数字图像分割涉及将每个像素或体素标记为显示相同属性集的不同区域。当应用于医学图像时，这些分割可以支持手术规划，促进患者赋权，通过增强或虚拟现实可视化来帮助学生进行教育，为三维(3D)打印提供输入，并成为使用个人数据实现手术模拟器的初始步骤。此外，它还可以作为诊断性解释的工具，允许在三个空间维度上进行精确的体积估计和组织定位

膝关节损伤的诊断依赖于通过损伤历史、成像和临床检查收集的信息的总结。然而，最具体的膝关节不稳定测试需要多次重复和训练才能达到所需的技能，临床世界中有许多例子表明，其中一些膝关节损伤是在原始膝关节事件发生数年后诊断出来的。最近的研究已经确定人工智能(AI)是一种预测韧带手术和全膝关节置换术(TKA)过夜住院需求的工具。人工智能还为半月板损伤的新的先进治疗做出了贡献。骨科外科在上个世纪采用了关节镜等新技术，取得了重大进展，机器学习具有另一种向最佳治疗的突破性转变的潜力。第一步是勾勒出正常的解剖结构，并探索这种工具揭示膝关节病理的潜力，以便尽早开始治疗。

最常见的是，MR图像的注释涉及对灰度级图像数据的手动标记。虽然已建立的半自动方法，如区域增长、强度阈值和逻辑运算符，有助于提高人工标注的效率，但它既耗时又费力。随着人工智能和机器学习方法的进步，快速准确地自动分割医学图像成为可能。在放射学中，卷积神经网络(CNN)算法已被证明是一种非常适合基于图像的任务的技术，例如分割、目标检测、分类和图像生成等。

 这项工作的主要目的是确定卷积神经网络作为一种深度学习方法的性能，以自动分割用于可视化的人体膝关节肌肉骨骼解剖。最终目的将是使用这些模型来制作3D模型，用于术前计划，并使用该模型来检测病理。

图1  (A)Axial T1 TSE，(B)Axial PD TSE，(C)Axial PD FS TSE(D)Axial Angio GE，(E)手动注释的地面实况，(F)3D成像平面的体积图(TSE=涡轮旋转回声。FS=脂肪饱和)

图2 病理病例：(A)术后质子密度脂肪抑制序列(FS-TSE)矢状位图像显示前交叉韧带撕裂。(B)神经网络的预测输出。可以看到重建手术中的胫骨钻孔和关节内移植物。(C)分段的3D渲染。(D)全息3D模型表示

三维测试数据集结果(a)， (b)骨，ACL, PCL，半月板和副韧带，(c)骨，肌肉，韧带和静脉(d)透明脂肪组织的完整分割(e)软骨，(f) ACL， (g)， PCL， (h)， (i)半月板

方法：样本选取成年受试者健康右膝40根。此外，一个最近受伤的单侧左膝，以前已知的前交叉韧带重建，也被包括在测试对象中。MR包括以下3D脉冲序列：T1 TSE、PD TSE、PD FS TSE和Angio GE。DenseVNet神经网络被考虑用于这些实验。使用深度学习算法训练序列(I)T1、(Ii)T1和FS、(Iii)Pd和FS、(Iv)T1、Pd和FS以及(V)T1、Pd、FS和Angio的五个输入组合。使用Dice相似系数(DSC)、Jaccard指数和Hausdorff指数来比较网络的性能。

结果：组合所有序列的总体效果明显好于其他备选方案。对于测试数据集，获得了以下DSC(±标准差)：骨髓质0.997(±0.002)，前交叉韧带0.973(±0.015)，前交叉韧带0.964(±0.022)，肌肉0.998(±0.001)，软骨0.966(±0.018)，骨皮质0.980(±0.010)，动脉0.943(±0.038)，侧副韧带0.919(±0.069)，肌腱0.982(±0.005)，半月板0.955(±0.032)，脂肪组织0.998(±0.018)，静脉0.980支(±0.010)支，神经支0.921支(±0.071支)。深度学习网络正确地识别了左膝的前十字韧带(ACL)撕裂，从而预示着未来对骨科的帮助。

结论：将卷积神经网络应用于3D MR序列，能够准确地标记膝关节的所有解剖结构。我们已经证明，这种深度学习模型具有自动分割的能力，可以给出3D模型和发现病理。两种方法对术前评估都很有用。

文献来源： Kulseng CPS,  Nainamalai V,  Grøvik E,Automatic segmentation of human knee anatomy by a convolutional neural network applying a 3D MRI protocol.BMC Musculoskelet Disord 2023 Jan 18;24(1)