文摘

本研究旨在探讨磁共振成像(MRI)的应用价值,基于深度图像学习算法在胫骨平台骨折诊断结合半月板损伤。最初的MRI图像输入到深度学习卷积神经网络(CNN),和膝关节undersampled完全采样MRI图像数据被用于训练获得神经网络模型,可以有效地去除噪声和模糊的undersampled形象。然后,Regridding模型获得的图像重建的图像用更少的噪音和更清晰的结构。同时,所有的受试者都接受膝关节MRI检查,和算法被用来分析灵敏度、特异性和准确性的图像。160年人们发现半月板从80例胫骨平台骨折,64是正常半月板和88半月板受伤。敏感性、特异性和准确性的优化MRI在诊断胫骨平台骨折合并半月板损伤是96.9%,93.2%,和95.3%,分别。总之,恢复了MRI图像在半月板损伤的诊断灵敏度高和高一致性与术中结果。它表明,优化的核磁共振图像有效的诊断半月板损伤。

1。介绍

膝关节是一个典型的滑车关节。这是最大和最复杂的关节,熊的身体的重量。是由股骨下端、胫骨上端的膝盖骨,半月板(1,2]。之间的负重区股骨和胫骨,半月板有缓冲的功能,润滑,吸收能量,减少胫骨和股骨之间的压力在日常生活中。胫骨平台骨折是一种关节内的膝盖骨折引起的间接或直接的暴力。当暴力直接撞击的内部或外部一侧膝关节,膝关节外翻或内翻足会发生,导致胫骨平台骨折。半月板是极其容易受到伤害在膝关节(由于特殊的地位3]。在膝关节损伤半月板损伤更为常见。一般来说,半月板损伤可能是由于慢性变性或严重创伤,也可以复杂的其他软组织损伤膝盖,如关节囊损伤、软骨损伤。通常,这也是导致膝关节的部分损伤后肿胀。当膝关节弯曲,内侧半月板向后移动,当膝关节伸展,半月板往前移动。当这种矛盾运动超出正常范围,半月板损伤和可能发生撕裂。

这种骨结构的诊断和治疗结合软组织损伤是复杂的。这时,治疗不当或未能及时发现半月板损伤会导致创伤性骨关节炎在后续,这将进一步导致严重的关节功能障碍,影响患者的治疗和术后康复的进展。更糟的是,它会导致不必要的经济损失和心理压力。根据相关研究,胫骨平台骨折合并半月板损伤已变得越来越常见,发病率从47%到99% (4]。因此,正确的诊断半月板手术前和其他软组织损伤具有重要意义。如今,半月板和其他软组织损伤临床诊断方法包括关节镜检查、MRI,膝盖b超(5,6]。关节镜虽然很准确诊断这种类型的软组织损伤,该方法是一种创伤,会造成更多的痛苦和创伤并发症。膝关节b超诊断的准确性不够高,因此其临床使用也是有限的。磁共振成像(MRI)高分辨率的软组织膝关节(7),具有较高的特异性和灵敏度损伤诊断的网站。更重要的是,核磁共振检查非侵入性较低的辐射(8,9),因此MRI诊断半月板损伤在临床实践中广泛应用。

尽管如此,MRI诊断结果往往不同于临床实际情况。这可能是因为在MRI检查,图像会出现模糊,工件由于肢体的运动,特殊的考点,心跳和呼吸。CNN是一个前馈神经网络的典型代表,它表现突出在图像处理包括图像分类、目标检测和图像分割。上图,在这项研究中,一个卷积神经网络(CNN)的算法恢复图像。图像恢复模型基于Regridding方法可以保留丰富的图像特性。因此,它被用来改善半月板损伤的MRI图像质量分析MRI图像的应用价值基于深度学习在诊断半月板损伤和预期为后续相关临床提供理论基础和数据操作。

2。材料和方法

2.1。研究对象

80名患者被诊断为胫骨平台骨折被选为研究对象,其中48是男性患者和32岁女性患者,年龄在24至67年。44的胫骨平台骨折患者来自交通创伤,和剩下的36例胫骨平台骨折。根据6-classification Schatzker在1974年提出的方法基于骨折x射线,受试者分为6类:I型8例,12例II型、III型16例,4例IV, V型8例,32例VI。以上类型的患者参与这个研究经历了膝盖手术,期间经历了核磁共振和术中半月板检查治疗。

入选标准如下:(I)患者胫骨平台骨折合并半月板损伤;(2)16 - 70岁;(3)横向高原骨折显示显著的位移或崩溃,和内侧高原关节面保持相对完整;(IV)患者没有over-knee手术;和(V)患者无手术禁忌症。

排除标准如下:(I)患者其它膝关节疾病和严重膝关节畸形;(2)患者凝血功能障碍或其他原因无法做手术;和(III)的患者没有签署手术同意书。

实验经医院伦理委员会批准。参与者和他们的家人被告知实验的相关问题,他们都签署了知情同意书。

2.2。膝关节MRI检查和诊断标准

磁共振扫描系统使用。仰卧的病人躺在检查床上,膝关节保持笔直,和小牛是固定的沙袋。膝关节由20°外部旋转-30°。病人应该仍然在扫描。

按照Schatzker分类(10),Schatzker I型骨折侧平台分离骨折,没有关节面崩溃,和大多发生在年轻患者没有骨质疏松症;Schatzker II型骨折侧平台分裂崩溃,通常发生在40岁以上患者;Schatzker III型骨折是简单的横向平台崩溃,这可能发生在任何关节表面的一部分,但它常常是中心区域;Schatzker IV型骨折通常是由高能量暴力,如膝盖错位和外侧半月板损伤,而且它是相对罕见的临床实践;Schatzker V骨折bicondylar骨折,不同程度的关节面塌陷和位移;Schatzker VI型骨折大多是高能量暴力造成的,一般bicondylar骨折加上metaphyseal骨折,更常见的在高瀑布和容易osteofascial筋膜室综合征,血管和神经损伤。

2.3。Regridding模型

核磁共振技术收集数据在空间频率域并重建图像。因为收集的数据在空间频率域不相等的时间间隔分布,图像通过傅里叶变换不能迅速重建。因此,收集到的数据需要网格。杰克逊网格算法是公认11)由于其计算简单,计算时间少,表达如下: 在哪里 代表了重新取样磁共振图像数据,F代表了核磁共振数据在不同采样间隔, 代表不均匀采样的密度补偿功能,C代表卷积函数,n代表抽样函数在相等的时间间隔,T代表了以不平等的间隔采样。 代表乘法, 代表卷积操作。

杰克逊网格算法中使用的函数是Kaiser-Bessel函数,表示如下: 在哪里 代表了Kaiser-Bessel函数, 代表零变形贝塞尔函数, 代表了窗口长度。

核磁共振图像重建后的网格算法表达如下: 在哪里 图像重建的算法, 代表的傅里叶变换 ,c代表傅里叶反变换,p代表了矩形函数。

进一步的研究和创新的网格算法,网格算法已得到改进,优化网格算法叫Regridding算法(12]。然后应用于重建MRI图像,表示如下: 在哪里米代表了正弦插值系数矩阵,r代表了n矢量空间数据点的网格,和 代表了米矢量空间数据点的轨迹。由于计算量太大,近似迭代解决。

其中, 代表的近似解r∗厄密共轭转置,D=诊断接头(d)代表了对角矩阵,d是density-weighted m维向量。然后,下面的方程是通过结合方程(4)和(5)。

时的值 无限接近M, d是此刻最优解,表示如下:

矩阵米表示如下: 在哪里T代表了Kaiser-Bessel插值矩阵,R代表了傅里叶矩阵,U代表了对角矩阵,却是前文所提到的 代表了反褶积的结果。然后通过结合方程(以下方程4)和(8)。

因为的价值 将插值函数的影响,进一步改善后,迭代计算方法用于优化,和初始化的估计 得到了改进。从 ,一个准确的估计价值。

一个 值接近1显示一个更好的密度加权结果。

最后Regridding undersampled MRI图像重建的图像重建算法。 在推广代表undersampled空间数据的重建的MRI图像,其中包含大量的噪声和模糊,MRH代表了重建完全采集的MRI图像,然后呢F代表CNN所学的函数。

CNN模型用于处理undersampled图像,最后完全采样得到核磁共振图像。计算方程和结构如图1其中 代表了undersampled MRI图像, 代表了重量, 代表偏移量, 代表卷积操作, 代表了激活函数(13),而BM代表了正规化操作(14]。


图1
CNN结构的示意图。

网络的损失函数模型表示如下: 在哪里 undersampled图像的像素, 代表完全采样图像的像素,N代表了MRI图像的像素数量,和 代表了损失函数。

2.4。统计处理

SPSS19.0软件是用于统计分析。测量数据符合正态分布均值±标准差所代表的,由独立样本和群体之间的差异进行了分析t以及。测量数据不符合正态分布中值和所表达的是四点的位置,和非参数秩和检验是用于分析组织之间的区别。统计数据所表达的n(%)和群体之间的差异采用卡方检验。 是阈值的意义。

3所示。结果

3.1。重构和优化图像基于深度学习

Regridding模型图像重建算法被用来优化膝关节MRI undersampled图片,和一个完全采样MRI图像。发现undersampled MRI图像包含明显的噪声和模糊,和一些结构性图像是模糊的。Regridding图像重建后的模型中,MRI图像用更少的噪音和更清晰的结构,如图2。


图2
重建膝关节MRI图像的基于深度学习(左边是原始的MRI图像;右边是核磁共振成像图像重建后)。
3.2。CNN模型

CNN undersampled图像处理的模型,和膝关节undersampled完全采样MRI图像数据被用于训练获得神经网络模型,可以有效地去除噪声和模糊的undersampled形象。核磁共振图像处理的优化神经网络模型图所示3和4。图3表明,模糊的部分被CNN,恢复和图4表明,阴影部分是恢复了CNN。


图3
恢复模糊部分由CNN:(一)之前模糊图像恢复;(b)由CNN清晰的图像恢复算法。

图4
阴影部分的恢复CNN: (a)与影子之前恢复图像;(b)由CNN deshadowed图像恢复算法。
3.3。诊断半月板损伤MRI图像重建的效果

160半月板的80例胫骨平台骨折合并半月板损伤,88年有64名正常半月板和胫骨平台骨折合并半月板损伤分析和诊断后,4被诊断为胫骨平台骨折合并半月板损伤的MRI图像,但没有证实手术期间,和2被发现是胫骨平台骨折合并半月板损伤,但没有在核磁共振图像分析诊断,如图5。以手术期间诊断的结果为金标准,敏感性,特异性,和精度优化MRI在诊断胫骨平台骨折合并半月板损伤分别为96.3%,93.4%,和96.1%,分别。因此,优化的核磁共振图像有很高的敏感性和准确性。


图5
胫骨平台骨折的MRI诊断功效结合半月板损伤。

核磁共振图像之间的一致性和术中情况进行了比较。结果如图所示6。


图6
术中诊断和MRI诊断结果之间的一致性。
3.4。半月板撕裂分类基于重建的MRI图像

160年从80例胫骨平台骨折合并半月板半月板损伤,被诊断为半月板撕裂的类型,和MRI分类结果与术中观测结果分析两者之间的一致性,如图7。的一致性水平撕裂为0.63,横向撕裂为0.64,纵向撕裂为0.78,斜裂缝为0.96,0.99和未被发现的眼泪。


图7
核磁共振和术中观测结果之间的一致性半月板撕裂的分类。

4所示。讨论

半月板是half-moon-shaped骨位于内外两侧胫骨关节。边缘部分较厚,中心部分是薄。的边缘部分半月板后可以慢慢修复受损,但它本身不能修复后严重破裂。然而,严重受损半月板切除后,半月板纤维软骨可以通过滑膜(再生15]。外三分之一的正常半月板有许多血管,称为红色区域,第三中间有一些毛细血管,称为红白带,还有几乎没有毛细血管内,称为白色区域(16]。当使用MRI扫描半月板,每个序列的核磁共振显示低信号(17]。当扫描的半月板4毫米的厚度,半月板展品均匀低信号。胫骨平台骨折合并半月板损伤是常见的膝关节损伤。胫骨平台骨折合并半月板损伤可能是由于慢性变性或严重创伤,也可以复杂的其他软组织损伤膝盖,如关节囊损伤、软骨损伤。通常,这也是导致膝关节的部分损伤后肿胀。当膝关节弯曲,内侧半月板向后移动,当膝关节伸展,半月板往前移动。当这种矛盾运动超出正常范围,胫骨平台骨折合并半月板损伤和可能发生撕裂。相关研究表明,半月板是极其容易受到伤害在膝关节(由于特殊的地位18,19]。为了提高胫骨平台骨折的诊断效率,介绍了深度学习处理胫骨平台骨折的MRI图像。

MRI诊断胫骨平台骨折是一种广泛使用的方法与高敏感性和特异性结合半月板损伤。当半月板撕裂,滑液将进入裂缝的半月板。因此,氢质子内部半月板的浓度增加,所以,半月板撕裂的部分将显示高信号下核磁共振扫描(20.,21]。MRI图像根据不同情况的胫骨平台骨折合并半月板损伤和眼泪,有多种分类方法。根据胫骨平台骨折的4层分类方法结合半月板损伤科夫et al。(2020)提出的22),0级意味着正常半月板显示均匀低信号,形状完好无损;我意味着半月板出现增强信号的影子;II级意味着半月板显示高强度线性的影子,不影响关节面;第三和水平意味着半月板异常高强度信号表明,影响关节面,和三个连续的出现类似的信号表明,半月板撕裂。

核磁共振图像数据会出现模糊,工件和噪声由于肢体运动,特别检查部分,心跳和呼吸,所以,MRI图像需要重构和优化。欠采样技术可以有效地减少所花费的时间在数据收集过程中,但同时它也会影响图像的准确性。深度学习提供了一个更方便和快速提高诊断效率的方法在医学领域(23]。因此,神经网络模型可以用来学习膝关节MRI图像数据的采样充分取样培训。训练模型可以优化和重建膝关节MRI图像,不受物理、生理、和硬件条件。总数的结果显示,160年80例胫骨平台骨折患者半月板结合半月板损伤、半月板是正常的64和88半月板受伤。敏感性、特异性和准确性的优化与半月板损伤MRI在诊断胫骨平台骨折是96.9%,93.2%,和95.3%,分别。MRI图像深度学习重建算法优化的高灵敏度的胫骨平台骨折加上半月板损伤的诊断与术中结果有很高的一致性。这表明,优化的核磁共振图像是有效的在胫骨平台骨折的诊断半月板损伤。

5。结论

在这项研究中,深度学习技术被用来重建膝关节的MRI图像,以进一步提高胫骨平台骨折的临床诊断效率结合半月板损伤。结果表明,重建模型基于深度学习CNN算法可以重构和优化膝关节MRI图像。优化的核磁共振图像高灵敏度和准确性在胫骨平台骨折加上半月板损伤的诊断与术中结果有很高的一致性,表明优化后的MRI图像有效的胫骨平台骨折的诊断结合半月板损伤。然而,这项研究的缺点是,包括样本量很小,所以本研究的片面性和局限性是不容忽视的。在后续,扩大样本容量是必要的加强这个研究的发现。总之,这项研究提供了基础和理论支持的后续治疗膝关节骨折加上半月板损伤。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。