磁共振骨髓信号的自动分割:一项可行性研究
本研究基于95例6-18岁儿童及青少年全身MRI的膝关节图像,训练卷积神经网络自动分割T2加权Dixon水像上的骨髓高信号并分为3级。模型对1级信号分割最佳(中位Dice 0.68),对3级信号最差(中位Dice 0.40),在3级信号稀疏的检查中尤为明显。结论认为儿童骨髓信号自动分割可行,但需更大更均衡数据集训练及多机构放射科医生共识建立参考标准。
要点
- 模型对弥漫分布的1级骨髓高信号分割最佳,中位Dice 0.68(0.60–0.74)。
- 模型对局灶3级高信号分割最差,中位Dice 0.40(0–0.71),信号稀疏时更明显。
- 共识评分中模型总印象均值3.33±1.57,略差于参考标准2.46±1.04。
核心结论
- 在儿童和青少年中开发基于深度学习的骨髓信号自动分割模型是可行的。
- 模型对最高信号强度且在信号稀疏的检查中表现最差。
- 进一步改进需要在更大、更均衡的数据集上训练,并由来自多个机构的放射科医生共识建立参考标准进行验证。
研究设计与样本
- 前瞻性多中心纵向研究队列的一部分,纳入95例6-18岁受试者的全身MRI膝关节图像,其中健康者67例、慢性非细菌性骨髓炎患儿28例。
- 数据集来自两个机构(奥斯陆68例、特罗姆瑟27例),使用两台1.5T MRI扫描仪(西门子Magnetom Aera、飞利浦Ingenia)。
- 采用T2加权Dixon水像,TR/TE=4,700/109 ms,体素0.9×0.9×3.5 mm。
- 85例用于训练和验证,10例作为测试集;训练集共1,318层,测试集153层。
- 参考标准由4名读者手动分割测试集后经STAPLE算法计算得出,模型性能以Dice相似系数和共识评分评估。
关键影像表现/征象
- 骨髓信号在T2加权Dixon水像上分为3级:1级为弥漫性轻度增高;2级为局灶性轻度增高;3级为局灶性中度至高度增高,可达液体样信号。
- 模型未在骨髓外绘制任何标记,并始终避开骺板和血管。
- 模型对点状和线状高信号有低估倾向,多数不准确出现在周边层面。
- 在一例检查中模型部分层面低估3级信号、另一些层面高估该级信号。
诊断标准与关键数值
- 模型1级信号中位Dice 0.68(0.60–0.74),2级信号中位Dice 0.47(0.25–0.62),3级信号中位Dice 0.40(0–0.71)。
- 4名读者与参考标准比较,1级信号中位Dice 0.68–0.83,2级信号0.17–0.72,3级信号0–0.67。
- 共识评分采用视觉模拟量表,连续评分小于5分为可接受(对应固定点量表2分与3分的中点)。
- 模型总印象均值3.33±1.57,参考标准2.46±1.04;1级信号模型2.35±1.34 vs 参考标准2.40±1.06,2级信号模型2.71±1.31 vs 参考标准2.99±0.97,3级信号模型3.45±2.11。
临床应用与阅片要点
- 模型对弥漫性1级骨髓高信号的分割表现与读者间一致性最高,可用于该级信号的预处理分割。
- 对点状、线状3级高信号模型易漏诊或低估,阅片时应重点复核此类病灶。
- 周边层面因骨髓与软组织移行处对比不明显及部分容积效应,模型准确性较低,需人工核对。
- 共识评分可区分临床显著与不显著的误差,可作为Dice系数之外的补充评估工具。
局限性
- 模型在最高信号强度且该信号稀疏的检查中表现最差。
- 进一步改进需要在更大、更均衡的数据集上训练,并由来自多个机构的放射科医生共识建立参考标准进行验证。
- 训练数据集中点状和线状骨髓高信号相对稀疏。
- Dice系数不能在所有情况下计算,且不总能反映不准确的临床相关性。
全文中译20 节 · 点击展开
引言
骨髓水肿是儿童和青少年肌肉骨骼疾病中MRI检测疾病及疾病活动度监测评分系统的一个重要特征[1–6]。骨髓水肿定义为脂肪抑制T2加权(T2-W)图像上信号强度增高,同时在T1加权(T1-W)序列上呈相应低信号[7],且常呈弥漫性和边界不清。该信号不具有特异性,仅代表与周围组织相比含水量增加[8, 9]。在儿童和青少年中,正常的骨骼成熟过程可对MRI信号产生与病理改变相似的影响。因此,病理性和正常信号强度及模式可能存在重叠[10–12],尤其在膝关节处[13]。
骨髓信号的人工评估耗时且已被证明较为困难,因为信号强度的感知不可避免地会随周围背景强度而变化[14–16],且MRI信号强度量表的标准化存在挑战[17](图1)。此外,强度值和图像模式的感知受主观因素的显著影响,例如阅片者的个体经验和预期[18]。评估骨髓信号及范围的可接受的观察者内和观察者间变异需要细致的校准过程[3, 5]。
人工智能(AI)算法在过去几年中在解决繁琐且困难的评估任务方面取得了突破性进展。在深度学习中,由简单互连单元组成的网络用于识别模式和学习复杂的数据表示[19],并且“通常对不良变异具有鲁棒性,如阅片者间变异性”[20]。最常见的深度神经网络类型是深度卷积神经网络(CNN)。在放射学中,深度CNN的三大主要应用是检测、分类和分割。在检测和分类任务中,在图像中检测目标并进行分类,例如分为良性或恶性;而在分割任务中,图像被划分为不同区域以分离不同的部分或目标,通常作为提取和分类特征的预处理步骤[19]。
基于深度学习算法的自动化模型近期被提出作为检测和分类成人和儿童骨髓病变的问题解决工具[21, 22]。这些研究预设了MRI上病理性骨髓信号的定义,尽管迄今为止尚无此类客观定义存在。Zhao等[5]近期发表的文章提出AI模型可能提高骨髓成像的精确度和准确度。然而,训练AI模型区分正常与病理性骨髓信号需要正常和病理性信号强度及模式的一致性数据输入,而这又依赖于对MR图像的一致性判读。
开发用于检测骨髓病变的机器学习模型时,一个必要的预处理步骤是开发一个分割各种骨髓信号的模型,涵盖健康和患病个体中从正常到异常的骨髓信号,且独立于临床背景。下一步将是纳入临床数据并训练模型以识别和描绘病理性骨髓信号及模式。
在儿童和青少年中,骨骼解剖结构和骨髓信号随年龄变化,除骨髓外,一些解剖结构在MRI上呈高信号,例如骺板。我们研究的目的是探索一种自动化方法在生长中的骨骼中分割骨髓高信号的可行性,包括健康个体和患有慢性非细菌性骨髓炎的儿童。此外,我们希望确定需要改进的领域,以开发一个被普遍接受的临床和研究应用模型。据我们所知,这是第一项探讨在儿童和青少年中通过MRI自动分割骨髓信号可行性的研究。我们假设,使用二维(2-D)CNN可以开发一个自动化模型,能够识别儿科年龄组(解剖结构随年龄变化)MRI上不同水平的骨髓信号。此外,该模型应避免识别除骨髓以外的高信号结构。
材料与方法
该项目经区域伦理委员会批准(编号2016/1696)。我们获得了所有参与者或其照护者参与本研究及发表数据的书面知情同意。
研究人群
本研究是一个纵向前瞻性多中心项目的一部分,旨在建立基于全身MRI的儿科骨骼MRI评分系统,以描述健康儿童和青少年骨髓信号的变化。2018年3月至2020年3月期间,196名居住在特罗姆瑟和奥斯陆的6–18岁健康儿童和青少年因研究目的接受了全身MRI检查。30名接受相同全身MRI方案检查的慢性非细菌性骨髓炎儿童也被邀请参与本研究。
数据集
我们选择了95次全身MRI检查(68次来自奥斯陆,27次来自特罗姆瑟)。纳入的图像来自健康个体(67例)和慢性非细菌性骨髓炎儿童(28例),年龄6–18岁。选择经过仔细设计,以确保骨髓信号的数据异质性均衡,以及整个队列中年龄分布均匀,从而避免训练过程中的偏倚。有伪影的图像被排除。
我们使用85次检查用于模型的训练和验证,并手动选择了一个包含10次检查的测试集,其年龄分布和骨髓信号具有代表性,用于评估模型性能和评分者间方差[23]。每次检查平均有15.3层用于分割,总共1,318层用于训练,153层用于测试。在机器学习中,训练数据集与验证/测试数据集的划分传统上是通过选择尽可能多的数据用于训练来完成的,通常为80%,训练过程中10%用于验证数据集,10%用于最终测试集[24]。MRI方案检查在两个机构的1.5特斯拉(T)MRI扫描仪上进行(西门子医疗的Magnetom Aera,挪威奥斯陆;飞利浦医疗的Ingenia,挪威特罗姆瑟)。成像方案包括从颅顶到足部的冠状面扫描,分3–5步进行,包含以下序列:T1加权、T2加权和弥散加权(DWI)序列,在自由呼吸下进行。总扫描时间约为30–45分钟。所有参与者在检查期间要么看电影要么听音乐。未使用镇静。
在本研究中,我们选择了膝关节区域的T2加权Dixon水-only和脂肪-only图像,扫描参数如下:重复时间/回波时间[TR/TE] = 4,700/109 ms,体素大小0.9 × 0.9 × 3.5 mm。
分割与训练
所有图像在分割前均转换为神经影像信息技术倡议(NIfTI)文件,这是一种比医学数字成像和通信(DICOM)格式更简单、更标准化的文件格式。NIfTI文件完全匿名化,常用于人工智能训练。在分割过程中,阅片者对临床信息、年龄和机构设置均设盲。我们使用T2加权Dixon水-only序列对双膝股骨远端和胫骨近端干骺端及骨骺的骨髓信号进行分割。我们努力在分割前标准化阅片条件,包括室内照明和窗宽窗位调整,使空气呈现黑色并与皮下组织有清晰边界。骨髓信号强度分为三类:1级=轻度增高,呈弥漫分布;2级=局灶性轻度增高;3级=局灶性中度至高度增高,可达类液体信号(相较于脂肪骨髓的最低信号)。两名放射科医生(E.vB.和L.-S.O.M.,均具有15年儿童肌肉骨骼放射学经验)通过共识确定了各强度级别的强度范围,并制定了参考图谱。他们使用基于网络的分割程序MedSeg [25],对双膝每个层面的图像应用颜色编码掩膜(代表三个信号强度等级)(图2),避开骺板和明显血管。模型由一名放射科医生(E.vB.)使用U-net辅助迭代分割进行训练。U-net指所用的深度学习模型的特定亚型 [26]。迭代分割是指首先手动分割一小部分数据集,然后用这个小数据集训练一个初步分割模型,再将该模型用于新的未分割数据的过程。初步模型允许存在误差,从而加速手动准备过程。迭代分割过程的简化示意图见图3。训练过程的完整版本可从补充在线材料1获取。使用MedSeg,同一阅片者标记了解剖学感兴趣区。干骺端定义为覆盖受累骨生长板的方形区域,每边长度等于骨骺的最大宽度 [27]。
评估
参与初始校准和训练的放射科医师(读者1和读者2)、来自同一机构的MRI放射技师(读者3,A.H.T.,在骨髓信号临床分级方面经验有限)以及来自另一机构的儿童肌肉骨骼放射科医师(读者4,K.R.,拥有30年经验)手动分割了测试集中10次检查的每一张图像切片上的骨髓信号。每位读者总共独立分割了153张图像切片。在评估任务之前进行校准,向读者提供了一个参考图谱,该图谱由10例未纳入测试集的膝关节MRI的掩膜组成。该图谱涵盖了骨髓信号强度的整个范围。此外,读者3(A.H.T.)在评估练习之前与读者1(E.vB.)进行了全面的校准培训。他们使用同时真值与性能水平估计(STAPLE)算法[28],基于所有四位读者的分割掩膜建立了参考标准。
模型性能和读者之间的差异通过Dice相似系数进行评估(“评估指标”部分)。此外,来自参考标准和模型的整个训练集的掩膜被随机化,并由读者1、读者2和读者3以共识方式评估。读者对年龄、机构以及分割是由AI模型执行还是代表参考标准均设盲。为确认后者,读者4(K.R.)评估了测试集,以在阅片前查找并可能移除骨髓外的标记。读者对测试集中每个分割掩膜的三种不同信号强度分别评分。此外,他们对每个掩膜给出了“整体印象”评分。评分使用视觉模拟量表(VAS)进行,即一把双侧标尺,标尺一侧标有最低和最高分数,背面有一条10 cm长、带厘米刻度的线,以提高评分的区分度[29, 30]。一个滑动标记在标尺两侧的10 cm线上显示同一位置(图示见[30])。对于固定点量表,1=完美分割;2=需要微小校正,不太可能对临床产生影响;3=需要重大校正,最可能对临床产生影响;4=掩膜被拒绝。对于连续量表,小于5的值被视为可接受(这对应于固定点量表上点2和点3之间的中间分数)。
评估指标
我们使用Dice相似系数来测量分割掩膜之间基于体积的相似性。掩膜重叠越多,Dice系数越大。Dice系数的值始终在0和1之间[31]。我们使用Predictive Analytics Software(SPSS)第27版(IBM,Armonk,NY)进行了描述性统计分析。
结果
Dice相似系数
表1列出了估计参考标准与人工智能(AI)模型及四位读者所进行的分割之间的Dice系数中位数和均值(括号内为数值范围)。
AI模型的最高Dice系数见于1级信号,中位Dice为0.68(0.60–0.74),其次为2级信号,中位Dice为0.47(0.25–0.62)。该模型在最高强度级别得分最低,中位Dice为0.40(0–0.71)。最高强度级别Dice系数为0仅见于一次检查。该检查为一名健康受试者,AI模型和读者4所进行的分割掩膜中不存在3级信号,而根据参考标准和读者1–3,判定存在少量高信号小斑点。图4以箱线图展示了AI模型相对于参考标准在不同信号强度下的性能。
读者间差异在1级信号最小,四位评分者相对于参考标准的Dice中位数在0.68至0.83之间。对于另外两个强度级别,差异较大:2级信号的Dice中位数范围为0.17–0.72,3级信号为0–0.67。因此,一位评分者在除一次检查外的所有检查中3级信号Dice系数均为0,并且其2级(0.17)和3级(0.11)信号的平均Dice远低于其他评分者。然而,对于1级信号,其平均Dice为0.72,与其他评分者(0.67–0.81)处于相似水平。
总体而言,模型性能最差以及读者间差异最大的情况见于3级信号稀疏的检查中,无论健康个体还是患病个体均如此。在3级信号较为明显的检查中,Dice系数相应增高。因此,与两个强度级别分别评估相比,所有四位读者和模型在2+3级强度级别组合时的Dice中位数均更高。
共识评估
模型未在骨髓外绘制任何标记。表2列出了各强度级别以及代表参考标准的分割掩膜和模型所进行的分割的总体印象的共识评分及其均值和标准差(SD)。评分越低,一致性越好。
模型和参考标准的平均评分在各强度级别和总体印象方面均处于定义为可接受的数值范围内。模型的总体印象(均值3.33 ± 1.57)略差于参考标准(均值2.46 ± 1.04)。
强度等级1(青绿色)的结果在模型(均值2.35±1.34)与真实标注(均值2.40±1.06)之间相似,而对于强度等级2(蓝色),模型获得了最佳平均评分(2.71±1.31 vs. 真实标注2.99±0.97)。模型在强度等级3(黄色)上表现最差,倾向于低估尤其是点状和线状高信号(平均评分3.45±2.11)。在一项检查中(表2中的掩膜编号1),模型在某些层面上低估了3级信号,而在其他层面上高估了该强度等级。在一项检查中(表2中的掩膜编号2),模型在所有强度等级上的表现均低于可接受水平。
模型始终避开了骺板和血管。在一个外周层面中,模型遗漏了股骨干骺端内侧部分的信号。总体印象是,大多数不准确之处出现在外周层面。
讨论
我们已经证明,该模型能够在儿童和青少年中分割广泛的骨髓信号范围——其中解剖结构随年龄变化——同时在来自两家机构的1.5-T MRI机器上获得的图像中避开骨髓以外的高信号结构。
模型性能的Dice分析
模型的Dice系数在各强度等级间差异很大,等级1信号的平均值最高,等级3信号最低。总体而言,模型达到的最高Dice值为0.74。在骨髓分割中,我们意图分割的各元素之间存在逐渐过渡,这与器官分割不同,后者结构之间的界限更为绝对。此外,MRI阅片的窗宽窗位难以标准化[17],在我们的案例中这导致了对骨髓信号截然不同的印象,并可能改变定义信号等级(图1)乃至最终掩膜时的决策。因此我们认为,基于多位独立读者分割所建立的真实标注,用于MRI骨髓自动分割的AI模型可能永远无法达到接近1的Dice系数,因为这需要真实标注背后的所有读者之间完全一致,以及真实标注与训练数据标注者之间完全一致。
在测试集中的两个膝关节中,四位读者和模型均未将任何信号判定为3级。有人可能认为这表达了完全一致;然而,当没有数据时Dice系数无法计算。在一个膝关节中,模型未识别出任何强度等级3的信号,而代表真实标注的分割掩膜中包含少量小的黄色斑点(图5)。由此产生的Dice系数为0,对平均Dice值产生了相当大的影响。
我们在所有3级信号相对稀疏的膝关节中观察到3级信号的Dice值较低。在这些数据集中,分割中仅有很小的不准确就会对Dice系数产生重大影响[32]。对于分布更为弥漫和广泛的信号强度,分割变异对Dice系数的影响较小。这可能解释了模型和所有四名读者在强度级别1的分割、强度级别2和3的组合分割、以及在3级信号更为明显的检查中强度级别3的分割方面表现更好的原因。
读者间变异性
确定哪位读者在临床有效性方面最为准确超出了本研究的范围。各读者之间的Dice系数差异相当大,尤其是读者1-3与读者4之间。读者3在图像判读方面的临床经验有限。有趣的是,该读者与经验丰富的读者1和2之间的一致性显著优于读者1和2与经验丰富的读者4之间的一致性。读者4在儿童肌肉骨骼影像方面经验最为丰富,但读者1-3来自同一机构,且在工作站、房间照明和窗宽窗位方面均在相似条件下进行判读。此外,前三名读者在测试集分割之前接受了全面的校准过程。这表明,建立不同骨髓信号强度的一致定义在较小程度上取决于个体放射科医生在骨髓影像方面的临床经验,而更多取决于全面的校准培训。
模型性能的共识评估
我们发现共识评分作为本研究中Dice系数的补充评估工具特别有用。共识判读意味着为实现一致性而作出的共同努力。在某些情况下,特别是在努力建立定义的情况下,共识判读可能是图像判读最适用的方法[33]。共识判读能够更具体地描述AI模型表现欠佳的区域,且与Dice相似系数不同,共识判读能够区分有临床意义和无临床意义的错误,并确定模型进一步训练的重点区域。共识评分的结果显示,除了一次检查中模型遗漏了点状3级信号灶(图5)外,模型表现良好。我们认为其原因在于,除明显血管外,点状和线状骨髓高信号在我们的训练数据集中相对稀疏。
我们在周边层面上观察到最多的不准确,可能是因为在冠状位T2加权Dixon水-only图像上,周边骨髓与软组织之间的过渡不太明显,并且该区域存在部分容积效应。总体而言,模型主观评估的结果在三种信号强度的平均评分方面与Dice分析的结果一致。有趣的是,Dice系数并不与每个膝关节的共识评分相对应。这一观察证实,Dice系数并不总能反映不准确性的临床相关性。
训练数据集
为确保所有强度级别有足够的数据,我们在一个解剖部位上训练该模型,该部位在健康和患病儿童及青少年中骨髓信号高强度的发生率较高。该部位通常可见斑片状或火焰状残留红骨髓模式,尤其在11岁至15岁之间[34],且容易被误认为炎症性改变[35]。因此,针对骨髓高信号的自动分割模型对膝关节可能特别有用,但我们认为该技术也可用于训练其他解剖部位的模型。最高信号强度级别最有可能被解释为病理性。该信号强度可进一步分为两个级别以提高临床有效性;然而,与其他两种强度相比,3级信号出现频率远低得多,且存在时范围也较小。这给训练过程带来了挑战。为训练更稳健的模型,训练数据集中应纳入更多具有高信号强度和病理性骨结构的图像。
分割过程
初始校准后,一名放射科医师(E.vB.)对训练数据集进行分割,以确保整个训练过程的一致性。该阅片者报告称,难以确定信号强度级别,因为每个级别没有明确的截断值,有时甚至每个级别内存在一定的信号强度范围,尤其是3级,其信号可高达类液体信号(图2)。标准化窗宽窗位设置也很困难,这再次反映在MRI上对信号强度进行一致评分具有挑战性(图1)。校正掩码所花费的时间有时被用作评估分割模型的指标[36]。我们在研究中未发现这有用,因为骨髓信号的数量和强度在各检查之间差异很大,这本身会影响从头分割和校正掩码所需的时间。
局限性
本研究存在一些局限性,可在未来研究中加以解决。首先,骨髓强度的定义来自单一机构,因此多中心基于共识的定义可能与我们的不同。然而,本研究范围仅是探索基于预定义信号强度的自动骨髓分割的可行性,并识别开发骨髓分割模型时可能面临的挑战。目的不是开发普遍适用的分割模型,因为这需要更广泛的国际合作。
其次,在儿科年龄组中,骨骼和骨髓表现谱系广泛,我们无法确保在测试集上测试模型能反映所有潜在错误。我们的测试集包含10次检查(共纳入来自两个膝关节的153幅骨髓冠状面图像),经过仔细选择以确保骨髓信号数据具有最佳异质性以避免偏倚。在最年长年龄组中,骨髓信号更可能稀疏[34];因此,我们的测试集未纳入15岁以上的个体。有人可能认为这不能提供与年龄相关解剖的代表性年龄分布;然而,我们纳入了与生长和成熟相关的解剖变化最为显著的年龄段。我们的测试集并非随机选择,因为评估模型与阅片者一致性随年龄的差异不在本文研究范围之内。
缺乏骨髓信号强度的客观参考是本研究的另一局限性。这确实是所有情况下主观骨髓判读的局限性。我们承认分割过程受主观性影响,因此我们的模型部分是在不一致的数据上训练的。然而,在大型数据集上训练时,这些不一致性会被模型平均化。
此外,我们的模型表现最差的情况见于最高——且最可能为异常——的信号,且在这些检查中该信号稀疏。然而,不仅是信号强度本身,信号分布的模式和范围也是骨髓信号判读的重要特征。在伴有炎性改变的儿童中,3级强度很少在没有周围2级信号的情况下出现,且通常也伴有1级信号。取决于临床背景,2级强度的广泛或特定分布可能比3级信号强度的小局灶点更可能代表病变。在我们的队列中,最高强度级别在健康和患病个体中均较稀疏。我们认为进一步训练——需要更多包含3级信号强度的训练数据——可改善这一不足。
共识判读意味着以达成一致为目标的共同努力,但这受主观偏倚影响,因此在大多数放射学研究中被作为局限性讨论。然而,在某些情况下,特别是在努力建立定义的情况下,共识判读是图像判读最适用的方法[33]。在分割模型的开发过程中,我们认为共识判读是比更客观的Dice系数更有用的补充方法,用于评估模型。共识判读提供了更详细描述模型性能的机会,例如讨论临床显著与不显著错误,并确定模型进一步改进的领域。
最后,我们的数据在两个机构的MRI检查上进行训练和测试,图像采用相似的MRI参数获取,因此我们未测试对其他厂商或协议的稳健性。
优势
本研究的优势在于同时纳入了健康受试者和慢性非细菌性骨髓炎受试者。我们纳入了来自两家机构和两家MRI供应商的数据集。除了人工智能模型的客观标准评估方法外,我们还进行了主观的、更具临床导向的评估。这是同类研究中的首项研究,可能作为开发国际ground truth数据库的宝贵第一步,该数据库可用于适用于研究和临床实践的验证目的。
未来展望
据我们所知,这是首项探讨使用基于深度学习的模型在儿童人群中自动分割MRI上正常和病理性骨髓信号的可行性的研究。未来改进分割模型的一种潜在方法是为所有信号强度和模式收集足够的训练数据,并将其公开用于国际分割挑战赛。
要开发一个稳健且被普遍接受的骨髓分割模型,由更大的国际团队以共识方式进行定义和训练至关重要,Zhao等[5]也强调了这一点。在本研究中,我们测试了一个相当标准的二维U-net模型。更新的CNN架构在未来可能表现更好。
结论
我们已经证明,使用二维CNN开发一种用于分割儿童和青少年骨髓信号的自动化方法是可行的。我们发现,在该信号稀疏的检查中,最高强度水平的性能最差。模型的改进需要在更大、更平衡的数据集上进行训练。模型的进一步开发和分割骨髓强度的验证应由来自多家机构的放射科医生以共识方式进行,以获得最稳健的结果。
补充信息
以下是电子补充材料的链接。补充文件1(DOCX 14 kb)
引用
- von Brandis E, Jenssen HB, Avenarius DFM, et al. Automated segmentation of magnetic resonance bone marrow signal: a feasibility study. Pediatr Radiol. 2022. PMID: 35107593. doi:10.1007/s00247-021-05270-x
- 全文:PMC9107442(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC9107442/
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。