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(guān)節(jié)MRI單張圖像的深度卷積神經(jīng)網(wǎng)絡(luò)（DCNN）模型，并分析其診斷前交叉韌帶（ACL）撕裂的價(jià)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(guān)節(jié)MRI圖像，經(jīng)一名骨科專科醫(yī)生在每例患者M(jìn)RI圖像中手動(dòng)選取1張圖像并進(jìn)行ACL正?；蛩毫眩ㄕ? 111張，撕裂552張）標(biāo)注。將所有圖像按照83%和17%的比例隨機(jī)分配到訓(xùn)練集（1 383張）和測試集（280張）中，用以訓(xùn)練并測試搭建的ACL智能診斷DCNN模型。通過陽性預(yù)測值（PPV）、陰性預(yù)測值（NPV）、準(zhǔn)確率、靈敏度、特異度、受試者工作特征曲線下面積（AUC）等指標(biāo)評估模型性能。結(jié)果 本研究成功設(shè)計(jì)并搭建了ACL智能診斷DCNN模型。該模型診斷ACL撕裂的PPV、NPV、準(zhǔn)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(jié)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(guān)鍵詞］ 前交叉韌帶；撕裂傷；卷積神經(jīng)網(wǎng)絡(luò)；人工智能；深度學(xué)習(xí)；智能診斷

［中圖分類號］ R684.76

［文獻(xiàn)標(biāo)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(guān)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(nèi)旋的主要膝關(guān)節(jié)穩(wěn)定結(jié)構(gòu)^[3-5]，因此ACL撕裂對膝關(guān)節(jié)穩(wěn)定性具有較大影響，如不及時(shí)治療會(huì)導(dǎo)致關(guān)節(jié)軟骨、半月板和韌帶的繼發(fā)損傷，最終導(dǎo)致早期骨關(guān)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(guān)節(jié)損傷^[8-10]。對于經(jīng)驗(yàn)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(yàn)不足醫(yī)生卻很難作出準(zhǔn)確的診斷^[11-12]。

深度卷積神經(jīng)網(wǎng)絡(luò)（DCNN）是深度學(xué)習(xí)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(jī)制，可以自動(dòng)學(xué)習(xí)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(zhuǎn)化為“高層”特征表示，并用“簡單模型”完成復(fù)雜的分類等學(xué)習(xí)任務(wù)，非常適合醫(yī)學(xué)圖像的輔助診斷^[14-16]。目前國內(nèi)外關(guān)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(gòu)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(zhì)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(biāo)準(zhǔn)：①因旋轉(zhuǎn)、剪切等動(dòng)作受力導(dǎo)致膝關(guān)節(jié)外傷者；②經(jīng)MRI檢查并由工作經(jīng)驗(yàn)豐富的放射科醫(yī)生閱片確認(rèn)膝關(guān)節(jié)內(nèi)存在ACL部分或完全撕裂者。ACL正常者納入標(biāo)準(zhǔn)：經(jīng)MRI檢查并由工作經(jīng)驗(yàn)豐富的放射科醫(yī)生閱片確認(rèn)膝關(guān)節(jié)內(nèi)ACL正常者。受檢者排除標(biāo)準(zhǔn)：①膝關(guān)節(jié)骨折者；②膝關(guān)節(jié)畸形者；③合并膝關(guān)節(jié)內(nèi)其他病變（如韌帶囊腫、韌帶鈣化）者；④有膝關(guān)節(jié)手術(shù)史導(dǎo)致關(guān)節(jié)內(nèi)解剖結(jié)構(gòu)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(yàn)的骨科?？漆t(yī)生在每例受檢者膝關(guān)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(dǎo)出，共導(dǎo)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(jié)構(gòu)的圖像，并對正常或撕裂圖像行手動(dòng)標(biāo)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(jī)分配到訓(xùn)練集當(dāng)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(xùn)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(jìn)行300輪預(yù)訓(xùn)練以增強(qiáng)預(yù)訓(xùn)練模型對于ACL正?；蛩毫褍蓚€(gè)類別特征的提取能力，再借助該預(yù)訓(xùn)練模型用本研究的訓(xùn)練集進(jìn)行300輪迭代訓(xùn)練，從而獲取能夠針對輸入的MRI圖像進(jìn)行分類的架構(gòu)。使用隨機(jī)梯度下降（SGD）算法對訓(xùn)練集圖像進(jìn)行訓(xùn)練，利用線性縮放策略動(dòng)態(tài)調(diào)節(jié)學(xué)習(xí)率（lr），lr=初始lr×BatchSize÷64，初始lr=0.01，權(quán)重衰減設(shè)置為0.000 5，SGD動(dòng)量為0.9。默認(rèn)情況下BatchSize為128張，在含有1080Ti型號圖形處理器的設(shè)備上進(jìn)行訓(xùn)練，輸入圖像分辨率為224×224像素。因發(fā)現(xiàn)隨機(jī)剪裁算法與現(xiàn)有的增廣手段存在重疊，本研究在訓(xùn)練時(shí)采用了隨機(jī)水平翻轉(zhuǎn)、顏色抖動(dòng)和多尺度縮放等數(shù)據(jù)增廣方式，摒棄了隨機(jī)剪裁算法進(jìn)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(xùn)練該模型。其中對預(yù)測目標(biāo)框和真實(shí)框的回歸計(jì)算采用BCE Loss法，對于分類任務(wù)計(jì)算采用Focal Loss法。測試階段模型參數(shù)設(shè)置與訓(xùn)練階段保持一致，當(dāng)DCNN訓(xùn)練結(jié)束后，使用模型加載損失最小的訓(xùn)練參數(shù)對測試集進(jìn)行測試。

1.3 統(tǒng)計(jì)學(xué)分析

采用Python3.8編程軟件獲取機(jī)器學(xué)習(xí)結(jié)果，采用SPSS 26.0 軟件對數(shù)據(jù)進(jìn)行統(tǒng)計(jì)學(xué)分析，通過繪制受試者工作特征（ROC）曲線，計(jì)算曲線下面積（AUC）、陰性預(yù)測值（NPV）、陽性預(yù)測值（PPV）、準(zhǔn)確率、靈敏度和特異度等指標(biāo)來評估模型性能。

2 結(jié)果

ACL撕裂智能診斷DCNN模型的訓(xùn)練過程中損失曲線的結(jié)果顯示，隨著訓(xùn)練輪數(shù)增加，訓(xùn)練損失逐步下降，經(jīng)過300輪迭代訓(xùn)練后Loss值達(dá)到最小，表明模型達(dá)到最高診斷性能（圖1A）。本模型訓(xùn)練的準(zhǔn)確率曲線顯示，隨著訓(xùn)練輪數(shù)增加，訓(xùn)練準(zhǔn)確率逐步上升，經(jīng)過80輪迭代訓(xùn)練后準(zhǔn)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(jìn)行測試，繪制的ROC曲線顯示AUC為0.602（圖1C），通過各個(gè)評價(jià)指標(biāo)的常用公式進(jìn)行計(jì)算，得出準(zhǔn)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(guān)節(jié)穩(wěn)定的重要結(jié)構(gòu)，ACL撕裂后將導(dǎo)致膝關(guān)節(jié)生物力學(xué)發(fā)生改變，產(chǎn)生明顯的膝關(guān)節(jié)失穩(wěn)，并繼發(fā)半月板、關(guān)節(jié)軟骨等退行性變，嚴(yán)重影響患者的膝關(guān)節(jié)運(yùn)動(dòng)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(jié)合影像學(xué)檢查綜合判斷，但由于臨床情況復(fù)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(shù)輔助診斷的設(shè)想，對膝關(guān)節(jié)MRI圖像建模智能診斷ACL撕裂進(jìn)行研究，探討DCNN輔助診斷ACL撕裂的可行性。

由于膝關(guān)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(gè)薄層，因此我們在膝關(guān)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(luò)架構(gòu)識別膝關(guān)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(xùn)練參數(shù)并在測試集上進(jìn)行預(yù)測，根據(jù)預(yù)測結(jié)果繪制了測試集上的ROC曲線，并計(jì)算出AUC為0.602。該模型在訓(xùn)練集的PPV達(dá)到74.62%，NPV達(dá)到91.81%；在測試集的PPV達(dá)到52.99%，NPV達(dá)到88.96%。從測試結(jié)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(xùn)練集中正常ACL圖像較ACL撕裂圖像多，導(dǎo)致模型對于正常ACL的識別能力更強(qiáng)，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(xùn)練數(shù)據(jù)相對較少，模型泛化能力較低所致。既往研究結(jié)果顯示放射科醫(yī)生通過MRI診斷ACL撕裂的準(zhǔn)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(zhǔn)確率、靈敏度和特異度分別為73.93%、77.50%和72.50%。深度學(xué)習(xí)雖然是一項(xiàng)強(qiáng)大的數(shù)據(jù)建模技術(shù)，理論上能夠識別圖像中細(xì)微特征（目標(biāo)對象的紋理、邊緣等），但其需要大量訓(xùn)練數(shù)據(jù)提取所需對象特征；但有時(shí)由于各種原因?qū)е聼o法收集足量訓(xùn)練數(shù)據(jù)，此時(shí)應(yīng)進(jìn)一步細(xì)化和準(zhǔn)確化有限的訓(xùn)練數(shù)據(jù)，如本研究中將MRI圖像裁剪出研究所需解剖結(jié)構(gòu)，以提高算法識別的準(zhǔn)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(xùn)練數(shù)據(jù)的增多，本模型的診斷性能將會(huì)有進(jìn)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(xué)習(xí)這一新技術(shù)應(yīng)用于醫(yī)療衛(wèi)生領(lǐng)域的補(bǔ)充。未來研究中，我們將逐步擴(kuò)展深度學(xué)習(xí)技術(shù)的應(yīng)用，將其用于膝關(guān)節(jié)其他疾?。ㄈ缙渌g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(xué)習(xí)技術(shù)實(shí)現(xiàn)對膝關(guān)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(huì)進(jìn)行多中心的數(shù)據(jù)收集和驗(yàn)證，在更大的數(shù)據(jù)集上開發(fā)新的算法，我們也會(huì)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(shí)，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(jì)患者是否接受了膝關(guān)節(jié)鏡手術(shù)，因此用于訓(xùn)練的ACL撕裂圖像的診斷僅依靠醫(yī)生閱片，這可能會(huì)為訓(xùn)練結(jié)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?yàn)椴糠峙R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(shè)計(jì)；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(xiàn)］

[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(cè)髁切跡征診斷前交叉韌帶斷裂的研究進(jìn)展[J]. 中國修復(fù)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(guān)節(jié)鏡下Endobutton帶袢鋼板并Ethibond縫線治療前交叉韌帶脛骨止點(diǎn)撕脫性骨折效果[J]. 精準(zhǔn)醫(yī)學(xué)雜志， 2018，33（5）：418-421.

[22]梁繼華，梁小瑜. 磁共振成像技術(shù)診斷膝關(guān)節(jié)前交叉韌帶斷裂的準(zhǔn)確率分析[J]. 影像研究與醫(yī)學(xué)應(yīng)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(qiáng)）