《European Radiology》:VERIDAH: solving enumeration anomaly–aware vertebra labeling across imaging sequences
编辑推荐:
摘要翻译:目的:尽管计数异常的识别对慢性背痛和手术规划具有潜在的临床意义,但胸腰段在临床报告中评估不足且少有描述。此外,尽管已有多种基于深度学习的椎骨标注算法,但仍缺乏自动标注计数异常的方法。材料与方法:研究人员提出了一种新型椎骨标注算法“椎骨识别与异常处理”
摘要翻译:目的:尽管计数异常的识别对慢性背痛和手术规划具有潜在的临床意义,但胸腰段在临床报告中评估不足且少有描述。此外,尽管已有多种基于深度学习的椎骨标注算法,但仍缺乏自动标注计数异常的方法。材料与方法:研究人员提出了一种新型椎骨标注算法“椎骨识别与异常处理”(Vertebra Identification with Anomaly Handling, VERIDAH),该算法基于多分类头结合加权椎骨序列预测算法。研究人员使用NAKO数据集的MRI和一个CT队列进行回顾性评估,通过计算模型正确预测椎骨标签(包括计数异常)的频率来评估标注性能。采用Wilcoxon符号秩检验评估统计学显著性。结果:在1000例T2加权矢状位(平均年龄52±11岁,52%为女性)和365例CT(平均年龄74±21岁,44%为女性)图像上,研究人员证明该方法在T2加权TSE矢状位(所有椎骨正确标注的受试者比例为98.30%对94.24%,p<0.01)和CT成像(所有椎骨正确标注的受试者比例为99.18%对77.26%,p<0.01)上均优于现有模型,并且适用于任意视野图像。VERIDAH在T2w和CT图像中分别正确标注了87.80%和96.30%的胸椎计数异常,以及94.48%和97.22%的腰椎计数异常(T2w和CT分别)。结论:VERIDAH在CT和T2w矢状位成像中提供了对计数异常鲁棒的椎骨标注,并与脊柱分割模型一同公开发布。关键点:问题:自动识别脊柱中的计数异常对于确定正确的椎骨标签至关重要,尤其是在有限视野成像中。发现:一个精心设计的多分类头分类器结合序列预测器,在CT和MRI的大型基准上均取得了优越的结果。临床相关性:所提出的方法即使在非常有限的视野成像中也能识别椎骨节段,并正确预测计数异常,从而使手术规划等下游任务更加容易。其公开可用性使研究和应用能够考虑这些脊柱异常。
论文解读文章:
脊柱影像学分析中,准确的椎骨标注是许多临床任务的基础,例如骨折预测和手术规划。人类脊柱通常由7节颈椎、12节胸椎和5节腰椎组成,但部分个体存在计数异常,即胸椎或腰椎数量偏离常规数目一节,分别称为胸椎计数异常(thoracic enumeration anomaly, TEA)和腰椎计数异常(lumbar enumeration anomaly, LEA)。这些异常常与移行异常如胸腰段移行椎(thoracolumbar transitional vertebra, TLTV)同时出现。研究表明,计数异常与移行异常密切相关,并可能对慢性背痛和退行性改变有潜在临床影响。然而,在临床报告中,胸腰段交界处常被评估不足且很少被描述。若忽视计数异常,可能导致椎骨标签错误,进而引发错误节段手术。传统的椎骨识别方法包括按头尾顺序计数、依靠肋骨长度识别最后胸椎、或根据髂腰韧带或神经根形态识别L5,但这些方法在视野(field of view, FOV)受限或存在计数异常时均会失效。尽管已有多种基于深度学习的椎骨标注算法,但绝大多数方法假设胸椎最多12节、腰椎最多5节,无法处理计数异常。仅有少数方法理论上考虑了这一情况,但要么在任意FOV下不能可靠地标注TEA和LEA,要么从未在大规模数据集上验证。
为解决上述问题,研究人员利用大型CT和MRI队列,提出了一种鲁棒的椎骨标注方法VERIDAH(Vertebra Identification with Anomaly Handling)。该方法包含两个主要部分:一个多分类头分类模型和一个序列预测器。分类模型基于3D DenseNet169,对每个椎骨的裁剪块进行训练,并包含四个输出头:(1)目标椎骨标签(如C3、T5等,共23类);(2)目标区域(颈椎、胸椎、腰椎三类);(3)目标椎骨过渡(是否为末位颈椎、首位胸椎、末位胸椎、首位腰椎、末位腰椎或以上皆非,共六类);(4)目标可见性(椎骨是否完全可见)。序列预测器是一个约束优化算法,通过动态规划寻找最优标签序列路径,并施加约束以保证标签连续、空间有序,允许胸椎数11至13、腰椎数4至6,并允许连续两个T12或L5来表示T13或L6。在训练中,由于T13和L6样本罕见,研究人员将T13标签替换为T12、L6替换为L5,通过连续标签来表示异常。训练数据来自德国国家队列(NAKO)的T2w矢状位MRI和一个内部CT队列。MRI数据包含6291名受试者,CT数据包含1536例图像,其中测试集刻意包含更多计数异常样本。研究人员使用SPINEPS分割模型获取椎骨实例分割标注,并由一名三年经验专家进行人工标注,另一名24年经验专家监督。评估指标包括完美标签百分比(perfect label percentage, PL perc.)、受试者正确率(subject correctness, sub. corr.)以及TEA和LEA的召回率与精确率。
研究结果显示,在CT测试集上,VERIDAH在所有评估指标上显著优于Meng等人的方法(所有p<0.01)。Meng等人的方法在LEA召回率上表现尚可,但即使在将异常惩罚成本设为零后,其TEA召回率仅为14.81%,远低于VERIDAH的96.30%。VERIDAH在所有椎骨正确标注的受试者比例上达到99.18%,而Meng等为77.26%。在T2w MRI测试集上,VERIDAH同样在所有指标上超过SpineNetV2和Warszawer等方法(所有p<0.01),完美标签百分比达到98.30%,TEA和LEA召回率分别为87.80%和94.48%。消融实验表明,多分类头策略和序列预测器均显著提升性能。仅使用四个分类头但不使用序列预测器(4H-AM)相比单分类头(VH-V)几乎没有提升,而结合序列预测器(4H-P对VH-P)则带来明显增益。在不同视野(FOV)的实验中,VERIDAH在任意FOV下均保持较高的完美标签百分比,仅当视野包含的椎骨数量很少时TEA召回率有所下降,且预测标签与全脊柱预测结果基本一致。
讨论部分指出,VERIDAH的主要局限性在于需要预先获得椎骨的定位信息,而非直接执行检测。但现有公开模型如SPINEPS或VerSe数据集中的方法可以提供分割定位,因此该需求不会严重阻碍使用。此外,T2w MRI模型仅在健康队列(NAKO)上训练,在临床常规数据上的性能尚不确定;而CT数据多样性较高,模型在该模态上应更为鲁棒。总体而言,VERIDAH为计数异常感知的椎骨标注提供了基础,其公开可用性有助于未来研究纳入这些脊柱异常,提高下游任务的准确性。研究结论是:VERIDAH能够在CT和T2w矢状位成像中实现对计数异常鲁棒的椎骨标注,并与脊柱分割模型一同公开发布。