Professional Documents
Culture Documents
http://www.zjujournals.com/med DOI:10.3724/zdxbyxb-2021-0131
口腔医学 ·专题报道·
基于锥形线束 CT 数据的智能颈椎骨龄
评估系统的建立
1 2 2 1
冯筱妍 ,卢诗娟 ,李一鸣 ,林 军
1.浙江大学医学院附属第一医院口腔科,浙江 杭州 310003
2.浙江大学计算机辅助设计与图形学国家重点实验室,浙江 杭州 310058
[ 关键词 ]颈椎骨龄;智能评估;锥形线束;计算机断层扫描术;侧位体层片
[ 中图分类号 ] R782.05 [ 文献标志码 ] A
收稿日期:2021-01-11 接受日期:2021-02-01
基金项目:国家自然科学基金(81970978)
第一作者:冯筱妍,住院医师,主要从事口腔正畸临床工作;E-mail:xiaoyanfeng@zju.edu.cn;https://orcid.org/0000-0002-
2171-2854
通信作者:林 军,主任医师,博士生导师,主要从事口腔正畸临床工作;E-mail:linjun2@zju.edu.cn;https://orcid.org/0000-
0002-2431-0121
·188· 浙江大学学报(医学版) Journal of Zhejiang University(Medical Sciences)
China; 2. State Key Laboratory of CAD & CG, Zhejiang University, Hangzhou 310058,
China)
Corresponding author: LIN Jun, E-mail: linjun2@zju.edu.cn, https://orcid.org/0000-0002-
2431-0121
[ Key words ] Cervical vertebrae maturity; Intelligent assessment; Cone beam; Computer
tomography; Lateral tomogram
N
医学影像的数字化处理与智能化分析已成为 b= (x x ) 2
N
(x x )(z z )
N
(x x )(y y )
趋势。本研究将锥形线束 CT 数据与自动化技术
i =1 i =1 i =1
N N N
(x x )(z z ) (x x ) 2 (y y ) 2
同时应用到颈椎骨龄评估中,开发了初具体系的 i =1 i =1 i =1
基于锥形线束 CT 数据的智能颈椎骨龄评估系统, N
(x x )(y y )
N
(x x )(y y )
i =1 i =1
初步评估了智能颈椎骨龄评估系统的临床应用价
c=z ax by
值,以期为临床上更高效、准确地进行生长发育评 [5]
最后,通过超像素分割算法 将矢状截面的
估提供新的方法。
图像从像素级降至超像素级,利用图像局部灰度
1 对象与方法 相似的特点,将其分割为若干个同质的超像素子
区域,通过良好的聚类功能进行颈椎形态的
1.1 对 象
提取。
选取浙江大学医学院附属第一医院口腔影像
1.3 颈椎形态的自动化定点
资料室生长发育期儿童(年龄为 8~16 岁)同期拍摄
采用 Chen 等
[6]
颈椎骨龄定量的分期方法,其
的头颅侧位体层片及锥形线束 CT 影像资料各 60
中第 2 至 4 节颈椎的 13 个点组构成了该公式的相
份,其中男性儿童 21 名,女性儿童 39 名,平均年龄
应数据来源,选取为标志点(表 1、图 1)。
为(12.3±2.8)岁。任选 13 份用于测试自动化定
计算机自动定点算法如下:首先计算出每一
点的准确性。排除标准:①锥形线束 CT 图像不清
节颈椎的最小矩形包围盒,包围盒有 4 个拐点,根
晰,第 2 至 4 节颈椎形态不完整;②有颅面畸形病
据坐标的上下左右可以确定左上、右上、左下、右
史,如颅面骨折、唇腭裂;③有颈椎形态相关的综
下点的坐标,每个坐标计算边缘点集中距离(曼哈
合征;④有严重系统性疾病或其他综合征。本研
顿距离)最近的点,即为所求的点,其中第二颈椎
究经患者及其家长知情同意,研究方案通过医院
C2 只需计算左下(C2a)、右下(C2p)以及下面正中
伦理委员会审批[2019(11-1)]。
(C2d)的点。由于 C2 左下角的边缘在一些情况下
1.2 基于锥形线束 CT 的自动化颈椎形态捕获
过于圆滑,所以检测到的点位置偏上,导致点 C2d
将锥形线束 CT 数据以自由矩阵的医学数字
在左右两拐点连成的直线之下,为了避免这种情
成像和通信数据进行多平面重建,利用 Otsu 算法
况发生,在计算 C2a 和 C2p 时,要求距离包围盒下
提取出面部区域。
边线距离在一定的范围内。以 C2a 为例,具体计算
随后,采用最小二乘法原理计算出矢状截面,
如下:先计算每个点到左下拐点的曼哈顿距离,取
该平面是纳入全部数据后使左右两侧距离尽可能
最小的 20 个点,计算到下边线的距离,取其中最小
相等的平面。在二维情况下,最小二乘法对给定
距离的点为 C2a。确定好 C2a 和 C2p 两点之后,将
的点,通过最小化误差的平方和,拟合出一条最佳
距离 C2a 和 C2p 连成的直线最远的点确定为
的直线。进一步将其扩展到三维情况,假设面部
C2d。第三、四颈椎中标记点的计算方法与第二颈
点集为F={(xi,yi ,zi)},i=1,…,N,其中N为总点数,
椎同理。通过均分坐标轴数据计算得出 C4um
目标是拟合平面z=ax+by+c,使得该平面在给定xi,
和 C4am。
y i 后对z i 预测误差的平方和D最小化,D的计算公
为了验证自动定点的可靠性,在统一的坐标
式为:
N N
系下由同一名研究者进行人工定点,重复三次,记
D= d i2 = (z i ax i byi c) 2 录每次测量的数据,并计算每个点三次测量的平
i =1 i =1
均值。注意避免因视觉疲劳、图像记忆产生的误
为了最小化D,将D对平面参数a,b,c分别求
差,故间隔一周左右进行一次测量。
偏导,令导数为 0,求解得到的公式如下:
1.4 颈椎骨龄评估
N N N
a=
i =1
(y y ) 2 i =1
(x x )(z z ) i =1
(x x )(y y ) 1.4.1 人工颈椎骨龄评估 根据“颈椎成熟度
的描述进行骨龄评估(图 2)。第一步:评
[7]
N
(y y )(z z )]
N
(x x ) 2
N
(y y ) 2 分期”
i =1 i =1
i =1
估第二至四节颈椎体的底边形态变化(平→凹);
N N
i =1
(x x )(y y ) i =1
(x x )(y y )] 第二步:评估第三、四节颈椎体的形态变化,即梯
·190· 浙江大学学报(医学版) Journal of Zhejiang University(Medical Sciences)
2 结 果
2.1 颈椎形态的自动化捕捉结果展示
基于锥形线束 CT 自动捕捉,可见颈椎形态完
整,边缘清晰,见图 5。
2.2 颈椎形态自动定点与人工定点的一致性检验
人工定点所有测量项目的 ICC 值均大于
图 1 颈椎骨龄定量分析标志点
Figure 1 Marking points for quantitative analysis of cervical
0.75,X 轴 ICC 平均值为 0.992±0.016,Y 轴 ICC 平
vertebrae maturity 均值为 0.997±0.003,说明人工定点具有较高的
可重复性。
形→水平矩形(水平向较长)→正方形→垂直矩形 人工定点与自动定点在 8 个标志点差异无统
(垂直向较长)。由同一名具有 3 年以上颈椎骨龄 计学意义(均P>0.05),C3la、C4am、C4um 在 X 轴或
判读经验的研究者对侧位体层片进行 3 次判读,取 Y 轴差异有统计学意义(均P<0.05),C2d 和 C4ua
3 次颈椎骨龄的均值,四舍五入后取整,作为骨龄 在 X 轴和 Y 轴差异均有统计学意义(均P<0.05),
分期结果,将颈椎骨龄分为 CVM1~CVM6 期。 见表 2。结果提示,颈椎形态自动定点准确性与人
冯筱妍,等.基于锥形线束CT数据的智能颈椎骨龄评估系统的建立 ·191·
图 2 McNamara颈椎骨龄(CVM)分期法
[7]
图 3 智能颈椎骨龄评估算法设计
Figure 3 The algorithm of intelligent system for cervical vertebrae maturity assessment
图 4 颈椎骨龄自动化评估系统的技术路线
Figure 4 General scheme of the intelligent system for cervical vertebrae maturity assesment
·192· 浙江大学学报(医学版) Journal of Zhejiang University(Medical Sciences)
图 5 颈椎形态捕捉展示
Figure 5 Results of the cervical vertebrae morphology
气泡内数值为例数.CVM: 颈椎骨龄分期.
capture
图 6 智能颈椎骨龄评估系统与人工骨龄识别结果比较
Figure 6 The assessment results of CVM in manual
表 2 人工定点与自动定点的一致性检验结果
recognition and intelligent cervical vertebrae
Table 2 Consistency of manual chosen points and automatic
maturity assessment system
chosen points
[x ± s 或M(Q1,Q3)]
变 量 X轴 Y轴 3 讨 论
C2a 1.00(−1.00,1.00) 0.00(−1.50,0.00)
C2d −1.00(−2.00,−1.00)** 1.92±1.32**
为生长发育期儿童制订正畸方案时,医生需
C2p −0.15±1.07 0.46±1.13 要评估该儿童的生长发育状态,预测患儿未来的
C3la 0.00(0.00,2.00) 0.62±0.87* 生长,然而目前临床上缺乏一种高效、简便的生长
C3lp 1.00(0.00,1.00) 1.00(−0.50,1.50) 发育预测方法。本研究旨在以颈椎骨龄为切入
C3ua 0.46±1.90 0.77±1.79 点,应用自动化技术建立一种临床上便于应用、可
C3up 1.00(−0.50,2.00) −0.23±2.45 靠性高的颈椎骨龄评估系统,辅助生长发育
C4am −2.00(−12.00,0.00)* −0.92±7.76 评估。
C4la 1.15±2.88 0.15±1.57 本研究应用锥形线束 CT 数据进行颈椎骨龄
C4lp 0.46±0.88 0.00(0.00,1.00)
评估,规避了侧位体层片作为二维平面图像存在
C4ua 1.00(0.00,2.00)** 0.00(0.00,2.00)* [11]
的精准度低、数据量少等局限 。有研究指出第
C4um 1.00(0.50,8.50) **
−1.85±3.31
一、二颈椎为非典型形态,第二颈椎有齿状突的这
C4up 0.85±1.82 0.31±1.32
一结构,头颅侧位体层片无法区分两者的形态,而
锥形线束 CT 图像却可以反映第一、二颈椎对颈椎
表中数据为人工定点与自动定点数据的差值. 人工定点与自
* **
动定点比较, P<0.05, P<0.01.
[12] [13]
骨龄的影响 。Bonfim 等 对比了通过锥形线
工定点相当,可用于后续骨龄评估。 束 CT 三维重建图像和矢状截面评估的颈椎成熟
2.3 智能颈椎骨龄评估系统与人工骨龄识别的 指数,亦表明锥形线束 CT 可作为骨龄判断的一种
结果比较 方式。
人工颈椎骨龄识别的 ICC 值为 0.991(接近 1) 颈椎形态特征识别是颈椎骨龄识别系统的设
说明具有一定经验的研究者进行的人工颈椎骨龄 计基础,是临床上广为应用且较为成熟的颈椎骨
识别具有较高的可重复性。 龄评估方式。有不少的颈椎骨龄研究是围绕形态
变化展开的,如 Perinetti 等
[14]
60 例患者在智能颈椎骨龄评估系统和人工 开发了依据颈椎形
态特征的 CVM 编码系统,Gray 等
[15]
骨龄识别两种不同的方式下行颈椎骨龄评估的结 对颈椎形态与
果见图 6,其中 49 例患者的颈椎骨龄判断一致,11 下颌骨的生长发育进行了相关性研究。目前,越
例不一致,且差异不超过 1 期。加权 Kappa 系数为 来越多的研究将计算机学习技术与骨龄预测进行
0.877(P<0.05),Gamma 系数为 0.991(P<0.05), 整合,如朴素贝叶斯分类器、逻辑回归、支持向量
[16-17]
证明两种方式的骨龄识别结果具有较高的一 机、随机森林、人工神经网络等 ,将形态识别
致性。 整合入算法,结果显示结合人工定点的半自动化
冯筱妍,等.基于锥形线束CT数据的智能颈椎骨龄评估系统的建立 ·193·
transparent code staging system applied to a 6-year [20] CHOI Y K, KIM J, YAMAGUCHI T, et al. Cervical
longitudinal investigation[J]. Am J Orthod vertebral body’s volume as a new parameter for
Dentofacial Orthop, 2017, 151(5): 898-906. predicting the skeletal maturation stages[J]. Biomed
[15] GRAY S, BENNANI H, KIESER J A, et al. Res Int, 2016, 2016: 8696735-.
Morphometric analysis of cervical vertebrae in relation [21] BYUN B R, KIM Y I, YAMAGUCHI T, et al.
to mandibular growth[J]. Am J Orthod Dentofacial Quantitative skeletal maturation estimation using
Orthop, 2016, 149(1): 92-98. cone-beam computed tomography-generated cervical
[16] BAPTISTA R S, QUAGLIO C L, MOURAD L M E H, vertebral images: a pilot study in 5- to 18-year-old
et al. A semi-automated method for bone age Japanese children[J]. Clin Oral Investig, 2015, 19
assessment using cervical vertebral maturation[J]. (8): 2133-2140.
Angle Orthod, 2012, 82(4): 658-662. [22] O’REILLY M T, YANNIELLO G J. Mandibular growth
[17] AMASYA H, YILDIRIM D, AYDOGAN T, et al. changes and maturation of cervical vertebrae–a long-
Cervical vertebral maturation assessment on lateral itudinal cephalometric study[J]. Angle Orthod,
cephalometric radiographs using artificial intelligence: 1988, 58(2): 179-184.
comparison of machine learning classifier models[J]. [23] MITO T, SATO K, MITANI H. Predicting mandibular
DentoMaxillofac Radiol, 2020, 49(5): 20190441. growth potential with cervical vertebral bone age[J].
[18] 宋熙煜, 周利莉, 李中国, 等. 图像分割中的超像素 Am J Orthod Dentofacial Orthop, 2003, 124(2):
方法研究综述[J]. 中国图象图形学报, 2015, 20(5): 173-177.
599-608. [24] CHEN F, TERADA K, HANADA K. A special method
SONG Xiyu, ZHOU Lili, LI Zhongguo, et al. Review on of predicting mandibular growth potential for class Ⅲ
superpixel methods in image segmentation[J]. Jour- malocclusion[J]. Angle Orthod, 2005, 75(2): 191-
nal of Image and Graphics, 2015, 20(5): 599-608. 195.
(in Chinese) [25] SRINIVASAN B, PADMANABHAN S, CHITHAR-
[19] CHEN L L, XU T M, JIANG J H, et al. Quantitative ANJAN A B. Constancy of cervical vertebral matura-
cervical vertebral maturation assessment in adoles- tion indicator in adults: a cross-sectional study[J]. Int
cents with normal occlusion: a mixed longitudinal Orthod, 2018, 16(3): 486-498.
study[J]. Am J Orthod Dentofacial Orthop, 2008,
134(6): 720.e1-720.e7. discussion 720-721. [本文编辑 余 方 刘丽娜]
·学术动态·