2026, Vol. 24引用本文 |
| MRI影像组学特征评估椎体骨微结构的可行性研究 |  [PDF全文] |
2. 成都市第一人民医院骨科, 四川 成都 610041;
3. 推想医疗科技股份有限公司, 北京 100080;
4. 四川大学华西医院放射科, 四川 成都 610041
2. Department of Orthopedics, Chengdu First People's Hospital, Chengdu 610041, China;
3. InferVision Medical Technology Co., Ltd., Beijing 100080, China;
4. Department of Radiology, West China Hospital of Sichuan University, Chengdu 610041, China
随着人口老龄化进程的加快，骨质疏松症已成为影响我国老年人群健康的重要疾病之一[1-2]。骨质疏松症可导致骨强度下降、脆性骨折风险增加。研究表明，骨密度虽可以在一定程度上反映骨强度，但其与脆性骨折间并无很好的相关性[3-4]；骨微结构则与骨折风险密切相关，也是影响骨强度的关键因素，其能更准确地体现骨质量[5-6]。此外，目前临床上也缺乏骨强度的直观监测工具[2]。可见，寻找骨微结构可靠且易于开展的检测方法对于骨强度相关基础与临床研究均有重要价值。骨组织形态计量学方法是骨微结构检测的金标准，但其具有侵入性、标本制备过程复杂，且髂骨活检结果能否代表椎体等中轴骨仍有争议，不宜于临床大规模开展[4, 7]。外周高分辨MRI、CT及微型计算机断层扫描（micro computed tomography，Micro-CT）等虽能用于跟骨、桡骨远端等部位骨微结构的评价，但受扫描范围等限制，很难应用于活体中轴骨的检测[8-9]。普通MRI检查已广泛应用于临床，基于其T1WI信号强度评估骨密度的椎体骨质量评分被认为与脆性骨折间具有一定相关性[10]。此外，采用影像组学对MRI图像进行分析的方法也逐步应用到骨质疏松症的诊断及脆性骨折预测等研究中[11-13]，且显示出一定的可行性。
鉴于此，本研究通过分析椎体MRI组学特征与骨微结构间的相关性，探讨椎体MRI组学特征评估椎体骨微结构的可行性，以期为临床评价骨微结构提供一种简便易行、安全无创、适合广泛应用的方法。
1 资料与方法 1.1 一般资料收集2020—2021年成都市第一人民医院的椎体标本及椎体活检组织标本进行骨微结构检测，同时收集标本对应患者的性别、年龄、骨密度及胸腰椎MRI资料。纳入标准：①保持圆柱状形态的椎体标本，直径约2 mm，长度≥ 5 mm；②MRI原始图像完整。排除标准：病检结果为肿瘤、感染者。共收集35份椎体组织标本，其中6份来源于胸腰椎骨折内固定手术患者、9份来源于腰椎融合手术患者、20份来源于椎体穿刺活检组织标本。35份标本来源患者中，男9例，女26例，平均年龄（67.1±13.3）岁。按骨密度T值= -2.5作为骨质疏松诊断阈值，将35例分为非骨质疏松组15例（T>-2.5）和骨质疏松组20例（T≤-2.5）。本研究经医院伦理委员会批准（批号：2020KT010），患者均签署知情同意书。
1.2 骨微结构标本的制作、扫描与分析标本均通过椎体成形穿刺活检系统进行取材，完成后于常温下以5%的甲醛固定，病理检查采用脱钙后切片HE染色（图 1）。
 |
| 注：图1a为大体像；图1b为镜下图像（HE染色，低倍放大） 图 1 骨质标本大体像及镜下图像 |
采用四川大学华西医院公共技术实验中心PerkinElmer Micro-CT扫描仪扫描。用泡沫固定标本，沿长轴平放于Micro-CT扫描筒内。扫描参数：90 kV，88 μA，骨组织窗，重建层距与层厚均为0.05 mm，辐射剂量25 mGy，空间分辨率18 μm，图像分辨率1 024×1 024。将原始图像数据以DICOM格式导出（图 2）。
 |
| 注：图2a，2b为骨质疏松标本；图2c，2d为非骨质疏松标本 图 2 微型计算机断层扫描（Micro-CT）图像及重建图像 |
采用ImageJ2（https://imagej.net/Fiji）及3D Slicer 4.11软件（https://www.slicer.org）进行骨微结构分析。在3D Slicer软件中使用transforms插件，变换图像角度，在最大位置勾画VOI，VOI平均体积为（7.9±1.3）mm3。使用Crop Volume插件对原始图像进行裁剪，之后以nii格式保存，并于ImageJ2软件中使用Make Binary功能进行二值化处理，最后使用BoneJ插件对图像进行测量与分析。
通过以上步骤测得的骨微结构指标包括：骨小梁间距、骨小梁厚度、骨表面积、骨体积、总体积、体积分数（骨体积与总体积比值）、骨小梁各向异性与连接密度。
1.3 MRI组学特征提取采用ITK-SNAP 3.8.0（http://www.itksnap.org）软件在胸腰椎MRI原始DICOM格式图像上勾画ROI。常规于L1椎体矢状位图像上逐层沿椎体骨皮质内侧边界标记，以标记范围内的松质骨区域为ROI，若L1椎体存在血管瘤或骨折等影响图像特征的情况则选择T12椎体，若T12仍存在上述影响因素则选择L2椎体。分别于T1WI、T2WI及脂肪抑制T2WI图像上标记ROI。后将原始DICOM格式图像保存为nii文件，并在推想InferScholar科研平台上打开，对ROI和原始图像进行自动匹配后提取ROI的组学特征。使用PyRadiomics工具提取组学特征，包括形态特征、直方图特征、灰度级运行长度矩阵（gray level run length matrix，GLRLM）、灰度共生矩阵（gray level cooccurrence matrix，GLCM）、灰度依赖性矩阵（gray level dependence matrix，GLDM）、灰度区域大小矩阵（gray level size zone matrix，GLSZM）及邻域灰度差矩阵（neighboring gray tone difference matrix，NGTDM）。
1.4 统计学分析采用R语言3.6.3版本（https://www.r-project.org）及SPSS 23.0软件进行数据分析。符合正态分布的计量资料以x±s表示，组间比较行单因素方差分析，不符合正态分布时采用秩和检验（Wilcoxon法）进行比较。分类资料以例（%）表示，组间比较行χ2检验。符合正态分布的双变量行Pearson相关分析，不符合正态分布的双变量行Spearman等级相关分析。检验水准α=0.05。
2 结果 2.1 2组基线资料比较非骨质疏松组平均年龄显著低于骨质疏松组，BMI显著高于骨质疏松组（均P<0.05）；2组性别差异无统计学意义（P>0.05）（表 1）。
| 表 1 非骨质疏松组与骨质疏松组基线资料比较 |
 |
2.2 2组骨微结构指标比较
非骨质疏松组的骨小梁间距均值显著低于骨质疏松组（F=5.325，P=0.027），骨小梁厚度均值及体积分数均高于骨质疏松组（F=4.803，P=0.036；F=9.049，P=0.005）。2组骨小梁间距最大值、骨小梁厚度最大值、骨表面积、骨体积、总体积、各向异性及连接密度差异均无统计学意义（均P>0.05）（表 2）。
| 表 2 非骨质疏松组与骨质疏松组骨微结构指标比较 |
 |
2.3 影像组学特征与骨微结构相关性分析
从T1WI、T2WI及脂肪抑制T2WI原始图像上每个标记的椎体ROI分别提取1 746个影像组学特征，其中与骨微结构间具有显著相关性的特征数量分别为1 013个（58.0%）、899个（51.5%）及812个（46.5%）；各序列与骨微结构间具有相关性的特征数量差异有统计学意义（χ2=46.632，P<0.001）。在骨微结构各指标中，与骨体积、总体积及体积分数有相关性的组学特征数量最多（表 3）。
| 表 3 骨微结构各指标与MRI各序列具有相关性的特征数量 |
 |
T1WI组学特征与骨微结构中总体积、体积分数相关性最高（均r=0.57，均P<0.001）；其次为骨小梁厚度均值、骨体积（均r=0.56，均P=0.001）。T2WI组学特征则与体积分数相关性最高（r=-0.57，P<0.001）；其次为各向异性（r=0.056，P=0.001）。脂肪抑制T2WI组学特征则与骨小梁厚度均值相关性最高（r=-0.64，P<0.001）；其次为各向异性（r=-0.59，P=0.002）。
3 讨论骨质疏松症病理表现为骨量减少、骨微结构退化，增加了脆性骨折风险。骨量减少可以通过双能X线吸收测定法（dual energy X-ray absorptiometry，DXA）等检测，而目前对活体骨微结构的评估则仍存在较多困难，缺乏一致认可的简便易行方法[9, 14]。
Feldkamp等[15-16]率先将Micro-CT应用到骨微结构的研究中，使之逐渐成为研究骨微结构的常规方法。本研究发现，Micro-CT可清晰检测出非骨质疏松与骨质疏松标本在骨小梁厚度、骨小梁间距及总体积方面存在的差异。尽管Micro-CT在骨微结构研究中具有诸多优势，但受限于辐射、扫描尺寸等，与高分辨CT、MRI等一样，难以应用于活体中轴骨的检测，仅能用于动物实验及离体标本[17-18]。基于DXA扫描图像灰阶差异开发出的腰椎骨小梁评分虽然能间接反映骨小梁分布[19-20]，但与MRI相比，DXA图像分辨力低、不同仪器间结果一致性较差，其所蕴含的信息量有限，可靠性与准确性仍有待验证[20-22]。椎体骨质量评分原理在于采用脑脊液信号与椎体信号差异估算椎体骨密度，并不是对骨微结构的评估[10]。
影像组学技术是通过计算机软件从影像中提取定量特征，并借助大数据解析影像特征中所蕴含的临床信息的方法，已在肿瘤研究等领域广泛应用。本研究采用影像组学技术，从椎体MRI各序列图像上分别提取到形态特征、直方图特征及纹理特征等共1 746个组学特征，其中，与骨微结构相关的特征数量分别占T1WI、T2WI及脂肪抑制T2WI特征总数的58.0%（1 013/1 746）、51.5%（899/1 746）及46.5%（812/1 746）。T1WI组学特征与骨微结构中总体积、体积分数相关性最高；T2WI组学特征与体积分数相关性最高；脂肪抑制T2WI组学特征与骨小梁厚度均值相关性最高。此外，Muschitz等[4]也发现，体积分数与腰椎骨小梁评分显著相关。因此，推测这些指标可能更能代表松质骨的结构特征，表明骨微结构与MRI组学特征间存在相关性，为通过MRI组学特征评估椎体骨微结构提供了可能性。已有研究者用该方法进行脆性骨折风险的预测[23-25]。Ferizi等[13]发现联合使用影像组学方法可显著提高FRXA工具对骨折的预测能力。Frighetto-Pereira等[26]采用T1WI组学特征对椎体骨折进行鉴别，其AUC高达0.97。Rastegar等[27]通过组学方法从DXA图像纹理特征中判断骨量丢失情况。Areeckal等[28-30]还采用X线、CT骨纹理分析进行骨质疏松、不全骨折的早期诊断等。这些结果充分表明了采用组学特征评估骨微结构的可行性。
本研究存在的不足：①对椎体进行穿刺取材时可能对标本造成挤压损伤，进而影响骨微结构检测。②所有标本均不包含骨皮质，缺乏对比，可能影响骨微结构检测结果。③标本体积较小，在Micro-CT扫描过程中可能出现容积伪影。④因特征数量多，在统计上存在多重比较带来的假阳性风险。因此，还需要更多、更好的标本对结果进行进一步验证。
综上所述，椎体MRI组学特征与骨微结构间有一定的相关性，通过MRI组学特征可间接反映骨微结构，为骨微结构的评价提供了一种新的思路。
| [1] |
王玲, 查晓娟, 杜霞, 等. 中国人群定量CT椎体骨密度正常参考数据库及与BMI、年龄的相关性: 基于中国健康定量CT大数据队列研究[J]. 中华骨质疏松和骨矿盐疾病杂志, 2022, 15(1): 36-42. |
| [2] |
中华医学会骨质疏松和骨矿盐疾病分会. 原发性骨质疏松症诊疗指南(2022)[J]. 中国全科医学, 2023, 26(14): 1671-1691. |
| [3] |
关丽荣, 徐成. 定量磁共振评估骨质疏松症研究进展[J]. 中国CT和MRI杂志, 2024, 22(8): 180-182. |
| [4] |
Muschitz C, Kocijan R, Haschka J, et al. TBS reflects trabecular microarchitecture in premenopausal women and men with idiopathic osteoporosis and low-traumatic fractures[J]. Bone, 2015, 79: 259-266. DOI:10.1016/j.bone.2015.06.007 |
| [5] |
张芸, 张业峰, 王磊, 等. 不同骨密度骨质疏松性椎体压缩骨折骨组织形态与骨代谢标志物分析[J]. 中国骨质疏松杂志, 2022, 28(1): 56-61. |
| [6] |
Sornay-Rendu E, Boutroy S, Duboeuf F, et al. Bone microarchitecture assessed by HR-pQCT as predictor of fracture risk in postmenopausal women: the OFELY study[J]. J Bone Miner Res, 2017, 32(6): 1243-1251. DOI:10.1002/jbmr.3105 |
| [7] |
李生鋆, 范顺武, 赵凤东. Micro-CT在椎体微结构扫描中的应用[J]. 中华骨科杂志, 2016, 36(4): 241-247. |
| [8] |
Biver E, Durosier-Izart C, Chevalley T, et al. Evaluation of radius microstructure and areal bone mineral density improves fracture prediction in postmenopausal women[J]. J Bone Miner Res, 2018, 33(2): 328-337. DOI:10.1002/jbmr.3299 |
| [9] |
Sharma A K, Toussaint N D, Elder G J, et al. Magnetic resonance imaging based assessment of bone microstructure as a non-invasive alternative to histomorphometry in patients with chronic kidney disease[J]. Bone, 2018, 114: 14-21. DOI:10.1016/j.bone.2018.05.029 |
| [10] |
Ehresman J, Pennington Z, Schilling A, et al. Novel MRI-based score for assessment of bone density in operative spine patients[J]. Spine J, 2020, 20(4): 556-562. DOI:10.1016/j.spinee.2019.10.018 |
| [11] |
何丽, 刘斋, 高志梅, 等. 腰椎磁共振影像组学对女性骨质疏松症的诊断价值[J]. 中国组织工程研究, 2020, 24(30): 4841-4846. |
| [12] |
刘进, 印宏坤, 陈果, 等. MRI组学特征构建机器学习模型预测胸腰段再骨折[J]. 中国组织工程研究, 2022, 26(33): 5323-5328. |
| [13] |
Ferizi U, Besser H, Hysi P, et al. Artificial intelligence applied to osteoporosis: a performance comparison of machine learning algorithms in predicting fragility fractures from MRI data[J]. J Magn Reson Imaging, 2019, 49(4): 1029-1038. DOI:10.1002/jmri.26280 |
| [14] |
Pouillès J M, Gosset A, Breteau A, et al. TBS in early postmenopausal women with severe vertebral osteoporosis[J]. Bone, 2021, 142: 115698. DOI:10.1016/j.bone.2020.115698 |
| [15] |
Feldkamp L A, Goldstein S A, Parfitt M A, et al. The direct examination of three-dimensional bone architecture in vitro by computed tomography[J]. J Bone Miner Res, 1989, 4(1): 3-11. DOI:10.1002/jbmr.5650040103 |
| [16] |
Kuhn J L, Goldstein S A, Feldkamp L A, et al. Evaluation of a microcomputed tomography system to study trabecular bone structure[J]. J Orthop Res, 1990, 8(6): 833-842. DOI:10.1002/jor.1100080608 |
| [17] |
Du Plessis A, Broeckhoven C, Guelpa A, et al. Laboratory X-ray micro-computed tomography: a user guideline for biological samples[J]. Giga Science, 2017, 6(6): 1-11. |
| [18] |
赵彬, 李灿然, 张涛, 等. 应用Micro-CT对老年人股骨头近端三柱骨微结构三维数字化测量[J]. 中国临床解剖学杂志, 2025, 43(6): 645-652. |
| [19] |
Silva B C, Leslie W D, Resch H, et al. Trabecular bone score: a noninvasive analytical method based upon the DXA image[J]. J Bone Miner Res, 2014, 29(3): 518-530. DOI:10.1002/jbmr.2176 |
| [20] |
Winzenrieth R, Michelet F, Hans D. Three-dimensional (3D) microarchitecture correlations with 2D projection image gray-level variations assessed by trabecular bone score using high-resolution computed tomographic acquisitions: effects of resolution and noise[J]. J Clin Densitometry, 2013, 16(3): 287-296. DOI:10.1016/j.jocd.2012.05.001 |
| [21] |
Martineau P, Leslie W D. Trabecular bone score (TBS): method and applications[J]. Bone, 2017, 104: 66-72. DOI:10.1016/j.bone.2017.01.035 |
| [22] |
Mazzetti G, Berger C, Leslie W D, et al. Densitometer specific differences in the correlation between body mass index and lumbar spine trabecular bone score[J]. J Clin Densitometry, 2017, 20: 233-238. DOI:10.1016/j.jocd.2016.11.003 |
| [23] |
Zaia A. Fractal lacunarity of trabecular bone and magnetic resonance imaging: new perspectives for osteoporotic fracture risk assessment[J]. World J Orthop, 2015, 6(2): 221-235. DOI:10.5312/wjo.v6.i2.221 |
| [24] |
Liu J, Tang J, Xia B, et al. Novel radiomics-clinical model for the noninvasive prediction of new fractures after vertebral augmentation[J]. Acad Radiol, 2023, 30(6): 1092-1100. DOI:10.1016/j.acra.2022.06.022 |
| [25] |
Ferizi U, Honig S, Chang G. Artificial intelligence, osteoporosis and fragility fractures[J]. Curr Opin Rheumatol, 2019, 31(4): 368-375. DOI:10.1097/BOR.0000000000000607 |
| [26] |
Frighetto-Pereira L, Rangayyan R M, Metzner G A, et al. Shape, texture and statistical features for classification of benign and malignant vertebral compression fractures in magnetic resonance images[J]. Comput Biol Med, 2016, 73: 147-156. DOI:10.1016/j.compbiomed.2016.04.006 |
| [27] |
Rastegar S, Vaziri M, Qasempour Y, et al. Radiomics for classification of bone mineral loss: a machine learning study[J]. Diagn Interv Imaging, 2020, 101(9): 599-610. DOI:10.1016/j.diii.2020.01.008 |
| [28] |
Areeckal A S, Jayasheelan N, Kamath J, et al. Early diagnosis of osteoporosis using radiogrammetry and texture analysis from hand and wrist radiographs in Indian population[J]. Osteoporos Int, 2018, 29(3): 665-673. DOI:10.1007/s00198-017-4328-1 |
| [29] |
Muehlematter U J, Mannil M, Becker A S, et al. Vertebral body insufficiency fractures: detection of vertebrae at risk on standard CT images using texture analysis and machine learning[J]. Eur Radiol, 2019, 29(5): 2207-2217. DOI:10.1007/s00330-018-5846-8 |
| [30] |
Nardone V, Tini P, Carbone S F, et al. Bone texture analysis using CT-simulation scans to individuate risk parameters for radiation-induced insufficiency fractures[J]. Osteoporos Int, 2017, 28(6): 1915-1923. DOI:10.1007/s00198-017-3968-5 |