论文部分内容阅读
第一部分 基于DR定量指标评估膝骨性关节炎影像诊断的价值目的因膝关节骨性关节炎(Knee osteoarthritis,KOA)的诊断缺乏影像学定量指标,为建立数字化摄影(digital radiography,DR)诊断KOA定量评价指标,本研究通用Mimics medical软件手工测量KOA患者DR平片六个指标,并统计分析此DR指标的诊断价值。方法该研究纳入KOA患者和正常对照组各100例膝关节DR平片,KOA组女性81例,男性19例,年龄范围50-84岁,平均年龄66.33±7.71岁。正常对照组100例,女性80例,男性20例,年龄范围53-88岁,平均年龄66.15±8.75岁。一名骨骼肌肉影像亚专科主治医师采用Mimics medical软件手工测量膝关节内侧最小关节间隙宽度(medial minimum joint space width,MmJSW)、外侧最小关节间隙宽度(lateral minimum joint space width,LmJSW),内侧关节间隙面积(medial joint space area,MJSA),外侧关节间隙面积(lateral joint space area,LJSA)内侧胫骨平台骨赘面积(osteophyte area,OPA)及胫股角(tibiofemoral angle,TFA),一名骨骼肌肉影像亚专科副主任医师复测。使用组内相关系数(intraclass correlation coefficient,ICC)评价 Mimics medical 软件测量 DR 定量指标的可重复性,并评估其诊断KOA的效能。结果组内相关系数(ICC)显示两名骨骼肌肉影像亚专科医师测量DR定量指标的可重复性好(ICC>0.97,P=0.000);MmJSW、MJSA、OPA、TFA 在 KOA 和正常组间存在统计学差异(P值均<0.05);KOA患者易患膝内翻(χ2=7.988,P<0.05);MmJSW和OPA的诊断效能高于TFA和MJSA(AUC分别是0.814、0.812、0.726、0.715,P值均<0.05);联合这四个DR指标诊断优于单独指标诊断(AUC=0.860,与单独指标比较P均<0.05)。结论(1)本文建立了可重复的KOA DR定量指标,易于推广,弥补了主观诊断的缺陷。(2)MmJSW、MJSA、OPA和TFA是KOA诊断的重要DR定量指标,KOA患者更易患膝内翻。(3)MmJSW<222.8mm、MJSA<88.04mm2、OPA>4.0mm2伴有TFA>178.72°是KOA的诊断的最佳阈值,具有较高的特异性和敏感性,这四个指标联合诊断优于单独指标。第二部分 联合膝骨性关节炎DR定量指标和临床特征对膝关节置换术的预测价值目的探讨膝骨性关节炎(KOA)患者的膝关节数字化摄影(DR)特征及临床指标对膝关节置换术(KR)的预测价值。方法收集2016年2月至2018年2月于南京市鼓楼医院运动医学及成人重建科接受手术的患者168例,将其纳入KR组(女性90例,平均68.01±7.21岁),同期未接受KR的KOA患者207例纳入KOA组(女性78例,平均66.65±8.90岁),以及正常对照组156例(女性81例,平均66.13±8.70岁)。单因素ANOVA分析及LSD多重比较法分析三组间膝关节DR平片内、外侧最小关节间隙宽度(MmJSW,LmJSW)、膝关节疼痛数字评分(NRS)和体重的差异;二元Logistic回归分析KR手术的危险因素,有差异的指标行ROC曲线分析并预测手术阈值,最终采用Kaplan-Meier分析患者未手术自由时间曲线。一名骨骼肌肉影像亚专科副主任医师初次测量及一周后复侧(随机抽取40例),以及和另一名骨骼肌肉影像亚专科副主任医师测量结果间的可靠性和可重复性验证采用组内相关系数(ICC)表示。结果组内相关系数(ICC)显示DR膝关节定量指标组间和组内测量的可重复性好(ICC>0.97);NRS、最小关节间隙距离[MJSW=min(MmJSW,LmJSW)]在各组间均有差异,NR、MJSW对预测KR价值较高(B=0.861,OR=2.36,P=0.000;B=-0.545,OR=0.58,P=0.001),ROC 曲线分析 MJSW+NRS 联合预测效能高于其单独预测(AUC值分别为0.913、0.905、0.788)。以NRS及MJSW分别取2.75和2.00mm为阈值,Kaplan-Meier分析三组患者累积未手术自由时间曲线存在明显差异(P值均小于0.001),且NRS≥2.75(平均手术年龄70岁)MJSW≤2.0mm(平均手术年69岁)的患者较NRS<2.75(平均手术年龄84岁)、MJSW>2.0mm(平均手术年龄79岁)的患者较早手术。结论(1)NRS、MJSW对KOA患者行KR手术具有预测意义,可作为临床预测指标。(2)NRS≥2.75及MJSW≤2.00mm为最佳预测阈值,联合预测效能高于单独指标预测。(3)KR手术的最佳年龄为≥70岁,小于70岁患者行KR时须慎重。第三部分:基于U-Net卷积神经网络的膝关节DR智能诊断膝骨性关节炎的研究目的本研究的目的是利用U-Net卷积神经网络的深度学习方法,自动识别膝关节数字化摄影(DR)的影像特征并测量DR定量指标,实现人工智能(artificial intelligence,AI)定量诊断膝关节骨性关节炎(KOA)并分类,最终预测患者的临床转归。方法本研究回顾性收集2016年2月-2016年4月南京鼓楼医院影像科PACS系统膝关节正位平片图像共486例膝关节DR平片。经纳入排除标准,最后404例膝关节DR图像纳入研究作为训练集(4/5总样本)。两名骨骼肌肉影像亚专科医师勾画此404例膝关节轮廓线,采用U-net卷积神经网络方法训练机器,采用提案生成和基于支持向量机(Support Vector Machine,SVM)得分法对图像处理和特征提取。随机抽取前期研究中100例具有人工测量数据的膝关节平片作为测试集(1/5总样本)。两名骨骼肌肉影像亚专科医师于前期研究中手工测量此100例测试集膝关节DR平片的6个定量指标:膝关节内侧最小关节间隙宽度(medial minimumjoint space width,MmJSW)、外侧最小关节间隙宽度(lateral minimum joint space width,LmJSW),内侧关节间隙面积(medial joint space area,MJSA),外侧关节间隙面积(lateral joint space area,LJSA),内侧胫骨平台骨赘面积(osteophyte area,OPA)及胫股角(tibiofemoral angle,TFA)。采用骰子损失函数(dice loss function)来衡量模型训练的优劣,采用α损失函数验证测试集与日本膝关计算机辅助诊断法(knee OA computer-aided diagnosis,KOACAD)、人工测量方法的比较。结果训练集404例膝关节DR正位平片中男性144例,平均年龄52.20±16.34,女性260例,平均年龄58.15±11.98。测试集100例膝关节DR平片中,男性24例,平均年龄65.958.15±16.82,女性76例,平均年龄63.42.15±9.035。KL等级越高,患者年龄越大(组间F值为26.006,KL1-4组和0级相比,差异有统计学意义,P值均<0.001),训练集、测试集均为女性患者居多(χ2值分别为27.437、9.887,P值均<0.05)。Dice损失函数和准确的(accuracy,ACC)都在400个步幅(epoch)以后获得了较好的结果,最终收敛在0.07。该模型与骨关节炎开放数据库(Osteoarthritis Initiative dataset),日本Oka小组KOACAD方法和人工测量的特征量进行了比较,U-net卷积神经网络方法的α值在所有参数中均小于20%,准确性接近80%,比传统KOACAD方法(α>2.5%)有了较大的提升。结论本研究的AI识别膝关节轮廓结果和医师标注结果作为标准相比,损失函数α=7%,测试集数据与人工测量值相比平均准确率接近80%,表明基于U-Net卷积神经网络,自动识别膝关节轮廓并测量膝关节DR定量指标,诊断并分类KOA的AI诊断方法准确可靠。