基于YOLO11-pose关键点检测模型实现膝关节X线影像Caton指数的自动化测量与临床验证

本研究针对膝关节X线影像中Caton指数手动测量繁琐、耗时且存在主观差异的问题，开发了基于YOLO11-pose关键点检测模型的自动化测量方法。通过标注髌骨与胫骨平台5个关键点，训练并验证了YOLO11n/m/x三种模型，结果显示YOLO11x-pose模型与资深放射科医师测量结果具有高度一致性（ICC=0.72，MAE=0.10），为髌骨高位症的智能诊断提供了高效准确的自动化解决方案。

　　

在骨科临床实践中，髌骨高位症（patella alta）的准确诊断对治疗方案制定具有重要意义。目前常用的X线测量方法包括Insall-Salvati（IS）比值、Blackburn-Peel（BP）比值、Caton-Deschamps（CD）比值和改良Insall-Salvati（MIS）比值等多种测量方式。然而，这些测量方法需要放射科医师手动标记多个解剖标志点，进行距离测量和比值计算，过程不仅繁琐耗时，而且不同医师之间可能存在测量差异，影响了诊断的一致性和效率。

随着人工智能技术在医学影像领域的深入应用，基于深度学习的自动测量方法为解决这一问题提供了新的思路。You Only Look Once（YOLO）算法作为一种高效的卷积神经网络（CNN）架构，在目标检测、图像分类和关键点检测等任务中表现出色。特别是YOLO-pose模型，已在肩关节X线影像的关键肩角（CSA）、肩峰外侧角（LAA）和肩峰指数等参数的测量中取得成功应用，但在膝关节X线影像的Caton指数自动测量方面尚未见报道。

Caton指数是通过膝关节侧位X线影像上两个距离的比值来计算的：A线为胫骨平台前缘与髌骨关节面下极之间的距离，B线为髌骨关节面的长度。这个指数是诊断髌骨高位症的重要指标，但手动测量过程需要医师精确识别多个解剖标志点，包括髌骨前缘下极、髌骨前缘上极、髌骨关节面上极、髌骨关节面下极以及胫骨平台前缘。

为了解决手动测量的局限性，提高测量效率和一致性，研究人员开展了一项探索性研究，旨在验证YOLO11-pose模型在膝关节X线影像关键点检测和Caton指数自动测量中的可行性。该研究论文发表在《European Journal of Radiology Open》期刊上。

研究人员采用了回顾性研究设计，从两个医疗中心共收集了1156例膝关节X线影像，其中中心A提供960例图像用于模型开发，中心B提供196例图像用于外部测试。所有图像均去除了患者身份信息并转换为JPG格式保存。

研究采用的关键技术方法包括：使用Labelme软件对中心A的图像进行5个关键点的标注（髌骨前缘下极、髌骨前缘上极、髌骨关节面上极、髌骨关节面下极和胫骨平台前缘）；将标注数据转换为YOLO格式后，使用五折交叉验证方法训练YOLO11n-pose、YOLO11m-pose和YOLO11x-pose三种模型；在NVIDIA GeForce RTX 4090显卡上进行100个训练周期；使用训练好的模型对中心B的图像进行关键点检测和Caton指数自动计算。

3. Results

研究结果显示，所有三种YOLO11-pose模型都能成功检测到196例测试图像中的5个关键点。资深放射科医师和初级放射科医师测量Caton指数的一致性较高，组内相关系数（ICC）达到0.89。

3.1. The performance of YOLO11n for Carton index

YOLO11n-pose模型测量Caton指数的平均时间为3.01±1.34毫秒。与资深放射科医师的测量结果相比，Pearson相关系数为0.23，ICC为0.23，平均绝对误差（MAE）为0.20。

3.2. The performance of YOLO11m for Carton index

YOLO11m-pose模型的平均测量时间为5.21±3.64毫秒。其与资深医师测量结果的Pearson相关系数提高到0.43，ICC为0.42，MAE降低到0.17。

3.3. The performance of YOLO11x for Carton index

YOLO11x-pose模型表现最佳，平均测量时间为7.44±4.22毫秒。与资深医师测量结果的Pearson相关系数达到0.73，ICC为0.72，MAE仅为0.10，显示出中度到良好的一致性。

Bland-Altman分析进一步验证了YOLO11x-pose模型与人工测量之间具有良好的方法学一致性。

4. Discussion

本研究探讨了使用YOLO模型识别关键点并自动测量Caton指数的可行性，主要发现包括：YOLO模型能够成功预测五个解剖位点（髌骨外上极、内上极、内下极、外下极和胫骨平台前缘）；使用YOLO11x自动测量Caton指数与参考标准具有中度一致性。

YOLO11-pose是一种基于深度学习的关键点检测算法，使用卷积神经网络（CNN）从图像中提取特征，然后通过回归算法预测关键点位置。该算法的开源代码和模块化设计使其易于扩展和改进以适应不同的应用场景。数据集的质量直接影响训练的效果和准确性，图像中关键点的标注质量至关重要。

研究中发现，YOLO11n模型与参考标准的一致性较差，这可能是因为A线和B线共享一个点——髌骨关节面下极，这个点的定位精度对两个距离的测量都有重要影响。YOLO11n在预测髌骨关节面下极方面的表现相对较差。事实上，在某些情况下，由于髌骨下极呈弧形而没有明确的拐点，即使是放射科医师也难以准确确定这个点，YOLO模型在这类情况下也可能出现错误。

YOLO11m模型与参考标准的一致性为差到中度，这是因为YOLO11m比YOLO11n具有更多的参数。而参数数量最多的YOLO11x模型与参考标准达到了中度一致性，在预测髌骨关节面下极方面表现更好。尽管YOLO11x比YOLO11n和YOLO11m需要更多时间，但所需时间仍在毫秒级，远低于人工测量所需的秒级时间。

5. Conclusion

研究表明，YOLO11x-pose模型在膝关节X线影像Caton指数的自动测量方面展现出良好的应用前景。

该研究的重要意义在于首次将YOLO11-pose模型应用于膝关节X线影像的Caton指数自动测量，为髌骨高位症的智能化诊断提供了新的技术手段。自动化测量不仅能够大大提高测量效率，减少医师的工作负担，还能提高测量的一致性和可重复性，减少主观因素带来的测量差异。

虽然这项研究还存在一些局限性，如样本量相对较小、未使用其他模型（如两阶段的Region-based Convolutional Neural Networks，RCNN）进行对比、无法从JPG格式图像获取真实距离信息等，但研究结果已经证明了深度学习模型在医学影像测量中的应用价值。未来研究可以进一步扩大样本量，比较不同模型的性能，并开发能够直接处理DICOM格式数据的模型，以推动人工智能在放射科测量工作中的更广泛应用。

这项研究为医学影像的智能化分析提供了新的思路和方法，展现了人工智能技术在提高诊断效率和一致性方面的巨大潜力，对推进精准医疗和智能化医疗发展具有重要意义。