现阶段，许多研究探讨了人工智能（AI）在肌肉骨骼成像中的应用。深度学习（DL）作为机器学习的一个子集可用于各种任务，如图像识别、图像重建和图像数据转换、组织分割、工作流程支持和疾病检测。

椎体骨折是一种常见的病理现象，在日常放射学实践中经常遇到。椎体骨折主要有两大类：创伤性骨折和非创伤性骨折。后者可进一步细分为：（1）功能不足性骨折，如骨质疏松症患者；（2）病理性骨折，由病灶性骨质异常引起，如肿瘤。其中，椎体的不完全性骨折是典型的压缩性骨折，其特点是至少有一块终板受压。根据骨折的形态和另一终板或后壁的受累情况，可将压缩性骨折分为楔形、凹形或挤压性畸形。此外，椎体高度损失的程度具有很高的临床意义，结合压缩性骨折的类型，可以影响治疗和康复。因此，对发育不全骨折的检测和精确的形态学定量在临床实践中至关重要。

非外伤性背痛患者的一线影像学检查包括前后位和侧位的x线检查。进一步的诊断工作包括MR成像，例如排除影像学上的隐匿性骨折，检测神经压迫并指导治疗。一些研究探讨了机器学习方法用于x线、双能X射线吸收仪（DEXA）和CT的骨折的检测，显示了部分高诊断准确率。最近的研究应用DCNN来区分腰椎MRI数据集上的良性和恶性骨折以及新旧骨质疏松性骨折，显示出较高的诊断准确率。然而据我们所知，到目前为止，还没有人研究过DL架构在MRI上的椎体定量评估和不足性骨折检测方面的潜力。

近日，发表在European Radiology杂志的一项研究探讨了DCNN对基于MRI的椎体测量和腰椎发育不全骨折检测的诊断性能，为临床早期、准确的进行椎体骨折的评估提供了技术支持。

本项回顾性分析包括200名患者（年龄75.2±9.8岁）的1000个椎体，所有患者在多个机构接受了腰椎MRI检查。160/200名患者有≥一个椎体不全骨折，40/200名患者没有骨折。比较了DCNN和两位受训的肌肉骨骼放射科医生在椎体测量（前/后高度、椎板凹陷程度、椎体角度）和评估椎体发育不全骨折方面的表现。统计资料包括：（a）使用类内相关系数（ICC）、卡帕统计和布兰-阿特曼分析的观察者间可靠性指标，以及（b）诊断性能指标（敏感性、特异性、准确性）。如果95%的置信区间不重叠，则接受有统计学意义的差异。 

放射科医生和DCNN的读片员之间的一致性在椎体测量方面非常好，前后椎体高度和椎体角度的ICC值大于0.94，上、下内板凹陷度的ICC值为0.79-0.85，良好至优秀。DCNN在骨折检测方面的表现为敏感性0.941（0.903-0.968），特异性0.969（0.954-0.980），准确性0.962（0.948-0.973）。DCNN的诊断性能独立于放射机构（准确度0.964 vs. 0.960）、MRI扫描仪类型（准确度0.957 vs. 0.964）和磁场强度（准确度0.966 vs. 0.957）。 

 图 放射科医生和DCNN测量的椎体前后高度的Bland-Altman图。数值的单位是毫米。DCNN：深度卷积神经网络。SD，标准偏差

本项研究表明，对于腰椎MRI上的椎体测量和不全骨折检测，研究所用的DCNN的诊断性能与肌肉骨骼放射科医生的诊断性能相当，可协助临床进行骨折的诊断及评估。

原始出处：

Christoph Germann,André N Meyer,Matthias Staib,et al.Performance of a deep convolutional neural network for MRI-based vertebral body measurements and insufficiency fracture detection.DOI:10.1007/s00330-022-09354-6

Tags： European Radiology：深度卷积神经网络在MR椎体骨折检测方面的价值