一種用于膝關節(jié)軟骨T2值測量的自動分區(qū)方法.pdf

1、關節(jié)軟骨屬于透明軟骨，表面光滑，能減少相鄰兩骨之間的摩擦，緩沖運動時產生的震動，呈淡藍色，有光澤，是覆蓋在骨骺端部的一層特殊光亮結締組織的膠原纖維組成的結構，這種結構使關節(jié)軟骨受到壓力時候，還可以有少許的變形，緩解沖擊力傳遞負荷的作用，是維持關節(jié)活動必需的組織結構。因此，人們在運動前最好先活動一下關節(jié)，使關節(jié)充分潤滑，防止關節(jié)軟骨損傷。但反過來說，關節(jié)運動又是必需的，它對于維持關節(jié)軟骨的正常結構起到重要作用。因為維持關節(jié)軟骨的正常代謝的

2、是散在分布在纖維之間的軟骨細胞，它們由橢圓或圓形的細胞從淺層向深層逐漸組成，其營養(yǎng)成分和代謝廢物必須從關節(jié)液中取得或排出，而關節(jié)軟骨的這種營養(yǎng)代謝的途徑就是關節(jié)運動，使關節(jié)軟骨不斷的受到壓力刺激才行。骨關節(jié)炎(Osteoarthritis，OA)是一種非常常見的老年性疾病，在導致殘疾方面僅次于心臟病，對衛(wèi)生保健系統(tǒng)而言有著相當大的社會經濟影響。它會造成疼痛和在關節(jié)運動時表現為失去彈性的剛性活動，而疼痛和活動的減少會引起患病關節(jié)周圍的肌肉

3、和韌帶的萎縮，從而導致關節(jié)畸形及功能障礙。而引起這種疾病的核心環(huán)節(jié)是關節(jié)軟骨的磨損，破裂，變薄，因此，對關節(jié)軟骨病變的早期診斷和治療就顯得尤為重要。
　　 目前，治療OA主要局限于癥狀的控制和治療此疾病藥物的研究。因此，人們在分析關節(jié)軟骨和有關它的疾病進展方面進行了大量的研究。其中X線、CT等方法都可以用來評價關節(jié)軟骨，但是這些方法并不能用于軟骨病變早期階段特別是形態(tài)輪廓尚未改變之前的生化成分改變階段的診斷。隨著MR成像技術的飛

4、速發(fā)展，MR成像因其多方位、多序列、多參數及無創(chuàng)傷性，且能直接觀察OA患者關節(jié)結構的改變，已經越來越多地運用于關節(jié)軟骨早期病變的診斷特別是形態(tài)輪廓尚未改變之前的生化成分改變階段的診斷。其中，T2圖(T2mapping)成像作為一種新的MR成像技術，已成為關節(jié)軟骨病變早期診斷及病情監(jiān)測的敏感標記。T2弛豫時間（T2 relaxation time）可以用T2圖進行量化測定，是橫向磁化弛豫衰減至最大信號強度的37％所需的時間。其成像的原理為

5、:首先，采用多層面多回波的自旋回波序列，采用相同的TR時間，不斷改變TE時間進行掃描，就可以得到一系列的T2加權圖像;然后計算出這些圖像中各個像素的T2值，可量化分析的灰階或彩色階T2圖就重構出來了。隨著軟骨退變的程度加重，T2值也隨著升高。而T2圖成像技術這所以能夠有效指導臨床及早診斷及治療，是因為它可以敏感地反映出關節(jié)軟骨形態(tài)輪廓無明顯改變之前的生化成分的改變。
　　 目前對改進關節(jié)病的早期診斷的研究主要是在提高分割速度和自

6、動化程度兩個方面。對于軟骨T2圖的分割，Rother提出了一個有效的基于圖分割的交互式分割算法。此算法原理是，把一個矩形覆蓋在一個待分割區(qū)域上，使用灰度值直方圖來分割區(qū)域;2006年Tang提出了一種半自動的梯度向量流(GradientVector Flow, GVF)蛇形的改進算法，此算法吸收了梯度方向信息，并用B樣條來模型化軟骨邊界，通過增加控制點的方式來實現更準確的軟骨邊界分割;而Folkesson、Dam等提出了一種體像素分類的

7、方法，開始是運用kNN算法來將軟骨邊界和背景分開，達到軟骨分割的目的，后來針對kNN算法分類的計算復雜性，又提出了一個有效的分類方法，其原理為把一系列隨機采樣的體像素分為軟骨或是背景像素，而不是對每個單獨的體像素進行分類，即如果一個體素被分類為軟骨，那么繼續(xù)分類其鄰近的像素，直到沒有像素被分類為軟骨為止。上述的方法雖然提取出軟骨區(qū)域，可是沒有實現把軟骨區(qū)域再自動分層或分區(qū)域。根據從軟骨表面到軟骨深層組織結構的不同，可將軟骨分為4層，分別

8、為表層、過渡層、放射層和鈣化層。Modl等首先發(fā)現關節(jié)軟骨在T2加權圖像上呈3層表現，分別是深層、中間層和淺表層，并且認為深層與放射層及鈣化層對應，中間層與過渡層對應，而淺表層與表層對應。其各層的結構特點是:淺表層膠原纖維較薄且緊湊，平行于關節(jié)面，水含量最高;中間層為膠原纖維排列不規(guī)則，呈斜行隨機狀，水含量次之;深層膠原纖維較厚，垂直于關節(jié)面，水含量最少，提供最大的抗壓力量。其中，關節(jié)軟骨的膠原纖維高度有序的排列導致了關節(jié)軟骨結構的各向

9、異性，而關節(jié)軟骨的T2值恰恰取決于軟骨組織結構的各向異性、膠原及其排列方向、水含量的變化。因此，關節(jié)軟骨內某層或某區(qū)域內生化成分的變化，就意味著此層或此區(qū)域內的T2值的改變。而OA發(fā)生時，最早可見的軟骨組織形態(tài)變化是膠原分層結構的消失，導致T2值的升高。所以，實現關節(jié)軟骨的自動分層對于分析不同區(qū)域的信號強度、探討關節(jié)軟骨功能承重區(qū)以及早期診斷軟骨病變都有重要意義。而本文所要實現的就是在膝關節(jié)軟骨T2圖上把軟骨區(qū)域自動分為三層九區(qū)域（每一

10、層可分為三個區(qū)域，分別是外側區(qū)域，中間區(qū)域和內側區(qū)域）。
　　 本文所采用的T2圖是由Philip Intera1.5T超導MR SENSE-Flex-M線圈行膝關節(jié)橫軸位掃描所得，掃描范圍自髕骨上緣水平至脛骨平臺，在足部放置了一沙袋固定體位。T2圖成像掃描參數:采用8回波SE序列，TR1300ms，TE10～90 ms，層厚3mm，層間距1.5 mm，層數12，視野(FOV)180 mm×140mm，像素矩陣512×512，2

11、次采集，掃描時間約為7min。共掃描15個膝關節(jié)（左側膝關節(jié)7個，右側膝關節(jié)8個），年齡為23～42歲之間，平均年齡為28.6±5.3歲，所有患者均簽署知情同意書。共得到15組數據（T2圖），再由臨床經驗豐富的放射科醫(yī)生勾勒出髕軟骨區(qū)域。本文將這幅由醫(yī)生勾勒出軟骨區(qū)域的膝關節(jié)軟骨T2圖像變?yōu)橐环浌菂^(qū)域為白，其他區(qū)域全變黑的二值圖像。然后由形態(tài)學函數對圖像進行形態(tài)學處理可取得軟骨區(qū)域邊緣線，這是一個閉區(qū)域線，即軟骨區(qū)域的輪廓圖。接著通過

12、形態(tài)學函數提取軟骨區(qū)域的中軸線，并改變函數的參數去除毛刺。然后就可把中軸線的橫、縱坐標分別與一階微分的高斯核進行卷積運算后計算出切線的斜率，再由切線的斜率計算出法線的斜率，由法線的斜率又得出法線的方向，進而求出各法線的橫、縱坐標。每一條法線與軟骨區(qū)域邊緣線都有兩個交點，再取把這兩個交點距離三均分的兩個點，如此可得到四個點，從上到下依次歸類為A、B、C、D，對A、B、C、D類點分別進行線性插值可得到四條分界線，軟骨區(qū)域就可分為三層，分別為

13、膝關節(jié)軟骨的深層、中間層、淺表層。再分別計算軟骨區(qū)域的各點到四條邊界線的最小距離，就可判斷這個點是在哪兩條邊界線內，依此類推，就可把軟骨區(qū)域的各點分層了。在軟骨區(qū)域輪廓圖均分為三層的基礎上，選取把中軸線三均分的兩條法線，就可把每一層再均分為左、中、右三個區(qū)域，把各區(qū)域的坐標代入原膝關節(jié)軟骨T2圖中，就可求出T2圖上各區(qū)域T2值的均值，其空間分布為關節(jié)軟骨深層至淺表層呈先降低后升高的趨勢，越接近關節(jié)軟骨表面T2值越高。
　　 本文

14、采用Bland-Altman統(tǒng)計學分析方法來評價兩位醫(yī)生之間及手工和自動之間測定結果的一致性。其原理是計算兩次測量結果的差值均值和差值標準差，接著可計算出其95％一致性界限，并用圖形的方法直觀地反映這個一致性界限，若一致性界限小于兩次測量結果均值最小值的1/2，即判定為一致性良好。同時也通過變異系數(Coefficient Of Variation, COV)對兩種測量結果進行一致性評價。實驗所測醫(yī)生1、醫(yī)生2分區(qū)測量結果的均值分別是3

15、9.06ms、39.71ms，差值的均值為-0.66ms，差值的標準差為2.05ms，則95％一致性界限為-0.66±1.96×2.05ms，即(-4.68ms，3.36ms)，其變異系數COV=2.05ms/39.39ms=5.20％。手工分區(qū)和自動分區(qū)測量結果的均值分別是39.39ms、39.31ms，差值的均值為0.08ms，差值的標準差為1.59ms，則95％一致性界限為0.08±1.96×1.59ms，即(-3.04ms，3.

16、20ms)，其一致性界限窄（遠遠小于兩組結果均值的最小均值39.31ms的1/2），變異系數COV=1.59 ms/39.35 ms=4.04％，表明手工分區(qū)和自動分區(qū)這兩種方法的一致性良好。在一致性界限范圍內，差值的絕對值最大為3.20ms，醫(yī)生分割結果的最小平均值為39.31ms，這種相差的幅度在臨床上是可以接受的，從臨床實際角度可以認為這兩種方法具有較好的一致性。由此可說明自動分區(qū)方法不僅可替代手工分區(qū)方法，而且克服了手工分區(qū)方法