基于條件特征引導與特征對齊增強的骶骨模板生成研究

關鍵詞：骶骨模板；條件特征引導；特征對齊；老年人群；影像分析

中圖分類號：TP399 文獻標志碼：A

0引言（Introduction）

在當前中國社會人口逐漸老齡化的背景下，老年人骨骼健康問題日益突出。臨床上，老年人群中普遍存在的骨質疏松問題導致即便無明顯移位的骶骨骨折，患者傷后1年病死率也高達17.5%～24.0%，嚴重威脅老年人的身體健康和生命安全。為了更深入地掌握老年人骶骨的變化規律，構建能夠代表不同年齡、性別特征的骶骨模板顯得尤為重要。通過分析這些骶骨模板，能夠及早發現老年人群中潛在的骨骼問題，為臨床診療提供重要依據。為此，本文提出了一種基于條件特征引導與特征對齊增強的骶骨模板生成方法，在既有的條件模板生成模型框架上實現了重構，通過條件特征融合的模板生成器，精準指導模板的生成過程；在此基礎上，進一步整合了特征對齊增強模塊，確保生成特征可靠的骶骨模板。實驗結果表明，生成的骶骨模板與真實骶骨具有更高的相似度，并且在多個指標上均實現了顯著提升。

1相關工作（Related work）

醫學模板是一種基于醫學圖像制作的標準化模板或模型，它經過周密設計，能夠充分描述目標數據的一般結構和特點，使得研究人員能夠利用標準化、統一化的數據模型對目標群體進行統計分析，從而為早期疾病的發現和治療提供支持。在醫學圖像領域，這些模板被廣泛應用于諸如醫學圖像分割、大腦圖集構建及疾病研究等領域。優秀的醫學模板不僅能夠與數據集中的圖像保持最小的距離，而且還能夠捕捉所有圖像的共同特征。正是這種普適性和代表性，使得醫學模板在臨床實踐中展現出廣泛的應用前景。

此前，骶骨醫學模板的構建主要采用傳統的模板構建方式，即通過臨床計算機斷層掃描（CT）以及醫療軟件對個體骶骨進行建模，利用放置的解剖標志物，使用薄板樣條（TPS）變換技術，將參考骶骨的網格結構配準到其他骶骨，以匹配同源標志物，通過計算平均同源骶骨模型的頂點坐標，得出平均形狀的骶骨模型。WAGNER等先后使用了20個和91個完整成人骨盆的CT數據，構建了骶骨模板，用于研究骶骨的解剖變異性。AHREND等使用相同的方法開發了通用的亞洲骨盆模型，用于描述亞洲人骨盆的解剖特征。然而，這些方法長期受限于骶骨結構的復雜性及數據采集的諸多困難，加之高昂的人力投入和計算資源需求，使得其在大樣本數據集上的研究極為有限。

目前，盡管已經提出了利用卷積神經網絡和條件可變形模板實現無監督、高效的條件醫學模板構建（VXM）方法，并且這類方法可以方便地應用于大規模數據集中，但是其在特定醫學領域的應用仍面臨挑戰。KAWASAKI等嘗試使用VXM方法在他們構建的大規模數據集上生成骶骨模板，并取得了不錯的成果。但是，由于骶骨復雜的解剖結構和較大的個體差異，導致直接使用VXM方法難以生成形態最優的骶骨模板。具體來說，雖然該方法能生成醫學模板，并實現最小平滑變形至真實圖像，但是模板的解剖特征與真實數據存在差異，尤其在處理骶骨等個體解剖差異大的區域時，模板生成可能不準確，從而影響了其應用效果。

針對上述不足，本研究創新性地提出了一種基于條件特征引導與特征對齊增強的骶骨模板生成方法，旨在能夠在一定程度上解決以往存在的問題。

2基于條件特征引導與特征對齊增強的骶骨模板生成方法（Sacrum templates generation method based on conditional feature guidance and feature alignment enhancement）

特征對齊增強的條件模板生成網絡的整體架構如圖1所示。該網絡創新性地融入了條件特征引導與特征對齊增強技術，專門針對骶骨模板生成設計，其整體架構主要由以下3個部分構成：一是條件特征引導模板生成器，根據預設條件生成骶骨模板；二是配準模塊，為模板生成器提供間接變形約束；三是特征對齊增強模塊，為模板生成器提供直接特征約束。

2.1條件特征引導模板生成器

本文設計了一種基于多層次特征融合機制的條件模板生成器，旨在精確引導醫學模板的生成，特征融合的條件特征引導模板生成器架構如圖2所示。

首先，針對給定條件（在本研究中是患者的年齡和性別），將其編碼為條件向量c，作為網絡的條件輸入。經過多層感知機（MLP）進行特征映射，將條件信息轉換至高維特征空間，形成與不同條件緊密關聯的特征表達f（c），這個過程被描述為

其中：σ是激活函數，W和b分別代表MLP的權重矩陣和偏置向量。

其次，條件向量的特征表達f（c）作為輸入被傳遞給編碼器，通過卷積神經網絡Encoder（f（c）；θ_e）進行特征提取，θ_e是編碼器的參數。通過這一過程，可以獲得多層次特征表示z，其中包含了與生成目標相關的關鍵信息，例如骨骼結構的形狀細節、密度分布模式等。這種多層次的特征表示為解碼器提供了多維度且高度相關的信息，有助于更準確地生成目標醫學模板。

再次，編碼器的輸出z被送入解碼器，通過卷積神經網絡Decoder（z；θ_d）逐層恢復到原始數據空間的維度，θ_d是解碼器的參數。在這一過程中，研究人員引入了逐層級的特征融合機制。具體而言，該機制能確保解碼器的每一層級都能接收來自編碼器對應層級的特征映射。

最后，這些來自編碼器的特征映射與解碼器在當前層級生成的特征表示進行深度融合。通過這種方式，條件向量中蘊含的多層次特征信息得以充分利用，從而增強了模型對輸入條件的理解能力，有效地指導了醫學模板的生成。編碼器和解碼器特征融合的過程被描述為

生成網絡的損失函數綜合了上述3種權重可調的損失函數，從而有效地平衡了生成模板的各個方面，包括形態的準確性、結構的一致性以及特征的保留能力，使得生成的骶骨模板更加準確、逼真及可靠。

3實驗與結果分析（Experiment and results analysis）

3.1數據集

本文使用的數據集來源于西安市紅會醫院，共包含1000位患者的骨盆CT影像，這些影像是使用Siemens SOMATOMSensation 64多層CT掃描儀獲取的。圖像的平均像素分辨率為0.78mm×0.78mm，層間距為1mm，圖像分辨率為512×512。經過篩選，保留了953位骶骨正常患者的CT數據，并按照年齡和性別將數據分為8類（圖4）。為了保護患者的隱私，所有數據均進行了匿名處理，確保不能追溯到患者的任何信息，并嚴格遵守相關法律和倫理規定。

在數據預處理階段，需要對骨盆CT影像中的骶骨區域進行分割并提取其骨密度信息。為此，研究人員與骨科醫生合作，共同標注了5620張CT影像，然后訓練一個具備分割骶骨能力的Unet++網絡對CT影像中的骶骨區域進行分割。為了確保分割結果的準確性，所有結果均經過骨科醫生的嚴格審核，不合格的部分結果由醫生重新標注。最終，成功獲取了所有患者骶骨的精確分割結果，并從CT掃描影像中提取了骶骨區域的骨密度信息（以Hounsfield單位表示）。這些數據被整合為骶骨的體素模型。此外，本文對患者的性別和年齡進行了分類，并采用One-hot編碼轉化為對應的條件向量，作為模板生成網絡的條件輸入。通過線性插值對骶骨體素模型重新采樣，統一調整為128×128×128的體素尺寸，便于網絡訓練。

3.2實驗細節

本文在Intel處理器和NVIDIA GeForce RTX 2070上使用TensorFlow深度學習框架，分別訓練了VXM的模板生成網絡和條件特征引導與特征對齊增強的骶骨模板生成網絡，為了確保公平性，配準模塊的訓練采用的配置和參數均保持一致，其中batchsize設置為2，使用0.0001的學習率和Adam優化器進行了500個epoch的訓練，損失函數中的權重被設置為W_pc=0.3、W_fa=0.3、w_reg=0.4。對于卷積自編碼器的訓練，使用相同的參數訓練了500個epoch后凍結了網絡權重，僅保留編碼器網絡作為特征提取模塊。

3.3評價指標

為了全面評估模板的生成效果，不僅需要對比生成的模板與原始CT掃描數據之間的差異，評估生成模板在解剖結構上的表現，而且還需要使用量化的指標衡量模板的生成效果。具體來說，采用平均Dice系數量化生成的模板與原始CT掃描數據中骶骨區域的重疊程度；通過計算MSE，用以量化生成的模板與真實數據之間的圖像差異程度；利用平均梯度范數（Avg Grad）評價模板到真實數據的平均變形程度、平均變形范數（Avg Def）衡量模板到真實數據的平均變形程度，進一步驗證模板的中心性和準確性。這些指標能夠全面、客觀地評價生成模板的質量和準確度，為模型的進一步優化提供了有價值的參考。

3.4結果分析

本小節對生成的標準骶骨模板進行了全面評估。首先，對比了不同方法在生成骶骨模板解剖結構上的表現。不同方法生成骶骨模板的三維模型圖和CT影像平面圖如圖5所示，其中包括線性平均方法[圖5（a）]、VXM方法[圖5（b）]、VXM+Feature Align（FA）方法[圖5（c）]及本文方法[圖5（d）]。其次，通過對比可以觀察到以下結果：由于不同患者的骶骨具有較大的解剖差異，采用線性平均生成的骶骨模板上堆積了多個患者的骶骨輪廓，導致生成的模板在解剖結構上表現出復雜的層次性；使用條件可變形模板生成的骶骨由于強調最小的平滑變形場，導致真實骶骨特征的丟失，生成的模板不具備骶骨的解剖特征；添加了特征對齊增強模塊后生成的骶骨模板，不僅考慮了最小的平滑變形場，而且還注重了骶骨解剖特征的保留，生成了最具真實感的骶骨模板。條件骶骨模板的生成結果如圖6所示。

本文針對不同年齡段的患者，分別使用了5種不同的方式生成骶骨模板，并對結果進行定量分析，結果見表1。由表1中的數據可知，直接通過線性平均計算模板并不是合理的模板生成方式。因為這種方法忽略了不同年齡段患者骶骨的解剖差異，使得生成的模板缺乏對真實數據的準確反映，與個體模板之間的重疊程度和歐式距離也相對較大。相比之下，采用更復雜的條件模板生成方法能更好地保留真實骶骨的特征和變化。盡管VXM方法有著較小的平均變形量，但是其中心性保持策略在一定程度上犧牲了模板的真實性，因此與真實數據的相似度較低。使用條件特征引導（Feature Guide，FG）模板生成器能夠準確地捕捉和融合關鍵特征，進一步提升模板生成的準確性，帶來了更好的生成效果。引入特征對齊模塊后，條件模型生成網絡在保持模板一致性的同時，顯著提升了解剖特征的建模能力，從而在重疊度和平均變形指標上均獲得了更優異的表現。結合條件特征引導與特征對齊增強的模板生成網絡實現了兩者的互補與增強。在條件特征引導方面，生成器網絡能夠準確地捕捉并融合與模板生成相關的關鍵特征；在特征對齊方面，引入的特征對齊模塊使得網絡在保持模板生成質量的同時，更加注重對解剖特征的建模，從而實現了高質量的骶骨模板生成。

在中國老年人骶骨數據集上使用特征對齊方式生成的不同性別和不同年齡段骶骨模板的CT影像和三維模型圖如圖7所示。由圖7可以觀察到，生成的模板不僅具備了骶骨的解剖特征，而且能夠觀察到隨著年齡的增大，骶骨模板內部的骨密度逐漸衰減，在相同年齡段中男性的骨密度明顯大于女性，這一趨勢也基本與臨床事實相符合。

不同性別和不同年齡段標準骶骨模板沿S1和S2的橫截面骨量分布圖如圖8所示。由圖8可以觀察到，沿S1[圖8（b）、圖8（d）]和S2r圖8（c）、圖8（e）]的Hounsfield單位顯示了不同骶骨模板的骨量區，其中S2處的Hounsfield值總體較低。橫過Sl和S2的虛擬骨探針顯示了以Hounsfield為單位的骨量分布的明顯模式。此外，在表面皮質骨的高峰之后，椎孔旁外側區域明顯減少，包含最低的Hounsfield單位值。在S1和S2中觀察到，在椎體旁有兩個小峰且S2的平均值總體小于S1的平均值。Hounsfield單位的最大差異位于椎體，男性的平均值顯著高于女性。這與以往骶骨研究所得出的規律和骨科醫生的臨床經驗相符。

綜上所述，本文提出了一種基于條件特征引導與特征對齊增強的模板生成網絡，并在中國老年人骶骨數據集上進行了全面的評估。通過條件特征引導模板生成器和特征對齊增強模塊的融合，有效地保留了真實骶骨的關鍵解剖特征，顯著降低了生成模板的平均變形程度，從而獲得了更優的骶骨模板。在定量評估中，該方法在多個關鍵指標上獲得了更好的表現，展現出了更高的特征相似度和模板生成質量。

4結論（Conclusion）

本研究提出了一種創新的模板生成網絡，該網絡通過引入條件特征引導模板生成器和特征對齊增強模塊，為人體解剖學差異顯著的部位提供了一種生成高質量醫學模板的有效方法。為了驗證方法的實用性和有效性，本研究收集并構建了一個針對中國老年人骶骨的大規模數據集。在這一數據集上，成功生成了針對不同年齡段和性別的骶骨模板。實驗結果顯示，生成的骶骨模板在形態特征的捕獲上展現出更高的準確性，與實際影像資料之間的吻合度顯著提升，為骶骨相關疾病的診斷、治療規劃及生物力學研究提供了強有力的技術支持和參考標準。