SymUnet-DynCFC:一种多模态MRI融合技术,用于实现可靠的软骨分割,并辅助临床诊断中度至重度的膝关节骨性关节炎(KOA)
《Information Fusion》:SymUnet-DynCFC: Multimodal MRI Fusion for Robust Cartilage Segmentation and Clinically Confirmed Moderate-to-Severe KOA Diagnosis
【字体:
大
中
小
】
时间:2026年01月14日
来源:Information Fusion 15.5
编辑推荐:
膝关节骨关节炎的自动诊断面临多模态MRI数据融合的挑战,本文提出SymUnet-DynCFC方法通过对称UNet架构和动态置信模糊控制优化多模态信息融合,提升软骨分割精度与鲁棒性,实验显示Dice达87.96%,且支持中重度KOA诊断。
李莉|马建兵|邹北济|徐浩|廖胜辉|熊文义|支立强
中南大学自动化学院,中国湖南省长沙市410083
摘要
膝关节骨关节炎(KOA)是一种全球普遍存在的退行性关节疾病。其自动化诊断中的一个核心挑战是高效融合多模态MRI数据。这种融合旨在提高临床软骨分割的准确性和泛化能力,同时最小化医疗资源的消耗。因此,本研究在对称Unet架构(SymUnet)中引入了动态置信度模糊控制(DynCFC),称为SymUnet-DynCFC,旨在提高软骨分割的准确性和鲁棒性。首先,开发了SymUnet架构,该架构分别接收T1W和T2W模态的输入,以便进行全面的分割评估。其次,实现了DynCFC机制,计算每种模态的最优权重,从而实现多模态特征的融合和优化。最后,在一个多校区医院系统的临床数据集上评估了所提出的SymUnet-DynCFC方法的性能。实验结果表明,SymUnet-DynCFC的分割性能优于基线方法,平均Dice值、IoU值和HD95值分别为87.96%、79.93%和1.29%。特别是,与基线方法相比,SymUnet-DynCFC表现出更好的鲁棒性。这可能有助于自动化软骨分割在临床工作流程中的应用,并通过检测异常指标来支持中度至重度KOA的评估。
引言
膝关节骨关节炎(KOA)是一种全球普遍存在的慢性退行性关节疾病,其特征是持续的关节疼痛和功能障碍[1]。流行病学研究表明,55岁及以上人群中KOA的患病率达到了10%[2]、[3]。膝关节软骨(KJC)作为股骨和胫骨之间的关键机械缓冲结构,会发生退行性变化,这是骨关节炎病理特征的核心[4]、[5]。
目前,评估KOA进展的方法仍然有限。基于MRI的KJC分割 followed by 形态学评估已成为诊断KOA的主要方法[6]。然而,KJC的手动分割通常由经验丰富的专家完成,这一过程不仅耗时且具有主观性,还需要骨科医生或肌肉骨骼放射科医生,给医疗资源带来了巨大压力[7]。因此,医学界迫切需要一个具有可转移性和扩展可伸缩性的通用框架,以有效减少跨模态依赖性[8]。这样的框架将实现不同成像模态之间更高效的信息融合和特征互补,从而克服单模态数据的固有局限性,并加速完全自动化或高度自动化的KJC分割方法的发展,这已成为当前研究的重点。同时,随着计算能力和GPU性能的不断提高,深度学习技术正逐渐成为推进KJC分割的关键驱动力和核心方法。应用包括纵向软骨厚度测量[9]、膝关节异常的自动分割[10]、结合深度学习和手工特征的软骨分割[11]以及三维KJC分割[12]。
尽管在膝关节KJC分割方面取得了实质性进展,但大多数现有方法仍然局限于单模态MRI数据,尚未充分利用临床医学中常规使用的多模态和多平面成像的潜力。MRI序列如T1W、T2W、PDWI和STIR,以及包括轴向、矢状和冠状在内的扫描平面,在组织对比度和病变可视化方面提供了互补的优势。然而,依赖单一模态使得难以在结构清晰度和病变敏感性之间取得平衡,常常导致软骨边界模糊或病变检测不完整,从而限制了分割的准确性和其潜在的临床应用。因此,开发能够有效整合多模态MRI信息的方法不仅是实现全面软骨表示的必然方向,也是提高KOA诊断准确性并推进AI辅助临床决策的关键途径。
因此,本文提出了一种基于SymUNet-DynCFC的多模态膝关节MRI融合方法,旨在提高KJC分割的精确性和泛化能力,具体工作流程如图1所示。首先,使用具有相同参数的UNet网络构建SymUNet,分别输入T1W和T2W模态数据以计算每种模态的分割评估指标。接下来,采用DynCFC方法计算每种模态信息的最优权重,并根据这些权重融合和优化多模态数据,生成最终的分割掩膜,证明了其增强的分割准确性和泛化能力。所提出的SymUnet-DynCFC方法无需复杂的预处理工作流程即可处理膝关节多模态MRI数据。该方法还具有良好的可扩展性。它不仅适用于膝关节成像中的不同模态融合,也适用于其他解剖区域的多模态图像分析任务。本研究中引入的DynCFC机制模拟了临床诊断中的逐步判断和动态决策过程。这提高了模型的稳定性和可解释性,特别是在边界复杂和存在歧义的区域。因此,该方法增强了模型在临床环境中的适应性和潜在临床应用价值。临床实验表明,该方法不仅实现了具有竞争力的软骨分割准确性和稳定性,还通过检测异常指标支持中度至重度KOA的诊断。本研究的主要贡献总结如下:
1.在回顾性临床评估中,所提出的端到端深度学习方法使用多模态MRI决策级融合实现了膝关节软骨的自动化分割,且预处理过程简单,与任务无关。
2.基于临床经验,DynCFC方法被设计用于计算最优权重并执行多模态信息的融合和优化。
3.SymUNet-DynCFC在临床软骨分割中显示出良好的准确性和鲁棒性,能够通过检测异常指标来支持中度至重度KOA的诊断。
本文的结构如下:第2节提供了相关工作的概述。第3节介绍了所提出的SymUNet架构和DynCFC方法。第4节描述了多校区数据集。第5节展示了所提出方法在准确性和泛化能力方面的改进。第6节对实验结果和所提方法的临床意义进行了全面讨论。第7节分析了局限性。
相关工作
相关工作
依赖单一图像模态往往无法提供确保准确临床诊断所需的所有信息,而多模态医学成像数据的融合则可以在整个诊断过程中提供更深入的理解。深度学习在医学图像融合中的应用主要体现在三种集成方法中:数据融合、特征融合和决策融合[13]。多层次信息融合可以提高模型在临床中的信心
对称UNet架构(SymUNet)
UNet在医学图像处理领域展示了改进的分割能力,能够高效地从复杂图像中提取和隔离目标区域。其独特的编码器-解码器架构使网络能够捕获多尺度特征,实现精确的像素级分割。此外,UNet没有内置的图像预处理模块,保留了原始模态之间的差异,有助于模型学习互补特征
数据集
本研究使用的数据集来自2024年7月至9月期间西安交通大学宏辉医院收集的临床膝关节MRI扫描。研究方案已获得宏辉医院机构伦理委员会的批准(编号202409018)。所有数据均已完全去标识化,不包含任何个人可识别信息。
该数据集包括来自医院南北校区获得的MRI扫描。成像模态包括T1W
分割准确性评估
为了验证SymUnet-DynCFC多模态信息融合的有效性,本研究使用SymUNet网络对T1W和T2W模态进行融合分割。首先,保持SymUNet网络的参数一致。然后分别输入T1W和T2W模态信息以获得不同的KJC分割结果,随后根据相关评估指标进行计算。最后,使用DynCFC方法优化不同模态的权重
讨论
随着全球人口老龄化以及预期寿命的增加,KJC分割在KOA诊断中的重要性日益突出。因此,本文提出了一种基于SymUNet-DynCFC的多模态膝关节MRI融合分割方法。该方法将SymUNet网络架构与DynCFC决策融合策略相结合。SymUNet由两个相同的基线UNet网络组成,每个网络专门用于T1W和T2W模态的KJC分割
结论、局限性和未来工作
本文提出了SymUNet-DynCFC,这是一种通用的多模态膝关节MRI分割融合框架。与传统方法相比,它消除了对特定任务图像处理程序的依赖,同时结合了临床诊断专业知识。尽管这项研究尚未在大型多中心数据集上进行验证,但在回顾性临床评估中显示出相对稳定的性能和高可解释性,为
伦理批准
本研究遵循赫尔辛基宣言进行。研究方案已获得宏辉医院机构伦理委员会的批准(编号202409018)。所有数据均已完全去标识化,不包含任何个人可识别信息。
CRediT作者贡献声明
李莉:撰写——原始草稿、可视化、软件、方法论、数据管理、概念化。马建兵:撰写——原始草稿、监督、方法论、调查、资金获取、概念化。邹北济:撰写——原始草稿、监督。徐浩:撰写——原始草稿、软件、资源。廖胜辉:撰写——原始草稿、资源、项目管理、资金获取。熊文义:撰写——原始草稿、可视化、验证、形式化
利益冲突声明
所有其他作者声明他们没有已知的竞争性财务利益或个人关系可能会影响本文报告的工作。
作者声明他们没有已知的竞争性财务利益或个人关系可能会影响本文报告的工作。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号