Eur Radiol: 查个CT,深度学习顺便能检出骨质疏松!
2021-02-25 shaosai MedSci原创
骨质疏松症是一种骨代谢疾病,表现为骨矿物质密度(BMD)和强度的降低,这使腰背痛、椎间盘退变或椎体骨折的风险增加。
骨质疏松症是老龄化人群中常见且经常发生的疾病。骨质疏松症是一种骨代谢疾病,表现为骨矿物质密度(BMD)和强度的降低,这使腰背痛、椎间盘退变或椎体骨折的风险增加。因此,骨质疏松的早期诊断对预防疾病进展非常重要。当前,评价骨质疏松症的常规方法包括双能X射线吸收法(DXA)、定量计算机断层扫描(QCT)和定量超声(QUS),以及新兴的成像技术,例如双层能谱CT 、1H-MRS、和正电子发射断层扫描(PET)。 BMD测量是早期诊断骨质疏松症的可靠且理想的方法。 DXA是测量脊柱骨密度的常用工具。然而,DXA无法消除骨皮质、骨质增生和硬化对BMD测量的影响,这可能低估了实际骨量的损失。QCT是公认的3D骨密度评估方法。几项研究表明,QCT对骨质疏松症的检出率显着高于DXA。但与DXA相比,由于QCT的辐射剂量高且后处理复杂,QCT难以在得到临床广泛应用。
每年都有其他适应症(例如泌尿或消化系统疾病)的患者行部分或全部脊柱的CT扫描。这些CT扫描可用于机会性筛查骨质疏松症,而无需额外的辐射暴露和费用。现阶段,深度学习已越来越多地用于医学影像图像的分析。
近日,发表在European Radiology杂志的一项研究探讨了深度学习在原发性骨质疏松患者中的应用,并开发了一种基于深度卷积神经网络(deep convolutional neural network, DCNN)的全自动CT图像椎体分割和骨密度(bone mineral density, BMD)计算方法,旨在从准确性上评估自动方法定位腰椎椎体并计算BMD的性能。
本研究回顾性地选取了2018年3月至2020年5月因其他适应症行脊柱或腹部CT扫描的1449例患者进行验证和分析。所有数据均来自三个不同的CT供应商。其中586例用于训练,863例用于验证。采用全卷积神经网络U-Net来自动分割椎体。以人工绘制的椎体区域作为对比的底图。使用DenseNet-121卷积神经网络计算骨密度。使用定量计算机断层扫描(QCT)后处理的值作为分析的标准。
根据不同的CT供应商,将所有测试用例分为以下三个测试队列:测试集1(n = 463),测试集2(n = 200)和测试集3(n = 200)。 自动分割与四个手动分割的腰椎(L1-L4)相关性很好:三个测试集的最小平均dice系数分别为0.823、0.786和0.782。对于来自不同供应商的测试集,通过自动回归计算得出的平均BMD与从QCT得出的结果显示出高度相关性(r> 0.98)和一致性。
图 自动分割结果与手动分割结果的视觉对比。从上到下分别为测试集1、2、3的分割结果。从左到右分别为CT矢状面图像、手动分割和自动分割。红色、绿色、黄色和蓝色分别代表L1、L2、L3和L4的椎体。手动分割和自动分割的相关性非常好,所有四个腰椎椎体的DSCs都超过了0.90。
本研究表明,基于DCNN的方法能够对腰椎椎体进行准确的分割,并自动计算骨密度,使其可成为临床医生筛选机会性骨质疏松症的有效工具。
原始出处:
Yijie Fang,Wei Li,Xiaojun Chen,et al. Opportunistic osteoporosis screening in multi-detector CT images using deep convolutional neural networks.DOI:10.1007/s00330-020-07312-8
作者:shaosai
版权声明:
本网站所有注明“来源:梅斯医学”或“来源:MedSci原创”的文字、图片和音视频资料,版权均属于梅斯医学所有。非经授权,任何媒体、网站或个人不得转载,授权转载时须注明“来源:梅斯医学”。其它来源的文章系转载文章,本网所有转载文章系出于传递更多信息之目的,转载内容不代表本站立场。不希望被转载的媒体或个人可与我们联系,我们将立即进行删除处理。
在此留言
#骨质#
60
已学习
98
学习学习
117
了解
125