崔東明　張鐔月　董浩　趙金柱　譚長龍　陶春生

［摘要］ 目的 建立基于膝關節(jié)MRI單張圖像的深度卷積神經(jīng)網(wǎng)絡（DCNN）模型，并分析其診斷前交叉韌帶（ACL）撕裂的價值。方法 收集2017年1月1日—2022年6月30日海軍第971醫(yī)院GreatPACS影像存檔與通信系統(tǒng)中1 663例受檢者的膝關節(jié)MRI圖像，經(jīng)一名骨科?？漆t(yī)生在每例患者MRI圖像中手動選取1張圖像并進行ACL正常或撕裂（正常1 111張，撕裂552張）標注。將所有圖像按照83%和17%的比例隨機分配到訓練集（1 383張）和測試集（280張）中，用以訓練并測試搭建的ACL智能診斷DCNN模型。通過陽性預測值（PPV）、陰性預測值（NPV）、準確率、靈敏度、特異度、受試者工作特征曲線下面積（AUC）等指標評估模型性能。結果 本研究成功設計并搭建了ACL智能診斷DCNN模型。該模型診斷ACL撕裂的PPV、NPV、準確率、靈敏度和特異度分別為52.99%、88.96%、73.93%、77.50%和72.50%，AUC值為0.602。結論 基于MRI單張圖像DCNN模型對于臨床醫(yī)生診斷ACL撕裂具有一定的輔助作用。

［關鍵詞］ 前交叉韌帶；撕裂傷；卷積神經(jīng)網(wǎng)絡；人工智能；深度學習；智能診斷

［中圖分類號］ R684.76

［文獻標志碼］ A

VALUE OF DEEP CONVOLUTIONAL NEURAL NETWORK BASED ON SINGLE MRI IMAGES IN DIAGNOSIS OF ANTERIOR CRUCIATE LIGAMENT TEARS OF THE KNEE＼ CUI Dongming， ZHANG Xinyue， DONG Hao， ZHAO Jinzhu， TAN Changlong， TAO Chunsheng （Faculty of Medicine， Qingdao University， Qingdao 266071， China）

［ABSTRACT］ Objective To establish a deep convolutional neural network （DCNN） model based on the single MRI image of the knee， and to investigate its value in the diagnosis of anterior cruciate ligament （ACL） tears. Methods Knee MRI images were collected from 1 663 subjects from the GreatPACS image archiving and communication system in No. 971 Hospital of Peoples Liberation Army Navy from January 1， 2017 to June 30， 2022， and one image was selected from the MRI images of each patient and was annotated as normal ACL or ACL tears by an orthopedic specialist， which obtained 1 111 images with normal ACL and 552 images with ACL tears. The images were randomly assigned to the training set （1 383 images） and the test set （280 images） at a ratio of 83% and 17%， respectively， to train and test the DCNN model established for the intelligent diagnosis of ACL. The performance of the model was evaluated by positive predictive value （PPV）， negative predictive value （NPV）， accuracy， sensitivity， specificity， and area under the ROC curve （AUC）. Results A DCNN model was successfully established for the intelligent diagnosis of ACL. The test results of this model showed a PPV of 52.99%， an NPV of 88.96%， an accuracy of 73.93%， a sensitivity of 77.50%， and a specificity of 72.50%， with an AUC of 0.602. Conclusion The DCNN model based on single MRI images can help clinicians with the diagnosis of ACL tears.

［KEY WORDS］ Anterior cruciate ligament; Lacerations; Convolutional neural network; Artificial intelligence; Deep lear-ning; Intelligent diagnosis

前交叉韌帶（ACL）撕裂是膝關節(jié)最常見的損傷之一^[1]，僅美國每年就有約20萬例ACL撕裂患者^[2]。ACL是限制脛骨向前平移和內旋的主要膝關節(jié)穩(wěn)定結構^[3-5]，因此ACL撕裂對膝關節(jié)穩(wěn)定性具有較大影響，如不及時治療會導致關節(jié)軟骨、半月板和韌帶的繼發(fā)損傷，最終導致早期骨關節(jié)炎^[6-7]。目前ACL撕裂的診斷主要依靠MRI，MRI還可評估除ACL撕裂之外的其他膝關節(jié)損傷^[8-10]。對于經(jīng)驗豐富的放射科醫(yī)生而言，MRI成像對診斷ACL撕裂具有較高靈敏度和特異度，而經(jīng)驗不足醫(yī)生卻很難作出準確的診斷^[11-12]。

深度卷積神經(jīng)網(wǎng)絡（DCNN）是深度學習的一種算法，近幾年來其在圖像識別方面取得了重大的突破^[13]。DCNN通過模仿生物神經(jīng)元的交互作用，形成了類似神經(jīng)元的作用機制，可以自動學習圖像的多層特征，通過特征處理，逐漸將初始的“低層”特征表示轉化為“高層”特征表示，并用“簡單模型”完成復雜的分類等學習任務，非常適合醫(yī)學圖像的輔助診斷^[14-16]。目前國內外關于ACL撕裂智能診斷的研究，大多基于多張或多序列MRI圖像^[17-18]。而本研究基于DCNN算法構建智能診斷模型，首次探索基于單張MRI圖像的DCNN模型智能診斷ACL撕裂的可行性。

1 材料與方法

1.1 材料來源

選取2017年1月1日—2022年6月30日海軍第971醫(yī)院GreatPACS影像存檔與通信系統(tǒng)中經(jīng)1.5 T和3.0 T MRI掃描儀檢查的1 663例受檢者的MRI圖像。受檢者中男1 200例，女463例，年齡16～60歲，平均（34.0±6.0）歲。1 663例受檢者中，ACL正常者1 111例（左膝500例，右膝611例），體質量指數(shù)（BMI）為（22.8±1.9）kg/m²；ACL撕裂者552例（左膝250例，右膝302例），BMI為（25.8±1.6）kg/m²。ACL撕裂者納入標準：①因旋轉、剪切等動作受力導致膝關節(jié)外傷者；②經(jīng)MRI檢查并由工作經(jīng)驗豐富的放射科醫(yī)生閱片確認膝關節(jié)內存在ACL部分或完全撕裂者。ACL正常者納入標準：經(jīng)MRI檢查并由工作經(jīng)驗豐富的放射科醫(yī)生閱片確認膝關節(jié)內ACL正常者。受檢者排除標準：①膝關節(jié)骨折者；②膝關節(jié)畸形者；③合并膝關節(jié)內其他病變（如韌帶囊腫、韌帶鈣化）者；④有膝關節(jié)手術史導致關節(jié)內解剖結構不清者；⑤不配合查體及罹患精神疾病者。

由一名富有經(jīng)驗的骨科?？漆t(yī)生在每例受檢者膝關節(jié)MRI矢狀OsagT₂序列中選擇一張ACL最明顯的圖像，從系統(tǒng)中導出，共導出ACL撕裂圖像552張和ACL正常圖像1 111張。由同一名骨科?？漆t(yī)師使用LabelImg軟件剪裁包含ACL等解剖結構的圖像，并對正?；蛩毫褕D像行手動標注。將上述1 662張圖像中83%圖像（ACL正常911例，ACL撕裂472例）隨機分配到訓練集當中，剩余17%的圖像（ACL正常200例，ACL撕裂80例）分配到測試集中。

1.2 模型的訓練與測試

本研究先使用COCO train2017公開數(shù)據(jù)集（美國微軟公司）中圖像進行300輪預訓練以增強預訓練模型對于ACL正?；蛩毫褍蓚€類別特征的提取能力，再借助該預訓練模型用本研究的訓練集進行300輪迭代訓練，從而獲取能夠針對輸入的MRI圖像進行分類的架構。使用隨機梯度下降（SGD）算法對訓練集圖像進行訓練，利用線性縮放策略動態(tài)調節(jié)學習率（lr），lr=初始lr×BatchSize÷64，初始lr=0.01，權重衰減設置為0.000 5，SGD動量為0.9。默認情況下BatchSize為128張，在含有1080Ti型號圖形處理器的設備上進行訓練，輸入圖像分辨率為224×224像素。因發(fā)現(xiàn)隨機剪裁算法與現(xiàn)有的增廣手段存在重疊，本研究在訓練時采用了隨機水平翻轉、顏色抖動和多尺度縮放等數(shù)據(jù)增廣方式，摒棄了隨機剪裁算法進行數(shù)據(jù)增廣的策略。另外，本研究采用了Focal Loss^[19]和BCE Loss^[20]兩種損失函數(shù)來訓練該模型。其中對預測目標框和真實框的回歸計算采用BCE Loss法，對于分類任務計算采用Focal Loss法。測試階段模型參數(shù)設置與訓練階段保持一致，當DCNN訓練結束后，使用模型加載損失最小的訓練參數(shù)對測試集進行測試。

1.3 統(tǒng)計學分析

采用Python3.8編程軟件獲取機器學習結果，采用SPSS 26.0 軟件對數(shù)據(jù)進行統(tǒng)計學分析，通過繪制受試者工作特征（ROC）曲線，計算曲線下面積（AUC）、陰性預測值（NPV）、陽性預測值（PPV）、準確率、靈敏度和特異度等指標來評估模型性能。

2 結果

ACL撕裂智能診斷DCNN模型的訓練過程中損失曲線的結果顯示，隨著訓練輪數(shù)增加，訓練損失逐步下降，經(jīng)過300輪迭代訓練后Loss值達到最小，表明模型達到最高診斷性能（圖1A）。本模型訓練的準確率曲線顯示，隨著訓練輪數(shù)增加，訓練準確率逐步上升，經(jīng)過80輪迭代訓練后準確率變化趨于平穩(wěn)（圖1B）。

經(jīng)測試集對本模型診斷性能進行測試，繪制的ROC曲線顯示AUC為0.602（圖1C），通過各個評價指標的常用公式進行計算，得出準確率、靈敏度、特異度、PPV以及NPV分別為73.93%、77.50%、72.50%、52.99%和88.96%。

3 討論

ACL是保持膝關節(jié)穩(wěn)定的重要結構，ACL撕裂后將導致膝關節(jié)生物力學發(fā)生改變，產(chǎn)生明顯的膝關節(jié)失穩(wěn)，并繼發(fā)半月板、關節(jié)軟骨等退行性變，嚴重影響患者的膝關節(jié)運動功能，因此宜早期診斷和治療^[21]。以往醫(yī)生對于ACL撕裂的診斷主要根據(jù)患者的受傷史、臨床癥狀與體征并結合影像學檢查綜合判斷，但由于臨床情況復雜多變，醫(yī)生難免有漏診誤診的可能^[22]。因此，為減少ACL撕裂的誤診率，本研究基于人工智能技術輔助診斷的設想，對膝關節(jié)MRI圖像建模智能診斷ACL撕裂進行研究，探討DCNN輔助診斷ACL撕裂的可行性。

由于膝關節(jié)大多數(shù)病理變化，特別是對于肌腱、韌帶、半月板等肌肉骨骼病理變化的評估，通常局限在MRI圖像的一小部分區(qū)域或一個薄層，因此我們在膝關節(jié)矢狀OsagT₂序列中選取顯示ACL最明顯的一張圖像，這將為我們提供更多的診斷信息。本研究嘗試了各種網(wǎng)絡架構識別膝關節(jié)單張MRI圖像用以診斷ACL撕裂的情況，最終模型加載最優(yōu)的訓練參數(shù)并在測試集上進行預測，根據(jù)預測結果繪制了測試集上的ROC曲線，并計算出AUC為0.602。該模型在訓練集的PPV達到74.62%，NPV達到91.81%；在測試集的PPV達到52.99%，NPV達到88.96%。從測試結果可看出該模型NPV值較高，即排除ACL撕裂的患者正確率較高，而PPV值較低，即診斷ACL撕裂的正確率相對較低。這可能是由于訓練集中正常ACL圖像較ACL撕裂圖像多，導致模型對于正常ACL的識別能力更強，而對ACL撕裂的識別能力相對較弱。該模型的診斷性能相對較低（60.2%），這可能由于訓練數(shù)據(jù)相對較少，模型泛化能力較低所致。既往研究結果顯示放射科醫(yī)生通過MRI診斷ACL撕裂的準確率為96.43%，靈敏度為97.01%，特異度為83.33%^[22]。本研究DCNN模型診斷ACL撕裂的準確率、靈敏度和特異度分別為73.93%、77.50%和72.50%。深度學習雖然是一項強大的數(shù)據(jù)建模技術，理論上能夠識別圖像中細微特征（目標對象的紋理、邊緣等），但其需要大量訓練數(shù)據(jù)提取所需對象特征；但有時由于各種原因導致無法收集足量訓練數(shù)據(jù)，此時應進一步細化和準確化有限的訓練數(shù)據(jù)，如本研究中將MRI圖像裁剪出研究所需解剖結構，以提高算法識別的準確性。雖然本研究模型目前診斷性能與臨床醫(yī)生相比仍有差距，但隨著后期訓練數(shù)據(jù)的增多，本模型的診斷性能將會有進一步提升。

本研究所搭建的DCNN識別ACL撕裂模型可作為深度學習這一新技術應用于醫(yī)療衛(wèi)生領域的補充。未來研究中，我們將逐步擴展深度學習技術的應用，將其用于膝關節(jié)其他疾病（如其他韌帶損傷、軟骨損傷及半月板損傷）診斷的探索。從而利用深度學習技術實現(xiàn)對膝關節(jié)疾病的全面評估，這將更有利于提高臨床工作效率。此外，我們會進行多中心的數(shù)據(jù)收集和驗證，在更大的數(shù)據(jù)集上開發(fā)新的算法，我們也會綜合考慮加入除圖像數(shù)據(jù)外的其他臨床數(shù)據(jù)，從而可以使DCNN在臨床診療過程中發(fā)揮更大的作用^[17]。

同時，本研究也存在一些局限性。首先，本研究區(qū)分了正常和撕裂的ACL，但是沒有區(qū)分部分和完全ACL撕裂，目前如何辨別ACL部分和完全撕裂的MRI圖像是DCNN面臨的難題之一^[23]。其次，本研究沒有統(tǒng)計患者是否接受了膝關節(jié)鏡手術，因此用于訓練的ACL撕裂圖像的診斷僅依靠醫(yī)生閱片，這可能會為訓練結果帶來一定誤差。

綜上所述，基于單張MRI圖像的DCNN模型診斷ACL撕裂是可行的，其能夠為部分臨床醫(yī)生作出診斷提供一定的參考。

作者聲明：崔東明、陶春生參與了研究設計；崔東明、張鐔月、董浩、趙金柱、譚長龍、陶春生參與了論文的寫作和修改。所有作者均閱讀并同意發(fā)表該論文，且均聲明不存在利益沖突。

［參考文獻］

[1]SRINIVASAN R， WAN J， ALLEN C R， et al. Knee imaging following anterior cruciate ligament reconstruction： The surgeons and radiologists perspectives[J]. Semin Musculoskelet Radiol， 2018，22（4）：386-397.

[2]XIAO W F， YANG T， CUI Y， et al. Risk factors for noncontact anterior cruciate ligament injury： Analysis of parameters in proximal tibia using anteroposterior radiography[J]. J Int Med Res， 2016，44（1）：157-163.

[3]GIANOTTI S M， MARSHALL S W， HUME P A， et al. Incidence of anterior cruciate ligament injury and other knee ligament injuries： A national population-based study[J]. J Sci Med Sport， 2009，12（6）：622-627.

[4]SANDERS T L， MARADIT KREMERS H， BRYAN A J， et al. Incidence of anterior cruciate ligament tears and reconstruction： A 21-year population-based study[J]. Am J Sports Med， 2016，44（6）：1502-1507.

[5]DIERMEIER T A， ROTHRAUFF B B， ENGEBRETSEN L， et al. Treatment after ACL injury： Panther symposium ACL treatment consensus group[J]. Br J Sports Med， 2021，55（1）：14-22.

[6]LAO Y F， JIA B B， YAN P L， et al. Diagnostic accuracy of machine-learning-assisted detection for anterior cruciate ligament injury based on magnetic resonance imaging： Protocol for a systematic review and meta-analysis[J]. Medicine， 2019，98（50）：e18324.

[7]龔恒，喬欣榮，陳連旭. 股骨外側髁切跡征診斷前交叉韌帶斷裂的研究進展[J]. 中國修復重建外科雜志， 2021，35（9）：1200-1204.

[8]ZHANG L Y， LI M F， ZHOU Y J， et al. Deep learning approach for anterior cruciate ligament lesion detection： Evaluation of diagnostic performance using arthroscopy as the refe-rence standard[J]. J Magn Reson Imaging， 2020，52（6）：1745-1752.

[9]BRUNO F， BARILE A， ARRIGONI F， et al. Weight-bearing MRI of the knee： A review of advantages and limits[J]. Acta Biomed， 2018，89（1-S）：78-88.

[10]KOHN L， REMBECK E， RAUCH A. Anterior cruciate ligament injury in adults： Diagnostics and treatment[J]. Orthopade， 2020，49（11）：1013-1028.

[11]MINK J H， LEVY T， CRUES J V 3rd. Tears of the anterior cruciate ligament and menisci of the knee： MR imaging evaluation[J]. Radiology， 1988，167（3）：769-774.

[12]WIRRIES A， GEIGER F， HAMMAD A， et al. Artificial intelligence facilitates decision-making in the treatment of lumbar disc herniations[J]. Eur Spine J， 2021，30（8）：2176-2184.

[13]RUSSAKOVSKY O， DENG J， SU H， et al. ImageNet large scale visual recognition challenge[J]. Int J Comput Vis， 2015，115（3）：211-252.

[14]SHEN C W， HO J T. Technology-enhanced learning in higher education： A bibliometric analysis with latent semantic approach[J]. Comput Hum Behav， 2020，104：106177.

[15]LI Z J， REN S Y， ZHOU R， et al. Deep learning-based magnetic resonance imaging image features for diagnosis of anterior cruciate ligament injury[J]. J Healthc Eng， 2021，2021：4076175.

[16]MIOTTO R， WANG F， WANG S， et al. Deep learning for healthcare： Review， opportunities and challenges[J]. Brief Bioinform， 2018，19（6）：1236-1246.

[17]CHANG P D， WONG T T， RASIEJ M J. Deep learning for detection of complete anterior cruciate ligament tear[J]. J Digit Imaging， 2019，32（6）：980-986.

[18]GERMANN C， MARBACH G， CIVARDI F， et al. Deep convolutional neural network-based diagnosis of anterior cruciate ligament tears： Performance comparison of homogenous versus heterogeneous knee MRI cohorts with different pulse sequence protocols and 1.5-T and 3-T magnetic field strengths[J]. Invest Radiol， 2020，55（8）：499-506.

[19]LIN T Y， GOYAL P， GIRSHICK R， et al. Focal loss for dense object detection[J]. IEEE Trans Pattern Anal Mach Intell， 2020，42（2）：318-327.

[20]HUANG Q， SUN J F， DING H， et al. Robust liver vessel extraction using 3D U-Net with variant dice loss function[J]. Comput Biol Med， 2018，101：153-162.

[21]謝偉，王瑋，白宇. 關節(jié)鏡下Endobutton帶袢鋼板并Ethibond縫線治療前交叉韌帶脛骨止點撕脫性骨折效果[J]. 精準醫(yī)學雜志， 2018，33（5）：418-421.

[22]梁繼華，梁小瑜. 磁共振成像技術診斷膝關節(jié)前交叉韌帶斷裂的準確率分析[J]. 影像研究與醫(yī)學應用， 2022，6（24）：173-175.

[23]UMANS H， WIMPFHEIMER O， HARAMATI N， et al. Diagnosis of partial tears of the anterior cruciate ligament of the knee： Value of MR imaging[J]. AJR Am J Roentgenol， 1995，165（4）：893-897.

（本文編輯 范睿心 厲建強）