基于径向基函数神经网络的膝关节磁共振T2 map数据分类*

2014-02-05吴一晓李占军何浩强胡红丽

中国医学装备 2014年9期

吴一晓杨然李占军何浩强胡红丽

稿约

吴一晓①杨然②李占军①何浩强③胡红丽④

目的：设计一种膝关节骨性关节炎(OA)磁共振T2 map数据分类器，用于OA疾病分类。方法：通过磁共振成像(MRI)T2 mapping技术，采集46例膝关节MRI图像共计1380个数据，按膝关节软骨全器官磁共振成像评分(WORMS)分区方法提取10个亚区的T2值数据，以T2值数据为特征量进行数据挖掘，建立径向基函数(RBF)神经网络分类器，结合临床诊断结果实行对采集样本数据分类识别。结果：RBF分类器对于膝关节T2 map数据最终识别准确率为75%，体现了良好的OA数据分类效果。结论：基于直接确定法的RBF神经网络构造的膝关节OA分类器无需任何迭代，通过简单步骤就得到最优权值、合适的中心以及方差，适合作为OA的疾病分类器。

膝关节炎；磁共振T2 map数据；径向基函数；神经网络；分类器

[First-author’s address]Department of Medical Equipment, The Fifth Affiliated Hospital of Sun Yat-sen University, Zhuhai 519000, China.

膝关节骨性关节炎(osteoarthritis，OA)早期诊断技术是目前临床医学、影像医学以及计算机技术等领域研究的热点之一[1]。OA发病机制目前尚不十分明确，病变不可逆转且难以治疗，给患者带来长期疼痛，严重影响其生活质量[2-3]。对于OA，早发现、早诊断和早干预是目前治疗的最佳方法，通过合适手段实现对OA的早期诊断具有重大意义。

磁共振T2 map是纯物理参数T2数值图，直接反映所观察组织结构的横向弛豫时间T2值，通过定量测量T2 map上感兴趣组织区域的T2值数据，能实现量化评价组织结构生化成分变化的目的[4]。经众多的临床实验证明，T2值反映OA磁共振分级结果具有良好的敏感性、特异性和重复性，尤其在全器官磁共振评分体系(whole-organ magnetic resonance imaging score， WORMS)上，T2值与OA展现出良好的相关性[5]。建立径向基函数(radical basis function，RBF)神经网络分类器，对膝关节软骨WORMS分区10个亚区的T2值为特征值进行数据挖掘，结合临床影像诊断结论通过样本训练实现膝关节OA数据分类。

1 材料与方法

1.1 材料及工具

本研究选用同一SE序列、8个不同回波时间，回波时间范围：5≤TE≤75 ms，分别扫描膝关节所得的MRI图像46幅，图像范围以髌骨下缘为中心，横断面应该包括股骨下端内外侧髁。序列设置用于T2 mapping的回波时间链有8个回波值，分别为8.9 ms、17.8 ms、26.7 ms、35.6 ms、44.5 ms、53.4 ms、62.3 ms和71.2 ms。由于收集样本数量偏少的原因，经临床诊断医生指导，在实际临床诊断中将样本数据归纳为正常、轻度OA和重度OA的3个类别，对应的Recht0级和I级为轻度OA(OA l组)，II级和Ⅲ级为重度OA(OA 2组)，IV级软骨已经出现广泛全层缺损，计算T2值较为困难，故不列入研究探讨[6]。采用MATLAB软件，版本号为Version 7.11 R2010b。

1.2 膝关节T2特征值采集

根据WORMS分区方法，膝关节矢状位股骨和胫骨分别划分为前区、中区和后区，除股骨前区外，其他5个分区每区行3次采样，一个薄层共计15个采样数据(如图1所示)。

图1 膝关节矢状位软骨T2值测量

数据记录精度保留小数点后两位，按临床医生诊断结果分为正常、轻度OA和重度OA的3种类别予以保存。一组完整的关于WORMS分区数据包含内、外2侧共计30个感兴趣区(region of interest，ROI)，对应地采集30个T2特征值数据。

随机选取图像栈中ROI点，坐标：X=150，Y=180，T2=37.58 ms，分别测量8幅不同回波时间图像中信号强度，所对应的8个信号强度分别为1354.0、1306.0、945.0、813.0、632.0、489.0、338.0、354.0，通过Excel计算生成该点的T2衰减曲线(如图2所示)。

图2 组织ROI某点的T2衰减曲线

通过拟合曲线可以看出该随机选取点的拟合程度比较好，表示该T2 map图像线性拟合计算过程呈良好的稳定性和R2相关性，从而保证了所测量T2值的准确性。

1.3 基于RBF神经网络的T2数据分类

径向基函数神经网络RBF是一种数据挖掘中常用的高效单隐层前向神经网络模型，具有其他前向网络所不具有的最佳逼近性能和全局最优特性，构造的神经网络分类器也具有良好的T2数据分类性能[7-9]。

正规化神经网络模型选取全部训练样本的输入向量作为网络隐神经元高斯激励函数的中心，采用常见的高斯函数激励第i个隐神经元[10](公式1)：

式中Ii是高斯径向基函数的中心(也是第i个训练样本对应的输入向量)，与神经网络输入x具有相同维数，σi是高斯激励函数的方差，其决定了该函数围绕中心点的宽度。

所构造的本T2值RBF神经网络分类器结构中，输入层有M=8个神经元，隐含层有N=38个隐神经元，输出层有J=3个神经元。RBF神经网络分类器要学习确定的网络参数有两个：①隐神经元之高斯激励函数的方差，②相关神经元之间的连接权值。

利用方差公式2：

统一计算和确定各方差σi(i=1，2，…，N)，式中Lma为各中心之间的最大距离(即I各列向量之间的最大范数距离)。

基于矩阵伪逆思想直接确定RBF网络连接权值wij(i=1，2，…，N；j=1，2，…，J)(公式3)：

式中W表示由wij组成的N行J列的权值矩阵(i=1，2，…，N；j=1，2，…，J)，输入受激励矩阵Γ=[rki]∈RN×N，其中公式4为：

正规化RBF神经网络中Γ∈RN×N，若其为非奇异，矩阵伪逆Γ+可直接取为矩阵逆Γ-1，即W=Γ-1OT，否则，取为矩阵伪逆Γ+且W=Γ+OT[11]。

输入未经学习过的或用于测试的样本Ii，通过RBF神经网络运算后得到RBF神经网络输出(公式5)：

由归一化处理后结果判断未知样本的所属类别，正常、轻度OA和重度OA分别设为数值形式的[1，0，0]、[0，1，0]和[0，0，1]。

实验所使用的样本数据共计46个，其中正常、轻度OA和重度OA3个类别对应的样本分别有25个、14个和7个，每个类别分别随机选取21个、12个和5个样本组成训练样本集(即N=21+12+5=38)，而其余8个样本作为测试样本集。

2 结果

本研究基于与多家国内医疗机构科研交流平台获取有关膝关节OA诊断的各种影像数据近128份，选择其中优质的46份MRI图像样本作为T2 mapping数据来源，成功测量共计1380个ROIT2值数据。实验最后通过MATLAB成功构造出基于T2特征值的正规化RBF神经网络模型，通过38个样本数据学习训练，神经元训练精度为100%，测试时间为0.0038 s，测试精度为75%，分类器共测试了8个样本，4个正常的膝关节样本全部正确归类，正常组数据分类准确率100%，2个轻度OA样本其中1个被错误归类到正常组，2个重度OA样本中1个被错误归类到轻度OA组。

3 讨论

膝关节软骨T2值测量的结果与国内外相关报道类似，本实验测量正常组膝关节软骨平均值范围在43.37 ms左右，OA组各中心承重区T2值相对偏高，考虑是承重区受到的应力作用引起，WORMS分区的中区部位是膝关节软骨病变早期诊断和疗效评估的敏感观察区。某些样本T2值总和相差不多，但据临床诊断结果属于不同类别，一方面每个亚区测量数据的分层位置不尽一致，另一方面本研究所预设的3种类别存在分类过粗，再有可能膝关节软骨因其解剖生理的特点，每个个体不同的WORMS区域在OA影响权重不一样[12]。

本研究OA组的T2值较正常组明显升高，与Dunn等[13]的研究结果相符，这支持软骨早期退变是由于胶原纤维破坏和胶原组织含量减少及方向改变并导致软骨组织中水分增加所致的结论。

利用T2值数据构造的正规化RBF神经网络模型表现出来的OA分类准确率一般，考虑主要有下述原因。

(1)样本量相对偏少，轻度OA训练样本只有12个，重度OA训练样本只有5个，这很大程度上影响了数据统计学差异的显著性。加大样本量，进行更大范围的测试训练，分类器的判断准确率应有提升。

(2)来源数据类型单一，仅组织T2值一种数据，特征量过少。如果根据OA临床诊断的其他依据添加如样本的性别、年龄、体重指数、人体激素水平和形态学等数据，形成多维参量，这将极大改善分类器的性能。

(3)分类器预设的类别标准过于粗糙，3个评判类别基于临床MR Recht分级方法，没有很好地将WORMS分区和WORMS评分联系起来，因而导致错判分类。T2值反映的是组织生化信息的变化，与所用的形态学诊断标准存在一定程度上的差异。

4 结语

单一T2值数据能够实现OA的75%分类，证明软骨T2值是膝关节OA的敏感指标不容置疑[14]。这主要是因为T2值不是简单的图像纹理数据，而是在MRI成像原理上对采集的图像数据进行了拟合计算处理得出的纯的参数值，直接反映着组织的内部生化信息，与OA病变存在极大的相关性。

基于RBF神经网络的膝关节磁共振T2 map数据分类，很大程度上消除传统OA影像形态诊断的人为主观性因素影响，避免因个人知识和经验差异而引起“千差万别”的诊断结果，从而可使OA的疾病诊断及疗效评估更为准确[15]。

[1]李珩，李峰，张蓉，等.MRI对膝骨关节炎的早期诊断意义[J].中国康复理论与实践，2007，13(10)：946-948.

[2]肖承滢，林乔龄，李民.骨性关节炎软骨下骨病变机制研究进展[J].医学信息，2010，23(6)：1767-1769.

[3]周智洋，邹学农，单鸿.关节软骨磁共振分子成像与量化分析新技术[J].国外医学临床放射学分册，2007，30(6)：418-421.

[4]陈其春，邹月芬，王德杭，等.磁共振T2-mapping成像在膝关节早期骨性关节炎中的应用[J].临床放射学杂志，2012，31(1)：81-82.

[5]Blum enkrantz G，Majumdar S.Quantitative magnetic resonance imaging of articular cartilage in osteoarthritis[J].Eur Cells Mater，2007，13(5)：75-86.

[6]Apprich S，Welsch GH，Mamisch TC，et al.Detection of degenerative cartilage disease：comparison of high-resolution morphological MR and quantitative T2 mapping at 3.0 Tesla[J]. Osteoarthritis Cartilage，2010，18(9)：1211-1217.

[7]高隽.人工神经网络原理及其仿真实例[M].北京：机械工业出版社，2003：80-96.

[8]商增全.16层螺旋CT与99Tcm-MDP全身骨显像对腰椎骨转移瘤的诊断价值[J].中国医学装备，2013，10(11)：72-73.

[9]张雨浓，李克讷，谭宁.中心、方差及权值直接确定的RBF神经网络分类器[J].计算技术与自动化，2009，28(3)：5-9.

[10]Zhang Y，Leithead WE，Leith D J.Time-series Gaussian process regression based on Toeplitz computation of O(N^2) operation and O(N)-level storage[C].Seville，Spain：Proceedings of the 44th IEEE Conference on Decision and Control，2005：3711-3716.

[11]Zhang Y，Li W，Yi C，et al.A weights-directlydetermined simple neural network for nonlinear system identification[C].San Antonio：Proceedings of IEEE International Conference on Fuzzy Systems，2008：455-460.

[12]Peterfy CG，Guermazi A，Zaim S，et al.Wholeorgan magnetic resonance imaging score (WORMS)of the knee in osteoarthritis[J]. Osteoarthritis Cartilage，2004，12(3)：177-190.

[13]Dunn TC，Lu Y，Jin H，et al.T2 relaxation time of cartilage at MR imaging：comparision with severity of knee osteoarthritis[J].Radiology，2004，232(2)：592-598.

[14]Blum enkrantz G，Majumdar S.Quantitative magnetic resonance imaging of articular cartilage in osteoarthritis[J].Eur Cells Mater，2007，13(5)：75-86.

[15]Doi K.Computer-aided diagnosis in medical imaging：Historical review，current status and future potential[J].Comput Med Imaging Graph，2007，31(4-5)：198-211.

Knee joint magnetic resonance RBF neural network-based T2 map data classification/

WU Yi-xiao, YANG Ran, LI Zhan-jun, et al// China Medical Equipment,2014,11(9):1-4.

Objective:To design a knee Osteoarthritis classifier of magnetic resonance T2 map data, which used for OA disease classification.Methods:Collected 46 cases of knee image with a total of 1380 data by magnetic resonance imaging (MRI) T2 mapping technique, and extracted T2 value data of 10 Asian region based on articular cartilage whole organ magnetic resonance imaging score (WORMS) partition. Then took the T2 value data as the characteristic quantity by data mining, and structured radial basis function (RBF) neural network classifier, combined with the clinical diagnosis to classify and recognize the data of collected sample.Results:The study finally found that RBF classifier reflected 75% of recognition accuracy rate, and it showed good effect of OA data classification.Conclusion:The knee osteoarthritis RBF neural network classifier based on direct determination method can get the optimal weights, right center and variance by simple steps, without any iteration. We suggest that it is a classifier fit to OA disease.

Knee osteoarthritis; Magnetic resonance T2 map data; Radial basis function; Neural network; Classifier

1672-8270(2014)09-0001-04

R445.2