基于AI技術的腰椎X射線圖像質量控制模型的構建與應用

鄧青山，陳曉，劉鑫淼，王強，陳磊，曹國全

1.溫州醫科大學附屬第一醫院放射科，浙江溫州 325015；2.溫州醫科大學仁濟學院，浙江溫州 325015；3.上海聯影智能有限公司研究院，上海 200232

腰椎數字X射線攝影（digital radiography，DR）可幫助醫生了解患者腰椎骨質是否有破壞，排除部分腫瘤、骨結核、骨折、腰椎畸形等。高質量的腰椎X射線可有效避免漏診并提高診斷的精準性。現階段，醫學影像人工智能（artificial intelligence，AI）應用研發主要集中在醫學影像的診斷環節，多以單一疾病入手，以單純圖像訓練為主，關于AI技術對放射技師的影響討論卻很少[1-2]。放射技師是成像過程之前、成像期間和成像之后與患者直接溝通的關鍵角色，放射技師的攝影技術直接影響圖像的質量[3]。腰椎X射線攝影在臨床檢查中應用頻率較高，對圖像的質量要求也高，然而攝影技術特別是左右雙斜位拍攝因受檢者個體體型差異經常達不到診斷要求。本研究擬在腰椎DR檢查質量控制標準的基礎上，基于AI分析方法構建腰椎X射線攝影圖像的智能質控模型，通過該模型實時和回顧性評估臨床圖像。

1 資料和方法

1.1 對象

回顧性收集溫州醫科大學附屬第一醫院2018年1月至2021年2月行腰椎DR檢查的患者1389例。腰椎X射線攝影圖像包括正位、側位和斜位片。其中，訓練集包括1070例患者的腰椎X射線攝影圖像（800幅正位片、798幅側位片、623幅斜位片），驗證集包括319例患者的腰椎X射線攝影圖像（200幅正位片、205幅側位片、156幅斜位片）。由3位工作經驗超過5年的技師為所有圖像進行手工標注。腰椎正位片標注腰椎、骨盆、棘突、L3、L3雙邊影，見圖1A；腰椎側位片標注腰椎、棘突、椎間孔、L3、L3雙邊影、骶椎，見圖1B；腰椎斜位片標注腰椎、下關節突、骨盆，見圖1C。本研究經溫州醫科大學附屬第一醫院倫理委員會審批通過[倫理審批號：（2022）第（R017）號]。

圖1 腰椎X射線攝影手工標注解剖結構

1.2 質控標準

根據腰椎X射線攝影規范，腰椎X射線攝影包括3個體位：正位、側位、左斜位和（或）右斜位，不同的體位可觀察不同的解剖結構。各體位標準攝影指標參考相關資料[4-5]；其中腰椎斜位片需展示“小狗”的特征，見圖2A。

圖2 “小狗”特征的判別方法

1.3 增強型U-Net網絡的圖像分割算法

全卷積神經網絡U-Net是一種在醫學圖像分析領域廣泛應用的先進分割算法。有研究提出一種多通道壓縮和激勵（squeeze and excitation，SE）模塊，通過整合空間和多通道相關性提升性能[6]。SE模塊學習通道特定描述算子并重新校準特征圖，以重點關注更重要的通道，見圖3A。本研究利用U-Net網絡框架，加入SE模塊以提升圖像分割效能，見圖3B；進一步在U-Net框架內增加空間和多通道SE模塊（spatial and channel SE，scSE），其特性是可分別沿空間和通道重新校準特征圖。本研究提出的scSE U-Net分割模型可應用于3個位置（即正位、側位和斜位）拍攝的腰椎X射線圖像。首先用于分割腰椎的解剖特征，如椎體、骨盆、棘突、椎間孔和骶椎。然后在獲得的腰椎分割掩模范圍內，自動識別腰椎的解剖特征。在U-Net的編碼器和解碼器之后集成SE模塊。假設一個輸出特征圖M∈RH×W×C，其中H、W和C分別是空間高度、寬度和輸出通道。是SE模塊重新校準的特征圖，用于后續的池化層。組合兩個SE模塊，一個空間SE模塊（空間壓縮，sSE）和一個通道SE模塊（多通道壓縮，cSE）；組合SE模塊表示為scSE模塊，見圖3B[7]。在sSE模塊中，特征圖沿著通道被壓縮并在空間上激發。對于cSE模塊，空間壓縮由全局平均池層執行。最后，生成的模塊在空間和通道上都進行重新校準，可執行顆粒度較小的分割任務。AI分割算法基于Python 3.6和Pytorch 1.2實現。

圖3 空間信息與通道壓縮-激勵U-Net網絡結構示意圖

1.4 圖像評價標準

本研究開發一種基于AI分割模型的自動評價系統。圖像評價參照定義標準，由3位技師對所有圖像進行人工評分[4-5]。對所有評分合格的圖像進行定量分析和計算，得出重要解剖位置判斷的閾值范圍。當判斷第3腰椎是否有雙邊影時，根據雙邊影面積占整個第3腰椎面積的比例，結合人工評分。當該比值在某一確定的范圍內，則判斷為沒有肉眼可見的明顯雙邊影。在正位片中，當判斷棘突是否位于中央時，本研究把所有棘突連成一條線，得到棘突的平均位置，再結合人工評分，在某一特定范圍內判斷該棘突位于中央位置。對是否能在斜位片上看出“小狗”的特征形狀，本研究將所有能看到“小狗”形狀的下關節圖連成線，然后判斷其在整個錐體的位置，見圖2B。所有能看到“小狗”形狀的合格圖像納入運算，最后得出一個合理的范圍。在該范圍內，判定其具有“小狗”特征形狀。本研究設立的主觀和客觀評價標準見表1。

表1 腰椎X射線主觀和客觀評價標準

2 結果

2.1 分割及分類結果

AI算法對正位、側位及斜位圖像分割速度分別為0.38、0.37及0.34s/幅。AI模型在驗證集上的分割結果見表2；模型在驗證集上的準確性、敏感度、特異性結果見表3。

表2 scSE U-Net模型的分割性能

表3 AI質控模型在驗證集上不同體位的評估效能

2.2 質控模型效果評價

從訓練集獲得的最終模型應用于驗證集，模型自動評價結果見表3，定量評價的閾值基于人工評分，見表1。在正位片，當棘突中心點位0.4～0.6時，棘突被評判位于脊柱中間。在正位和側位片，如果雙邊影面積與L3面積的比值為0～0.21，則判斷第3腰椎無雙邊影。在斜位片中，當下關節突位置的閾值為0.265～0.365時，判定可看到“小狗”特征。對其他關鍵解剖特征，如骨盆、椎間孔、骶骨，只要能在圖像中識別出并分割出，即認為模型分割是有效的。根據標準，每個體位可見的椎體都應該是7個。>7個則表示攝影范圍過大，<7個表示攝影范圍過小。3個不同位置的腰椎X射線圖像舉例見圖4。

圖4 腰椎X射線質控模型對圖像的評價

2.3 模型應用

第一步利用DR對患者腰椎進行攝影，獲得正位、側位、斜位的圖像。第二步將圖像傳輸到本研究建立的質量控制模型的AI服務器；AI服務器對圖像進行檢測、分割和評價。第三步將評價結果呈現在后處理工作站上。第四步，放射技師根據質量控制評價結果及時檢查圖像。如發現不合格的圖像則重新拍攝。本研究的質控模型投入使用后，回顧性統計2022年度放射科腰椎X射線攝影圖像質控結果。質控模型可自定義合格分值及各個分項質控的扣分配置。本次統計分析中，≥90分設定為優秀，≥70分設定為中等，<70分設定為不合格。腰椎X射線正位攝影評分均值為82.1分，側位為84.9分，斜位為50.9分。此外模型可統計各個機房和各個技師的圖像質量，有助于及時定點反饋信息，控制圖像質量，見表4。

表4 2022年度放射科腰椎X射線攝影分項質控結果統計

3 討論

本研究采用基于scSE U-Net架構的深度學習方法，建立腰椎X射線圖像質量控制模型，自動評價圖像質量。該模型從3個體位準確識別并分割出腰椎的關鍵解剖位置，并結合人工分析計算出合理的閾值范圍，根據攝影標準評價拍攝后的圖像質量，判斷圖像是否合格。

本研究中對驗證集中患者圖像質量分析結果顯示，無論是人工評價還是AI智能評價，圖像質量的合格率都很低（6.9%和8.2%），因此，規范腰椎X射線攝影技術很有必要。大多數不合格的圖像是因圖像中椎體數目超過7個。根據正常生理解剖，腰椎個數為5個，因此，當圖像中的椎體數>5時，說明實際拍攝范圍過大。AI質控系統投入使用后，這項評分標準與本研究對2022年的質控評價一致，攝影范圍不規范（椎體數量不合格）導致的扣分例數占比高達47.1%～75.7%，其中斜位攝影需要特別注意。由于通過特征很難識別斜位腰椎的“小狗”特征形狀，本研究通過替換法取得較好結果。根據2022年腰椎X射線攝像AI質控結果，“小狗”特征未顯示的扣分例數占43.3%，因此，有必要對斜位攝影技術進行強化培訓。高質量的醫學影像圖像可提高臨床診斷的及時性和準確性[8-11]。有研究顯示，成人和兒童頸椎檢查的不合格率為（57.1±0.7）%，暴露過度和患者體位不當是常見的原因，與本研究結果一致[12]。

本研究存在一定的局限性：①沒有對含有金屬等異物的圖像進行分割和檢測，微小的外部或內部異物很容易被忽視；②未涉及機器本身成像質量的檢測，無法對分辨率、信噪比等提出建議。本研究提出的腰椎X射線AI質控模型將規范化的攝片標準進行量化，該模型在臨床實踐中的成功應用，將規范和提高技師攝片水平，減少經濟成本，提高科室管理水平，在提高擺位技術的同時降低患者的輻射劑量，具有較高的臨床應用價值。