使用U-Net 深度學習網(wǎng)絡對腰椎矢狀T2WI圖像自動分割的可行性研究

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之一[1]。通過腰椎MRI評估腰椎椎體、椎間盤及其相關病變、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，更可進一步對重要結(jié)構進行定量測量，精確的測量值對臨床評估和治療計劃非常重要[2]。腰椎解剖結(jié)構的自動化分割是精準測量的基礎，能夠大大減少人工測量的誤差，節(jié)省讀片時間，提高工作效率。

本研究應用U-Net網(wǎng)絡對腰椎矢狀面T2WI圖像進行分割，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。

材料與方法

本研究獲得了倫理審查委員會批準，按照本單位人工智能(artificial intelligence，AI)模型訓練規(guī)范執(zhí)行研究方案。

1.用例定義

根據(jù)本單位AI訓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、模型在實際工作中的調(diào)用流程、模型輸入輸出數(shù)據(jù)結(jié)構等。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。

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)生進行閱片并挑選合格的圖像。納入標準：腰椎MRI檢查包含清晰的矢狀面T2WI圖像。排除標準：①腰椎明顯發(fā)育畸形，椎體結(jié)構顯示欠清；②腰椎術后有明顯金屬偽影；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.圖像標注

由2位有經(jīng)驗的影像診斷醫(yī)師進行圖像標注(圖1)，標注軟件為ITKSNAP version 3.6.0。

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

1)椎體標注：在矢狀面T2WI圖像中全部有椎體的區(qū)域逐層進行標注，包括所掃及的胸椎及腰骶椎椎體，椎體的前緣及上、下緣沿椎體邊緣進行標注，后緣標注時根據(jù)后上緣、后下緣確定邊界并進行標注(不包括椎板、棘突等附件結(jié)構)。2)椎間盤標注：椎間盤與椎體邊緣重合，二者以T2WI低信號為界，大部分T2WI低信號標為椎間盤區(qū)域。3)椎管/硬膜囊標注：在矢狀面圖像中(可參考橫軸面圖像)逐層進行掃描范圍內(nèi)硬膜囊的標注，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注至S1-2水平。4)椎間孔標注：圖像中標注由椎體、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)標注：標注圖像中椎管內(nèi)的脊髓、脊髓圓錐及馬尾神經(jīng)，均為T2WI低信號。

5.模型訓練

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

分割模型訓練(圖2)：將所有數(shù)據(jù)隨機分為訓練集(train set)、調(diào)優(yōu)集(validation set)和測試集(test set)，訓練分割模型時按粗分割和細分割(Coarse-to-Fine)兩步訓練。第一步(Coarse)訓練一個低分辨率的分割模型。輸入圖像為矢狀面T2WI圖像和5個不同的標注區(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)的預測區(qū)域。圖像預處理包括自動窗寬、窗位，圖像大小設置為16×256×128。第二步(Fine)訓練一個高分辨率的分割模型。以前述模型獲得的5個預測區(qū)域為掩膜(mask)對矢狀面T2WI圖像進行裁切，對裁切后圖像再調(diào)整圖像大小，圖像大小設置為16×320×128。圖像擴增方法包括旋轉(zhuǎn)、平移、隨機噪聲等。本研究使用了Ronneberger等在2016年提出的3D U-Net網(wǎng)絡[3]，其編碼(encoder)路徑由4個卷積層、池化層組成，通過下采樣降低圖像大小；解碼(decoder)路徑通過4個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個卷積層分類。網(wǎng)絡主要參數(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、墳墓和海峽這4個不同的喻體來傳遞的，如圖1所示。

圖2 腰椎MRI分割模型訓練流程。

6.模型評價

客觀評估：用測試集數(shù)據(jù)的Dice系數(shù)(Dice coefficient)評價模型的效能。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個解剖部位的分割進行滿意度的評估，對于目標區(qū)域進行完全正確分割和正確分割區(qū)域達90%及以上的，評為滿意；對于目標區(qū)域進行未進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個矢狀面T2WI序列，將其隨機分為訓練集(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個腰椎椎體，429個椎體(97.5%)分割滿意，11個椎體(2.5%)分割不滿意。2)椎間盤：共570個椎間盤，558個椎間盤(97.9%)分割滿意，12個椎間盤(2.1%)分割不滿意。3)椎管/硬膜囊：共評估44個層面，38個層面(86.4%)分割滿意，6個層面(13.6%)分割不滿意。4)椎間孔：共223個完整及大部分完整椎間孔，171個(76.7%)分割滿意，17個椎間孔(7.6%)未被識別，35個椎間孔(15.7%)分割不滿意。5)脊髓及馬尾神經(jīng)：共評估28個層面，22個層面(78.6%)分割滿意，6個層面(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]，導致巨大的醫(yī)療和社會成本。高達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)生在腰椎的各個解剖結(jié)構，包括椎間盤、終板及終板下骨質(zhì)、關節(jié)突關節(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手段，尤其對腰椎間盤突出的診斷價值很高。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]。

脊柱的相關疾病是現(xiàn)代社會中的常見病，臨床工作中對MRI的需求量越來越大。隨著人工智能技術在醫(yī)學影像工作中的應用，利用軟件自動識別脊柱的解剖結(jié)構、檢出病變并生成結(jié)構化報告成為可能。不僅可以減輕影像科閱片醫(yī)師的工作壓力，同時有可能在此基礎上通過深度學習方法，更進一步探討腰椎MRI引起臨床癥狀的責任病灶，提高臨床診治的效率。

多種網(wǎng)絡可用于腰椎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例正常患者和210例異常患者的CT和MR圖像訓練二分類模型，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)和隨機森林算法(Random Forest，RF)，對正常異常二分類的最高準確率為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)了一套計算機輔助診斷(computer-aided diagnosis，CAD)系統(tǒng)，在分割間盤后可診斷間盤突出，但未報告系統(tǒng)對間盤分割和分類的準確性。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Seg3D網(wǎng)絡分割了515例患者的MR軸面T2WI數(shù)據(jù)，使用隨機參數(shù)的Seg3D網(wǎng)絡和使用遷移學習的Seg3D網(wǎng)絡，對硬膜囊分割最佳IoU為0.85[15]。近年隨著U-Net在醫(yī)學圖像分割中的廣泛應用，在全身各個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。

既往關于腰椎AI的研究中[2,13,20,21]研究者對腰椎MRI圖像進行了解剖結(jié)構分割和定位主要關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)構進行識別，不僅對椎體、椎間盤進行了分割，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)構進行分割。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)構的分割效果，剔除了解剖結(jié)構不完整的部分層面；而客觀評估不僅納入了胸腰段和骶椎，而且同時也評估了靠近掃描野左、右邊緣的部分解剖結(jié)構不完整的層面。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到95%以上。

本研究的各個解剖結(jié)構的分割結(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定位的基礎上針對不同病變進行進一步的研究，自動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)進行精細分割，以期能夠達到自動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 深度學習網(wǎng)絡對腰椎矢狀T2WI圖像的解剖結(jié)構進行自動分割是可行的，將來可增加數(shù)據(jù)量并結(jié)合軸面圖像對分割效果進一步完善。在腰椎MRI圖像自動分割的基礎上可進一步進行精準的測量和病變識別，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)。