多激活卷积神经网络自动学习模型对膝关节软骨损伤的诊断效能分析

杨贵昌，钟妍其，朱彦，刘哲，王冬青

(1淄博市第一医院，山东淄博 255200；2江苏大学；3江苏大学附属医院)

膝关节软骨损伤由于部分患者临床症状不明显，且关节软骨的再生和修复能力有限，往往就诊时已发展成骨关节炎等关节难治性疾病。MRI检查能够及时发现临床上无明显症状的轻微膝关节软骨损伤，并有助于判断其病变程度。由于临床上针对不同分级膝关节软骨损伤而采取的治疗措施不同，且患者预后也存在明显差别，故膝关节软骨损伤的准确分级尤为重要。以往膝关节软骨损伤患者的MRI检查结果多采用传统人工阅片，费时费力，且准确性及可靠性均不够理想。传统机器学习分类中比较常用的是支持向量机(SVM)分类，是一种通过求解超平面进行分类的算法。多激活卷积神经网络(MACNN)自动学习模型是一种前馈神经网络模型，可在传统人工阅片基础上通过复杂的海量同类数据学习，掌握共性信息特征，进而达到精确分类识别的目的，具有参数相对较少、更新速度快的特点[1,2]。本研究以大样本量膝关节软骨多序列MRI图像作为训练集建立MACNN模型，并分析该模型对膝关节软骨损伤及其MRI分级的诊断效能。

1 资料与方法

1.1 临床资料 选择2016年5月～2018年8月淄博市第一医院收治、经关节镜手术确诊为膝关节软骨损伤患者117例，均为男性，年龄30～40(37.6±1.1)岁， BMI为15～25(22.7±0.8)kg/m2，关节镜诊断软骨损伤分级：Ⅰ级21例、Ⅱ级39例、Ⅲ级30例、Ⅳ级27例。纳入标准：①有关节疼痛或关节活动障碍，且持续时间超过3个月的首诊男性患者；②未经药物或外科手术治疗；③关节镜手术前进行MRI检查并排除其他关节病变。排除标准：①已入院治疗过的复诊患者；②既往严重膝关节外伤史；③MRI检查合并其他关节病变；④存在MRI检查禁忌证。选择男性健康志愿者23例，其年龄、BMI与膝关节软骨损伤患者相匹配。本研究通过医院伦理委员会审核，患者均签署知情同意书。

1.2 MRI检查及数据采集 膝关节软骨损伤患者关节镜手术前、健康志愿者入组后均进行膝关节MRI检查。数据采集设备采用3.0 T MR扫描仪及膝关节专用线圈。采集序列及相关参数：①水激发三维多回波数据联合成像(3D-MEDIC)序列，层厚1.0 mm，重复时间31 ms，回波时间17 ms，翻转角度8°，带宽190 Hz，视野160 mm×160 mm，120分区，矩阵512 mm×512 mm，层面内分辨率0.4 mm×0.4 mm，相位分辨率100%，切层分辨率75%。②水激发三维快速小角度激发(3D-FLASH)序列，层厚1.5 mm，重复时间16 ms，回波时间7.2 ms，翻转角度12°，80分区，带宽130 Hz，视野160 mm×160 mm，矩阵512×512，层面内分辨率0.4 mm×0.4 mm，相位分辨率100%，切层分辨率75%。③T2-mapping序列，层厚3 mm，重复时间2 124 ms，回波时间14 ms，翻转角度180°，视野159 mm×159 mm，矩阵384×384，平均次数1次。采用Siemens VB12工作站进行图像处理，包括3D形态学数据测量及T2-mapping伪彩显示。

1.3 膝关节软骨损伤的分级诊断方法 收集117例膝关节软骨损伤患者和23例健康志愿者的膝关节MRI图像共2 035幅，以此为基础分析传统人工阅片、SVM分类及MACNN模型三种方法对膝关节软骨损伤的总诊断效能及分级诊断效能。

1.3.1 传统人工阅片 将膝关节软骨MRI检查结果按照6个部位，即髌骨、股骨滑车、股骨内髁面、股骨外髁面、胫骨平台内侧面、胫骨平台外侧面，进行关节软骨分割、厚度测量、异常信号辨别及T2值测量。最后分别由两位高年资主任医师根据图像特征及所测数据对膝关节软骨损伤进行分级，结果不一致时邀请第3位高年资主任医师进行裁决判断，传统人工阅片分级诊断采用ICRS分级标准。

1.3.2 SVM分类 采用SVM分析膝关节软骨MRI检查结果。SVM分类方法采用公式1求解计算，其中y表示数据点的标签，值为-1或1，以方便于距离计算的公式推导。当w和b等比例放大时，d的结果不会改变，可以将其简化为公式2。通过拉格朗日乘子法对其进行求解，即公式3。对L中的参数，分别求偏导，并令偏导的值为0，带入公式4计算结果。

公式3：s.t.y(wTx+b)-1≥0

1.3.3 MACNN模型 训练集数据采集：查询并导出近期膝关节软骨MRI多序列原始图像共约5 000幅(包括水激发 3D-MEDIC序列、3D-FLASH序列及T2-mapping序列数据)，经过对图像进行可接受范围内的微量偏移或翻转，将训练集样本量扩充至一倍以上。

MACNN模型构架及运算：以上述训练集为基础导入MACNN模型开始进行自动训练学习，该MACNN模型包括5个卷积层、3个池化层、2个全连接层以及最后的分类输出层。卷积层卷积核均采用3×3，步长为1×1；池化层均采用2×2最大池化，步长为2×2；全连接层的神经元个数选择4 096个。在对MACNN模型训练过程中选择ubuntu16.04 64位系统下，采用英特尔i7 4.20 GHz CPU(Core i7-770K)、16 GB内存和NVIDIA GeForce GTX1070的显卡配置。初试学习率为1e-5，权重初始化选用“Xavier”，权重衰减值为0.000 5，学习率的衰减策略为“step”，gamma取值0.1。训练时设置100个epoch，将所有的BN层和激活层全部设置为预激活，最终选择softmaxloss函数计算网络的loss值。

MACNN模型诊断步骤：MACNN模型训练完成后，通过TensorFlow框架的内在函数进行模型保存，对应的保存格式可以为.mdf5或者是.pb等。根据相应的保存格式，采用对应的读取模型方法，分别读取模型结构和参数，将需要测试的图像路径放入代码中，通过已经训练好的模型参数返回预测的结果。

1.4 统计学方法 采用SPSS23.0统计软件。绘制传统人工阅片、SVM分类及MACNN模型三种方法诊断膝关节损伤及其分级的ROC曲线，计算曲线下面积(AUC)、敏感性、特异性及准确性。计数资料以率表示，结果比较采用χ2检验。P<0.05为差异有统计学意义。

2 结果

2.1 三种方法对膝关节软骨损伤的诊断效能比较 见表1。

表1 三种方法对膝关节软骨损伤的诊断效能比较

注：与传统人工阅片比较，aP<0.05，bP<0.01；与SVM分类比较，cP<0.05，dP<0.01。

2.2 三种方法对不同分级膝关节软骨损伤的诊断效能比较 见表2。

表2 三种方法对不同分级膝关节软骨损伤的诊断效能比较

注：与传统人工阅片诊断同等级膝关节软骨损伤比较，aP<0.05，bP<0.01；与SVM分类诊断同等级膝关节软骨损伤比较，cP<0.01。

3 讨论

膝关节是人体最大的关节，在日常生活及运动中常发生软骨、韧带损伤，而软骨由于其特殊的成分组成，一旦损伤便难以自愈，且随着时间的迁延可引发创伤性骨性关节炎[3]。膝关节软骨损伤近年来有年轻化及普遍化趋势，一些程度轻的损伤由于起病隐匿，往往容易临床漏诊而导致治疗延误，即使通过敏感性较高的MRI检查，部分不典型的Ⅰ级及Ⅱ级病变亦不能保证可以明确诊断[4]。

3D-MEDIC、3D-FLASH及T2-mapping序列均为影像学分析膝关节软骨损伤的重要序列[5]，能够最大程度地提供相应的影像学数据及特征，可以从膝关节软骨形态学变化、软骨水含量、软骨胶原异向性及软骨内蛋白聚糖含量变化等方面分析膝关节软骨是否损伤[6]，尤其是T2-mapping成像，能够在膝关节软骨功能层面进行损伤判断。Juras等[7]研究表明，在T2-mapping序列中，Ⅰ级及Ⅱ级病变的T2值差异不大，无法明确区分，而形态学相关的3D-FSE-Cube或3D-SPACE序列在部分病灶微小的Ⅰ级病变中应用价值受限[8]。在实际临床工作中，部分轻度膝关节软骨损伤由于图像特征变化极小，肉眼极易漏诊，加之受影像诊断医师水平及经验等因素影响，即使通过专用影像学分析软件也无法明显提高轻度膝关节软骨损伤的识别率及分级诊断准确率[9]。故需要更精确的手段对膝关节软骨损伤尤其是非常轻度的损伤加以识别及鉴别。

随着人工智能相关技术的兴起，机器学习分类成为解决该问题的一种新的思路及方法。在传统机器学习的众多算法中，SVM分类算法可以说是最稳定也是优势最明显的算法之一。但传统的机器学习分类方法所需样本量巨大，且需要人工设定图像特征值及概率值，具有结果不稳定及过高的假阳性率等缺点[10]，在实际应用中其可行性容易受到质疑。为了解决该问题，本研究团队在基于Python语言的TensorFlow深度学习框架下，构建出一种基于标准卷积神经网络的MACNN模型，该模型网络中卷积核通过滑动卷积进行特征表达和特征提取，其卷积核参数在训练过程中是共享权值的，在反向传播中不断地更新和优化权值[11]；同时每一层的卷积上通过使用不同的激活函数，使得引入不同类型的非线性信号，增加网络的多样性，提升网络的鲁棒性，从而使最终的模型能够解决更复杂的问题。

由于关节软骨厚度存在性别上的差异，为保证计算机模型拟合准确性及可靠性，本研究均选择男性膝关节软骨损伤患者作为研究对象。本研究结果显示，MACNN模型对膝关节损伤的诊断总效率最高，其诊断准确性、敏感性、特异性均优于其他两种方法。本研究结果显示，传统人工阅片及SVM分类对于Ⅰ、Ⅱ级关节软骨损伤的诊断特异性较差，这与既往研究中对于Ⅰ级膝关节软骨损伤易漏诊及Ⅰ、Ⅱ级膝关节软骨损伤具有一定鉴别难度的结论是一致的[12,13]；同时本研究证明传统人工阅片及SVM分类在Ⅱ级膝关节软骨损伤的诊断中均存在过高的假阳性率，从而导致诊断效能明显下降。MACNN模型通过高度复杂的非线性处理及强大的自组织、自学习和自适应能力，可明显降低将Ⅱ级膝关节软骨损伤误判为Ⅰ级或Ⅲ级损伤的概率。而Ⅲ、Ⅳ级膝关节软骨损伤由于病变较重，MRI图像特征明显，传统人工阅片法及SVM分类能够很轻易地做出准确判断，故无需更加复杂的方法来辅助诊断。

综上所述，MACNN模型对膝关节软骨损伤患者的总诊断效能及分级诊断效能均较高，尤其在Ⅰ级及Ⅱ级膝关节软骨损伤的诊断中有明显优势，可以作为较可靠的工具模型进行辅助诊断。MACNN模型具有强大的自动表征能力，能够从影像数据中提取生理上的重要表征，并学习出其中隐藏的复杂关系，通过复杂的卷积计算，对未输入结果的状态加以判断，并给出结果预测。该模型预测能力可靠稳定，尤其适用于需要通过细微差别进行筛选及鉴别的精准影像学领域。