Eur Radiol: 查个CT，深度学习顺便能检出骨质疏松！

      骨质疏松症是老龄化人群中常见且经常发生的疾病。骨质疏松症是一种骨代谢疾病，表现为骨矿物质密度（BMD）和强度的降低，这使腰背痛、椎间盘退变或椎体骨折的风险增加。因此，骨质疏松的早期诊断对预防疾病进展非常重要。当前，评价骨质疏松症的常规方法包括双能X射线吸收法（DXA）、定量计算机断层扫描（QCT）和定量超声（QUS），以及新兴的成像技术，例如双层能谱CT 、1H-MRS、和正电子发射断层扫描（PET）。 BMD测量是早期诊断骨质疏松症的可靠且理想的方法。 DXA是测量脊柱骨密度的常用工具。然而，DXA无法消除骨皮质、骨质增生和硬化对BMD测量的影响，这可能低估了实际骨量的损失。QCT是公认的3D骨密度评估方法。几项研究表明，QCT对骨质疏松症的检出率显着高于DXA。但与DXA相比，由于QCT的辐射剂量高且后处理复杂，QCT难以在得到临床广泛应用。

    每年都有其他适应症（例如泌尿或消化系统疾病）的患者行部分或全部脊柱的CT扫描。这些CT扫描可用于机会性筛查骨质疏松症，而无需额外的辐射暴露和费用。现阶段，深度学习已越来越多地用于医学影像图像的分析。

    近日，发表在European Radiology杂志的一项研究探讨了深度学习在原发性骨质疏松患者中的应用，并开发了一种基于深度卷积神经网络(deep convolutional neural network, DCNN)的全自动CT图像椎体分割和骨密度(bone mineral density, BMD)计算方法，旨在从准确性上评估自动方法定位腰椎椎体并计算BMD的性能。

    本研究回顾性地选取了2018年3月至2020年5月因其他适应症行脊柱或腹部CT扫描的1449例患者进行验证和分析。所有数据均来自三个不同的CT供应商。其中586例用于训练，863例用于验证。采用全卷积神经网络U-Net来自动分割椎体。以人工绘制的椎体区域作为对比的底图。使用DenseNet-121卷积神经网络计算骨密度。使用定量计算机断层扫描(QCT)后处理的值作为分析的标准。

    根据不同的CT供应商，将所有测试用例分为以下三个测试队列：测试集1（n = 463），测试集2（n = 200）和测试集3（n = 200）。 自动分割与四个手动分割的腰椎（L1-L4）相关性很好：三个测试集的最小平均dice系数分别为0.823、0.786和0.782。对于来自不同供应商的测试集，通过自动回归计算得出的平均BMD与从QCT得出的结果显示出高度相关性（r> 0.98）和一致性。

图 自动分割结果与手动分割结果的视觉对比。从上到下分别为测试集1、2、3的分割结果。从左到右分别为CT矢状面图像、手动分割和自动分割。红色、绿色、黄色和蓝色分别代表L1、L2、L3和L4的椎体。手动分割和自动分割的相关性非常好，所有四个腰椎椎体的DSCs都超过了0.90。

    本研究表明，基于DCNN的方法能够对腰椎椎体进行准确的分割，并自动计算骨密度，使其可成为临床医生筛选机会性骨质疏松症的有效工具。

原始出处：

Yijie Fang,Wei Li,Xiaojun Chen,et al. Opportunistic osteoporosis screening in multi-detector CT images using deep convolutional neural networks.DOI:10.1007/s00330-020-07312-8