CT扫描中基于深度学习的解剖标志识别

全世界每年有数百万人接受某种类型的正畸治疗，主要是由于颌骨、颅骨或面部的发育性畸形。计算机断层扫描(CT)成像是外科医生在计划此类治疗时的首选技术，尤其是手术。这是因为CT可以提供骨骼和牙齿的3D图像，有助于外科医生详细分析复杂的病例，并在此基础上确定最佳治疗方案。

在CT扫描期间，外科医生通常试图在图像中精确定位特定的解剖标志。这些是不同的点人体可以作为测量和评估病症或畸形的参考。然而，找到这些地标可能很耗时，需要相当的技巧。因此，许多研究人员试图用人工智能(AI)将这一过程自动化，并取得了不同程度的成功。

现有人工智能方法的一个常见问题是，它们依赖于一个被称为“分割“在医学图像分析中，分割意味着将图像分割成不同的相关区域，例如单个的骨骼或特定的组织组。虽然这种方法对大多数人来说都足够有效，但对于植入物或畸形(包括缺失或骨折)的患者来说，它往往会失败。但如果我们能找到一种不需要先分割图像的方法来进行解剖标记呢?

这是美国西北大学的一个研究小组进行的一项研究的目标医学影像杂志．研究人员假设a深度学习人工智能模型应该能够在不需要明确的图像分割的情况下，学习颅颌面(CMF)骨骼(颅骨、面部和颌骨的骨骼)解剖标志之间的空间关系。

“人工智能模型可以自动学习解剖结构及其潜在原因之间的关系，这种方法被称为‘关系推理’。虽然在机器人领域很有名，但在医学成像中几乎没有考虑到关系推理，”通讯作者、西北大学放射学和生物医学工程系副教授Ulas Bagci解释说。

在设计模型时，研究人员试图回答以下问题:(a)是否有可能通过只学习其中的几个解剖标志来识别所有的解剖标志?(b)哪些地标对模型最有信息量?他们策略的一个重要方面是实现一个模型体系结构，可以学习“局部”和“全局”关系。局部关系是指一对地标之间的相对位置，而全局关系是指一个地标相对于所有其他地标的位置。

因此，他们提出的人工智能模型的架构，他们称之为“关系推理网络”(RRN)，有两个阶段，包含被称为“关系单元”的核心块。在第一阶段，模型学习给定地标集合成员之间的局部关系。在第二阶段，模型学习每个地标和其他地标之间的整体关系。该团队使用一个大型地标数据集来训练模型，这些数据集来自人为增强的250张CT扫描图像数据集。数据集中的患者中有很大一部分表现出出生缺陷、发育畸形、缺骨或缺牙，以及以前接受过手术治疗。

研究人员测试了几种地标的组合，以确定最佳性能的组合。他们还将该模型的性能与传统的基于人工智能的定位方法进行了比较。总的来说，RRN的准确性是显著的，与以前报道的技术一致或更好。此外，该模型显示出良好的泛化性，这意味着它在不同条件下收集的前所未见的数据进行测试时表现良好。研究人员认为，这是因为RRN框架可以学习CMF标志之间的功能关系，这些标志在某种程度上仍然存在于大型畸形的病例中。

“在最困难的情况下，每个解剖标记的误差小于2毫米，我们研究中开发的方法不仅可以帮助外科医生节省时间，还可以避免分割失败可能导致的不正确的定位。此外，它为未来旨在学习身体其他部位解剖标志之间关系的人工智能模型开创了先例，”Bagci总结道。