《Annals of Biomedical Engineering》：Automated 3D Analysis of Hip Morphology in a Young Adult Population
编辑推荐：
目的：尽管许多因素促成髋骨关节炎（hip osteoarthritis, OA）的发生发展，但结构异常如髋臼发育不良（acetabular dysplasia）被认为是早期退行性改变的重要危险因素。然而，常规二维成像无法完全反映关节的三维解剖结构。本研究旨在开
目的：尽管许多因素促成髋骨关节炎（hip osteoarthritis, OA）的发生发展，但结构异常如髋臼发育不良（acetabular dysplasia）被认为是早期退行性改变的重要危险因素。然而，常规二维成像无法完全反映关节的三维解剖结构。本研究旨在开发并验证一种基于MRI的自动化三维髋关节形态分析方法。
方法：研究人员分析了来自Generation R队列（Generation R Cohort）的2,454名参与者的MRI数据（1,199名男性；1,255名女性；平均年龄18.4岁；平均BMI 22.7 kg/m2）。一个基于nnU-Net的深度学习模型（训练于40个手动分割的髋关节）自动分割股骨、髋臼骨以及股骨和髋臼软骨。模型性能采用Dice评分（Dice score）评估。基于分割结果计算五类形态学特征：基本几何度量、软骨体积、角度测量、覆盖度指标和关节间隙宽度（joint space width, JSW）。性别差异采用独立样本t检验评估，BMI相关差异采用单因素方差分析（ANOVA）评估。
结果：模型对股骨、髋臼骨、股骨软骨和髋臼软骨的Dice评分分别为0.97、0.90、0.76和0.77。所有生物标志物的参考值范围均已建立。男性和女性之间以及不同BMI组之间观察到显著差异。
结论：基于MRI的自动化三维髋关节形态分析可行且可靠。所生成的参考值增进了对年轻成人髋关节发育和解剖变异性的理解，并支持未来大规模、可重复的评估。所有开发代码已在 https://gitlab.com/radiology/msk/genr/hip/hip-segmentation-and-biomarkers 公开提供。
**研究背景**
髋关节疾病尤其是骨关节炎（osteoarthritis, OA）是日益增长的全球健康问题，可导致残疾、生活质量下降和医疗成本上升。在欧洲，个体一生中发生髋关节OA的概率约为25%，而髋关节发育不良已被确认为最强的已知危险因素之一。对结构异常的早期检测和干预，特别是在年轻成人中，可能显著影响疾病进程和患者预后。髋关节形态是评估关节健康的关键要素，其形状和对线可反映OA风险。然而，以往针对三维（three-dimensional, 3D）髋关节形态的参考数据在年轻成人群体中存在明显空白。群体研究虽能建立参考范围并识别危险因素，但既往研究多聚焦于老年人群，限制了人们对年轻群体髋关节特征的认识。
传统髋关节形态评估依赖基于二维（two-dimensional, 2D）X线片的手动测量，这些方法耗时、易受观察者间变异影响，且难以分析大型数据集。此外，2D影像本质上简化了髋关节复杂的3D解剖结构，并易受患者体位影响，导致骨盆倾斜或旋转变化而影响测量准确性。近年计算技术的进步使基于MRI和CT等3D成像模态的自动化分析成为可能，可提供更全面、可重复的髋臼覆盖和方位评估，并能检测2D分析无法发现的细微解剖变异。深度学习分割方法（如nnU-Net）在大规模医学图像精准分割中表现突出，可减少手动依赖并促进大规模研究。本研究旨在：1）开发和验证一种基于MRI、整合自动分割与特征提取的自动化髋关节形态分析方法，以保证准确性和可重复性；2）建立年轻成人3D髋关节形态的参考值，并探索不同人口统计学群体间的差异，为关节健康评估和监测提供参考。
**研究技术方法概述**
本研究依托荷兰鹿特丹的Generation R队列（Generation R Cohort），该队列为从胎儿期至年轻成人的基于人群的前瞻性队列。共2,454名参与者（1,199名男性、1,255名女性，平均年龄18.4岁）的骨盆T1加权Dixon序列MRI数据纳入分析。研究人员开发并训练了一个基于nnU-Net的深度学习分割模型（训练集为40个手动分割的髋关节），自动分割股骨、髋臼骨、股骨软骨和髋臼软骨。通过5折交叉验证和2D/3D双配置集成进行模型训练。在分割基础上，利用表面重建和随机抽样一致算法（random sample consensus, RANSAC）等几何计算自动提取五类影像生物标志物。统计学方法包括独立样本t检验、单因素方差分析和Pearson相关分析。
**研究结果**
*参与者纳入与排除*：在2,506名扫描参与者中，10人因扫描或数据缺失排除；自动质量控制和后续分析步骤进一步排除42人，最终2,454名参与者（4,908个髋关节）纳入形态学分析。
*样本特征*：最终数据集包括1,199名男性和1,255名女性，平均年龄为18.4±0.6岁。
*分割模型性能*：骨结构Dice评分最高，股骨为0.968±0.004、髋臼骨为0.895±0.019；软骨结构Dice评分分别为股骨软骨0.766±0.019、髋臼软骨0.771±0.024。所有结构的平均表面距离（mean surface distance, MSD）均小于一个体素。
*参考值*：各影像生物标志物的多个百分位数参考值已建立。软骨体积范围较广，归一化后范围显著缩小。上方覆盖范围比整体覆盖更广，其中区域1和区域3范围最大。冠状位α角（中位数为44°）始终大于轴位α角（中位数为35°）。前部区域关节间隙宽度（joint space width, JSW）值普遍大于后部区域。覆盖角在12点钟位置最高。
*组间差异*：性别间比较显示，除区域3和区域6的最小JSW外，多数生物标志物均存在显著差异（p<0.05）。股骨软骨体积在性别间显著不同，但归一化后不再显著。女性股骨和髋臼半径更小，软骨体积更低，α角在冠状位和轴位均较小，而髋臼前倾角更大。BMI组间比较同样显示大多数生物标志物有显著差异，但效应量较小（η2小）。性别相关差异的幅度大于BMI相关差异。
*生物标志物关联*：覆盖测量指标之间呈一致正相关，其中上方覆盖与12点钟覆盖角相关最强（r=0.85）。JSW测量与覆盖测量呈负相关。倾斜角和前倾角与覆盖角相关，符合其髋臼方位的定义。
*敏感性分析*：对两种常见分割缺陷（不完整分割和侧方欠分割）的模拟分析显示，除倾斜角和髋臼前倾角外，大多数生物标志物计算基本稳定；倾斜角和前倾角对分割质量敏感，提示需重视分割质控。
**讨论与结论**
本研究开发并验证了整合深度学习分割和特征提取的自动化髋关节形态分析方法，并建立了年轻成人3D髋关节形态的群体参考值。分割模型准确性得到验证，软骨和骨结构的Dice评分分别为0.77和0.97，MSD小于一个体素；低排除率（1.8%）和敏感性分析结果表明自动化方法整体稳健。通过分析年轻成人4,908个髋关节，研究揭示了性别和BMI群体间的差异，且性别分层分析显示相似趋势；相关性分析为理解关节特征提供了新见解，证明了自动化3D特征提取在发现2D成像无法呈现的解剖变异方面的价值。
与文献比较，股骨骨分割性能处于已报道的高水平，但髋臼骨和软骨分割Dice评分偏低，可能与其较小的结构尺寸、较低对比度、缺乏清晰解剖边界及薄层软骨的局部体积效应有关。倾斜角和前倾角测量易受MRI坐标系和患者体位影响。整体覆盖率和上方覆盖率的测量与已有研究结果接近。本研究的局限性包括：生物标志物准确性依赖于分割质量；模型基于特定MRI序列训练，跨协议适用性有限；部分测量基于MRI坐标系，易受患者摆放影响；缺乏外部验证；薄层软骨易受部分容积效应影响。未来方向包括将生物标志物与临床结局关联、评估3D测量相对于常规影像的附加诊断价值，以及在CT等其他3D模态中应用该方法。
**结论**：研究人员开发并验证了一种全自动的3D髋关节形态分析方法，确保自动分割和特征提取的可重复性。研究结果为年轻成人的3D髋关节形态提供了参考值，有助于理解年轻成人髋关节形态及其变异性。
