膝盖疼痛是衰老过程中常见的伴随现象，通常源于一种被称为骨关节炎的疾病，即关节内部光滑且具有保护作用的垫层逐渐磨损。为了理解这种磨损与消耗，医生依赖磁共振成像（MRI），它能创建出膝关节内部软组织和骨骼的详细三维图像。近年来，科学家开发了一种名为影像组学（radiomics）的方法，该方法不仅将这些医学图像视为人类肉眼可见的图片，更将其视为庞大的数据库。通过利用计算机测量肉眼无法察觉的亮度与纹理中的细微模式，影像组学旨在在关节在标准扫描中显示出损伤迹象之前，发现疾病的早期征兆。然而，为了获取这些测量数据，计算机首先需要准确识别软骨和骨骼的位置，这项任务传统上需要医生在屏幕上手动描绘这些形状，这是一个缓慢且不一致的过程，限制了该技术的广泛应用。
一组研究人员现在构建了一个名为 LM-CartSeg 的全自动系统，它消除了人工描绘的需求，使计算机能够以高精度和高速度绘制膝关节图谱。该系统首先利用先进的人工智能，在标准的 MRI 扫描中识别软骨及其下方的骨骼。一旦计算机定位了这些组织，它就会应用一套逻辑几何规则来清理图像，并将膝关节划分为内侧和外侧部分（即内侧和外侧间室）。这种划分至关重要，因为膝盖内侧往往是首先受到关节炎影响的部分，将内侧与外侧分离可以实现更准确的分析。研究人员在来自不同人群的数百份膝盖扫描样本上测试了该系统，包括公共研究数据和私人临床记录，以观察其是否能在没有任何人工干预的情况下可靠运行。
结果显示，该自动系统表现出了极高的准确性。当研究人员将计算机生成的图谱与专家创建的金标准手动图谱进行对比时，他们发现自动系统的错误率非常低。事实上，通过一个简单的步骤来清理计算机的初始输出——即去除细小的、零散的误差点并平滑边缘——显著提高了表面测量的准确度，将平均误差从几毫米降低到了不到一毫米的水平。这种精度的水平至关重要，因为在绘制组织边界时即使出现微小的误差，也会干扰影像组学所依赖的复杂纹理测量。该系统在应用于不同类型的扫描和不同患者群体时也表现得非常稳定，能够成功地将膝关节划分为内侧和外侧部分而不会产生混淆，而其他纯计算机化的方法有时会在这一任务上出错并弄反左右侧。
除了绘制膝关节图谱外，研究人员还利用这一新工具研究了膝关节的纹理究竟能告诉我们关于关节炎的什么信息。他们从软骨及其下方的骨骼中提取了数千个微小的特征点，寻找能够区分健康膝盖与患有骨关节炎膝盖的模式。他们发现，骨骼和软骨的纹理是紧密相关的，它们形成了一个随着疾病进展而共同变化的整体功能单元。或许最重要的一点是，他们发现计算机通过观察这些细微的纹理模式来识别关节炎的效果，要比仅仅测量软骨的大小或厚度要好得多。虽然早期的一些研究认为组织流失的数量是最重要的因素，但这项工作表明，组织的内部“纹理”或“颗粒感”携带了尺寸本身无法捕捉到的独特信息。
该研究还强调了膝关节主部软骨与髌骨（膝盖骨）软骨之间的关键差异。数据显示，主膝关节处的软骨和骨骼在行为上紧密相连，而髌骨区域的行为几乎完全不同，这表明这两个区域应该被分开研究，而不是作为一个整体来研究。通过证明一个全自动流程可以从常规 MRI 扫描中生成可靠、高质量的数据，研究人员为未来的研究奠定了实用的基础。这意味着在未来，医生可能能够使用这些自动化工具快速筛查大量患者，识别膝关节疾病的早期征兆并追踪其进展，而无需受限于人工分析的瓶颈，从而有望为数百万人带来更早期的干预和更好的护理。
技术摘要：LM-CartSeg
问题陈述
利用基于 MRI 的影像组学进行膝关节骨性关节炎（KOA）研究，需要稳健且具有解剖学意义的感兴趣区域（ROI），以同时捕捉关节软骨和软骨下骨。目前的方法面临三个主要局限性：
- 依赖手动分割： 大多数现有研究依赖于专家进行手动 ROI 勾画，这既耗时又限制了规模化应用。
- 缺乏联合分析： 许多研究孤立地分析软骨或软骨下骨，未能捕捉到 KOA 中这两种组织的耦合特性。
- 质量控制（QC）不足： 现有的自动化流水线很少报告严格的 QC，也未能解决不同数据集和成像协议之间解剖分区（如外侧与内侧）的稳定性问题。
此外，尽管深度学习在分割领域取得了进展，但纯数据驱动的方法往往难以应对领域偏移（例如不同的 MRI 扫描仪或协议），从而导致解 아닌 解剖标签不稳定（例如内外侧分区的交换）以及缺乏可解释性。
方法论
作者提出了 LM-CartSeg，这是一个旨在分割膝关节结构、将其划分为外侧（L）和内侧（M）区域并提取影像组学特征的全自动流水线。该工作流由四个主要阶段组成：
1. 深度学习分割 (nnU-Net)
两个独立的 3D nnU-Net 模型在公共数据集上进行了训练：
- SKM-TEA： 138 个膝关节 MRI 体积。
- OAIZIB-CM： 404 个膝关节 MRI 体积。
这些模型分割股骨、胫骨和髌骨的软骨，以及相应的骨骼（股骨和胫骨）。在推理过程中，通过在概率空间进行体素级平均，融合两个模型的预测结果，以利用各自的互补优势。
2. 几何后处理
为了确保解剖学的合理性并消除分割伪影，该流水线应用了基于规则的几何精细化处理：
- 连通分量清理： 根据物理体积阈值移除微小的、伪影性的成分。
- 软骨下骨带构建： 利用从软骨-骨界面出发的欧几里得距离变换（EDT），在股骨和胫骨内部生成固定厚度（10 mm）的骨带。
- L/M 分区： 考虑到训练专门的网络来预测内外侧标签在面对领域偏移时表现不稳定，作者采用了一种数据驱动的几何规则：
- 从胫骨平台（软骨或骨掩码）导出参考点云。
- 通过 PCA 确定上-下轴。
- 使用 k-means 聚类（k=2）将剩余的 2D 平面划分为外侧和内侧簇。
- 将簇分配映射到扫描仪的左右方位。该规则一致地应用于所有结构（股骨/胫骨软骨和骨带）。
3. 感兴趣区域 (ROI) 定义
该流水线定义了每个膝关节的 10 个主要 ROI：
- 股骨、胫骨和髌骨软骨（分为 L/M）。
- 股骨和胫骨软骨下骨带（10 mm 厚度，分为 L/M）。
4. 影像组学分析
- 特征提取： 使用 PyRadiomics，系统从每个数据集中提取 4,650 个非形状特征（一阶统计量、纹理矩阵如 GLCM/GLRLM，以及通过 LoG 和小波变换过滤的特征）。
- 质量控制： 自动 QC 检查体积、平均厚度和 L/M 厚度比，以标记解剖学异常值。
- 分类： 训练模型（LASSO, kNN, SVM, XGBoost）来分类 OA（KL ≥ 2）与非 OA，并将全量影像组学特征与“尺寸相关”特征（与体积/厚度高度相关的特征）进行对比。
关键结果
分割性能
- 域内性能 (OAIZIB-CM)： 几何后处理显著改善了表面指标。平均对称表面距离 (ASSD) 从 2.63 mm 降至 0.36 mm，HD95 从 25.2 mm 降至 3.35 mm，同时 Dice 相似系数 (DSC) 从 0.892 提高到 0.907。
- 零样本性能 (SKI-10)： 在无需微调的情况下，该流水线实现了 0.80 的宏平均 DSC。后处理在未降低重叠度的前提下提高了表面精度（ASSD：1.07 → 0.94 mm）。
- L/M 稳定性： 直接训练用于预测 L/M 标签的 nnU-Net 在域内表现出高准确度，但在零样本设置（SKI-10 和 Po-OA）中出现了侧向交换和不稳定性。相比之下，几何 L/M 规则在所有数据集上均保持了确定性和稳定性。
解剖学质量控制
- 流水线正确重现了已知的解剖学不对称性：在所有队列中，内侧胫骨软骨始终比外侧软骨更小且更薄（比例约为 0.86–0.88）。
- 股骨软骨显示出近乎对称的体积和厚度，验证了该流水线不会引入人为偏差。
影像组学发现
- 特征独立性： 每个 ROI 中只有 6–12% 的影像组学特征与 ROI 尺寸（体积或厚度）强相关。软骨下骨带表现出比软骨更低的尺寸依赖性。
- 区域耦合： 同一骨骼内以及股/胫骨单元之间的软骨下骨带影像组学谱具有强耦合性。髌骨软骨在影像组学上似乎与胫股结构是孤立的。
- 分类性能：
- 在 OAIZIB-CM 上，基于影像组学的模型实现了 0.91 的 AUC，显著优于受限于尺寸相关特征的模型（AUC ≈ 0.77）。
- 在临床 Po-OA 队列中，影像组学模型（RBF-SVM）实现了 0.83 的 AUC，而尺寸相关特征约为 0.73。
- 这证明了该流水线捕获的纹理信息提供了超越简单形态学测量值的判别能力。
重要性与主张
论文声称，LM-CartSeg 通过解决手动分割的瓶颈以及纯数据驱动解剖标签的不稳定性，为多中心膝关节 OA 影像组学研究提供了一个实用且可重复的基础。
- 鲁棒性： 将深度学习用于初始分割，结合简单的几何规则进行解剖分区（L/M）和 QC，确保了在不同数据集和成像协议下的稳定性，克服了纯深度学习方法中常见的“领域偏移”问题。
- 超越形态学： 研究表明，自动化影像组学可以提取出不仅仅是软骨厚度或体积代理指标的判别性纹理特征，从而为理解 KOA 中耦合的软骨-骨病理学提供新见解。
- 可扩展性： 通过将整个流程从原始 MRI 自动化到影像组学特征，该方法使大规模研究成为可能，而此类研究此前受限于手动定义 ROI 的高强度劳动。
作者明确指出，虽然该流水线具有鲁棒性，但其设计初衷并非作为本研究中的跨中心部署分类器；相反，它作为一个工具，用于生成高质量、经过 QC 的 ROI 和特征，以便进一步研究早期疾病检测和进展。
每周获取最佳 computer science 论文。
受到斯坦福、剑桥和法国科学院研究人员的信赖。
请查收邮箱确认订阅。
出了点问题，再试一次？
无垃圾邮件，随时退订。