圖像識別技術是指通過計算機技術對圖像進行處理與分析，識別並選取特定區域與目標的技術，其步驟一般包括圖像獲取、重點區域識別、區域分割、提取描述性特徵、特徵庫填充及基於算法模型的分類[3]。其中最關鍵的步驟為區域分割，要求分割後的圖像相對於原始圖像信息差異最小，從而提高識別的準確性[4]。
作為最關鍵的步驟，區域分割有多種方法：閾值分析、區域增長、聚類分析、馬爾科夫隨機場與神經網絡等[5]。目前最受關注的方法為神經網絡技術。神經網絡具有多個算法層次，可用於處理不同抽象程度的圖像數據，幫助計算機識別複雜的圖像數據結構，並在識別過程中自動學習圖像的分析方法[6]。隨著大數據應用的普及以及圖形處理單元的更新，神經網絡技術日趨成熟，藉助神經網絡技術，深度學習在醫學影像識別中得以實現[6-7]。
傳統的基於內容的圖像檢索(CBIR)依靠手動輸入目標特徵進行圖像選取，易造成輸入特徵以外的信息丟失[8]。而深度學習模仿人類大腦，通過多層次結構進行學習，以自動形成的複雜圖像特徵代替手動輸入的單一特徵，從而減少了信息丟失。
Qayyum等[9]研究證實，基於深度學習的圖像識別具有比CBIR更高的精度。Kim等[10]應用卷積神經網絡技術識別脊椎結核與化膿性脊椎炎的MRI影像，發現神經網絡分類器與3位放射科醫生的讀片結果無顯著性差異，證明了應用神經網絡技術自動識別醫學影像的可行性。
2.1 骨密度識別技術
骨密度(BMD)降低是骨質疏鬆的直接病理表現之一，通過BMD可以及時評估骨質疏鬆的情況。常用評價BMD的影像學方法是雙能X 線吸收法(DXA)。由於DXA簡單、快速、解析度高，世界衛生組織(WHO)將其作為骨質疏鬆診斷的金標準[11]。包括X線、CT在內的影像學技術一般需要人工閱片，短時間內難以定量測定BMD，只能定性診斷骨質疏鬆，但結合圖像識別技術，基於X線片與CT影像也可以高效準確地測定BMD。2.1.1 基於X線片的BMD識別技術
相比於CT檢查，X線檢查使用更為廣泛，且成本低廉。X線片上BMD自動識別一般依靠灰度識別來完成。該技術包括以下步驟：
①編碼，在每個像素中用灰度值替代圖像；
②預處理，降噪與增強對比度；
③分割，根據灰度值變化確定邊界；
④特徵提取；
X線片最大的局限在於只能在二維平面測量BMD。對均勻的不規則骨進行X線照射，不同的照射方向會影響X線穿透距離，使衰減程度產生變化，從而影響BMD 數值。因此，在BMD測量過程中，患者姿勢、角度均會對測量結果產生影響。圖像識別技術則提供了避免這一影響的可能。具有深度學習功能的圖像識別技術可以根據以往讀取的影像，調整識別對象的位置參數，擬合出最適合BMD測量的位置，儘可能避免角度的影響。Thodberg等[13]在基於手掌X線片的BMD測量中，採用主動形狀模型(ASM)算法並進行改進，使掌骨模型三維坐標軸的建立不受手的位置與角度變化幹擾，提高了通過測量BMD進行骨質疏鬆診斷的準確率，自動識別結果與臨床診斷符合率為99.5%。2.1.2 基於CT影像的BMD識別技術
與二維平面的DXA相比，CT檢查的出現將影像分析提高了1個維度。在此基礎上，定量CT(QCT)技術逐漸成熟，並成為診斷骨質疏鬆的新途徑。藉助圖像識別技術，QCT可以根據CT影像直接測量BMD。與DXA測得的面積BMD(aBMD，單位為g/cm2)不同，QCT測量的結果為體積BMD(vBMD，單位為g/cm3)，可以更直觀地反映骨量變化[14]。QCT技術的另一特點為可以單獨測量骨皮質與骨松質的密度，考慮到骨松質代謝活性較骨皮質高，一般取骨松質密度作為骨質疏鬆的敏感指標[15]。QCT的步驟包括：
①載入CT影像；
②劃定感興趣區域(ROI)；
③自動分割骨邊緣；
④測定ROI面積與位置；
其中圖像識別技術主要用於骨邊緣的自動分割。衛嬌等[17]使用反向傳播(BP)神經網絡方法進行骨皮質分割，經樣本訓練後，系統對髖骨骨皮質識別的正確率達到90%，提高了骨邊緣分割的效率與學習能力。QCT技術影像解析度高，且可區分骨皮質與骨松質，為骨質疏鬆的診斷提供了更精確的信息。Norton等[18]藉助計算機軟體自動識別口腔區域CT影像，根據影像中骨骼區域灰度值評價BMD，結果表明自動識別的BMD與臨床主觀骨質量評分之間具有強相關性，圖像識別技術測量BMD的可靠性得以證實。但QCT技術同時也有高成本、高輻射、操作者依賴性強等缺點[16]。為普及這一技術，部分學者對QCT技術提出改進。Brown等[19]提出新的QCT技術，該技術不必依賴於標準體模進行同步校準，而是使用標準數據集與患者CT影像進行比較，使BMD測量更便捷，且其掃描結果與傳統QCT技術無顯著性差異。相比BMD，骨小梁結構對骨質疏鬆更加敏感，同時它也是影響骨脆性的關鍵因素[20]。診斷骨質疏鬆可根據骨小梁的3個參數：數量、厚度與間距。早期受X線片低解析度所限，測量骨小梁參數的方法是顯微鏡下觀察骨切片。這是一種有創的檢測，僅用於研究而不被用於臨床診斷。隨著技術的進步，醫學影像的解析度大大提升，目前在X線片、DXA與CT影像中均可觀測骨小梁，也為圖像識別技術評估骨小梁提供了基礎。2.2.1 基於X線片與DXA的骨小梁識別技術
雖然X線片僅能顯現骨小梁的二維投影，但考慮到其在骨科中的廣泛應用，X線片仍然是骨小梁自動識別的重要途徑。基於X線片的骨小梁自動識別技術主要依靠對骨小梁影像的紋理分析，而由於X線片顯示的骨小梁結構是相互疊加的，骨質疏鬆患者與正常人的骨小梁紋理有時難以區分。目前利用X線片進行骨小梁自動識別模式仍需改進。Houam等[21]將局部二值模式進行改進，從平面內多條直線上記錄骨小梁灰度變化，並同時結合骨松質整體分析，提出一維局部二值模式，用於骨小梁結構自動識別，這一圖像識別模式對骨質疏鬆患者的篩選敏感率比傳統模式更高。由於設備的更新，目前DXA的功能不再限於BMD測量，也可用於骨小梁成像，且成像更為清晰。在DXA影像中，可用骨小梁評分(TBS)間接評價骨小梁結構。在骨小梁的投影上，緻密的骨小梁分布表現為投影的高像素值與微小的像素值變化幅度，有孔的骨小梁分布則相反，像素值變化的斜率即為TBS。藉助TBS，能發現骨脆性增加但BMD在正常範圍內的骨質疏鬆[22]。TBS是獨立於BMD的參數，與BMD無顯著相關性，但與CT影像顯示的骨小梁基礎參數顯著相關[23]。2.2.2 基於CT影像的骨小梁識別技術
常規可使用軟體依據CT影像半自動測定識別骨小梁。一種方法是平均截距長度法，首先劃定感興趣的區域，然後生成多條測量線並記錄其在區域內的截距，測量骨小梁體積與表面積，從而估計骨小梁數量與厚度等參數[24]。另一方法是三角測量法，即以三角形劃分感興趣區域，計算被分割的骨小梁形成的四邊形面積在三角形面積中的比例，從而得出骨小梁面積[25]。這些方法減少了骨小梁參數測算的工作量，但仍需要較多的手動操作，測算結果容易受到操作者影響。因此，新的骨小梁識別系統要求更少的人工操作與更高的精確度。葉含笑等[26]使用改進的掃描種子填充算法，解除了原算法在空間上的限制，可以更穩定地提取圖像特徵，減少手動操作，提高骨小梁識別的客觀性。隨著影像技術的進步，微CT的出現使骨小梁參數測量精確度大大提升，也使骨質疏鬆自動化識別踏入新的領域。Bouxsein等[27]針對微CT影像，制訂了骨小梁識別過程中各步驟的操作指南與相關指標記錄標準，對圖像識別技術在微CT識別中的應用進行規範化，為這一技術在未來的廣泛使用提供了可能。Das Neves Borges等[28]誘導小鼠發生骨關節炎，並使用影像識別軟體依據微CT影像測量脛骨平臺軟骨下骨小梁參數，結果與人工評估結果無顯著性差異，證明基於微CT影像的圖像識別技術在識別骨小梁方面的實用性。近年來，一些學者開發出新的骨小梁參數以用於骨質疏鬆的識別。其中之一是結構模型指數，即杆狀骨小梁與板狀骨小梁的分布特徵。有學者依據微CT影像使用拓撲方法分割骨小梁，然後建立骨的彈性模型，分別檢測杆狀骨小梁與板狀骨小梁對骨彈性的影響，結果顯示高比例的板狀骨小梁會提高骨的彈性[29]。得出這一結論後，該研究團隊基於數字拓撲分析技術開發了新的算法，將骨小梁分割為獨立的杆狀與板狀骨小梁，基於圖像的有限元分析將獨立骨小梁的方向與長度等參數進行組合，確定了一系列新的骨小梁量化參數，從而補充了骨質疏鬆判斷的量化指標[30]。Rozental等[31]利用骨小梁單獨分割系統測量橈骨遠端骨折者與未骨折者一系列結構模型相關參數，證明板狀骨小梁體積、數量與厚度均與骨折相關，也表明圖像識別技術在結構模型指數測定中的實用性。2.3 骨皮質微結構識別技術
骨皮質微結構更小，其識別需要更高的解析度，導致圖像識別技術在骨皮質領域的應用出現較晚。與骨小梁識別技術相同，基於微CT影像的骨皮質識別技術可實現骨皮質微結構的自動識別。骨單位參數與骨小梁參數相類似，例如骨板厚度和間隔與骨小梁厚度和間隔相對應。因此，識別骨小梁的一些算法可以直接套用到骨皮質識別中。但由於骨單位形成不完全閉合的網狀結構，而非骨小梁形成的閉合環狀結構，傳統的拓撲結構分析可能造成識別錯誤。Cooper等[32]開發出一種專門識別骨單位的圖像分析軟體，用於識別管狀結構的中心軸，從而得到哈弗氏管的網狀結構，在此基礎上識別骨架周圍的空腔與骨板，得到完整的骨皮質微觀結構。骨質疏鬆的影像學特徵之一是骨皮質厚度降低，這一宏觀特徵的微觀基礎是骨皮質微觀結構改變。Shanbhogue等[33]使用基於雙閾值技術自動分割方法分割骨皮質單位，計算皮質空隙體積佔皮質總體積的比例，結果顯示絕經前婦女皮質孔隙度較絕經後低。Granke等[34]使用半自動程序建立骨皮質孔隙度模型，分析截面上空隙灰度與寬度變化，證實低骨質面積分數和高皮質空隙度會降低骨強度。骨皮質二維圖像只能反映骨單位橫截面，診斷價值有限。隨著三維重建技術的出現，骨皮質結構得以更直觀地呈現，為相關研究提供了新的手段。Maggiano等[35]根據微CT影像建立骨皮質三維模型，將哈弗氏管分支分為橫向分支與二分支2種，並發現了分支種類的年齡相關趨勢，更好地解釋了鏡下骨骼微觀形態的變異。圖像識別技術主要用於宏觀與微觀的骨參數提取，但仍處於研究階段，圖像分割、特徵提取與算法設計還有著諸多不足，在充分改進之前尚不能進行普遍的臨床應用。同時，圖像識別技術走向臨床要克服的也不僅僅是技術上的難題，還包括臨床醫生計算機技能的不足、患者可能的質疑心理等。
因此，這一技術在臨床的推廣將有一段很長的路要走。但憑藉其高效率、高精度與客觀性的特點，圖像識別技術有望成為未來輔助骨質疏鬆影像學診斷的主流技術。李太錫
鄧國英
鄧國英，2012年畢業於上海交通大學醫學院，先後師從葉曉健教授、王秋根教授，獲碩士、博士學位。2018年入職上海市第一人民醫院創傷臨床醫學中心，主要從事醫學工程學、材料學研發及醫學教育實踐探索工作。在醫工結合實踐與轉化研究中積累了可靠經驗。王秋根，主任醫師、教授、博士生導師，上海市第一人民醫院創傷臨床醫學中心學科帶頭人。從事骨科醫教研工作30餘年，在國內較早將微創治療理念引入創傷骨科領域，擅長於多發傷、嚴重骨盆骨折、近關節周圍骨折、骨不連、骨髓炎等的臨床診治，具有頗深的學術造詣和豐富的臨床經驗。現任中國醫師協會畢業後醫學教育骨科專業委員會委員、北美創傷骨科學會(OTA)國際委員、國際內固定學會(AO/ASIF)講師團講師。曾任中華醫學會創傷學分會交通傷與創傷資料庫學組副組長，上海醫學會創傷學分會主任委員、中華醫學會骨科學分會創傷骨科學組委員、中國醫師協會骨科醫師分會常務委員。擔任《國際骨科學》雜誌副主編、《中華創傷骨科》《中華創傷》《中華外科》《中華骨科》《創傷外科》等雜誌編委及審稿專家。來源：
國際骨科學雜誌2019年5月第40卷第3期
Int J Orthop，May.25，2019，Vol.40，No.3
作者：
上海交通大學附屬第一人民醫院創傷中心骨科
聲明：此文內容及圖片由供稿單位提供，僅供學習交流，不代表平臺觀點。