基于MRI的腰痛功能障碍自动评估方法研究.pdf

Chinese Journal of Medical Instrumentation文章编号：16 7 1-7 10 4(2 0 2 4)0 1-0 0 0 6-0 42024年48 卷第1期中国医疗器械杂志研究与论著基于MRI的腰痛功能障碍自动评估方法研究【作【摘【关键词】腰痛；功能障碍评估；磁共振成像；机器学习【中图分类号】R318【文献标志码】AResearchonAutomatic EvaluationMethodofLimbDysfunction of Low BackPain Basedon MRl【A u t h o r s ZH A I So n g l i n,Q I La i x u e,CH ENG M a o j u nDepartment of Imaging,the Affiliated Chuzhou Hospital of Anhui Medical University,Chuzhou,239000【A b s t r a c t I Ba s e d o n p r e p r o c e s s e d M R I i m a g e s o f l o w b a c k p a i n p a t i e n t s,t h i s s t u d y e x t r a c t e d M R I i m a g e f e a t u r e sthat can reflect the dysfunction of low back pain patients,and proposed a stacking ensemble learningalgorithm model based on algorithm diversity,which provided a reliable method and an implementationmethod for the accurate assessment of limb dysfunction in low back pain patients.Key words low back pain,assessment of limb dysfunction,MRl,machine learning者】翟松林，齐来雪，程茂军安徽医科大学附属滁州医院影像科，滁州市，2 390 0 0要】基于腰痛患者的MRI，通过图像预处理，提取能够反映腰痛患者功能障碍的MRI影像特征，并结合机器学习方法，提出了一种基于算法多样性的stacking模型集成算法，为腰痛患者的肢体功能障碍精准评估提供可靠方法和实现手段。doi:10.3969/j.issn.1671-7104.2303090引信腰痛（lowback pain,LBP）是临床常见疾病，也是一种高发疾病。临床上经常采用计算机体层成像（computed tomography,CT)、超声（ultrasound,US）和磁共振成像（magnetic resonance imaging,MRI）等影像学方法来探究腰痛发病的原因，但是目前尚缺少与肢体功能障碍相关的MRI影像特征的提取、评估应用的研究。临床上，基于行为学特征的临床量表检查和基于MRI的影像检查，均可为腰痛患者肢体功能障碍评估提供多方面依据，但最后还需要医生凭借个人经验做综合判断，评估存在标准不统一、主观性强等问题。因此，实现腰痛患者肢体功能障碍的自动精准评估成为医学临床上呕待解决的重要问题。椎旁肌包括多裂肌（multifidus,MF）、竖脊肌(erector spinae,ES）、腰大肌（psoas major muscle,PM）和腰方肌等，其中多裂肌、竖脊肌、腰大肌的位置比较靠近脊柱，是维护脊柱稳定的重要组成部分。研究3 发现它们的功能性退化在腰痛患者中表现尤为明显，因此，对核心椎旁肌群功能性退化的研收稿日期：2 0 2 3-0 5-2 2作者简介：翟松林，E-mail:究可以探索腰痛的病因，对腰痛患者的肢体功能障碍评估有深远的意义。此外，椎管狭窄4、椎间盘突出是引起腰痛的主要原因之一，因此，椎管孔径的病理改变与腰痛功能障碍亦存在一定关联性。本研究基于MRI提取与腰痛密切相关的影像学特征，结合机器学习（machinelearning，M L）方法开展腰痛患者肢体功能障碍自动评估，具有数据可靠、客观性强、评估结果准确度高、使用简单便捷等优点，对于腰痛患者精准治疗、早日康复和减少医疗支出都有重要意义。1MRI图像采集与预处理本研究腰痛患者的样本数为2 5例，MRI图像以常规仰卧位、头先进体位进行采集。MRI扫描仪器采用GEDiscoveryMR750w3.0T产品，共用3个扫描序列，参数如表1所示。本研究主要选取腰痛患者的第3腰椎（L3）和第4腰椎（L4）以及第4腰椎与第5腰椎（L5）的横断面MRI图像，作为研究数据集。1.1图像增强在采集腰痛患者MRI图像时，如果患者身体状态较差或采集操作不规范，将会导致采集的MRI图6Chinese Journal of Medical Instrumentation2024年48 卷第1期中国医疗器械朵志研究与论著像对比度较差。本研究对MRI图像进行对比度受限自适应直方图均衡（contrast limitedadaptive histogramequalization,CLAHE）6 处理，通过限制局部直方图的高度，限制噪声放大和削弱图像过度增强效果。CLAHE算法处理前后图像效果和灰度直方图对比，如图1所示。原MRI图像大部分像素的灰度值集中在050，经过CLAHE算法处理后，其灰度值力强到0 150，(a)原始图像总体增强了图像效果，提高了图像质量。(a)Original image表1扫描序列参数图2 MRI原图与中值滤波图像效果对比Tab.1 Scanning sequenceparametersFig.2Comparisonof the effectof theoriginal图MRI image andthemedian filter image扫描片采集短陈重复时回波时空间分辨层厚序列间/ms间ms率/mm数mmOsag T2Frfse 11 384224276096.80280280OsagTiFse11384224Oax T2Frfse15 320224(a)原始图像(a)Original imageX1037654320050100150200250灰度值(c)原始直方图(c)Original histogram图1CLAHE算法处理前后图像效果和灰度直方图对比Fig.l Comparison of image effect and grayscalehistogram before andafterbeing processedbyCLAHEalgorithm1.2中值滤波在经过图像对比度加强后，腰痛患者的MRI图像中仍有少部分噪声。为减少噪声的影响，本研究采用二维中值滤波7 对腰痛患者进行滤波。二维中值滤波是一种非线性的图像平滑法，主要对脉冲干扰级噪声的抑制效果好，可以在抑制随机噪声的同时有效地保护图像边缘信息。腰痛患者的MRI原图与中值滤波图像效果对比如图2 所示。7(b)中值滤波图像(b)Median filtered image2MRI特征提取与分类440012.10280 x2804040104.68 200200(b)CLAHE算法处理后图像(b)Image processedbyCLAHEalgorithm10376543210050100150200250灰度值(d)CLAHE算法处理后直方图(d)Histogram processedbyCLAHEalgorithm442.1MRI特征提取本研究根据临床专家建议，将腰痛患者的MRI图像标记出不同的感兴趣区域（regionof interest,ROI)，主要的感兴趣区域为腰痛患者的腰椎旁肌肉和椎管区域，主要包括左侧腰大肌、左侧竖脊肌、左侧多裂肌、右侧腰大肌、右侧竖脊肌、右侧多裂肌和椎管部分。本研究由临床专家采用Python中的labelme模块对腰痛患者的感兴趣区域进行标记划分，MRI原图与标记效果如图3所示。(a)MRI原图(b)椎旁肌肉标记结果(a)Original MRI image(b)Paravertebral musclelabeling result图3MRI原图与标记效果Fig.3OriginalMRIand labelingresults计算腰痛患者的L3L4层MRI医学图像的腰椎旁肌肉的横截面积和脂肪浸润度，作为腰痛患者肌肉区域的医学影像特征。对腰痛患者的左右两侧腰大肌、多裂肌和竖脊肌的感兴趣区域图像进行特征提取，提取计算方式如下：1)肌肉横截面积(crossctional area,CSA);ScSA=Ntotal K(1)式中：Ntotal是感兴趣区域像素总数；K是比例系数。2）脂肪浸润率（fat infiltration rate,FIR)RFIR=Nfat/Ntotal式中：Nfat是脂肪组织像素数目；Ntotal是感兴趣区域像素总数。(c)椎管标记结果(c)Spinal canallabeling result(2)Chinese Journal of Medical Instrumentation2024年48 卷第1期中国医疗器械朵志研究与论著腰痛患者不仅受腰椎旁肌肉退行性改变影响，还受腰椎管影响，椎管狭窄是造成患者腰痛或腰腿痛的常见原因。由于患者软骨或纤维组织增生肥厚等原因，导致椎管的容积和径长等参数值异于正常人，从而压迫或刺激神经等结构而导致腰痛，因此医学影像中的腰痛患者椎管特征十分重要，本研究主要采集腰痛患者的L3L4与L4L5的MRI图像的椎管前后径、左右径和椎管面积作为参数。主要方法为：1）选取椎管的感兴趣区域，划分感兴趣区域，计算感兴趣区域中心点，即划分4条边界线，计算矩形中点。2）椎管图像基本形似椭圆，因此找出中心点后，根据椭圆定义即可近似算出其长径与短径，短径就是椎管的前后径，长径就是椎管的左右径，感兴趣区域内椎管像素值近似为椎管面积。2.2特征集合构建MRI图像特征提取了腰椎患者L3L4、左右侧多裂肌和竖脊肌的肌肉横截面积及脂肪浸润度，还有腰大肌的左右侧肌肉横截面积，共有3张图像，又提取了椎管前后径、左右径及椎管面积的图像参数，共有36 维影像学特征参数。2.3特征筛选国内外研究9-10 以及临床专家建议将腰痛患者的视觉模拟评分法（visual analogue scale，V A S）量表得分作为分类依据，将腰痛肢体功能障碍分为3个等级，即I类、类、类。I类腰痛患者VAS得分为0 3分，类为4 6 分，类为7 10 分。本研究的特征参数基本不符合正态分布与方差齐性检验，故本研究主要采用非参数统计Kruskal-Wallis算法(l进行研究选择，根据其结果选择优秀的特征作为子集特征。2.4Stacking模型集成学习算法传统的机器学习分类通过对给定的训练数据集中学习，寻找到一个与实际分类一致的分类模型。集成学习通过某种方式融合多个学习模型结果12 ，结合各个模型的优缺点来预测结果。相较于单个分类模型，集成学习分类模型在大多数情况下能够提高系统的泛化能力，其通用stacking模型拓扑结构如图4所示。在集成算法的发展过程中，研究者们由于数据与算法等原因，各基分类器的分类效果参差不齐，对最终的分类效果的贡献度也存在差异。本研究根据自身的样本数据对stacking模型集成学习算法进行部8分改进。提出对基分类器输出结果加权以解决样本不均衡问题，即基于算法多样性的stacking模型集成算法（见图5)，具体步骤如下。基学习器1预测结果1图4通用stacking模型拓扑结构Fig.4Common stacking model topology训练集数据筛选子特征训练集朴素贝叶斯基SVM基学习器学习器预测分类概率1预测分类概率24ASVM元学习器分类结果图5基于算法多样性的stacking模型集成算法结构Fig.5 Stackingmodel integration algorithm structurebased on algorithmdiversity步骤一：将腰痛患者特征数据集按照2.3节算法进行特征筛选，将筛选后的子特征集分别训练基学习器，本研究主要依据算法原理差异，选择支持向量机（support vectormachines，SVM）分类模型、朴素贝叶斯分类模型和线性判别分类模型作为基学习器，采用留一法进行模型验证训练，输出各自样本的预测分类概率。步骤二：对不同基学习器的预测分类概率值进行加权矩阵调整，加权矩阵A为总体样本各个类别的样本数量的倒数，然后依据调整后的预测概率值与原样本标签构建SVM元学习器的训练集数据矩阵。步骤三：对步骤二形成的SVM元学习器训练训练集数据基学习器2预测结果2元学习器最终结果基学习器N预测结果N线性判别基学习器预测分类概率3Chinese Journal of Medical Instrumentation2024年48 卷第1期中国医疗器械杂志研究与论著集数据矩阵，采用留一法进行训练验证，从而得到分类结果。3分类效果根据临床专家建议，将腰痛患者分为I级、I级、级。I级腰痛患者样本数为8，级腰痛患者样本数为10，级腰痛患者样本数为7。选取准确率（a c c u r a c y）、精确率（precision）和召回率（recall）作为评价指标，模型分类结果如表2 所示。表2 模型分类结果Tab.2Model classificationresults准确率精准率召回率分类方法基分类器SVM算法朴素贝叶斯算法线性判别算法SVM算法+朴素贝集成算法88.00 90.0087.14叶斯+线性判别SVM算法+朴素贝改进集成算法叶斯+线性判别由表2 可知，集成算法的分类效果均优于传统机器学习，其中本研究提出的改进集成算法的分类效果最好，其准确率为96.0 0%，精确率为96.97%，召回率为95.8 3%。4讨论本研究提取腰痛患者MRI图像特征数据集，对其进行基于Kruskal-Wallis算法的特征选择。本研究在传统的集成学习算法框架下做出改进，考虑到样本不均衡问题，提出对基分类器输出的类别概率进行加权修正，构成集成学习改进算法。随后，以模型准确率、精确率和召回率作为分类模型泛化能力的评估指标。在腰痛患者特征数据集上，对基于算法多样性构成基分类器的集成学习改进算法和通用集成学习算法、传统机器学习分类SVM算法的分类效果进行了对比分析。结果显示，基于算法多样性构成基分类器的集成学习改进算法在模型准确率、精确率和召回率上取得了最佳结果，集成学习算法对分类模型效果有提升。本研究建立的评估模型取得了较好的分类效果，能够实现对腰痛患者肢体功能障碍进行精准自动评估。参考文献1 HIDES J,GILMORE C,STANTON W,et al.Multifidussize and symmetry among chronic LBP and healthyasymptomatic subjectsJJ.Man Ther,2008,13(1):43-49.2RAO D,SCUDERI G,SCUDERI C,et al.The use ofimaging in management of patients with low back painJ.J Clin Imaging Sci,2018,8:30.3 TAKASHIMA H,TAKEBAYASHI T,OGON I,et al.Association of low back pain and fat content of paraspinalmuscle using MR spectroscopyJJ.Pain Res,2015,30(4):230-237.4 HAIG A J,TONG H C,YAMAKAWA K S J,et al.（%）Predictors of pain and function in persons with spinal（%）（%）76.0080.9174.8872.0077.7870.7164.0066.6764.0596.00 96.9795.83stenosis,low back pain,and no back painJ.Spine,2006,31(25):2950-2957.5 KALICHMAN L,CARMELI E,BEEN E.Theassociation between imaging parameters of the paraspinalmuscles,spinal degeneration,and low back painJ.Biomed Res Int,2017:2562957.6REZA A M.Realization of the contrast limited adaptivehistogram equalization(CLAHE)for real-time imageenhancementJ.J VLSI Signal Process,2004,38(1):35-44.7刘嘉敏，彭玲，袁佳成，等.基于二维变分模态分解和自适应中值滤波的图像去噪方法.计算机应用研究，2017,34(10):3149-3152.8 TEICHTAHL A J,URQUHART D M,WANG Y Y,etal.Fat infiltration of paraspinal muscles is associated withlow back pain,disability,and structural abnormalities incommunity-based adultsJ.Spine J,2015,15(7):1593-1601.9SHAFSHAK T S,ELNEMR R.The visual analogue scaleversus numerical rating scale in measuring pain severityand predicting disability in low back painJ.J ClinRheumatol,2021,27(7):282-285.10 LI L,LIU X,HERR K.Postoperative pain intensityassessment:a comparison of four scales in ChineseadultsJJ.Pain Med,2007,8(3):223-234.11 MACFARLAND T W,YATES J M.Kruskal-Wallis H-test for oneway analysis of variance(ANOVA)byranksM.Switzerland:Springer International Publishing,2016.12 HEALEY S P,COHEN W B,YANG Z Q,et al.Mappingforest change using stacked generalization:an ensembleapproachJ.Remote Sens Environ,2018,204:717-728.9