点用3次样条算法进行拟合得到脊柱的近似曲线，以曲线与脊柱首尾相连的直线之间的标准化积分面积对脊柱侧弯程度进行度量。以人工测量Cobb角值为标准，评价人工测量Cobb角与积分面积算法度量的相关性，使用受试者工作特征曲线分析积分面积算法度量的曲线下面积。结果人工测量Cobb角与积分面积算法度量呈正相关(r=0.658,P<0.001),积分面积算法度量中度、重度侧弯的受试者工作特征曲线下面积分别为0.889、0.862。结论本方法快速、高效地从全局角度评估脊柱侧弯的程度，适合于大面积脊柱侧弯程度评估的筛查，可作为脊柱侧弯角度精细测量的有益补充。

关键词：
x线影像
机器学习
标准化面积
穷尽搜索算法
脊柱侧弯度量
锚点
加入收藏

近年儿童青少年群体中青少年特发性脊柱侧弯(addescent idiopathic scoliosis, AIS)的发生率逐渐增加，对患者的生长发育造成严重不良后果[1,2]。随着病程的进展出现头颈部歪斜、双肩不等高、骨盆倾斜及旋转、双下肢不等长等，并对组织器官造成不同程度的压迫[3]。重度者需脊柱外科手术治疗，手术及术后并发症给患者带来巨大痛苦[4],脊柱侧弯的早期发现和矫正是其防控的关键。Cobb角是脊柱弯曲角度的标准评定指标[5,6,7,8],将脊柱侧弯的严重程度分为4个等级[9]:Cobb角≤10°为正常，10°<Cobb角≤25°为轻度侧弯，25°<Cobb角≤45°中度侧弯，Cobb角>45°为重度侧弯。相较于CT和MRI,全脊柱正位X线摄影医疗成本低且操作简便，一次检查能获得较全面、丰富的诊断信息，适合脊柱侧弯的大规模筛查。但大批量Cobb角人工测量时间和人力成本较高，且手动Cobb角度测量需要经验和判断力[10],观察者间和观察者内变异性较高[11]。计算机视觉技术可比肉眼观察提取更多的诊断信息，放射学家们探索使用人工智能分析医学影像来提高疾病诊断的准确性和效率[12,13,14]。本研究基于计算机数字图像处理，开发搜索全脊柱X线影像的行最大像素和像素局部极值的人工智能机器学习算法，使用标准化积分面积值对脊柱侧弯程度进行度量，以快速、准确地实现脊柱侧弯程度的计算机自动评估。

1、资料与方法

1.1 一般资料

本研究为回顾性研究，经河北医科大学第三医院伦理委员会批准，无需患者知情同意。

搜集129例AIS患者的全脊柱正位X线数字化影像，纳入标准为无脊柱手术史及其他脊柱疾病，其中男32例，女97例，年龄(15.5±5.6)岁，由一位高年资放射科主治医师人工测量Cobb角，每例患者间隔1个月测量1次，测量3次取平均值作为参考标准。

1.2 X线数字图像的处理

使用MATLAB 2018B(Matrix Laboratory, 版本号R2018B)图像处理工具箱设计软件，进行机器学习算法的编程及数字矩阵的运算和操作。

对原始X线数字图像的预处理：用4个点圈出脊柱侧弯所在的大致位置进行flipping运算和直方图均衡变换，以突出脊椎骨所在的区域。如公式(1),记录4个点的坐标为：(xi,yi),i=1、2、3、4,则脊柱区域选择框的左、右、上、下侧边界分别为：

Bleft=min(xi),Bright=max(xi),Bup=max(yi),

Blow=min(yi),i=1、2、3、4 (1)

选择后的脊柱区域像素矩阵记为W。

翻转叠加算法公式：为防止叠加之后造成原像素点高低像素混淆，设脊柱区域选择框图像的像素矩阵W的每个像素都进行减半操作，变为矩阵X:(xi, j),i=1,...,M,j=1,...,N.,如公式(2),当设定：

叠加之后的矩阵G,如公式(3):

G(i, j)=xi, j+xi-2×x_translation, j-2×y_translation (3)

翻转叠加之后的图像，设定像素cut off=0.5的时候，高于cut off的像素转换为1,小于cut off的像素转换为0,获得的二值图像可以有效去除关于中心对称的像素，而保留非对称、畸形的侧弯图像。如图1A～C所示。

搜寻每行中最大亮度的像素点作为全局最大像素点；寻找每行中像素比两侧3～5个像素点都要高的局部极值点，提取每行的最大像素点后进行开操作和腐蚀操作。开操作删除二值图像中面积<3的对象；腐蚀操作中根据全脊柱X线摄影图像的性质，采用方形区域进行噪声删除。如图2A～E所示。

直方图均衡后使用对称叠加阈值算法凸显出非对称像素，搜寻每行中最大亮度的像素点，然后寻找每行中像素比两侧3～5个像素点都要高的局部极值点。两种点的交集作为候选锚点。从最上面的候选锚点开始，向第二行的候选锚点连直线，如果连线斜率绝对值>1,则第二行的点就作为精细锚点，否则继续寻找更下一行的候选锚点。把所有精细锚点用3次样条算法进行拟合，最终得到脊柱的近似曲线。通过求这条曲线与脊柱首尾相连的直线之间的标准化面积，以标准化面积对侧弯程度进行度量(图3A～C)。

面积积分标准化：将上述侧弯线的首尾点进行连接得到基准直线，横向画出100条等间隔的平行线，处于侧弯曲线和基准直线之间的平行线段的长度进行加和，得到侧弯曲线和基准直线之间面积的估计值。将侧弯曲线在水平方向上最左侧点与最右侧点之间的水平距离做为标准化因子，上述面积除以标准化因子，得到标准化面积，如公式(4):

X为侧弯曲线Y=f(x)的自变量值域，leni为侧弯曲线与基准直线之间第i个平行线段的长度。

1.3 统计学方法

应用SPSS22.0统计软件分析数据，以Spearman相关分析评价人工测量Cobb角与标准化积分面积算法度量的相关性；以人工测量Cobb角为标准，将检测病例分入轻度、中度、重度侧弯3组中，使用受试者工作特征( receiver operating characteristic, ROC) 曲线分析标准化面积积分值评估侧弯程度的ROC曲线下面积(area under curve, AUC)、敏感度、特异度等，参考约登指数确定标准化积分面积算法评估的参考值，判定中度侧弯选取敏感度最高的截断值，判定重度侧弯选取特异度最高的截断值，P<0.05为差异有统计学意义。

2、结果

2.1 软件运算开销及处理时间

本研究MATLAB 2018B 图像处理工具箱所设计软件运行内存需4 GB,处理一幅图像并计算出标准化面积10 s左右。

2.2 人工测量Cobb角与标准化积分面积算法度量的相关性分析

人工测量Cobb角与标准化积分面积算法评估的相关性详见表1及图4,Spearman相关系数r=0.658,P<0.001,人工测量Cobb角与标准化积分面积值度量存在正相关关系，可认为两种方法评估脊柱侧弯程度有较好的一致性。

表1 人工测量Cobb角与标准化积分面积算法度量的相关性分析

表2 标准化积分面积算法度量脊柱侧弯程度的ROC曲线分析

2.3 标准化积分面积算法度量脊柱侧弯程度的ROC曲线分析

标准化积分面积算法度量脊柱侧弯程度的ROC曲线分析详见表2及图5、6。

3、讨论

脊柱侧弯程度评价的目的为指导临床治疗方案的选择，目前脊柱侧弯程度评价的方式主要为影像学Cobb角测量法、物理体检法、图像检测法[15,16]等。物理体检法有躯干旋转角度法、Adams前屈试验、脊柱测量仪法[17,18],图像检测方法主要有Moire局部测量法、激光扫描仪法[19,20],这些方法测量精度差，操作步骤复杂，不能获得全面诊断信息。对于脊柱侧弯严重程度的判断，临床以全脊柱正位X线片上所测得的最大Cobb角值作为标准。在进行大规模普查时，人工测量Cobb角操作繁琐耗时，易造成一定程度的主观误差[21],影响侧弯程度的分级及治疗策略选择。为避免医师主观因素造成的误差，提高工作效率，使用计算机图像处理技术对脊柱侧弯程度进行自动、快速、精确评估，对青少年大规模脊柱侧弯筛查有重要的意义和价值。

本研究中入组129例患者中，轻度侧弯的标准化积分面积≤0.2,中度侧弯的标准化积分面积为0.2～0.4,重度侧弯的标准化积分面积≥0.4,以人工Cobb角测量法为标准，基于机器学习的积分面积算法度量中度、重度侧弯的AUC分别为0.889、0.862,取得了类似研究中较高的诊断效能[22,23]。本研究中的核心算法为行最大像素和像素局部极值的积分面积算法，通过对数字图像进行逐行扫描，找到最大像素点作为全局最大像素点，寻找每行中像素比两侧3～5个像素点都要高的像素点作为局部最大像素点，且该像素点左右各3个像素对称分布，两种点的交集作为候选锚点。以筛法是从颈椎第一个候选锚点开始，向下面一行的候选锚点连直线，斜率<1则被舍弃，原因为相邻行的脊椎不可能畸形到斜率<1的近乎水平程度。如下一行的候选锚点被筛掉，继续连接下下行的候选锚点，直到筛选到合理的候选锚点，将其列为精细锚点。本研究通过设定连线斜率45°的标准筛法来筛选真正的锚点，再使用3次样条算法对所有精细锚点进行拟合得到3次样条平滑脊柱线图，实现了弯曲脊柱曲线的真实再现。算法以侧弯曲线在水平方向上最左侧点与最右侧点之间的水平距离做为标准化因子，除以标准化因子得到标准化面积，通过测量偏离中轴线的面积评估脊柱侧弯程度。本研究算法将Cobb角人工测量过程转化为特征像素面积的机器学习计算过程，提高了检测速度，减少了测量医师的重复劳动强度。

图1 A～C人体脊椎区域增强与脊柱对称叠加图

图2 A～E每行全局与局部最大像素点提取图

图3 A～C精细锚点下3次样条平滑脊柱侧弯线图

图4 人工测量Cobb角与标准化积分面积算法的Spearman相关分析图

图5 标准化积分面积算法度量中度脊柱侧弯程度的ROC曲线分析

图6 标准化积分面积算法度量重度脊柱侧弯程度的ROC曲线分析

本研究方法的创新在于精细描点的选择，通过多次拟合验证发现，左、中、右多个位置中取最左侧的锚点拟合效果最好。分析原因为弯曲曲线位于中线左侧，即整体偏移面积向左，造成左侧的锚点拟合效果最佳。临床常用的最大Cobb角测量只是描述脊柱侧弯程度的极值，其余侧弯椎体形成的Cobb角也具有重要诊断价值，测量工作量大。与最大Cobb角测量不同，对于脊柱双弯、多弯病例，积分面积法3次样条平滑线图直观地将异常曲度的位置偏移及偏移程度显示出来，突出了侧弯的位置信息，直观显示了弯曲程度，有利于从全局角度评估脊柱侧弯。偏离中线异常面积分布的方位及面积的大小，可作为治疗方案选择及治疗效果评价的重要参考。本研究算法保证了脊柱标志点的准确定位，用数学方法证明了侧弯脊柱的生物力学改变，实现了算法数学意义和临床意义的统一。

类似研究中，Glocker等[24]基于回归森林和概率图模型在CT影像中自动定位和识别脊椎骨，其识别率为81%,其后续研究使用监督分类森林提高了鲁棒性，但仍然使用半自动标记，不能实现即时评估[25]。Chen等[26]基于三维CT图像的随机森林算法回归综合打分定位到脊椎骨中心，再使用CNN深度学习模型进行进一步矫正，三维图像提供了丰富的位置信息和纹理信息，可获得较高的识别精度，但CT为卧位非负重影像，脊柱不受重力、压力作用，减轻了侧弯程度，其结果不符合临床实际，无法指导治疗。Thalengala等[27]提出在图像快速翻转变换之后进行阈值和二值逻辑操作的机器学习方法，使用高斯滤波得到脊柱的边界，可简便快捷地提取脊柱轮廓，但其使用的快速傅里叶转换插值在非整周期采样下存在较大误差，本研究使用3次样条插值可有效减少非整周期采样对傅里叶转换的影响，获得较高的检测精度。Khanal等[28]利用每个脊椎骨的4个地标角来计算Cobb角，但当图像中有颅骨和骶骨时，其算法无法识别解剖标志，造成精确度下降。既往这些计算机机器学习算法不同程度存在检测精度低、计算开销大而无法满足大规模普查筛查等问题。本研究算法则改进了这些缺陷，实现了高效率、低计算开销的计算机视觉脊柱侧弯程度评估。

分析本研究中两种方法评估侧弯结果不一致病例：Cobb角测量侧弯程度结果为轻度时，其积分面积在0.2～0.4的中度范围内；Cobb角评估侧弯程度为中度时，其积分面积在0.2以下的轻度范围内，分析原因为Cobb角程度分级的边缘值对积分面积算法结果的评价具有影响，两种方法结果不一致病例测得的Cobb角恰好是度量脊柱侧弯轻、中度分级的临界值左右小范围内。本研究以Cobb角为标准评价机器学习算法的测量精度，但Cobb角评价法是基于测量侧弯椎体的夹角，着重于显示侧弯椎体局部特征；机器学习算法为计算脊柱曲线偏离中轴线的面积，从脊柱曲线整体平均意义上度量测弯程度。本研究中两种方法对于大多数病例的判断结果一致，各自具备优缺点，在筛查工作中可将这两种方法有机结合，采取计算机大规模筛查、人工重点测量的工作策略。本研究的不足之处在于样本含量较少，考虑到重度侧弯特征明显容易鉴别，入组病例中重度侧弯患者比例较低，后续研究将扩大样本数据进行验证。

综上所述，本研究基于机器学习，搜索全脊柱X线影像的行最大像素和像素局部极值，再以筛法来筛选精细锚点，提取脊柱曲度的重要特征并进行曲线识别，实现了脊柱椎体的精准识别和定位，进而计算出异常弯曲脊柱的曲度偏离轴线的标准化面积，以面积的大小判断侧弯的程度。此算法检测速度快、精度高、计算开销小，可大幅提高批量处理全脊柱X线摄影的效率，简便快捷地做出脊柱侧弯严重程度的评估。可作为脊椎侧弯Cobb角评价的重要补充，减轻测量医师的繁复劳动，避免疲劳错误，规避人工评价的测量误差。

参考文献:

[1]傅涛,厉彦虎.功能性康复训练改善青少年特发性脊柱侧弯的研究[J].中国组织工程研究,2017,21:4462-4468.

[2]张书豪,李富丽,王帅,等.胸弯型和胸腰弯/腰弯型青少年特发性脊柱侧凸患者冠状面与矢状面参数的影像学研究[J].中国脊柱脊髓杂志,2022,32:214-220.

[12]刘珂,王奇政,陈永晔,等.基于ResNet50深度学习模型鉴别脊柱良恶性骨折[J].临床放射学杂志,2021,40:2350-2355.

[13]樊知昌,甄俊平,卫小春,等.影像组学结合机器学习在鉴别脊柱结核与转移瘤中的价值研究[J].临床放射学杂志,2022,41:1110-1116.

[14]田帅,王春杰,欧阳汉强,等.卷积神经网络在腰椎影像研究中的现状及进展[J].临床放射学杂志,2021,40:1636-1639.

[16]王渭君,邱勇.青少年特发性脊柱侧凸发病机制研究进展[J].中国矫形外科杂志,2005,13:380-382.

[18]刘尚礼,李卫平,李远景,等.广东省青少年脊柱侧凸患病率调查报告[J].中国脊柱脊髓杂志,2002,12:41-43.

基金资助:河北省自然科学基金“乳腺癌多组学数据的整合分析算法研究”项目(编号:A2019208336);河北省卫健委跟踪项目“应用脊柱矢状､冠状面平衡参数预测青少年胸廓､肋骨发育畸形”项目(编号:GZ2020050);河北省医学科学研究课题“肌肉平衡与青少年特发性脊柱侧弯的相关性研究”项目(编号:20200082);

文章来源:张屹,韩殊曼,杨晨等.基于机器学习标准化积分面积算法的脊柱侧弯度量方法[J].临床放射学杂志,2024,43(03):414-419.