骨小梁纹理参数对膝骨关节炎进展的预测效能

孙英伟，刘学勇，邓纯博，张展，马驯

（1.辽宁中医药大学附属医院医学影像中心，沈阳 110032；2.中国医科大学附属盛京医院放射科，沈阳 110004；3.中国医科大学附属盛京医院康复科，沈阳 110134；4.沈阳医学院附属中心医院运动创伤科，沈阳 110024；5.中国医科大学附属盛京医院脊柱外科，沈阳 110004）

骨关节炎（osteoarthritis，OA）是最常见的慢性 骨骼肌肉系统疾病之一，随着人口老龄化的加速，OA发病率逐年增高，给社会和个人带来了巨大的负担［1］。OA的发病机制尚不清楚，其病理改变不可逆转。重要的是，目前尚无可以治愈该病或预防该病进展的方法。目前的药物仅对缓解疼痛等症状有效，但药物可能引起严重的不良事件甚至死亡［2］。X线是诊断膝OA的主要影像学方法。OA的放射学分级包括国际骨关节炎研究学会（Osteoarthritis Research Society International，OARSI）分级和Kellgren-Lawrence（KL）分级。X线缺乏敏感性，不能反映局部软骨损伤情况。KL分级和OARSI分级受主观因素影响，对OA早期分级的准确率不高。多项研究表明，KL分级组内系数在0.5～0.7。并且传统放射学检查难以早期诊断OA，OA的诊断主要发生在该病的中至重度（晚期）阶段［3］。

随着对OA发病机制的深入研究，软骨下骨的重塑与OA进展之间的密切关系被证实［4］。纹理分析是指将图像划分为感兴趣的区域，并对这些区域的特征进行分类，纹理分析具有识别疾病早期细微变化的潜能。应用纹理分析方法分析影像图像来诊断疾病，已成为人工智能领域研究的热点。软骨下骨纹理分析能够评估膝关节软骨下骨小梁和股骨颈的结构［5］。HIRVASNIEMI等［6］对不同分级的膝OA患者的骨小梁纹理进行定量分析，发现不同程度膝OA的骨小梁纹理不同。膝关节放射学纹理分析有望成为一种早期预测、诊断OA的方法。本研究通过自行研发的纹理分析软件，采用局部二值模式（local binary pattern，LBP）与灰度共生矩阵（gray level co-occurrence matrix，GLCM）相结合的纹理特征分析方法，提取、筛选基线软骨下骨小梁的纹理参数，评估纹理参数预测OA进展的能力，以期发现一种能够早期预测膝OA进展的放射学纹理参数。

1 材料与方法

1.1 研究对象和分组

研究对象的相关临床信息和影像学资料来自OA公共数据 库Osteoarthritis Initiative（OAI，https：//nda.nih.gov/oai/）。研究对象的个人信息分别来自登记临床数据集Enrollees_SAS.zip 25，基线期临床数据集AllClinical00_ 0.2.3，随访36个月后的数据集AllClinical_05_SAS.zip5.2.1。研究对象的X线资料和KL分级分别来自数据集kXR_SQ_BU00_SAS.zip 0.8和kXR_SQ_BU05_SAS.zip 5.7。

将研究对象分为放射学进展组和对照组。放射学进展组纳入标准：基线双侧膝关节KL分级均为0级，随访36个月后右膝关节KL≥2级。放射学进展组排除标准：（1）图像质量不佳，影响图像分析结果；（2）随访结束后KL分级＜2级。对照组纳入标准：双侧膝关节KL分级均为0级，随访结束后右膝关节KL分级仍为0级。对照组排除标准：（1）图片质量不佳，影响图像分析结果；（2）随访36个月后，膝关节KL分级≥1级。

收集研究对象的相关临床信息，包括年龄、性别、老年人体力活动量表（the physical activity scale for the elderly，PASE）总评分以及体质量指数（body mass index，BMI）。OAI数据库中的所有研究均获伦理委员会批准（批号：10-00532），本研究所有研究对象均签署知情同意书［7］。

1.2 X线检查方法和图像纹理提取

研究对象在基线和随访期内每年拍摄双侧膝关节站立后前位X线，管电压65～72 kV，焦片距72 cm。数据库中提供的KL分级为一名骨科、一名放射科医师和两名风湿病学家对膝关节进行的分级，出现分歧时协商解决，最后达成一致意见［8］。本研究选取研究对象膝关节X线片内侧胫骨平台中1/3软骨下骨小梁作为感兴趣区（region of interest，ROI），应用C++软件编制的程序，分别计算不同构造因子组合（图像灰度统一设置为256，移动步长取1、2、3、4、5，移动方向取0°、45°、90°、135°）时，膝关节X线ROI的6个纹理特征参数，包括能量（energy）、熵（entropy）、同质性（homogeneity）、对比度（contrast）、相关性（correlation）、异质性（dissimilarity），见图1。本研究中纹理参数的表示方法为角度-步长-纹理特征参数，如当移动方向为0°、步长为1时骨小梁的对比度表示为0° 1 contrast。

图1 骨纹理特征参数提取过程图Fig.1 Diagram of the extraction process of the trabecular bone texture parameters

1.3 统计学分析

应用SPSS 22.0软件和Empower Stats软件进行统计分析。因不同纹理参数取值范围不同，为了使纹理参数1个单位的变化在各纹理参数中具有可比性，将所有纹理参数转化为Z值。符合正态分布的计量资料采用独立样本t检验进行比较，非正态分布的计量资料采用Mann-WhitneyU检验进行比较，分类变量采用χ2检验进行比较。应用logistic回归分析基线期骨纹理参数与OA进展的关系。应用受试者操作特征（receiver operating characteristic，ROC）曲线的曲线下面积（area under the curve，AUC）评价各纹理参数的诊断效能。同时计算参数的诊断比值比（diagnostic odd ratio，DOR），DOR是病例组阳性比值与对照组阳性比值的比，是评价诊断效能的综合指标。P＜ 0.05为差异有统计学意义。

2 结果

2.1 研究对象的临床特征分析

按照纳入标准对OAI数据库进行筛选，34例研究对象纳入放射学进展组，30例研究对象纳入对照组。2组比较，年龄、BMI、PASE评分、性别均无统计学差异（P＞ 0.05），见表1。

表1 研究对象的临床特征分析Tab.1 Analysis of the clinical characteristics of the subjects

2.2 膝关节X线纹理特征

2组比较，部分不同角度和步长的纹理参数有统计学差异（P＜ 0.05）。二元回归分析结果显示，部分纹理参数与OA进展有相关性。见表2。

表2 2组纹理参数的比较以及纹理参数与OA进展的多因素回归分析Tab.2 Comparison of texture parameters between the two groups and the results of multivariate regression analysis of the texture parameters during osteoarthritis progression

2.3 ROC曲线分析

将筛选的纹理参数联合临床协变量（年龄、性别、BMI、PASE评分）进行ROC曲线分析，结果显示联合协变量的各纹理参数的AUC为0.69～0.79，诊断比值比为5.75～15.60。当角度为45°、步长为1时异质性的AUC值最大，为0.79。见表3、图2。

表3 各纹理参数联合临床特征的ROC曲线结果Tab.3 The area under the receiver operating characteristic curve of texture parameters combined with clinical features

图2 45° 1异质性对OA的预测价值Fig.2 The predictive value of heterogeneity with an angle of 45°and a step size of 1 on osteoarthritis

3 讨论

本研究先将ROI原始图像转化成LBP图像，此时每个像素点的值不再是灰度值，而是图像局部微观模式的LBP值，再应用GLCM对LBP图像进行分析，计算具有某种位置关系的局部微观模式出现的频率。使用LBP创建的共生矩阵，运算速度得到了较大提升，不仅在一定程度上反映了更细节的纹理特征，而且强化了原始图像的纹理特征。结果表明，将LBP和GLCM两种算法结合后进行放射学纹理分析，对膝OA发生具有较高的预测能力。

越来越多的研究［9］发现，软骨下骨小梁的结构变化在OA的发生、发展的进程中发挥重要作用，可能是OA的始发因素。在膝关节X线图像中，软骨下骨小梁的纹理变化与OA严重程度密切相关［10-11］。HIRVASNIEMI等［12］发现，在有无关节软骨损伤或骨髓损伤的不同受试者之间，膝关节胫骨内侧软骨下骨小梁纹理存在明显差异。同时，早期的研究［13］证实，软骨下骨小梁的粗糙度、各向异性的方向和角度的变化能够预测膝关节间隙的变化。本研究通过计算膝关节X线软骨下骨小梁纹理参数，并应用AUC评价预测随访3年发生OA的效能，应用DOR比较不同参数下的诊断价值。本研究结果显示，预测OA发生的最大AUC为0.79，DOR为13.89，与上述研究结果相近。

早期的分形分析研究［14］发现，OA早期纵向骨小梁发生改变，应以水平方向观察骨小梁纹理结构。JANIVER等［15］进一步分析认为，在OA早期，水平方向、大间距下分形分析的预测能力最强。早期研究［6］应用GLCM进行纹理分析时，在90°、步长为1时进行参数计数。与上述研究不同，本研究发现在角度为45°、步长为1时具有最佳的预测能力。尽管不同研究筛选出不同的参数，但纹理的预测能力主要与ROI的选择以及适合的算法有关［16］。

综上所述，本研究表明，软骨下骨小梁具有早期放射学诊断OA和预测OA进展的能力。在接下来的研究中，应深度筛选临床变量，优化算法筛选骨纹理参数，提高预测的效能，并扩大研究样本量进行验证。膝关节骨纹理参数有望成为一种新的可行的生物标志物，用于预测OA的发生和识别高危人群。

致谢：感谢Osteoarthritis Initiative（OAI）数据库的所有研究人员、工作人员和受试者。