CT扫描中基于深度学习的解剖标志识别

全世界每年有数百万人接受某种类型的正畸治疗，这主要是由于颌骨、头骨或面部的发育畸形。计算机断层扫描 (CT) 成像是外科医生在规划此类治疗(尤其是手术)时的首选技术。这是因为 CT 提供了骨骼和牙齿的 3D 图像，这有助于外科医生详细分析复杂的病例，并据此确定最佳治疗方案。

在 CT 扫描期间，外科医生通常会尝试在图像中精确定位特定的解剖学标志。这些是人体中的不同点，可用作进行测量和评估状况或畸形的参考。然而，找到这些地标可能非常耗时并且需要相当高的技巧。因此，许多研究人员尝试使用人工智能 (AI) 使这一过程自动化，并取得了不同程度的成功。

现有 AI 方法的一个常见问题是它们依赖于称为“分割”的过程。在医学图像分析中，分割意味着将图像分成不同的相关区域，例如单个骨骼或特定组织组。虽然这种方法对大多数人来说效果很好，但对于有植入物或畸形(包括缺失或骨折)的患者来说，它们往往会失败。但是，如果我们能找到一种方法来执行解剖标记而不需要先分割图像呢?

据 医学影像杂志 (JMI)报道，这是西北大学研究团队进行的一项研究的目标 . 研究人员假设深度学习 AI 模型应该能够学习颅颌面 (CMF) 骨骼(颅骨、面部和颌骨)的解剖标志之间的空间关系，而无需明确的图像分割。“这种人工智能模型可以自动学习解剖结构及其根本原因之间的关系的方法被称为‘关系推理’。” 虽然关系推理在机器人技术中广为人知，但在医学成像中几乎没有考虑到关系推理，”通讯作者、西北大学放射学和生物医学工程系副教授 Ulas Bagci 解释道。

在设计模型时，研究人员试图回答以下问题：(a) 是否有可能仅通过学习其中的几个来识别所有解剖标志?(b) 哪些地标对模型来说信息量最大?他们战略的一个重要方面是实施一个可以学习“本地”和“全局”关系的模型架构。局部关系是指一对地标之间的相对位置，而全局关系是指地标相对于所有其他地标的位置。

因此，他们称之为“关系推理网络”(RRN) 的拟议 AI 模型的架构有两个阶段，其中包含称为“关系单元”的核心模块。在第一阶段，模型了解给定地标集成员之间的局部关系。在第二阶段，模型了解每个地标与其余地标之间的全局关系。该团队使用从人工增强的 250 张 CT 扫描图像数据集派生的大量地标数据集来训练模型。数据集中包含的很大一部分患者存在先天缺陷、发育畸形、骨骼或牙齿缺失以及之前的手术干预。

研究人员测试了几种地标组合，以确定性能最佳的组合。他们还将模型的性能与传统的基于 AI 的标记方法进行了比较。总的来说，RRN 的准确性非常好，与之前报道的技术一致或更好。此外，该模型显示出良好的通用性，这意味着它在使用在不同条件下收集的以前看不见的数据进行测试时表现良好。研究人员认为，这是因为 RRN 框架可以学习 CMF 地标之间的功能关系，这些地标在大畸形的情况下在一定程度上仍然存在。

“在最困难的情况下，每个解剖标志的误差小于 2 毫米，我们研究中开发的方法不仅可以帮助外科医生节省时间，还可以避免可能因分割失败而导致的错误标志。此外，它为未来旨在学习身体其他部位解剖标志之间关系的人工智能模型开创了先例，”乐观的 Bagci 总结道。

让我们希望更多此类研究将帮助外科医生越来越多地利用人工智能在医学图像分析中的力量。