基于深度学习测量X线片髋关节外侧中心边缘角和Sharp角评估髋关节发育不良

林奕军，杨光耀，蒋耀先，常晓丹

(1.大连大学附属中山医院放射科，辽宁 大连 116001；2.齐齐哈尔市第一医院CT诊断室，黑龙江 齐齐哈尔 161000；3.东北林业大学信息与计算机工程学院，黑龙江 哈尔滨 150040；4.重庆医科大学附属儿童医院放射科，重庆 400014)

髋关节发育不良是中青年髋关节骨性关节炎的主要病因之一[1]。X线检查是评估髋关节发育的常用方法[2-3]。近年来人工智能在影像学领域的应用不断深入[4-6]，如基于X线片预测髋部骨折[7]、检测骨盆骨龄[8]、评估髋关节脱位[9]等。本研究观察基于深度学习测量X线片髋关节外侧中心边缘(lateral center edge, LCE)角和Sharp角评估髋关节发育不良的价值。

1 资料与方法

1.1 一般资料 回顾性分析2017年1月—2018年1月384例于大连大学附属中山医院接受双髋关节数字化X线检查患者(共768侧髋关节)，男124例，女260例，年龄20～72岁，平均(46.9±12.3)岁。纳入标准：①标准化双髋关节正位X线片质量满足研究要求；②成人患者，骨骺已闭合。排除标准：①髋关节及骨盆手术史；②髋关节脱位或骨折；③股骨头坏死或髋关节骨关节炎(Kellgren-Lawrence分级>2)；④其他病变致髋关节结构改变。

1.2 仪器与方法 嘱患者仰卧于Siemens DR Ysio或Shimadzu DR R-20检查床，伸直双下肢，双足内旋10°～15°；摄双髋关节正位片，焦片距100 cm，管电压70～100 kV，管电流160～200 mA，以双侧髂前上棘连线中点与耻骨联合上缘连线中点的垂直线为中心线，照射野上界包括髂前上棘、下界包括小转子。

1.3 图像分析 分别由具有2年和15年工作经验的影像科住院医师和副主任医师阅片。

1.3.1 勾画及标注 采用ITK-SNAP(www.itksnap.org)软件标注双髋关节正位片中的股骨近端轮廓和髋臼关键点(图1)。以NiFTI格式保存标注后图像，用于神经网络模型训练。

图1 勾画及标注示意图 A～C.勾画双侧股骨近端轮廓(紫线)；标注髋臼关键点，即双侧髋臼外上缘(红点)、泪滴下缘(绿点)

1.3.2 建立模型并自动测量角度 将384例数据随机划分为10份，随机选取1份作为测试集(十折交叉验证)、1份作为验证集，以其余8份作为训练集。对训练集进行数据增强，包括图像水平翻转、旋转、明暗度变化及随机裁剪。进行图像预处理：①对高度<2 560像素的图像行全0填充至2 560像素，将>2 560像素者裁剪至2 560像素；对宽度进行与高度相同操作，但阈值设置为3 072像素；②将统一为2 560×3 072的图像缩小至640×768。

采用Dense-U-net分割股骨轮廓和髋臼关键点。向PyCharm深度学习平台中输入代码，完成网络模型训练，编程程序为Python3.5；使用Keras搭建神经网络框架；通过10次训练和测试获得网络模型对股骨近端轮廓、髋臼外上缘点和泪滴下缘点的预测结果。按照文献[10]方法确定双侧股骨轮廓上的股骨头中心坐标，结合4个髋臼关键点坐标自动构建LCE角、Sharp角并计算其数值。

1.3.3 医师手动测量角度和评估髋关节发育 由上述2名医师在图像存储及传输系统(picture archiving and communication system, PACS)测量LCE角、Sharp角(图2)，取其平均值作为最终测值；间隔1个月后，由副主任医师随机选取140侧髋关节进行重复测量。诊断髋关节发育不良标准[11]：以LCE角<20°为髋关节发育不良、20°～25°为交界性发育不良、>25°为髋关节发育正常；Sharp角>45°为髋关节发育不良，≤45°为其他。首先根据Sharp角测量值将髋关节分为发育不良和其他，再根据LCE角测量值将后者分为发育不良、交界性发育不良和正常。

图2 人工测量LCE角、Sharp角示意图 a线垂直于双侧股骨头中心连线，b线连接股骨头中心与髋臼外上缘，a与b之间的锐角为LCE角；c线通过双侧泪滴下缘，d线连接泪滴下缘与髋臼外上缘，c与d之间的锐角为Sharp角

1.4 统计学分析 采用SPSS 23.0统计分析软件。以中位数(上下四分位数)表示自动测量结果与手动测量的LCE角、Sharp角，行秩和检验，计算均方根误差(root mean square error，RMSE)和平均绝对误差(mean absolute error, MAE)。采用Pearson相关性分析观察自动测量与手动测量结果的相关性；以组内相关系数(intra-class correlation coefficient, ICC)评估测量结果的一致性，ICC≥0.75为一致性较好。以医师手动测量的LCE角、Sharp角作为诊断髋关节发育不良/交界性发育不良的标准，采用受试者工作特征(receiver operating characteristic, ROC)曲线下面积(area under the curve, AUC)评估自动测量LCE角、Sharp角的诊断价值。P<0.05为差异有统计学意义。

2 结果

2.1 角度比较 针对768侧髋，观察者间(ICC为0.886～0.936)和观察者内(ICC为0.911～0.961)测量结果的一致性均较好。手动测量与自动测量的左、右侧LCE角及右侧Sharp角差异均无统计学意义(P均>0.05)，而手动测量的左侧Sharp角小于自动测量(P<0.05)，见表1。对于左、右侧LCE角及左、右侧Sharp角，手动测量与自动测量的ICC分别为0.944[95%CI(0.932，0.954)]、0.904[95%CI(0.884，0.920)]、0.890[95%CI(0.812，0.929)]、0.887[95%CI(0.863，0.906)]，相应r值分别为0.948、0.924、0.910、0.887(P均<0.05)，见图3；其中位RMSE分别为2.31°、3.33°、1.72°、1.63°，中位MAE分别为1.57°、1.73°、1.19°、1.18°。

图3 手动与自动测量髋关节LCE角、Sharp角结果的相关性散点图 A.左侧LCE角； B.右侧LCE角； C.左侧Sharp角； D.右侧Sharp角

表1 手动与自动测量双侧髋关节LCE角、Sharp角结果比较(°，n=768)

2.2 评估髋关节发育 768侧髋中，医师诊断73侧(左侧33、右侧40)髋关节发育不良、93侧(左侧43、右侧50)交界性髋关节发育不良，其余髋关节未见明显异常。基于自动测量诊断髋关节发育不良89侧，其中64侧与医师诊断一致，诊断敏感度87.67%(64/73)，特异度96.40%(670/695)，准确率95.57%(734/768)；诊断交界性发育不良96侧，其中62侧与医师诊断一致，诊断敏感度66.67%(62/93)，特异度94.96%(641/675)，准确率91.54%(703/768)。

ROC曲线结果显示，自动测量LCE角(阈值为25.24°)和Sharp角(阈值为43.47°)诊断髋关节发育不良的AUC分别为0.928和0.906(P均<0.05)，见图4。

图4 基于自动测量髋关节LCE角、Sharp角诊断髋关节发育不良的ROC曲线 A.LCE角； B.Sharp角

3 讨论

髋关节发育不良可诱发髋关节骨性关节炎等疾病，但多数患者可因无明显症状而造成诊治延误[12]，故影像学筛查非常必要。LCE角和Sharp角是影像学观察髋关节发育情况的主要参数[13]。既往主要由医师手动测量LCE角和Sharp角，存在观察者间差异，且定位股骨头中心步骤复杂，可能影响测量准确性及可重复性；而基于人工智能进行自动测量可弥补上述不足。本研究基于深度学习自动测量成人髋关节LCE角和Sharp角，观察其用于评估髋关节发育不良的价值。

LCE角代表股骨头外侧髋臼的覆盖程度。AL-BASHIR等[14]采用传统机器学习自动测量16幅X线片所示双侧髋关节LCE角，发现左、右侧LCE角的中位MAE分别为4.53°和3.64°。本研究结果显示，左、右侧髋关节LCE角的中位MAE分别为1.57°、1.73°，误差相对更低；且医师手动测量与自动测量结果的一致性较好，与既往研究[15]结果相近。髋臼边缘可能影响髋关节角度测量值。将骨赘纳入髋臼边缘可使LCE角增加[16]。本研究参照文献[16-17]方法，尽量辨别骨赘，并将排除骨赘后的髋臼外端作为标注点；如不能明确区分骨赘，则以髋臼的负重硬化区外端作为标注点，以保证测量结果的准确性。

SAHIN等[18]开发了一种计算机辅助程序用于测量Sharp角，但仅能定位闭孔中心，用以替代泪滴下缘构建Sharp角。LI等[19]通过自动定位泪滴下缘和髋臼外上缘点而构建并测量的Sharp角与医师手动测量结果无显著差异。本研究结果显示，手动测量与自动测量的右侧Sharp角差异无统计学意义，但手动测量的左侧Sharp角小于自动测量，左、右侧RMSE分别为1.72°、1.63°，MAE为1.19°、1.18°，ICC为0.890、0.887，即误差较小且一致性较好，表明自动测量结果接近手动测量值。

交界性髋关节发育不良存在一定特征，如股骨头髋臼覆盖减少、髋臼外侧倾角增大等[20]。本研究首先基于Sharp角>45°确定髋关节发育不良，再根据LCE角判断其为发育不良或交界性发育不良。基于自动测量诊断髋关节发育不良的准确率为95.57%，诊断交界性发育不良的准确率91.54%，表明自动测量用于诊断髋关节发育不良及交界性发育不良具有较高效能。

本研究的主要局限性：①样本量相对不足，故未能采用传统数据集划分方式，而选择十折交叉验证方法；②为单中心研究，有待多中心研究结果加以验证；③回顾性分析，未涉及症状、体征等临床资料，仅以影像科医师意见为诊断髋关节发育不良标准，可能影响结果的准确性。

综上所述，基于深度学习自动测量X线片所示双侧髋关节LCE角和Sharp角可用于诊断髋关节发育不良。