作者：中国修复重建外科杂志

汤小勇，李晓虎，谷雪莲，赵宇轩，刘洝辰，刘宇甜，陶玉蓉

上海理工大学健康科学与工程学院（上海 200093）

基金项目：上海介入医疗器械工程技术研究中心建设项目（18DZ2250900）；国家自然科学基金资助项目（82172441）

通信作者：谷雪莲

关键词：自动分割；膝关节；Pearson 相关系数；DICE系数；人工智能

引用本文：汤小勇, 李晓虎, 谷雪莲, 赵宇轩, 刘洝辰, 刘宇甜, 陶玉蓉. 基于人工智能的膝关节自动建模研究. 中国修复重建外科杂志, 2023, 37(3): 348-352. doi: 10.7507/1002-1892.202212008

摘　要

目的

研究基于Mimics软件的人工智能（artificial intelligence，AI）自动分割膝关节CT 图像建模方法，旨在提高膝关节建模效率。

方法

选择3名志愿者膝关节CT影像，在Mimics 软件中分别进行AI自动分割和手动分割图像并建模，记录自动建模时间。参考既往文献选择股骨远端和胫骨近端解剖标志点，计算与手术设计相关的参考指标，用Pearson相关系数（r）判断两种方法建模结果相关性，以DICE系数分析两种方法建模结果一致性。

结果

经自动及手动分割图像均成功构建膝关节三维模型。3个膝关节自动分割建模所需时间分别为10.45、9.50、10.20 min，较既往文献中手动分割建模（64.73±17.07） min 缩短。相关性分析示手动和自动分割生成的模型之间存在强相关性（r=0.999，P<0.001）。3个膝关节股骨DICE系数分别为0.990、0.996和0.944，胫骨分别为0.943、0.978和0.981，提示手动与自动分割建模一致性程度高。

结论

在Mimics软件中可采用AI分割图像方法快速建立有效的膝关节三维模型。

正　文

退行性骨关节炎是常见膝关节疾病之一，据统计中国该病患病率约为18% [1]，临床症状包括疼痛、活动障碍等。机器人辅助人工全膝关节置换术（total knee arthroplasty，TKA）是治疗该病的有效方法[2]，术前利用已分割的患者膝关节医学图像进行个性化假体设计和术前规划，可以提高手术成功率[3]，其中膝关节图像分割对临床治疗效果起着关键作用[4]。

目前，膝关节图像分割方法包括手动、半自动以及全自动分割。手动分割存在局限性，一方面，基于手动阈值分割的建模效率较低，例如在编辑修复蒙版时，重新描绘股骨、髌骨、胫骨、腓骨轮廓繁琐，且容易出现偏差。1例膝关节蒙版修复一般需要（64.73±17.07）min[5]，容易影响手术规划进度。另一方面，在分割骨性结构蒙版时，手动分割效率很大程度上取决于操作员对阈值的主观设置[6]。当阈值下限设置过大时，骨性结构蒙版缺失增多，随之编辑修复工作量增加；当阈值下限设置过小时，骨性结构与软组织粘连，不能有效分割出骨性结构。半自动分割方法，如区域生长[7]和snake 算法[8]，虽然可以提高分割效率，但是分割结果受初始信息影响较大。而传统的全自动分割方法，如统计形状模型[9]、基于图谱的分割[10]和支持向量机[11]等，达到了模型完整性的效果，但由于使用预定义的模板或者模型，对复杂图像分割的准确性和鲁棒性仍需提升。

近年来，深度卷积神经网络已经广泛应用于膝关节图像分割。Norman等[12]和Ronneberger等[13]提出采用二维 U⁃Net分割膝关节各个部分，但是在分割过程中受到膝关节图像伪影、积液和部分容积效应的影响，分割精度低。Zhou等[14]将深度卷积神经网络、三维全连通条件随机场和三维单形变形模型结合起来分割膝关节MRI图像。然而，卷积编码器-解码器网络训练是一种复杂计算，对于每个新评估的图像需要大量训练数据集。马岩等[15]提出了一种包含2个卷积神经网络——U-Net的级联网络结构，用于膝关节MRI图像的分割。级联网络方法能较好地分割出膝关节图像，但对于一些组织图像（例如皮质骨）的分割性能仍需提升。吴江平等[16]提出了一种改进U⁃Net 的卷积神经网络，但该方法不能提取到膝关节图像更多的有用特征。

本研究应用了一种在Mimics软件中基于人工智能（artificial intelligence，AI）的膝关节自动分割算法，经验证该方法可以准确分割出膝关节CT图像，建立膝关节三维模型，提高TKA术前规划效率。报告如下。

1、材料与方法

1.1 研究对象

随机选择2022年2月昆山市第一人民医院3名因体检需要股骨和胫骨重建的志愿者作为研究对象。志愿者均为男性，年龄分别为28、30、31岁。研究采用荷兰Philips公司64排CT行下肢扫描，扫描范围为膝关节上11 cm至膝关节下11 cm；扫描参数：电压120 kV，电流250 mA，层厚1 mm，像素点512×512，空间分辨率0.488 mm×0.488 mm×1 mm，16位/像素。将志愿者CT数据以 Dicom格式导入Mimics21.0 软件（Materialise公司，比利时），保存为mcs格式文件。

1.2 建模方法

1.2.1 自动分割建模

登录Mimics Viewer云平台上传CT文件，进行AI自动分割建模操作，记录操作时间。云平台提示分割完成后，可将分割文件下载供本地使用。AI分割工作流程自动创建了股骨和胫骨蒙版，可手动进行优化，以修复潜在错误[10]。

1.2.2 手动分割建模

首先，在Mimics21.0软件中导入膝关节CT文件，设置阈值范围为1 250～3 071 HU，以此分离骨组织与软组织。然后，运用“Region Grow”功能分割股骨和胫骨。若股骨和胫骨相连，可采用“Split Mask”功能，在股骨和胫骨交界处用不同颜色描绘Region A和Region B，即可分离。然后，运用编辑功能对每层图像进行填充、擦拭和修补操作，分割出所需骨组织区域，再利用“Calculate 3D from mark”功能得到初步膝关节三维模型。删除膝关节模型中多余蒙版和点，对膝关节分别进行简化三角面片、去除钉状物、修复、松弛、参数化曲面、精确曲面操作[17]。最后，另存为stl格式文件，完成膝关节三维模型建立。

1.3 有效性验证方法

1.3.1 Pearson相关系数检验

参考评估膝关节手术设计相关指标的研究文献[18-19]，确定基于三维模型测量的股骨远端和胫骨近端解剖标志点。① 股骨内上髁（medial femoral epicondyle，MFE），定义为股骨内侧髁内侧的最前部和远端骨突出；② 股骨外侧髁（lateral femoral epicondyle，LFE），定义为股骨外侧髁外侧的最前部和远端骨突出；③ 股骨后内侧髁（posterior medial femoral condyle，PMFC），定义为股骨内侧髁向后突出；④ 股骨后外侧髁（posterior lateral femoral condyle，PLFC），定义为股骨外侧髁向后突出；⑤ 股骨膝关节中心（femoral knee centre，FKC），定义为将股骨下端模型位于正位视图时，股骨髁间窝中点；⑥ 股骨滑车近端（femoral trochlea proximal，FTP），定义为股骨滑车沟最深点；⑦ 胫骨膝关节中心（tibial knee centre，TKC），定义为正位视图中胫骨髁间隆起中点；⑧ 胫骨结节前部（tibial tubercle anterior，TTA），定义为在膝关节前下方胫骨近端明显突出部位。见图1。

图 1 股骨远端和胫骨近端解剖标志点

基于上述解剖标志点，计算以下与手术设计相关的参考指标。① 股骨上髁距离（femoral epicondylar distance，FED），定义为MFE与LFE的距离；② 股骨后髁距离（posterior femoral epicondylar distance，PFED），定义为PMFC与PLFC的距离；③ 股骨滑车槽长度（femoral trochlear groove length，FTGL），定义为FKC与FTP的距离；④ 胫骨膝中央结节距离（tibial knee centre tubercle distance，TKCTD），定义为TKC与TTA的距离。每个指标测量3次，取均值。

采用SPSS26.0统计软件应用Shapiro-Wilk检验对上述参考指标数据进行正态性检验，均符合正态分布。在Matlab软件中应用corrcoef函数计算Pearson相关系数（r），评估手动和自动分割建模的相关性 [20]。检验水准 α=0.05。

1.3.2 DICE系数验证

使用DICE系数对骨表面质量进行整体定量评估，DICE系数计算公式如下：

其中，Yr是手动分割模型的参考体积，Yp是自动分割模型的预测体积[21]。DICE系数在0～1之间，越接近1，提示手动与自动分割建模的一致性程度越高。

2、结　果

采用自动及手动分割建模方法均成功构建膝关节三维模型，包括股骨、胫骨（图2）。3个膝关节AI自动分割建模所需时间分别为10.45、9.50、10.20 min，较既往文献报道的手动分割建模耗时（64.73±17.07）min[5]缩短，提高了建模效率。

图 2 通过手动（左）和自动（右）分割生成的膝关节三维模型

2.1 Pearson相关系数验证

基于手动和自动分割建模各参数测量结果见表1。除FED和FTGL外，所有指标差异绝对值均在0.10～0.52 mm之间。相关性分析示手动和自动分割生成的模型之间存在强相关性（r=0.999，P<0.001）。

2.2 DICE系数验证

3个膝关节股骨DICE系数分别为0.990、0.996和0.944，胫骨分别为0.943、0.978和0.981，非常接近1，提示手动与自动分割建模一致性程度高。

3、讨　论

本研究对膝关节CT 数据应用AI算法，实现了股骨和胫骨的自动识别与分割。AI分割每个膝关节 CT 图像数据所需时间约为10 min，与手动分割相比明显缩短，加快了图像提取速度。宋平等[5]基于深度学习分割膝关节CT图像，股骨 DICE系数为 0.953±0.037、胫骨为 0.950±0.092，而本研究股骨及胫骨DICE系数均高于该研究，提示AI分割准确性高。但是需要注意的是，处理退变严重的关节软骨时，有诊断经验的影像医师手动分割是最佳选择。原因为：① 软骨退变后，其周围组织对比不明显，尤其在胫骨内侧缘，部分患者图像中几乎一致，这时要分辨真正的内侧缘一定要在3个方向同时观察；② 即便是退变相对较轻的患者，图像中股骨髁中部、后部软骨与邻近滑膜组织亦存在分界不清，此时一定要逐层观察，通过前后几层的软骨形态来确定二者界限；③ 软骨内出现纤维化、钙化，导致软骨与软骨下骨的交界难以判定，需要逐层观察判断；④ 股骨髁边缘骨质增生严重时，容易误认为是关节软骨[22]。

目前，有几种商业软件可用于图像分割。其中，Synapse 3D软件加载原始文件和分割速度较快，但较难复现原始膝关节三维模型。OsiriX软件分割效果较好且可免费使用，但分割速度较慢[23]。Verima软件可用性有待临床实践进行验证[20]。Syngo软件自动分割效率优于Mimics软件，然而在获取三维曲面模型、分割两个连接结构或显示较小结构方面仍存在不足。Mimics软件由于其强大的内置功能，可弥补Syngo软件的不足，且Mimics软件和配套的硬件比Syngo软件便宜[24]。本研究明确了采用Mimics软件能基于AI自动分割获得膝关节三维模型，但是Mimics软件界面复杂，对普通用户的专业知识水平提出了更高要求。因此，为使该软件在临床广泛使用，下一步需要合理简化软件界面。

虽然本研究展示了令人满意的初步成果，但是仍存在一些不足。首先是图像样本量少，数据集不足。其次，通过测量各种解剖标志位置进行准确度分析，由于定位不确定性，可能会引入额外误差。为了减少误差，可选择计算机轴位断层（computer-aided tomography，CAT）扫描，这种扫描方式适合骨骼成像并可建立笛卡尔坐标系，减少测量误差，此外后髁线容易定位，可选择其作为参考[18]，弥补CAT扫描和真实股骨几何结构之间的差距，同时招募专家志愿者识别标志位置，并在数据分析之前评价测量的可靠性。另外，对于一些CT质量较差的膝关节分割性能仍需提升，如何改善这一情况的分割性能是我们下一步研究方向。

综上述，AI自动分割获得的膝关节三维模型与手动分割模型具有强相关性和一致性，且建模时间明显缩短，可有效提升膝关节三维模型重建效率。

志谢　昆山市第一人民医院骨科陆轲主任为本研究提供CT数据集

参考文献：略

本文转载自其他网站，不代表健康界观点和立场。如有内容和图片的著作权异议，请及时联系我们（邮箱：guikequan@hmkx.cn）