文献速递骨肌MR

早期骨关节炎模型中自动分层软骨T2弛豫时间分析方法评估

Evaluation of an automated laminar cartilage T2 relaxation time analysis method in an early osteoarthritis model.
PubMed 文献 · Skeletal Radiol · 2024-09-04

研究基于骨关节炎倡议(OAI)的多回波自旋回波MRI,用2D U-Net自动分割股胫软骨并计算分层T2,与专家手工分割比较。全回波U-Net分割Dice系数最高0.88、最低0.82,自动与手工分层T2偏差最大为-2.2±2.6 ms/+4.1±10.2 ms(全回波/首回波)。自动分析对CL-JSN与CL-noROA膝分层T2横断面和纵向差异的敏感性与手工专家分析相似。

要点

  • 全回波U-Net软骨分割Dice系数0.82–0.88,与手工专家分割一致性高。
  • 自动与手工分层T2偏差最大达-2.2±2.6 ms(全回波)/4.1±10.2 ms(首回波)。
  • 自动分析检出CL-JSN与CL-noROA膝分层T2差异的敏感性与手工分析相似。

核心结论

  • 全自动T2分析在早期OA模型中与手工专家分析相比,显示高一致性、可接受精度以及对横断面和纵向分层T2差异相似的敏感性。

研究设计与样本

  • 技术验证与临床验证研究,基于OAI的多回波自旋回波MRI(3 T Magnetom Trio,7个回波,回波时间10–70 ms),训练2D U-Net分割股胫软骨,参考标准为专家手工分割。

关键影像表现/征象

  • 全回波U-Net软骨分割Dice系数在0.82±0.05至0.88±0.03之间,首回波U-Net在0.79±0.06至0.88±0.03之间。
  • 骨分割Dice系数股骨和胫骨均为0.98±0.00(全回波和首回波),腓骨为0.93±0.03/0.92±0.03(全回波/首回波)。
  • 自动与手工分层T2偏差最大为中央内侧股骨深层-2.2±2.6 ms(全回波)和浅层+4.1±10.2 ms(首回波)。

诊断标准与关键数值

  • 横断面匹配比较:CL-JSN膝较匹配CL-noROA膝浅层T2更长,手工分析全股胫关节Cohen's D为0.48(95%CI 0.15–0.81),全回波U-Net为0.54(95%CI 0.20–0.87)。
  • 横断面匹配比较:全回波U-Net深层T2全股胫关节Cohen's D为0.41(95%CI 0.08–0.74),手工分析为0.28(95%CI -0.04–0.60)未达统计学显著。
  • 纵向匹配比较:CL-JSN膝较匹配CL-noROA膝深层T2 3年增加更大,全股胫关节手工分析Cohen's D为0.37(95%CI 0.04–0.69),全回波U-Net为0.47(95%CI 0.14–0.80)。

临床应用与阅片要点

  • 全回波U-Net自动分析无需手工校正即可处理1847个扫描,单次MESE容积分析约40秒(U-Net 5秒,后处理35秒)。
  • 全回波U-Net对CL-JSN与CL-noROA膝分层T2横断面和纵向差异的敏感性与手工专家分析相似。

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 4;54(3):571–84. doi: 10.1007/s00256-024-04786-1

引言

骨关节炎(OA)是一种慢性疾病,也是导致残疾的主要原因之一 [1, 2]。膝关节是最常受累的关节 [3],在缺乏膝关节特异性危险因素(如创伤性损伤)的情况下,膝OA常表现为双侧疾病 [4, 5]。先前建立的早期OA模型表明,影像学正常的膝关节(Kellgren & Lawrence分级 [KLG] 0)伴有对侧影像学关节间隙狭窄(JSN,即CL-JSN膝)者,其软骨厚度丢失大于无对侧JSN或其他影像学OA征象的此类膝关节(CL-noROA膝)[6]。

软骨横向弛豫时间(T2)对伴或不伴OA的膝关节间软骨成分差异具有敏感性 [7],这是由于水化以及胶原完整性和方向性的改变 [8, 9]。在上述早期OA模型中,CL-JSN膝在基线时表现为浅层T2延长,且在3年内深层T2增加幅度大于CL-noROA膝 [10]。因此,影像学正常但伴有单侧(对侧)JSN的膝关节可能有助于在影像学改变和软骨实质丢失发生之前的极早期阶段研究膝OA。此外,通过比较CL-JSN与CL-noROA膝之间的差异与人工专家分析所观察到的差异,它们为临床验证自动化软骨T2分析新方法提供了理想模型。

深度学习(DL),特别是卷积神经网络(CNN),已被用于从高分辨率MRI中分割关节软骨形态(体积/厚度):近期研究报告了与参考分割的高度一致性 [11–13],以及对不同进展特征膝关节间纵向软骨丢失差异的相似敏感性 [14]。迄今为止,仅有少数研究使用CNN从支持软骨T2分析的多回波自旋回波(MESE)MRI中分割关节软骨 [15–17]。其中两项研究仅侧重于技术验证 [15, 16]。Razmjoo等研究了软骨T2与人口学变量、疼痛和KL分级的关系,并报告T2与新发影像学OA的发生以及后续膝关节置换手术相关 [17]。然而,尚无先前研究比较全自动软骨T2分析与人工专家软骨T2分析在层状T2组间差异方面的敏感性。然而,在自动化T2分析技术应用于临床试验或大规模研究之前,这种比较是必要的。

因此,本研究的目的是在技术和临床上验证基于U-Net的CNN软骨T2分析的表现:在技术验证方面,我们评估了基于U-Net与人工专家软骨分割之间层状软骨T2的一致性和差异,并评估了在所有7个MESE回波上训练的U-Net与仅在第一个回波上训练的U-Net的表现。

在临床验证方面,我们依托先前发表的早期OA模型 [10],以比较基于U-Net的T2分析对CL-JSN膝与CL-noROA膝之间层状软骨T2横断面和纵向差异的敏感性,与在匹配分析和更大的非匹配分析中使用人工专家分析所观察到的敏感性。

材料与方法

早期OA模型

骨关节炎倡议(OAI)纳入了4796名参与者。其中,3284名参与者具有发生有症状和/或影像学膝关节OA的危险因素(发病队列),而122名参与者既无此类危险因素,也无膝关节OA的体征或症状(健康参照队列 = HRC)[18]。OAI(clinicaltrials.gov:NCT00080171,https://data-archive.nimh.nih.gov/oai/)经人类研究委员会、加利福尼亚大学旧金山分校(UCSF)机构审查委员会及所有临床中心的机构审查委员会批准。所有OAI参与者均提供了书面知情同意。本研究按照OAI数据使用协议开展,OAI及本研究均遵循机构研究委员会的伦理标准以及1964年赫尔辛基宣言及其后续修订版。

本研究纳入来自OAI发病队列和HRC参与者中无影像学OA征象的膝关节。HRC参与者用于训练U-Net进行自动分割,而临床验证则依赖于OAI发病队列中的一个膝关节亚队列。图1展示了参与者的选择及临床验证研究的设计。用于临床验证的亚队列专门选用于研究对侧OA状态对影像学正常且无膝关节损伤史的膝关节在第1年至第4年间软骨厚度和T2(变化)的影响[6, 10]。本研究聚焦于39个右侧KLG0且对侧JSN的膝关节,因为OAI中仅对右膝采集了MESE MRI。这39个CL-JSN膝关节按1:1匹配至39个右侧CL-noROA膝关节(无对侧JSN,且同侧或对侧膝关节无其他影像学OA征象;匹配标准:相同性别和疼痛频率、相似年龄[± 5岁]和BMI[± 5 kg/m2])。

为评估自动化分析能否扩展至大型队列并探索其对CL-JSN与CL-noROA膝关节比较的影响(非匹配分析),我们额外对39个CL-JSN膝关节与所有具有MESE MRI的双侧正常OAI参与者进行了非匹配比较。OAI发病队列包含1024名符合条件的双侧KLG0参与者,其中42名因缺少第1年MRI而被排除。另有205个膝关节因缺少第4年MRI而被排除出纵向分析。因此,非匹配CL-noROA膝关节组在横断面分析中包含982个膝关节,在纵向分析中包含777个膝关节。其中39个膝关节同时也属于匹配的CL-noROA膝关节组。HRC参与者被排除在此比较之外,因为此前报道这些参与者的软骨T2显著较短[19],且U-Net是使用这些HRC膝关节进行训练的。

图1 参与者选择及临床验证研究设计的示意图,该研究比较影像学正常但对侧关节间隙狭窄(CL-JSN)的膝关节与影像学正常且对侧膝关节无影像学OA(ROA)征象(CL-noROA)的膝关节之间的层状软骨T2 查看原图 ↗

成像

MRI使用3 T Magnetom Trio扫描仪(Siemens Healthineers,埃尔朗根,德国)和正交发射/接收膝关节线圈(USA Instruments,奥罗拉,俄亥俄州)采集。矢状面MESE MRI的采集参数为:层厚3 mm(层间距0.5 mm),平面内分辨率0.31 mm,重复时间2700 ms,回波时间分别为10、20、30、40、50、60和70 ms(图2)[20]。

图2 骨关节炎倡议(OAI)采集的多回波自旋回波(MESE)MRI示意图。图中展示了回波时间在10至70 ms之间采集的7个回波、由这7个回波计算得到的T2图,以及将股胫软骨分离为浅层(红色)和深层(蓝色)软骨层的结果 查看原图 ↗

软骨和骨骼分割

由一位专家读者(SM)对匹配的CL-JSN/CL-noROA配对(n = 39)进行股胫软骨的手动分割,在每个矢状面层面上勾画了内侧和外侧胫骨(MT/LT)以及中央(承重区)内侧和外侧股骨髁(cMF/cLF)的软骨表面和骨界面[10]。第1年和第4年的MRI相互参照进行分析,对采集顺序和对侧ROA状态设盲。

基于MESE MRI的股胫软骨自动分割依赖于基于2D U-Net的胫骨、腓骨和股骨分割以提供解剖学标志,以及基于U-Net的软骨分割以评估深层和浅层T2(图3)[21]。骨骼和软骨U-Net的训练均分别进行一次使用MESE的全部7个回波(“AllE” U-Net)和一次仅使用第1个回波(“1stE” U-Net),后者回波时间为10 ms。为了将多个MESE回波纳入考虑,AllE U-Net的第一卷积层包含7个输入通道,而1stE U-Net的第一卷积层仅包含1个输入通道。

骨骼分割U-Net使用来自OAI HRC的60例MESE MRI进行训练(训练/验证/测试集:n = 40/10/10),由经验丰富的读者对股骨远端、胫骨近端和腓骨近端进行手动分割。软骨分割U-Net使用来自92名OAI HRC参与者的MESE MRI进行训练,这些参与者在中心放射学判读中被确认无OA放射学征象(训练/验证/测试集:n = 72/10/10)。股胫软骨的手动分割同样由经验丰富的读者完成[19, 22]。分配给验证/测试集的膝关节在骨骼和软骨U-Net之间是相同的。

U-Net 在所有 MRI 切片上进行训练,使用加权交叉熵损失函数和 Adam 优化,初始学习率为 0.01。所有网络权重使用 TensorFlow 方差缩放初始化器随机初始化。该软件使用 Python(Python Software Foundation,DE,USA)基于 TensorFlow 框架(Google LLC,Mountain View,CA,USA)实现,并由先前用于高分辨率 3D MRI 股胫软骨形态学分析的软件扩展而来 [13]。骨 U-Net 使用分别针对股骨远端(权重:0.25)、胫骨近端(权重:0.25)和腓骨近端(权重:0.3,背景权重:0.2)的标签进行训练。软骨 U-Net 使用 2 个标签进行训练,一个用于胫骨软骨(内侧/外侧,权重 0.4),一个用于中央股骨软骨(内侧/外侧,权重 0.4,背景权重:0.2)。标签权重为经验性确定。训练迭代使用每批 4 个切片的 mini-batch 大小,共训练 50 个 epoch(无早停)。选择在验证集中与手动分割的 Dice 一致性最佳的迭代参数集。使用 NVIDIA GeForce RTX 2080 Ti GPU 训练时,每个骨 U-Net 约需 2.5 小时,每个软骨 U-Net 约需 5 小时。用于区分内侧和外侧间室软骨以及确定股骨软骨中央部分所需的标志点,由基于 U-Net 的骨分割自动导出(补充材料 1 和补充图 1)。

随后将基于 U-Net 的自动软骨分割应用于三个数据集:10 例 HRC 测试集膝关节、2 × 39 对匹配配对、非匹配 CL-noROA 膝关节的第 1 年 943 次和第 4 年 777 次扫描(总共 n = 1847 次扫描:10 例 HRC、39 × 2 次 CL-JSN 膝关节第 1 年和第 4 年扫描、982 次 CL-noROA 膝关节第 1 年和 777 次第 4 年扫描)。每个 MESE 容积的分析约需 40 秒(U-Net 5 秒,后处理 35 秒)。下一步,通过将膝关节以不同分配方式分入训练集、验证集和测试集来重复 U-Net 训练,以评估结果的一致性。这些 U-Net 再次应用于 HRC 测试集中的 10 个(其他)膝关节和 2 × 39 对匹配配对。对自动分割的骨和软骨未进行任何手动质量控制或校正。取而代之的是,实施了自动后处理步骤以解决各种问题,例如通过检测封闭的未分割区域来填充小间隙、消除不合理分割(例如,与同一或其他切片中主要分割不相连的碎片)以及平滑分割尖峰。

图 3 股胫软骨全自动分割工作流程示意图。该工作流程依赖于骨的 2D U-Net 分割和股胫软骨的 2D U-Net 分割。两个 U-Net 均使用所有可用的 MESE MRI 回波或仅使用第 1 个 MESE MRI 回波进行训练。在基于 U-Net 的分割之后,从骨分割计算股骨感兴趣区,并以股骨分割作为标志点将软骨分割分为内侧和外侧间室分割。最后一步,进行自动后处理以清理分割结果。 查看原图 ↗

软骨T2分析

通过对测得的信号强度拟合单指数衰减曲线,计算每个分割体素的软骨T2 [19]。由于T2随组织深度变化 [8],根据每个体素在软骨表面与骨界面之间的距离,将软骨板分为顶部(浅层)50%和底部(深层)50%(图2)[23]。

统计分析

所有分析均使用SPSS 27(IBM Corporation,Armonk,NY,USA)进行。

自动与手动骨和软骨分割之间的一致性

在有手动软骨分割的88个膝关节(10个HRC、39个CL-JSN、39个CL-noROA)中评估了基于U-Net与手动软骨分割之间的一致性,在有手动骨分割的10个HRC膝关节中评估了基于U-Net与手动骨分割之间的一致性。评估使用多项指标进行,包括Dice相似系数(DSC)、Hausdorff距离(HD)、平均对称表面距离(ASSD)和体积重叠误差(VOE)。若DSC为0.80或更高,则一致性评为高。

U-Net与手动专家分析之间层状T2的比较

在相同的88个膝关节中,使用配对t检验、Pearson相关系数和Bland–Altman图比较基于U-Net与手动分割的层状软骨T2。这些分析对重新训练的U-Net重复进行。

CL-JSN与CL-noROA膝关节之间的横断面和纵向比较

使用配对t检验和Cohen's D作为效应量度量(配对分析),比较CL-JSN与CL-noROA膝关节之间基线层状软骨T2的差异以及3年T2变化的差异。这些分析聚焦于整个股胫关节(FTJ)、内侧(MFTC)和外侧股胫间室(LFTC),而各软骨板的结果见补充表6和7。这些比较在1:1匹配样本中进行,以直接比较基于U-Net的自动分析与手动专家分析对对侧ROA状态的敏感性。此外,使用全部符合条件CL-noROA膝关节样本进行非匹配比较(非配对分析),以评估自动分析流程在大样本中的适用性和稳健性,并确定结果是否与匹配比较的结果一致。这些非匹配比较使用非配对t检验进行,未调整人口学协变量,因为已观察到在无放射学OA的膝关节中层状软骨T2不依赖于年龄和性别 [22]。由于第1版U-Net在浅层T2方面显示出低于第1版U-Net的准确性,这些比较仅对人工专家和AllE U-Net分析进行。

结果

所有1847次可用扫描(图1)均使用基于U-Net的自动分割方法成功分析,无需任何手动校正。所有参与者的人口学数据见补充表1。

自动与手动骨和软骨分割之间的一致性

基于U-Net与手动骨和软骨分割的一致性见表1。对于骨分割,两种U-Net的自动方法与手动方法之间均观察到高度一致性。股骨和胫骨的DSC均为0.98 ± 0.00(AllE和1stE均如此),腓骨的DSC为0.93 ± 0.03/0.92 ± 0.03(AllE/1stE)。

对于软骨分割,自动方法与手动方法的一致性(n = 88)也很高,且AllE和1stE U-Net之间相似(图4)。对于两种U-Net,DSC在胫骨外侧最高(两者均为0.88 ± 0.03),在股骨内侧中央最低(AllE/1stE:0.82 ± 0.05/0.79 ± 0.06)。分别分析HRC测试集、CL-JSN和CL-noROA膝关节时(补充表2),以及使用重新训练的U-Net时(补充表3),观察到相似的一致性。

表1 多回波自旋回波MRI中基于U-Net与手动骨和软骨分割的一致性,以及在所有具有手动分割的膝关节中比较由所有回波训练的U-Net(AllE)与由第1回波训练的U-Net(1stE)之间的一致性 查看原表 ↗
图4 图示显示第1、中间和最后回波,以及手动软骨分割和使用由所有回波(AllE)和第1回波(1stE)训练的U-Net进行的基于U-Net的骨和软骨分割。上方示例显示软骨分割一致性高的膝关节,下方示例显示软骨分割一致性低的膝关节 查看原图 ↗

U-Net与手动专家分析之间层状T2的比较

来自手动、AllE和1stE U-Net分割的层状软骨T2报告于表2。来自AllE U-Net的浅层和深层软骨T2均倾向于短于手动专家分割的浅层和深层T2,大多数差异达到统计学显著性。最大的T2偏差在股骨内侧中央的两个软骨层中均观察到(深层,− 2.2 ± 2.6 ms;浅层,− 1.1 ± 3.3 ms)。

1stE U-Net的浅层T2倾向于长于手动专家分析,其中若干差异达到统计学显著性。最大差异在股骨内侧中央观察到(4.1 ± 10.2 ms),该差异主要由CL-JSN膝关节驱动(补充表4)。1stE U-Net与手动专家分析的深层T2之间的差异较不一致,且略小于AllE U-Net观察到的差异,其中一些差异达到统计学显著性。最大差异在股骨外侧中央观察到(− 0.7 ± 1.4 ms)。

HRC测试集、CL-JSN和CL-noROA膝关节的单独结果见补充表4。重新训练的U-Net的结果与AllE U-Net主运行中观察到的结果一致,但1stE U-Net显示出更大的偏差(补充表5)。两种U-Net的层状T2与手动专家分析的层状T2高度相关(Bland & Altman图见补充图2)。两种U-Net的最低相关性均在股骨内侧中央的深层观察到(AllE:r = 0.79,1stE:r = 0.62)。

表2 在全部88个采用手动分割的膝关节中,手动软骨分割与基于U-Net的软骨分割(全回波(AllE)U-Net与第1回波(1stE)U-Net)之间浅层和深层T2时间的比较(健康参考队列测试集:n = 10,CL-JSN:n = 39,CL-noROA:n = 39) 查看原表 ↗

CL-JSN与CL-noROA膝关节之间的横断面比较

CL-JSN与CL-noROA膝关节之间横断面比较的结果在表3中给出,分别基于手动专家分析和AllE U-Net分析。基于手动专家分析,CL-JSN膝关节在FTJ、MFTC和LFTC的浅层T2长于匹配的CL-noROA膝关节,其中FTJ观察到最大的Cohen's D(0.48,95%置信区间(CI):[0.15, 0.81]),而深层差异在手动专家分析中未达到统计学显著性(Cohen's D FTJ:0.28,95% CI:[− 0.04, 0.60])。使用AllE U-Net时,CL-JSN膝关节在FTJ、MFTC和LFTC的浅层和深层T2均长于匹配的CL-noROA膝关节;FTJ的Cohen's D在浅层为0.54(95% CI:[0.20, 0.87]),在深层为0.41(95% CI:[0.08, 0.74])。全部四个股胫软骨的结果见补充表6。

使用AllE U-Net在非匹配比较中观察到的结果与匹配比较的结果相似。CL-JSN与CL-noROA膝关节之间FTJ差异的效应量在浅层为0.54(95% CI:[0.22, 0.86]),在深层为0.30(95% CI:[− 0.02, 0.63])。

表3 第1年访视时匹配的CL-JSN(n = 39)与CL-noROA膝关节(n = 39)之间以及CL-JSN(n = 39)与非匹配CL-noROA膝关节(n = 982)之间由手动和全回波(AllE)U-Net分割得出的浅层和深层T2时间(单位:ms)的比较 查看原表 ↗

CL-JSN与CL-noROA膝关节之间的纵向比较

CL-JSN与CL-noROA膝关节之间纵向比较的结果在表4中给出,分别基于手动专家分析和AllE U-Net分析。CL-JSN与匹配CL-noROA膝关节之间浅层T2 3年变化的差异仅为微小(Cohen's D ≤ 0.10),且在手动专家或U-Net分析中对于任何膝关节区域均无统计学显著性。两种分析方法均显示,与匹配的CL-noROA膝关节相比,CL-JSN膝关节在3年内FTJ和LFTC(而非MFTC)的深层T2增加更大。CL-JSN与匹配CL-noROA膝关节之间深层FTJ差异的Cohen's D在手动专家分析中为0.37(95% CI:[0.04, 0.69]),在AllE U-Net中为0.47(95% CI:[0.14, 0.80])。四个股胫软骨的结果见补充表7。

在非匹配比较中,使用AllE U-Net未观察到CL-JSN与CL-noROA膝关节之间任何区域浅层T2 3年变化具有统计学显著差异。CL-JSN膝关节在LFTC显示深层T2增加大于CL-noROA膝关节。FTJ的效应量在浅层接近0,在深层为0.31(95% CI:[− 0.01, 0.63])。

表4 第1年与第4年访视之间匹配的CL-JSN(n = 39)与CL-noROA膝关节(n = 39)之间以及CL-JSN(n = 39)与非匹配CL-noROA膝关节(n = 777)之间由手动和全回波(AllE)U-Net分割得出的浅层和深层T2变化(单位:ms)的比较 查看原表 ↗

讨论

本研究旨在使用U-Net卷积神经网络(CNN)在技术和临床上验证一种全自动分层软骨T2分析方法。结果显示,U-Net与人工专家分割之间具有高度一致性,并且基于U-Net的分层T2分析在深层和浅层软骨层中均具有令人满意的准确性。重要的是,在早期骨关节炎(OA)模型中,基于U-Net的T2分析对CL-JSN与CL-noROA膝关节之间的横断面和纵向差异表现出与既往人工专家分析[10]报道相似的敏感性。这些结果表明,U-Net CNN方法非常适合在超大队列中进行全自动分层T2分析。

本研究中观察到的自动分割与人工专家分割之间的一致性,与既往其他深度学习(DL)研究使用高分辨率3D MRI进行软骨形态测量所报道的一致性相当(DSC约在0.80至0.90之间)[11, 12]。然而,当我们在本研究中采用类似的U-Net方法从3D MRI进行自动软骨厚度分析时,观察到的DSC甚至略高(DSC 0.89至0.92)[13]。当前研究结果也处于既往DL研究中基于MESE MRI所报道范围的上限(DSC 0.68至0.85)[15, 17]。有趣的是,本研究中股骨软骨的分割一致性始终低于胫骨软骨,这与基于U-Net的高分辨率3D MRI软骨分割观察结果一致[13]。这种略低的一致性可能是由于股骨表面曲率更大,导致部分容积效应更强,而胫骨平台则相对平坦。此外,中央股骨软骨区域较小(约为胫骨体素数量的一半),因此当出现分割不准确时,对一致性指标的相对影响更大[24]。

第1回波U-Net的准确性略低于所有回波U-Net,尤其是在CL-JSN膝关节的中央内侧股骨区域。这可能是由于第1回波中软骨与滑液之间的对比度较低,在存在滑液时导致轻度过度分割(图5)。由于关节软骨与滑液之间的对比度随着回波时间增加而增加,未来的自动分层T2分析应像人工专家分析一样纳入所有七个MESE MRI回波的信息。

本研究中所有回波U-Net所观察到的T2分析准确性处于Thomas等[15](高达− 2.6 ms)和Liu等[16](高达1.1 ms)基于MESE MRI所报道的范围内,但高于Razmjoo等所报道的准确性(高达0.20 ms)[17]。所有回波U-Net自动与人工T2之间的最大偏差见于中央内侧股骨的深层(− 2.2 ms),该区域和层次也是Thomas等研究中显示最大差异的相同区域和层次(− 2.6 ms)[15]。

既往使用手动软骨分割的研究观察到,在这一早期骨关节炎(OA)模型中,与匹配的CL-noROA膝相比,CL-JSN膝的浅层T2更长,深层T2的纵向增加更大[10]。基于U-Net的层状T2分析显示出与CL-JSN和匹配CL-noROA膝之间横断面和纵向差异相当的敏感性。此外,它对深层T2的横断面差异也敏感,但这些差异未达到统计学显著性,且效应量与手动专家分析相同。AllE U-Net观察到的效应量倾向于大于手动分析观察到的效应量,可能是由于参与者之间T2变异性较低。

所有1847例多回波自旋回波(MESE)MRI均可使用软骨T2分析方法自动分析,无需任何手动校正。这对于该方法未来在超大队列中的应用具有很大前景。正如预期,非匹配比较中观察到的效应量与匹配比较中观察到的效应量相当,因为效应量不依赖于样本量。因此,全自动T2分析可能使未来纳入大样本的试验能够获得高统计效能,而无需手动专家分割、质量控制判读以及可能的分割校正,这一过程耗费大量时间以及人力和财力资源。

本研究的一个局限性是纵向分析中失访数量相当多。然而,约80%的CL-noROA膝具有完整的纵向数据可用,提供了足以研究CL-JSN与CL-noROA膝之间纵向软骨T2差异效应量的样本量。本研究的另一个局限性是,根据研究设计,仅分析了无放射学OA的膝,因此基于U-Net的T2分析在具有OA放射学征象的膝中的性能尚不清楚。然而,根据专家放射科医师进行的半定量判读,当前研究中约45%的膝显示出软骨损伤,因而显示出早期OA改变[25]。此外,软骨T2分析通常应用于无OA或仅有早期(放射学)OA的膝,因为具有最长T2弛豫时间的浅层软骨组织丢失会损害在晚期、进展性OA膝中检测T2延长的能力[26]。

总之,基于U-Net卷积神经网络(CNN)从MESE MRI分割股胫软骨与手动专家分析相比表现出高度的一致性。此外,测量层状T2的准确性与此前研究报告的相当。AllE U-Net似乎特别适合自动分析,因为它利用了所有可用MESE MRI回波的信息。本研究所使用的技术被发现对早期OA模型中的层状软骨T2差异具有敏感性,该模型在横断面和纵向上比较了放射学正常膝伴有与不伴有对侧JSN(或其他放射学OA征象)。此外,它成功分析了总共1847例MESE MRI,证明了其稳健性,有望未来应用于大队列研究和临床试验的数据。

图5 第一版E U-Net在有滑液积聚的膝关节中对股骨中央内侧进行错误分割的示例,滑液在后期回波(如40 ms或更高)中可与软骨更好地区分。箭头指示错误分割的位置 查看原图 ↗

补充信息

以下是电子补充材料的链接。补充文件1(DOCX 1918 KB)

引用

  1. Wirth W, Maschek S, Wisser A, et al. Evaluation of an automated laminar cartilage T2 relaxation time analysis method in an early osteoarthritis model. Skeletal Radiol. 2024. PMID: 39230576. doi:10.1007/s00256-024-04786-1
  2. 全文:PMC11769870(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC11769870/

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。