使用楔形步进体模进行X射线骨密度测定

2023-10-13 21:20

本文主要是介绍使用楔形步进体模进行X射线骨密度测定,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

来源:投稿 作者:洪棋
编辑:学姐

骨密度(BMD)被广泛应用于骨折风险的预测和骨质疏松症的常规识别。双能x线骨密度仪(DXA)在临床上广泛用于测量脊柱、髋关节和前臂的骨密度(aBMD)。放射学骨密度测定法(Radiographic absorpometry, RA)是最早的骨密度测定方法之一,已被用于测量软组织衰减最小的指骨和掌骨。但该技术是否适用于校正前臂软组织衰减和测量区域骨密度还有待确定。

2022年1月,北京积水潭医院放射科、骨科和云南省第一人民医院放射科的研究团队在Quantitative Imaging in Medicine and Surgery期刊上发表了题为《Assessment of bone densitometry using radiography with a step-wedge 体模: a pilot study of the forearm》的文章。研究通过对51名患者进行临床脊柱和髋关节双能x线骨密度仪(DXA)检查,并通过步进体模获得了同一手臂的x光图像。在x光图像和DXA图像上分别测量桡骨和尺骨三分之一半径部位的感兴趣区域(ROI),在桡骨和尺骨之间的x光片上测量软组织的感兴趣区域(ROI)。研究中将得到的x射线测量值表示为等效阶跃体模厚度(Eq. SPT),并使用通过DXA扫描结果得到的校准线性方程来估计前臂aBMD。经过验证,三分之一半径位置的桡骨和尺骨aBMD的x光片评估结果展示了其与GE-Lunar iDXA扫描仪测量值有良好的相关性。研究证明了x光片中经软组织衰减校正的前臂近端aBMD评估值与DXA测量值相关,且相关系数可与其他骨密度测量技术相比较。

标题:Assessment of bone densitometry using radiography with a step-wedge

体模: a pilot study of the forearm

链接:https://dx.doi.org/10.21037/qims-21-842

期刊:Quantitative Imaging in Medicine and Surgery, IF: 4.630

论文创新点:

(1)本研究中设计了一个阶梯体模,由一个均匀的混合物羟基磷灰石和软组织等效环氧树脂制成。步进体模的作用是调整校准曲线的斜率和截距的变化,以便所有数字化前臂aBMD测量值都以等效模体厚度的单位一致表示.

(2)研究首先在训练集中使用常规DXA aBMD测量来校准通过步进体模获得的x光图像。并在验证集中研究比较了由x光图像获得的前臂aBMD与前臂DXA测量的aBMD。进而验证了两者的相关性及相关系数,证实了RA具有在各种医疗设备中应用的潜力,以求扩大现有x射线设备的使用。拟议方法也可能为评估前臂骨折高风险患者提供一种广泛应用和低成本的方法,从而提高骨密度检查的可及性,

实验设置:

研究使用x光片和DXA来评估所有参与者的非优势前臂。x光片由一台安装在桌子上的数字x光设备采集(见图1A)。受试者将前臂伸入设备中(见图1B),置于图像区域进行x射线采集,手腕置于图像区域中心,图像区域由成像板上的十字标识。参与者被要求不要移动。研究时在前臂左侧约20mm处放置步进体模(见图2A)。步进体模(见图2B)由羟基磷灰石和软组织等效环氧树脂制成,是专门为本项目设计制造的。前臂DXA扫描在GELunar iDXA扫描仪上进行,受试者在常规腰椎和股骨近端扫描的同时,取仰卧位(见图2C)。

图2. 前臂远端X光图像和DXA图像以及4阶体模图像。

实验方法:

研究对前臂和步进体模的数字x光片进行数据分析。研究将圆形的ROI放置在体模中的每一步。研究在前臂远端、尺骨茎突尖近端70mm处放置高5mm的矩形ROI,覆盖桡骨和尺骨的全宽。同时进一步的ROI被放置在桡骨和尺骨之间的软组织中,作为前臂两侧的背景位置(见图2A)。对于DXA测量,研究使用GE enCORE软件进行分析。研究使用自定义的ROI函数将2个矩形ROI放置在x光片相同的位置(距尺骨茎突尖端近端70mm),以确保其一致性(见图2C)。然后将背景校正的阶梯体模x光片中的测量值与阶梯厚度进行绘图,并拟合线性回归线(图3A)。前臂两侧的背景测量值取其平均值,并从桡骨、尺骨和软组织ROI的测量值中减去。背景校正数据通过步进体模校准线转换为等效体模厚度测量值。由于这些测量是在广谱单千伏x光片中进行的,因此没有解析方程来减去软组织对桡骨和尺骨ROI测量的影响。

相反,我们假设其形式是线性关系,如下所示:

其中DXA aBMD(单位:g/cm2)为三分之一桡骨部位的iDXA扫描仪aBMD测量值(桡骨或尺骨),骨和软组织ROI的等效步进体模厚度(Eq. SPT)为同一部位的Eq. SPT测量值(单位:mm),且从校准的x光片中获得,A, B和C是由训练队列的测量结果确定的常数。

在分析中首先将训练集中Eq. SPT的桡骨和尺骨x光片测量数据进行汇总并使用多变量最小二乘回归分析,以确定Eq.[1]中系数A、B和C的最佳拟合值,进而预测前臂DXA的aBMD。其次,从每个x光片预测的aBMD测量值中减去0.711 g/cm2的平均aBMD,并乘以0.133/0.099 =1.34的比例因子(见图3B),以获得平坦的Bland-Altman图。最后使用比例因子计算调整后的A、B、C值,确保公式[1]返回预测的前臂DXA的aBMD值。

图3. 解释Xbone图像的校准。(A)使用四阶模体获得的校准曲线示例。通过点的直线是对数据的线性回归拟合。(B)解释数字x射线预测前臂aBMD测量如何重新调整以获得平坦的Bland-Altman图。

研究使用公式[1]计算验证集中桡骨和尺骨的x光片预测aBMD测量值,并调整由训练集确定的系数A、B和C的值。

实验结果:

表1. 参与者特征。

表1比较了训练集和验证集中参与者的人口统计学特征。两者的校准曲线在步进体模厚度范围内呈高度线性(图3A)。其中位相关系数r=0.9997(范围为0.9992 - 1.0000),训练集和验证集之间的差异无统计学意义(P=0.78;见图4A)。但两组数据在校正曲线的平均斜率上有微小但具有统计学意义的差异,为1.8% (P=0.004;见图4C)。此外验证集与训练集相比,其尺骨和桡骨的DXA aBMD测量值在统计学上显著升高(P=0.010和P=0.045)(见图4D)。为确保得到平坦的Bland-Altman图而进行调整后,训练集的DXA和前臂等效体模厚度测量值拟合到公式[1],此时A、B和C的值分别为0.1772[标准误差(SE): 0.0230] g/cm2/mm,−0.1067 (SE: 0.0227) g/cm2/mm,−0.9573 (SE: 0.2646) g/cm2。图5A显示了训练集的DXA aBMD测量值与由公式[1]预测的x光片估计的aBMD值之间的散点图。

图4. 阶跃体模校准曲线与DXA前臂aBMD训练和验证集的比较。

图5. 在训练和验证集中为研究参与者绘制散点图和Bland-Altman图。

总结:

本研究表明x光片中经软组织衰减校正的前臂近端aBMD估计与其DXA测量值具备相关性,相关系数可与其他骨密度测量技术相比较。拟议方法可以在DXA技术受限的地区中更广泛地测量前臂的aBMD。基于拟议方法可以改善骨质疏松症检测的方法,并识别有骨折风险的个体,也有助于定量评估牵张成骨术中肢体延长过程中新生的aBMD再生骨强度。

本研究的局限性如下:

首先验证研究规模相对较小,需要进一步测量以确定校准的长期稳定性。其次研究没有测量数字x射线技术的精度误差。

同时,放置在x光片上的尺骨ROI等是手工绘制的,未来使用自动化软件可能会提高这些测量的准确性。

最后,本研究所使用的x光设备是为严格的辐射暴露防护儿童的骨龄检查而设计的。目前的校准是否可以转移到其他类似的数字x射线装置尚不清楚。

关注下方《学姐带你玩AI》🚀🚀🚀

回复“500”获取AI必读论文合集

免费资料、前沿资讯、福利活动都在这里👇

码字不易,欢迎大家点赞评论收藏!

这篇关于使用楔形步进体模进行X射线骨密度测定的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/205942

相关文章

MySQL按时间维度对亿级数据表进行平滑分表

《MySQL按时间维度对亿级数据表进行平滑分表》本文将以一个真实的4亿数据表分表案例为基础,详细介绍如何在不影响线上业务的情况下,完成按时间维度分表的完整过程,感兴趣的小伙伴可以了解一下... 目录引言一、为什么我们需要分表1.1 单表数据量过大的问题1.2 分表方案选型二、分表前的准备工作2.1 数据评估

python之uv使用详解

《python之uv使用详解》文章介绍uv在Ubuntu上用于Python项目管理,涵盖安装、初始化、依赖管理、运行调试及Docker应用,强调CI中使用--locked确保依赖一致性... 目录安装与更新standalonepip 安装创建php以及初始化项目依赖管理uv run直接在命令行运行pytho

C#使用Spire.XLS快速生成多表格Excel文件

《C#使用Spire.XLS快速生成多表格Excel文件》在日常开发中,我们经常需要将业务数据导出为结构清晰的Excel文件,本文将手把手教你使用Spire.XLS这个强大的.NET组件,只需几行C#... 目录一、Spire.XLS核心优势清单1.1 性能碾压:从3秒到0.5秒的质变1.2 批量操作的优雅

Kotlin 枚举类使用举例

《Kotlin枚举类使用举例》枚举类(EnumClasses)是Kotlin中用于定义固定集合值的特殊类,它表示一组命名的常量,每个枚举常量都是该类的单例实例,接下来通过本文给大家介绍Kotl... 目录一、编程枚举类核心概念二、基础语法与特性1. 基本定义2. 带参数的枚举3. 实现接口4. 内置属性三、

Java List 使用举例(从入门到精通)

《JavaList使用举例(从入门到精通)》本文系统讲解JavaList,涵盖基础概念、核心特性、常用实现(如ArrayList、LinkedList)及性能对比,介绍创建、操作、遍历方法,结合实... 目录一、List 基础概念1.1 什么是 List?1.2 List 的核心特性1.3 List 家族成

Go语言使用Gin处理路由参数和查询参数

《Go语言使用Gin处理路由参数和查询参数》在WebAPI开发中,处理路由参数(PathParameter)和查询参数(QueryParameter)是非常常见的需求,下面我们就来看看Go语言... 目录一、路由参数 vs 查询参数二、Gin 获取路由参数和查询参数三、示例代码四、运行与测试1. 测试编程路

Python使用python-pptx自动化操作和生成PPT

《Python使用python-pptx自动化操作和生成PPT》这篇文章主要为大家详细介绍了如何使用python-pptx库实现PPT自动化,并提供实用的代码示例和应用场景,感兴趣的小伙伴可以跟随小编... 目录使用python-pptx操作PPT文档安装python-pptx基础概念创建新的PPT文档查看

C#和Unity中的中介者模式使用方式

《C#和Unity中的中介者模式使用方式》中介者模式通过中介者封装对象交互,降低耦合度,集中控制逻辑,适用于复杂系统组件交互场景,C#中可用事件、委托或MediatR实现,提升可维护性与灵活性... 目录C#中的中介者模式详解一、中介者模式的基本概念1. 定义2. 组成要素3. 模式结构二、中介者模式的特点

MySQL中优化CPU使用的详细指南

《MySQL中优化CPU使用的详细指南》优化MySQL的CPU使用可以显著提高数据库的性能和响应时间,本文为大家整理了一些优化CPU使用的方法,大家可以根据需要进行选择... 目录一、优化查询和索引1.1 优化查询语句1.2 创建和优化索引1.3 避免全表扫描二、调整mysql配置参数2.1 调整线程数2.

C#中SortedSet的具体使用

《C#中SortedSet的具体使用》SortedSet是.NETFramework4.0引入的一个泛型集合类,它实现了一个自动排序的集合,内部使用红黑树数据结构来维护元素的有序性,下面就来介绍一下如... 目录基础概念主要特性创建和初始化基本创建方式自定义比较器基本操作添加和删除元素查询操作范围查询集合运