基于CT/MRI融合建立的Kambin三角三维模型与标本测量的对比研究

目的:对比基于CT/MRI融合图像建立的Kambin三角三维(3D)模型与标本测量结果之间的差异,探讨其临床意义。方法:取10例新鲜成人腰椎标本,女6具,男4具,年龄39～76岁,平均59.5±13.0岁。先进行3D模型数据测量:将标本分别进行CT和MRI扫描,获取腰椎标本的CT及MRI影像数据并对腰椎Kambin三角行3D融合重建,在3D模型上测量腰椎神经根出口处直径(d)、神经节最大直径(D)、神经根与硬脊膜之间的夹角(A)、上关节突与椎弓根交界外侧缘点与神经根发出点之间的距离(l1)以及上关节突与椎弓根交界外侧缘点与硬脊膜的水平距离(l2)。再进行解剖数据测量:暴露硬脊膜和神经根,且在神经根和椎体之间留有少量软组织以确保神经根和椎体之间的解剖关系,用游标卡尺以及量角器测量与3D模型相同的测量参数并比较两者之间的差异。采用组内相关系数(ICC)和Bland-Altman图对标本测量数据与Kambin三角模型测量数据进行一致性分析。结果:基于CT/MRI融合图像建立的Kamin三角三维模型可清晰展现行走神经根与椎间孔区域之间的空间关系。两组间各测量指标(d、D、A、l1、l2)的平均绝对误差分别为0.41±0.24mm、0.43±0.22mm、3.54°±1.72°、1.56±0.81mm和1.56±1.03mm;两组各测量指标的配对t检验差异无统计学意义[d(t=-1.03,P=0.31),D(t=-1.26,P=0.21),A(t=-1.54,P=0.13),l1(t=-1.26,P=0.50)和l2(t=-1.22,P=0.23)];两组各测量指标的组内相关系数(ICC)表明了标本测量数据与Kambin三角模型测量数据之间具有极强的相关性:d (r=0.87),D (r=0.92),A(r=0.87),l1(r=0.98),l2(r=0.97);Bland-Altman图显示代表差值的点几乎在差值平均线附近波动,几乎所有的差值点都落在95%的一致性区间内。结论:基于CT/MRI图像融合的3D模型可以较为准确地展现出腰椎Kambin三角内行走神经根与椎间孔区域的空间关系,对经皮椎间孔镜的手术风险评估提供了一定的可靠依据,有助于外科医生减少术中对行走神经根的损伤引起并发症的发生,实现精准、微创和个体化治疗。     

深度学习在骨科领域的应用研究进展

深度学习是当前人工智能发展最为迅速的一个分支。深度学习可以在大样本数据中自动提取良好的特征表达，有效提升各种机器学习的任务性能，广泛应用于图像信号处理、计算机视觉和自然语言处理等领域。随着数字影像的发展，深度学习凭借自动提取特征，高效处理高维度医学图像数据的优点，已成为医学图像分析在临床应用的重要技术之一。目前这项技术在分析某些医学影像方面已达到放射科医生水平，如肺结节的检出识别以及对膝关节退变进行级别分类等，这将为计算机科学发展在医疗应用的提供一个新机遇。由于骨科领域疾病种类繁多，图像数据特征清晰，内容复杂丰富，相关的学习任务与应用场景对深度学习提出了新要求。本文将从骨关节关键参数测量、病灶检测、疾病分级、图像分割以及图像配准五大临床图像处理分析任务对深度学习在骨科领域的应用研究进展进行综述，并对其发展趋势进行展望，以供从事骨科相关研究人员作参考。