《Journal of Biomechanics》：Embedding muscle attachment sites in statistical shape models can estimate hip muscle attachment sites in patients with hip dysplasia
编辑推荐：
在 musculoskeletal 模型中手动选择肌肉附着点耗时且易受人为误差影响。统计形状建模能够准确预测骨骼形态，并具有预测区域肌肉附着点的潜力。本研究评估了20例髋关节发育不良（DDH）患者队列中手动选择肌肉附着点的变异性。将附着点与嵌入形状模型（使用S
在 musculoskeletal 模型中手动选择肌肉附着点耗时且易受人为误差影响。统计形状建模能够准确预测骨骼形态，并具有预测区域肌肉附着点的潜力。本研究评估了20例髋关节发育不良（DDH）患者队列中手动选择肌肉附着点的变异性。将附着点与嵌入形状模型（使用SOMSO解剖模型）的区域附着部位进行比较。手动选择点的变异性通过点间欧几里得距离计算。将每个个体的肌肉分割投影到形状模型的表面骨骼上，并使用Dice评分（Dice Score）与SOMSO嵌入的肌肉区域进行比较。在股骨和骨盆上，所有肌肉的手动选择附着点的变异性为4至5 mm。在个体间表现出区域附着面积高度重叠的肌肉，与形状模型中SOMSO嵌入区域表现出强一致性。这些发现表明，将肌肉附着足迹嵌入统计形状模型可以在手动选择点所观察到的变异性范围内预测肌肉附着部位。因此，该方法可提供一种快速且稳健的方法来识别患者特异性肌肉附着点。
研究背景方面，肌肉附着点决定肌肉的作用线和力臂，影响肌肉与关节力的估算。musculoskeletal模型通常将肌肉-肌腱单元表示为线段，附着点来源于通用模板，并按个体尺寸进行线性缩放。然而，线性缩放无法捕捉由年龄、性别、种族和病理等因素影响的骨骼复杂几何变异性。骨骼的简化缩放对肌肉-肌腱附着点及其衍生的长度、作用线和力臂均有影响。例如，使用缩放通用模型与使用医学影像数据衍生的肌肉附着点相比，力臂存在差异。对于以异常骨骼解剖为特征的病理状态，这些差异可能进一步加剧。以发育性髋关节发育不良（DDH）患者为例，其具有显著的骨骼异常，会改变肌肉-肌腱长度、力臂和作用线。要在这些患者中捕捉musculoskeletal形态和功能，需要患者特异性的骨骼几何和肌肉附着点表示。在musculoskeletal模型中定义患者特异性肌肉附着点面临挑战。从医学影像数据中手动识别个体肌肉附着点耗时且困难，肌腱-骨界面图像对比度差。将肌肉-肌腱单元表示为线段需要在定义线段数量及其在附着区分布方面做出关键建模决策。肌肉的“离散化”影响musculoskeletal模型中关节载荷传递的估算。这种效应在具有宽广附着区的汇聚型和多羽状肌肉中最为明显，离散化变化可导致肌肉力矩差异。虽然肌肉附着点在骨骼上通过医学影像不易观察，但许多区域骨骼特征因肌腱传递的力而存在。因此，通过准确的骨骼表面特征表示，肌肉附着区域有可能被预测。研究团队此前已开发使用统计形状模型的缩放方法，以考虑成人、儿童和病理队列中骨骼形态的非线性变异。该方法涉及将模板模型拟合以最佳匹配实验数据，如患者人体测量学、运动捕捉标记或分割的医学影像数据。由于模板模型在人群中具有节点一致性，研究人员可以描述表面骨骼网格上对应肌肉附着区域的节点。这些节点在匹配实验数据时可经历相同的非线性拟合。为此，研究人员将SOMSO解剖模型的区域肌肉附着足迹嵌入下肢模板骨骼模型。本研究旨在确定这些肌肉附着点预测患者特异性肌肉附着点（来源于医学影像）的效果，以及这些方法是否适用于病理性骨骼形态（如DDH）。为验证该方法，研究人员量化了20例DDH患者队列中手动选择肌肉附着点和肌肉附着足迹的变异性（使用磁共振图像（MRI）），并将这些位置与形状模型（含SOMSO嵌入区域肌肉附着区）的预测进行比较。
研究人员开展了三部分研究：评估20例DDH患者分割MRI中手动选择点的变异；将SOMSO模型的肌肉附着足迹嵌入形状模型；比较MRI衍生的区域肌肉附着部位与SOMSO模型结合形状模型的预测。研究得出以下结论：将区域肌肉附着部位嵌入骨盆和股骨的统计形状模型是一种自动化选择musculoskeletal建模肌肉附着点的新方法。第一，基于标准解剖数据的SOMSO解剖模型肌肉附着足迹与从MRI分割和投影衍生的手动放置附着点吻合良好。第二，基于肌肉分割投影的肌肉附着点与SOMSO或手动放置附着点的一致性存在变异。使用统计形状模型估算区域肌肉附着部位提供了一种自动化方法，在髋关节发育不良患者中效果良好，并具有提高患者特异性musculoskeletal模型创建可重复性和一致性的潜力。
关键技术方法方面，研究使用20例女性DDH患者的MR图像（T1加权VIBE梯度回波序列和SPAIR脂肪抑制，1×1×1 mm体素），半自动分割后重建骨盆和股骨，并分割主要髋部肌肉。SOMSO模型为成熟男性成人骨骼的实物铸型（版本QS 10/6+9），通过立体摄影测量扫描左骨盆和股骨以捕获3D几何和彩色编码纹理图。统计形状模型来源于820例全身CT扫描（376女，444男），该数据集与DDH患者数据集独立。拟合方法包括刚性迭代最近点算法配准、9个主成分（PC）拟合以及径向基函数（RBF）拟合的两步过程。肌肉附着足迹通过KD-Tree最近节点选择投影到拟合模型上。统计比较采用欧几里得距离和Dice评分。
研究结果方面，分割骨骼与初始PC拟合网格的平均表面距离在所有骨骼和个体中为1.62±1.41 mm，RBF拟合后降至0.13±0.11 mm。手动选择肌肉附着点在个体间显示变异性：股骨上左侧平均差异为4.7±2.9 mm，右侧为4.8±2.9 mm；骨盆上左侧平均偏差为4.4±2.6 mm，右侧为4.3±2.5 mm。股骨肌肉附着点变异性高于骨盆。部分肌肉偏差较大，如股骨Gluteus Maximus第3点达12.6 mm，而Obturator Internus仅2.4 mm。具有多个附着点的 broader 或 longer 肌肉变异性大于附着点较小的肌肉。可视化显示各肌肉平均附着点位于或接近SOMSO衍生附着区内，个别离群点位于肌肉附着区边界附近。部分肌肉SOMSO足迹小于手动选择点位置，Gluteus Maximus和Gluteus Minimus最后端点平均差异6.1 mm，股骨Gluteus Maximus差异达8.4 mm。肌肉分割足迹比较显示，骨盆附着足迹在个体间一致性高于股骨。Gluteus Medius在股骨左右侧20例患者中重叠均为0%，而骨盆左侧重叠41%、右侧45%。骨盆上Gluteus Medius、Gluteus Minimus和Iliopsoas的Dice评分均高于0.9，与SOMSO附着区吻合良好；而股骨上Gluteus Medius和Iliopsoas以及骨盆上Tensor Fasciae Latae和Rectus Femoris评分接近0。总体而言，骨盆附着与SOMSO模型的一致性高于股骨附着，附着足迹较大的肌肉倾向于显示更大的跨患者重叠和与SOMSO模型更强的一致性。
讨论部分总结：本研究引入了一种使用统计形状模型嵌入SOMSO解剖模型肌肉附着区域来自定义肌肉附着点的新方法。形状模型成功捕捉了病理性骨骼形态队列的形态学变异。由于SOMSO足迹直接嵌入形状模型，准确的骨骼形态表示使得肌肉附着足迹的可靠近似成为可能。SOMSO肌肉附着部位与手动选择附着点的比较显示位置相似，表明形状模型可自动化手动方法，减少处理时间并提高可重复性和一致性。此外，纳入完整肌肉附着区域而非单点使建模者在定义肌肉附着点时具有更大灵活性。肌肉附着点变异性对下游musculoskeletal模型结果具有重要影响。Martin-Sosa等（2019）的敏感性分析显示，附着点位置±10 mm变异可导致最大肌肉力偏差高达14%。本研究中大多数肌肉聚集在均值附近变异小于5 mm，但股骨上少数肌肉如Adductor Magnus和Gluteus Maximus超过10 mm。骨盆肌肉未超过此阈值，表明该队列中最高变异性附着点集中在股骨。肌肉分割使用T1加权3D梯度回波序列伴脂肪抑制，与已建立的肌肉形态成像实践一致。当前成像技术的关键局限性在于骨与肌腱边界在MR图像上难以可视化，这要求建模者手动将附着点投影到骨骼表面，引入评分者间变异性。具有长肌腱的肌肉中，不考虑肌肉作用线而投影肌肉分割末端提取的附着点可靠性较低，这可能导致了股骨附着足迹轮廓中观察到的更大变异性。与骨盆紧密接触的短肌腱肌肉（如Gluteus Medius、Gluteus Minimus和Iliacus）显示跨患者高重叠和与SOMSO肌肉附着的强一致性。本研究存在局限性：缺乏 ground truth 肌肉附着点来验证任一方法；无法区分变异性来源；尚不清楚某些手动选择点均值与SOMSO附着足迹之间较大差异反映的是该DDH队列的解剖变异还是真实肌肉附着区大于SOMSO所提供；研究队列仅包括女性DDH患者，可能限制发现的普适性。研究结论部分翻译：将区域肌肉附着部位嵌入骨盆和股骨的统计形状模型是一种自动化选择musculoskeletal建模肌肉附着点的新方法。从这项关于肌肉附着放置方法的实用性研究中可得出两个结论。第一，基于标准解剖数据的SOMSO解剖模型肌肉附着足迹与从MRI分割和投影衍生的手动放置附着点吻合良好。第二，基于肌肉分割投影的肌肉附着点与SOMSO或手动放置附着点的一致性存在变异。使用统计形状模型估算区域肌肉附着部位提供了一种自动化方法，在髋关节发育不良患者中效果良好，并具有提高患者特异性musculoskeletal模型创建可重复性和一致性的潜力。
