文献速递骨肌腹部CT

基于腹部CT与腰椎CT诊断腰椎中央椎管狭窄的深度学习算法可行性

Feasibility of deep learning algorithm in diagnosing lumbar central canal stenosis using abdominal CT.
PubMed 文献 · Skeletal Radiol · 2024-09-09

该回顾性研究纳入109例同时接受腰椎CT与腹部CT的患者,开发基于U-Net架构的深度学习模型自动分割硬膜囊并二分类诊断腰椎中央椎管狭窄,以硬膜囊横截面积100 mm²为阈值。测试集990幅图像上总体准确率84%、敏感度72%、特异度92%,腹部CT准确率85%不低于腰椎CT的83%。

要点

  • 腹部CT诊断腰椎中央椎管狭窄的准确率85%不低于腰椎CT的83%,敏感度腹部CT 78%高于腰椎CT 66%。
  • 模型分割硬膜囊DSC为0.85±0.10,ICC为0.82(95%CI: 0.80,0.85),腹部与腰椎CT间ICC为0.89(95%CI: 0.87,0.91)。
  • 临床研究200层中44.0%的病例深度学习识别最窄层面优于放射科医生。

核心结论

  • 深度学习算法可在腰椎CT和腹部CT上自动诊断腰椎中央椎管狭窄,腹部CT的诊断性能与腰椎CT相当。

研究设计与样本

  • 回顾性研究,最终数据集纳入109例患者的腰椎CT与腹部CT,其中9例(990幅图像)为时间测试集,100例为开发集(81例训练、19例验证)。
  • 腹部CT为增强扫描(层厚2 mm、间隔1 mm、管电压100–120 kV、管电流150–380 mAs),腰椎CT为非增强扫描(层厚1 mm、间隔0.5 mm、管电压120–150 kV、管电流200–450 mAs),使用6台CT扫描仪。
  • 参考标准为3名放射科医生手工勾画的硬膜囊横截面积,正常定义为DSA≥100 mm²、狭窄定义为DSA<100 mm²。
  • 模型基于U-Net架构,采用半监督学习(双解码器)。

关键影像表现/征象

  • 正常病例硬膜囊面积手工测量127.6 mm²、算法测量124.2 mm²;狭窄病例手工测量50.6 mm²、算法测量45.6 mm²。
  • 算法能良好识别硬膜囊边界,增强腹部CT上椎间盘与黄韧带强化有助于勾画硬膜囊区域。

诊断标准与关键数值

  • 二分类(正常/狭窄)以DSA≥100 mm²为正常、<100 mm²为狭窄:总体准确率84%(95%CI: 0.82,0.86)、敏感度72%、特异度92%。
  • 腹部CT准确率85%(95%CI: 0.82,0.88)、敏感度78%、特异度90%;腰椎CT准确率83%(95%CI: 0.79,0.86)、敏感度66%、特异度94%。
  • 重度狭窄(DSA≥75 mm²为正常、<75 mm²为重度狭窄)诊断准确率85%、敏感度58%、特异度94%。
  • 分割性能DSC 0.85±0.10,ICC 0.82(95%CI: 0.80,0.85);腹部与腰椎CT间ICC 0.89(95%CI: 0.87,0.91)。
  • 临床研究中算法在最窄层面的DSC为0.82±0.01。

临床应用与阅片要点

  • 腹部CT并非为评估腰椎而做,但腰椎狭窄的影像学表现常被漏诊,该算法可自动计算DSA并提示中央椎管狭窄。
  • 算法敏感度较低,倾向于将DSA测得更小;但特异度高。
  • 作者认为该算法可帮助因神经刺激器或起搏器无法行MRI的老年患者。

局限性

  • 原文未报告局限性。
全文中译16 节 · 点击展开
本译文由 AI 依据开放获取原文逐段翻译,供学习参考,可能存在误差,请以原文为准。原文 © 原作者,按 CC BY 许可使用,本译文为翻译改编。出处:Skeletal Radiol. 2024 Sep 9;54(5):947–57. doi: 10.1007/s00256-024-04796-z

引言

腰椎管狭窄是下背痛的主要原因。在过去几十年中,由于诊断方法的改进和预期寿命的延长,腰椎管狭窄的诊断率和手术率大幅增加[1]。腰椎管狭窄的高发病率因相关治疗和疾病给社会带来了巨大的成本负担[2]。腹部CT是多种临床适应症的常用影像学检查手段,毫不意外的是,许多接受CT扫描的患者同时伴有下背痛。尽管腹部CT并非用于评估腰椎,但腰椎管狭窄患者,尤其是症状不明确的老年患者,常接受腹部CT检查。然而,腹部CT扫描中腰椎管狭窄的影像学表现常被遗漏。MRI因其优异的软组织对比度是评估脊柱疾病的影像学手段;然而,随着技术的进步,多排探测器CT(MDCT)结合后处理薄层矢状面重建使得在腹部CT检查中评估腰椎成为可能。如果腰椎管狭窄能够在腹部CT上进行评估,腰椎管狭窄患者就可以在不需额外昂贵检查的情况下获得其症状的解释。

已有许多研究对腰椎管狭窄进行诊断和分类。Schonstrom将无椎管狭窄定义为硬膜囊横截面积(DSA)> 100 mm2,相对腰椎管狭窄定义为DSA 75–99 mm2,绝对腰椎管狭窄定义为DSA 0–74 mm2 [3–5]。在一项系统综述中,大多数研究报告DSA < 100 mm2时为中央椎管狭窄[4–9]。因此,在本研究中,数据被分为两组:正常(DSA ≥ 100 mm2)和狭窄(DSA < 100 mm2)。

与此同时,深度学习技术在医学图像分析中发挥着重要作用[10–15]。近期研究表明,深度学习模型可以检测和分类腰椎管狭窄[16–18]。然而,大多数基于深度学习的研究集中在MRI上。因此,在本研究中,我们旨在开发一种深度学习算法,利用腰椎CT和腹部CT诊断腰椎中央椎管狭窄,并比较腰椎CT和腹部CT的诊断性能。

材料与方法

本研究经我院机构审查委员会批准(B-2109–708-101)。审查委员会豁免了知情同意要求。

数据集与标注

回顾性检索我院数据库,获取2014年1月至2021年7月间在6个月内同时接受腰椎CT和腹部CT检查的204例连续患者的CT扫描资料。排除88例急性爆裂骨折、感染性脊柱炎、转移瘤或肿块患者后,纳入116例。其中,排除7例CT扫描数据未被程序识别的患者。用于开发模型的最终数据集包括109例患者的腰椎和腹部CT扫描。其中,2020年8月后接受CT扫描的9例患者数据用作时间测试集。其余100例患者的数据随机分为81个数据集用于训练,19个用于验证。在100例患者的开发集中,每例患者仅有一个椎间盘水平,并随机分配至L1-L2、L2-L3、L3-L4、L4-L5或L5-S1。开发集共包含200个水平,包括100个腰椎CT水平和100个腹部CT水平。在9例患者的测试集中,分析了每例患者腰椎的所有椎间盘水平。测试集共包含90个水平,包括45个腰椎CT水平和45个腹部CT水平。对于每个水平,从椎间盘中心共获取11层切片,中心上下各5层,间隔1 mm(图1和图2)。共使用开发集2,200幅图像和测试集990幅图像。

所有扫描由三名放射科医生(J.W.L.,肌肉骨骼放射学经验19年;E.L.,肌肉骨骼放射学经验10年;B.R.K.,肌肉骨骼放射学经验4年)在两名学生的协助下进行标注。放射科医生和学生在3,190幅轴位CT图像的每个层面上勾画硬膜囊面积(DSA)、椎间盘后缘和黄韧带(图3)。一名监督放射科医生审查每个层面并纠正学生生成的勾画。

图1 开发和测试数据集的流程图。L-spine CT = 腰椎CT,AP CT = 腹部CT 查看原图 ↗
图2 开发和测试数据集。在开发集(a)中,每例患者的一个椎间盘水平被随机分配至L1-L2、L2-L3、L3-L4、L4-L5或L5-S1。在测试集(b)中,纳入每例患者的所有椎间盘水平。对于每个水平,从椎间盘中心共获取11层切片,中心上下各5层,间隔1 mm,构成开发集共2,200幅图像和测试集990幅图像。红色虚线显示椎间盘间隙中心,橙色点显示椎间盘间隙中心上下各间隔1 mm 查看原图 ↗
图3 标注程序的代表性图像。程序自动检测腰椎骨骼(图像中蓝色所示)。放射科医生和学生在轴位CT扫描上标注硬膜囊区域(粉色)、椎间盘后缘(浅粉色)和黄韧带(绿色)(a)。程序自动重建矢状位(b)图像 查看原图 ↗

CT扫描方案

本研究选取了最常进行的CT扫描,即平扫腰椎CT和增强腹部CT。本研究中的CT数据收集时间跨度较长,并使用了多种CT扫描仪。平扫腰椎CT和增强腹部CT均使用六台CT扫描仪(Brilliance 64,Philips Healthcare,荷兰;IQon Spectral CT,Philips Healthcare,荷兰;iCT 256,Philips Healthcare,荷兰;SOMATOM Definition Edge,Siemens Healthineers;SOMATOM Force,Siemens Healthineers;SOMATOM X.cite,Siemens Healthineers)进行。平扫腰椎CT的扫描参数为层厚1 mm、间隔0.5 mm,管电压120–150 kV,管电流200–450 mAs,螺距因子0.80–1.00,旋转时间0.4–1.0 s。增强腹部CT的扫描参数为层厚2 mm、间隔1 mm,管电压100–120 kV,管电流150–380 mAs,螺距因子0.60–0.99,旋转时间0.5 s。

数据预处理

首先,使用Coreline Soft开发的椎体定位算法识别每个椎体的质心。接下来,生成一条经过估计中心的曲线。假设该曲线为虚拟脊柱曲线。最后,以椎间盘中心为基准,按1 mm间隔选取上下各五个层面,共对11个层面进行图像重排。图像重排是指在与虚拟脊柱曲线垂直的平面方向上重建图像。进行重排时,图像厚度固定为1 mm。

模型架构

采用U-Net架构作为模型架构[19]。它通过由卷积层和池化层组成的收缩路径以及由上采样层和卷积层组成的扩张路径,提取各种图像层级的特征。随后,它通过由上采样和卷积层组成的扩张路径从特征图中进行精细定位。在此过程中,通过将收缩路径产生的特征图与扩张路径的特征图进行拼接,利用多种尺度的特征来提高分割性能(图4)。

图4 所提出网络架构概述。采用U-Net架构作为模型架构。每个方框对应一个多通道特征图。卷积是一种将卷积滤波器应用于图像和特征图以有效压缩信息的层。批归一化是一种有助于不同特征具有一致分布的技术,ReLU是一种激活函数,将层的输出映射为大于或等于零的值,以便在学习过程中误差均匀传递。最大池化是一种通过取特征图每个区域中的最大值来生成较小特征图的方法,上卷积是一种通过对特征图应用卷积滤波器来增大尺寸的层。拼接沿通道维度堆叠相同尺寸的特征图 查看原图 ↗

模型训练

在本研究中,应用半监督学习以最小化标注并最大化性能[20]。为了应用半监督学习,除标注数据外还需要未标注数据。训练数据集按以下方式构建。

每位患者有五个椎间盘水平,从L1-L2至L5-S1。我们仅标注了一个水平,并收集了其他水平的图像。因此,可以获得约比标注数据大四到五倍的未标注数据集。

为应用半监督学习,需要对模型架构进行修改。通常,U-Net有一个编码器和一个解码器。然而,在本研究中,两个解码器连接到一个编码器。使用两个解码器的原因是为了有效利用未标注数据。两个解码器具有几乎相似的架构,仅在增大特征图尺寸的方式上有所不同。在标注数据上训练时,它们独立训练。然而,在未标注数据上训练时,没有真实标签;因此,两个解码器的输出用于相互提供伪标签。在推理阶段,仅使用一个解码器。该过程通过专门设计的损失函数和通常用于分割模型训练的交叉熵实现,并同时使用了比较两个解码器输出的一致性损失。一致性损失采用L2损失。为有效学习,我们使用了Adam优化器。轮数和学习率分别为50和0.001。

数据增强

硬膜囊是模型的分割目标,其形状可因是否存在狭窄而有所不同。因此,采用弹性变换对空间进行变换,以研究各种类型的硬膜囊。此外,还同时应用了随机缩放、旋转、高斯模糊和高斯噪声等常用技术,以实现对图像质量和扫描方案等各种变化的稳健性能。

临床研究

在临床研究中,使用了2020年1月至2021年7月间6个月内同时接受腰椎脊柱CT和腹部CT的20例患者的200个水平。一位未参与先前程序开发标注的肌肉骨骼放射科医师被要求勾画腰椎每个水平最狭窄的DSA。使用深度学习测量每个水平的所有切片,并与放射科医师认为最狭窄的切片进行比较。

统计分析

数据集分为两组:正常(硬膜囊面积≥ 100 mm2)和狭窄(< 100 mm2)。通过测量Dice相似系数(DSC)、组内相关系数、灵敏度、特异度和准确度评估模型性能。DSC是医学影像中评估图像分割最常用的指标之一[21]。采用组内相关系数评估以下比较中测量的一致性:深度学习算法与放射科医师以及腹部CT与腰椎CT。手动分割图像用作性能评估的真实标签。统计分析使用R统计软件(版本3.6.2,R Foundation for Statistical Computing,维也纳,奥地利)进行。

结果

患者特征

我们识别了109名同时接受腰椎和腹部CT检查的患者。开发数据集包含来自100名患者的2200张独立图像。验证数据集包含来自9名患者的990张独立图像。训练集和验证集包括44名男性和56名女性,测试集包括6名男性和3名女性。训练集和验证集的平均年龄为68 ± 13岁,测试集为77 ± 7岁。训练集和验证集的患者人口学特征和临床特征总结于表1。

表1 患者特征及开发集和时间测试集的分布 查看原表 ↗

深度学习算法对硬膜囊的分割性能

表2展示了硬膜囊分割模型在该数据集上的性能总结。深度学习算法的DSC为0.85 ± 0.10,表明分割性能较高。深度学习算法生成的分割结果与相应的参考标准重叠显著。腹部CT和腰椎CT均表现出相当的性能,DSC分别为0.85 ± 0.09和0.85 ± 0.11。总体、腹部CT和腰椎CT的组内相关系数分别为0.82(95%置信区间[CI]:0.80,0.85)、0.82(95% CI:0.79,0.85)和0.82(95% CI:0.77,0.86)。放射科医师与深度学习算法之间的测量一致性非常好。此外,深度学习在腹部CT和腰椎CT之间的组内相关系数为0.89(95% CI:0.87,0.91)。腹部CT与腰椎CT之间的一致性也很好。

表2 深度学习算法在腰椎硬膜囊横截面积中的分割性能 查看原表 ↗

深度学习模型对腰椎中央椎管狭窄分类的性能

表3展示了深度学习算法在诊断腰椎中央椎管狭窄方面的性能。所提出的深度学习算法采用二分类(正常或狭窄)诊断腰椎狭窄,总体准确率为84%,敏感度为72%,特异度为92%。在数据集分析中,该算法在腹部CT和腰椎CT中的准确率分别为85%和83%,敏感度分别为78%和66%,特异度分别为90%和94%。腹部CT的准确率和敏感度优于腰椎CT。

作为对椎管狭窄严重程度的进一步研究,数据被分为两组:正常(DSA ≥ 75 mm2)和重度狭窄(DSA < 75 mm2)[3, 5]。用于诊断腰椎重度狭窄的深度学习算法显示准确率为85%,敏感度为58%,特异度为94%(表3)。

表3 深度学习算法在诊断腰椎中央椎管狭窄中的性能 查看原表 ↗

临床研究中深度学习模型与放射科医师的性能比较

本临床研究比较了深度学习算法与放射科医师的分割性能,因为在实际临床场景中,放射科医师通过在腰椎各层面选择最狭窄的切片来诊断CT图像上的狭窄。在临床研究中,深度学习算法在放射科医师认为的最狭窄切片上的DSC为0.82 ± 0.01。深度学习算法生成的分割结果与放射科医师在各层面同一切片上的分割结果显著重叠。腹部CT和腰椎CT均显示出相当的性能,DSC分别为0.82 ± 0.01和0.82 ± 0.01。在审阅每张CT图像时,放射科医师和深度学习在200个切片中以相似的程度检测到最狭窄的DSA(表4)。在某些病例中(44.0%),深度学习在识别最狭窄切片方面甚至优于放射科医师。因此,深度学习检测最狭窄DSA的能力可与放射科医师的发现相媲美。

表4 临床研究中深度学习与放射科医师的比较 查看原表 ↗

代表性图像

图5为平扫腰椎CT的正常病例,图6为增强腹部CT的狭窄病例。如图5和图6所示,该算法很好地识别了硬膜囊的边界。这一结果表明,图像中存在区分硬膜囊边界与周围结构(如椎间盘后缘、骨性椎管和黄韧带)的特征。在图6中,包括椎间盘和黄韧带在内的软组织被增强,以更好地勾勒硬膜囊区域。

此外,在图5d和6d中,我们可以看到MRI上的正常和狭窄病例在CT上表现相似;这些图像取自我们数据集中的一部分患者(109例在6个月间隔内接受腰椎MRI检查的患者中的26例)。

图5 平扫腰椎CT正常病例的硬膜囊分割代表性病例。图中展示了从数据集中选取的轴位CT图像(a)以及人工评分者(b,红色)和所提出算法(c,绿色)对硬膜囊的分割结果。硬膜囊面积分别为127.6 mm2(b)和124.2 mm2(c)。图5d为该病例的MR轴位图像,拍摄于CT扫描后6个月内 查看原图 ↗
图6 增强腹部CT狭窄病例的硬膜囊分割代表性病例。图中展示了从数据集中选取的轴位增强腹部CT图像(a)以及人工评分者(b,红色)和所提出算法(c,绿色)对硬膜囊的分割结果。硬膜囊面积分别为50.6 mm2(b)和45.6 mm2(c)。图6d为该病例的MR轴位图像,拍摄于CT扫描后6个月内 查看原图 ↗

讨论

在本研究中,我们开发了一个深度学习模型,利用腹部CT和腰椎CT诊断腰椎中央椎管狭窄。我们所提出的算法能够同时检测腰椎所有层面,并评估腰椎和腹部CT图像上中央椎管狭窄的存在。此外,我们的深度学习程序能够自动勾画DSA并以人类水平的性能诊断腰椎椎管狭窄。

在比较我们的深度学习算法在腰椎CT与腹部CT之间诊断中央椎管狭窄的性能时,腹部CT图像的准确性不劣于腰椎CT。这可能是由于CT上是否存在对比增强所致。腰椎椎管狭窄是由硬膜囊面积减小引起的,硬膜囊是脊髓和神经根所在的空间,其原因是脊柱周围骨性和软组织成分的改变[22–24]。因此,骨性结构和软组织成分被检测的准确程度对于界定硬膜囊面积的边界十分重要。在本研究中,我们选择了最常进行的CT扫描,即非对比增强腰椎CT和对比增强腹部CT。腹部CT与腰椎CT在骨结构上没有有意义的差异,但软组织结构的显示会随对比剂的有无而变化。腹部CT中的对比剂改变软组织衰减,从而更好地区分硬膜囊与周围结构[25]。因此,它可以更好地检测硬膜外压迫性病变,如椎间盘突出或黄韧带肥厚。检测经对比增强的周围软组织结构最终会产生差异。此外,腹部CT的层厚是腰椎CT的两倍,且千伏电压更低,这意味着图像噪声更少,软组织边界的显示更好。

一些研究得出结论,CT和MRI在评估腰椎椎管狭窄方面显示出非常接近的一致性[26–31]。一项研究显示,MRI与对比CT在诊断椎管狭窄方面的一致性为96.6%[31]。在一项荟萃分析[30]中,CT和MRI诊断腰椎中央椎管狭窄的敏感性相当,MRI为0.81至0.97,CT为0.70至1.0。此外,一项比较CT和MRI在描绘腰椎椎管狭窄软组织方面有效性的研究表明,与MR相比,CT在检测椎管骨性结构方面更好,并且对黄韧带的描绘极佳[32]。尽管MRI仍是腰椎狭窄的影像学检查方式,而且CT在评估椎管方面存在局限性,因为CT无法看到中央椎管的神经根,但这表明,对于临床上未怀疑该病的患者,如果在MR成像之前通过CT检测到中央椎管狭窄,CT可以作为一种良好的筛查工具。此外,一些有症状的腰椎椎管狭窄老年患者植有神经刺激器或心脏起搏器,这使他们无法接受MRI检查。我们的深度学习算法可以帮助这些患者。

腹部CT是针对多种临床指征经常进行的影像学检查,毫不意外的是,腹部CT也会用于没有典型症状的腰椎中央椎管狭窄患者,尤其是老年患者。老年患者的腰椎椎管狭窄症状可能不明确,许多患者被发现有影像学上的腰椎椎管狭窄,但无症状或表现为误导性疼痛,而没有进行性神经源性跛行(腰椎椎管狭窄的标志性临床症状)的证据[33, 34]。然而,中央椎管狭窄如果不治疗可能会变得严重。即使在早期阶段,也需要及时治疗以减缓狭窄的进展。如果中央椎管狭窄长期不治疗,可能会恶化并引起严重症状,如下背痛和肢体无力。然而,尽管具有临床重要性,许多脊柱异常(包括狭窄)在腹部CT上常被遗漏。

随着CT技术的最新进展,后处理的薄层矢状面重建使得能够在腹部CT上评估腰椎中央椎管狭窄。一项研究表明,腹部CT检查在按患者/按腹部发现的基础上检测腰椎异常的准确率可达91.7/99.8%[35]。然而,腹部CT上的腰椎异常往往未被常规审阅。另一项研究[36]发现,<10%的骨折在放射学报告中被提及,另一项研究[35]报告,腹部CT报告仅提及了14.1%的腰椎异常发现。尽管矢状面重建可以很容易地检查,但阅片放射科医生往往审阅轴位图像。这可能是由于对识别脊柱异常的临床意义缺乏认识,以及认为偶然和意外发现可能不被视为相关或重要。因此,我们的深度学习程序可以通过自动计算腰椎的DSA并诊断中央椎管狭窄,帮助在腹部CT上检测腰椎椎管狭窄。此外,它将帮助放射科医生减少工作量并节省报告腹部CT的时间。通过我们的程序,患有中央椎管狭窄但因无症状或误导性疼痛而接受腹部CT的患者可以获得对其症状的解释,并可能避免额外的昂贵评估。此外,我们的算法在高程度狭窄病例中也显示出良好的准确性,从而提示了额外的益处,即它也可能识别具有临床意义的严重狭窄患者。

我们的深度学习程序显示出低敏感性,这意味着该算法倾向于测量比放射科医生更小的DSA。然而,由于我们的深度学习程序具有高特异性,如果该程序在腹部CT上诊断腰椎椎管狭窄,可以强烈建议进一步评估,例如额外的临床病史采集或MRI。如果用我们的深度学习程序确定狭窄,考虑中央椎管狭窄是否是疼痛的原因可能是有意义的。

本研究存在一些局限性。第一,我们的数据集相对较小, because 仅选取了在6个月间隔内同时接受腹部和腰椎CT的患者。第二,我们没有使用完全独立的外部数据集来评估深度学习算法。需要使用来自其他机构的额外数据进行模型训练,以提高算法的泛化能力。第三,本研究使用的参考标准是由专家分割的CT图像,而非MRI。由于MRI仍是下背痛患者当前的影像学检查方式,因此有必要了解两种检查方式之间的一致性程度。然而,在我院短时间内同时接受腹部CT和腰椎MRI的患者数量较少。2014年1月至2021年7月期间,109例患者中仅有26例在6个月间隔内接受了腰椎MRI。患者通常不会在短时间内同时接受腹部CT和腰椎MRI。因此,有必要开展包括大规模多中心研究在内的进一步研究,以MRI作为额外参考标准来评估腰椎狭窄。还需要前瞻性研究来确定我们算法的临床效用和治疗影响。

总之,我们的深度学习算法在腰椎和腹部CT图像上自动评估了腰椎管狭窄。腹部CT对腰椎管狭窄的诊断性能与腰椎CT相当。

引用

  1. Jeon Y, Kim BR, Choi HI, et al. Feasibility of deep learning algorithm in diagnosing lumbar central canal stenosis using abdominal CT. Skeletal Radiol. 2024. PMID: 39249505. doi:10.1007/s00256-024-04796-z
  2. 全文:PMC11953181(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC11953181/

供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。