[发明专利]用于椎骨骨折的识别的三维医学图像分析方法和系统

说明书

本发明提供了一种基于机器的学习方法来估计3D图像中的骨折的概率，更具体而言椎骨骨折的概率。利用该方法的方法和系统利用数据驱动的计算模型来学习用于对椎骨骨折进行分类的3D图像特征。

技术领域

本发明涉及医学图像分析，并且提供了一种用于识别3D图像中的骨折的，更具体而言识别椎骨骨折的，系统和方法。

背景技术

骨质疏松症是一种影响骨骼的疾病，其中骨骼变弱的增加会增加骨折的风险。常见的骨质疏松性骨折发生在脊柱的椎骨、前臂的骨骼和髋部。每3秒钟就会发生一次骨质疏松性骨折，其中最常见的是椎骨骨折(Johnell等人，2006年)。椎骨骨折预示着后续的骨折，例如具有中度或重度椎骨骨折的患者发生后续髋部骨折的风险高4.8至6.7倍(Buckens等人，2014年)。Roux等人证明，发生轻度椎骨骨折的四分之一患者将很可能在随后的两年内再次发生骨折(Roux等人，2007年)。

椎骨骨折的临床评估是困难的，因为许多患者不知道他们已遭受椎骨骨折。据估计，只有三分之一的椎骨骨折受到临床关注(Cooper等人，1992年)，而放射科医生在含脊柱的CT中漏报了54％的椎骨骨折(Mitchell等人，2017年)。尽管国际骨质疏松基金会已努力提高对椎骨骨折的认识并提供有关椎骨骨折检测的培训，但临床中心的骨科护理人员几乎没有筛查和早期诊断具有椎骨骨折的患者的方法。

用于放射科医生的图像分析的常见方法涉及根据提出的问题来查看3D图像的特定2D切片。这将图像分析步骤限制在特定的问题上，并消除了原始3D图像中潜在有价值的信息。当前的放射学实践是根据Genant的半定量椎骨骨折评估(VFA)方法对椎骨骨折进行分级的(Genant等，1993年)。该方法评估在3D图像模式(CT，MR)中的中矢状面处/周围或X射线图像中的椎体形态。如Buckens等人的报道(2013年)，胸部CT上观察者内和观察者间的可靠性以及半定量VFA的一致性在患者和椎骨水平上都并非微不足道。

椎骨压迫性骨折的外观和程度差异很大(Schwartz和Steinberg，2005年)。关于脊椎骨折检测的大多数出版物都受到放射科医生如何应用Genant分类的启发：首先，他们试图以高准确度对椎骨进行分段，其次，对终板进行检测，最后，量化每个椎骨的高度损失以便检测椎骨骨折。

美国专利8,126,249公开了一种用于检测骨质疏松性骨折的基于形状的模型方法。Klinder等人(2009年)应用基于模型的方法来自动检测、识别和分段CT中的椎骨。该方法已在横断面和纵向研究中得到临床验证，该研究涉及使用一台Siemens MDCT扫描仪研究的80名患者。根据Genant分类，使用前、中和后高度降低来报告从T5到L5的分级椎骨骨折。Baum等人(2014年)报告了该方法的结果，其中对高度比进行ROC分析并且每次MDCT检查平均执行50分钟。(Yao等人，2012年)使用轴向高度指南针(compass)来检测和定位压迫性骨折，该指南针利用CT中存在的3D信息。该方法最近已经在横断面研究中进行了讨论，该研究涉及150名对照组患者，其报告按等级和类型从T1至L5对椎体压迫性骨折进行解剖定位和分类(Burns等人，2017年)。这项研究报告了使用1275个椎骨(其中210个胸椎体和腰椎体骨折)的私有数据集的具有95.7％的敏感性和43个假阳性结果的椎骨骨折检测。这些结果基于对椎骨骨折的自有定义(最小10％高度损失)。最近的出版物讨论了使用卷积神经网络(CNN)和递归神经网络(RNN)在CT中在患者水平检测压迫性骨折(Bar等人，2017年)。该算法在从分段脊柱提取的矢状面片上使用2D CNN，并预测患者图像中是否存在一个或多个椎骨骨折，而无需定位或计数骨折数量。

Buckens等人(2013年)使用三种患者水平和两种椎骨水平的测量讨论了在观察者内和观察者间的VFA在CT上的可变性和可靠性。作者得出结论，结果证明了可接受的可重复性，但是数据集使用了有限数量的图像(50)和椎骨骨折(2-4％)。对呈现结果的详细分析表明，使用监督学习的数据驱动方法必须处理关于(一组)(一个或多个)放射科医生提供的读数的明显噪声。