A deep learning–based segmentation and CT–MRI fusion framework for preoperative spatial assessment of cervical ossification of the posterior longitudinal ligament

Technische Samenvatting: Deep Learning-gebaseerde Segmentatie en CT–MRI Fusie voor Cervicale OPLL

Probleemstelling
Cervicale ossificatie van het posterieure longitudinale ligament (OPLL) is een degeneratieve aandoening die compressie van het ruggenmerg en cervicale myelopathie veroorzaakt, wat met name voorkomt bij Aziatische populaties. Een nauwkeurige preoperatieve beoordeling vereist een evaluatie van de ruimtelijke relatie tussen de geossificeerde laesie en het ruggenmerg. Momenteel is hiervoor afhankelijkheid van Computertomografie (CT) voor de botmorfologie en Magnetische Resonantie Imaging (MRI) voor weefsel/ruggenmergvisualisatie. De huidige klinische praktijk staat echter voor twee primaire beperkingen:

1. Handmatige Delineatie: Het identificeren en omlijnen van OPLL-laesies op CT is tijdrovend en onderhevig aan inter-waarnemer variabiliteit.
2. Gebrek aan Ruimtelijke Integratie: CT en MRI worden doorgaans afzonderlijk geïnterpreteerd in 2D-coupes. Het ontbreken van een verenigd ruimtelijk kader belemmert de nauwkeurige beoordeling van de driedimensionale (3D) relatie tussen de geossificeerde massa en het ruggenmerg, wat de chirurgische planning bemoeilijkt.

Methodologie
De studie stelt een framework voor dat combineert met deep learning-gebaseerde automatische segmentatie met CT–MRI multimodale fusie.

• Data Acquisitie: Een retrospectieve cohort van 193 patiënten met cervicale OPLL werd geanalyseerd. 173 gevallen werden gebruikt voor modeltraining, en 20 dienden als een interne testset. Daarnaast werden 10 gematchte patiënten met zowel CT- als MRI-scans (binnen één week) geselecteerd voor de multimodale fusie-analyse.
• Automatische Segmentatie (CT):
  • Architectuur: Het backbone-netwerk is nnUNetv2, gekozen vanwege de geautomatiseerde configuratie en adaptiviteit.
  • Optimalisatie: Een Channel- and Spatial-Attention Module (CABM) is geïntegreerd in de encoder–decoder architectuur. Deze module past adaptieve weging toe om kenmerken te benadrukken die relevant zijn voor doelgebieden, wat specifiek de sensitiviteit voor OPLL-grenzen en onregelmatige morfologieën verbetert.
  • Taak: Het model voert multi-class segmentatie uit van wervels, tussenwervelschijven en OPLL.
  • Ground Truth: Annotaties werden handmatig getekend door twee wervelkolomchirurgen op axiale CT-coupes, waarbij calcificatie van het anterieure longitudinale ligament en osteofyten werden uitgesloten, en beoordeeld door een ervaren radioloog.
• Ruggenmerg Extractie (MRI):
  • Het open-source model TotalSpineSeg werd gebruikt om ruggenmergstructuren te extraheren uit MRI-data zonder aanvullende training.
• 3D Registratie en Fusie:
  • Pipeline: Een Python-gebaseerde pipeline gebruikmakend van SimpleITK en Open3D.
  • Proces: Gesegmenteerde wervels en tussenwervelschijven uit zowel CT als MRI werden omgezet naar 3D puntenwolken. Een rigide registratie werd uitgevoerd met behulp van het Iterative Closest Point (ICP) algoritme om de MRI-ruimte uit te lijnen met de CT-ruimte.
  • Fusie: De ruggenmergmasker uit de MRI werd gehersampled naar het CT-coördinatensysteem. Isoservlakken werden gegenereerd met behulp van het Marching Cubes algoritme om een verenigd 3D STL-model te creëren bestaande uit geossificeerde laesies, wervels, tussenwervelschijven en het ruggenmerg.
• Evaluatiemetrieken: Prestaties werden beoordeeld met behulp van de Dice Similarity Coefficient (DSC), Intersection over Union (IoU), 95e percentiel Hausdorff Afstand (HD95) en Average Symmetric Surface Distance (ASSD).

Belangrijkste Resultaten

• Segmentatieprestaties:
  • In vijf-voudige cross-validatie behaalde het model gemiddelde Dice-scores van 0,98 voor wervels, 0,91 voor tussenwervelschijven en 0,81 voor OPLL (gemiddelde Dice: 0,90).
  • Op de interne testset behaalde het model een gemiddelde Dice van 0,91, IoU van 0,85 en een HD95 van 0,89 mm, wat wijst op sub-millimeter grensnauwkeurigheid.
  • De consistentie van de handmatige annotatie (Kappa-coëfficiënt) tussen de annotator en de reviewer was 0,89.
• Multimodale Fusieprestaties:
  • Na registratie waren de Dice en IoU voor referentieanatomische structuren (wervels/schijven) tussen CT en MRI respectievelijk 0,9063 en 0,8286.
  • De ASSD was 0,8354 mm, en de HD95 was 4,1231 mm.
• Visualisatie: Het gefuseerde model visualiseerde succesvol de ruimtelijke relatie tussen OPLL en het ruggenmerg in een verenigde coördinatieruimte, wat driedimensionale inspectie van contact en compressie vanuit meerdere hoeken mogelijk maakt.

Betekenis en Claims
De auteurs stellen dat deze studie een technisch framework presenteert dat de beperkingen van single-modality beeldanalyse aanpakt.

• Efficiëntie en Consistentie: De deep learning-benadering verbetert de efficiëntie en consistentie van beeldanalyse vergeleken met handmatige delineatie, waardoor subjectiviteit wordt verminderd.
• Ruimtelijke Beoordeling: Door CT-afgeleide botstructuren te integreren met MRI-gebaseerde zachte weefselinformatie, maakt de methode een intuïtieve 3D-visualisatie mogelijk van de complexe ruimtelijke relatie tussen geossificeerde laesies en het ruggenmerg.
• Klinische Bruikbaarheid: De auteurs suggereren dat de methode kan assisteren bij de preoperatieve ruimtelijke beoordeling en chirurgische planning, specifiek voor procedures zoals Anterior Controllable Antedisplacement and Fusion (ACAF), door chirurgen te helpen bij het visualiseren van contactrelaties en het schatten van decompressie-dekking.
• Besluitvormingsondersteuning: De studie positioneert het instrument als een middel om het begrip van 3D anatomische relaties te faciliteren ter ondersteuning van klinische besluitvorming, in plaats van het direct te vervangen.

Beperkingen erkend door de Auteurs

• Segmentatienauwkeurigheid: De OPLL-segmentatie (Dice 0,81) was lager dan die van wervels en schijven, toegeschreven aan onregelmatige morfologie en onduidelijke grenzen.
• Registratieverschillen: Hoewel de algemene uitlijning goed was, blijven gelokaliseerde afwijkingen (weerspiegeld in HD95) bestaan door inherente verschillen in beeldvormingsmechanismen en resolutie tussen CT en MRI, met name bij de interface tussen zacht weefsel en bot.
• Omvang: Het huidige model richt zich op ruimtelijke visualisatie en bevat nog geen kwantitatieve metrieken (bijv. compressieverhoudingen, Cobb-hoek) voor objectieve beoordeling.
• Generaliseerbaarheid: Als een single-center retrospectieve studie met een beperkte steekproefomvang, kan de generaliseerbaarheid van het model worden beïnvloed.