使用楔形步进体模进行X射线骨密度测定

news2024/11/23 4:25:14

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!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/746058.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

最全Linux Shell详细教程

一、环境准备 我们在这里就在本地测试学习,因此我在这里先不建议大家这么着急去买服务器来学,这样比较费钱,等我们学好这些基础之后,再去上手服务器,那将是手到擒来。 本地学习工具:虚拟机 如果你没有该工…

ES6~ES13新特性(一)

1 ECMA新描述概念 2 let、const的使用 3 let、const和var区别 4 块级作用域的使用 5 模板字符串的详解 6 ES6函数的增强用法 一个执行上下文关联两个环境。词法环境和变量环境。 词法环境是由let和const创建;变量环境是由var创建的。 let-const的基本使用、不能…

网络安全现状,一个黑客真实的收入

前言 上次带大家了解了什么是黑客,黑客是干嘛的,今天就来看看黑客的收入和方向怎么样。 一个黑客年薪是多少呢? 外界普遍认为黑客是高收入群体,那么你想过黑客是怎么赚钱的吗?黑客分为白帽黑客和黑帽黑客&#xff0…

R语言实现SMOTE与SMOGN算法解决不平衡数据的回归问题

本文介绍基于R语言中的UBL包,读取.csv格式的Excel表格文件,实现SMOTE算法与SMOGN算法,对机器学习、深度学习回归中,训练数据集不平衡的情况加以解决的具体方法。 在之前的文章Python实现SMOGN算法解决不平衡数据的回归问题&#x…

源码安装 gcc遇到的问题

1、需要的工具和库的安装1 见https://gcc.gnu.org/install/preprequisites.hml 2、源码下载和依赖的工具的源码的下载 在https://gcc.gnu.org/mirrors.html中选择一个镜像源的链接打开,下边以日本的源(http://ftp.tsukuba.wide.ad.jp/software/gcc/)为例。 2.1 …

MySQL数据库的备份与还原、视图基础操作

一、备份与还原 1、使用mysqldump命令备份数据库中的所有表 mysqldump -uroot -p#$%#*#^* booksDB authorbook authors books > /backup/db/booksDB.spl 2、备份booksDB数据库中的books表 mysqldump -uroot -p*&*&……%¥#¥% booksDB books …

FreeRTOS(任务调度)

任务调度 什么是任务调度? 调度器就是使用相关的调度算法来决定当前需要执行的哪个任务。 FreeRTOS中开启任务调度的函数是 vTaskStartScheduler() ,但在 CubeMX 中被封装为 osKernelStart() 。 FreeRTOS的任务调度规则是怎样的? FreeRTOS…

QT禁用窗口【关闭】按钮的实现方法

QT禁用窗口关闭按钮的实现方法,直接在窗体类构造函数的内部写入setWindowFlags(Qt::CustomizeWindowHint | Qt::WindowMinimizeButtonHint | Qt::WindowMaximizeButtonHint)即可实现,案例如下: #include "form.h" #include "…

apache 安装配置 基础篇(三) 之 虚拟机、主服务等、默认虚拟主机、serverpath、DocumentRoot Directory

apache虚拟主机类型有两种 1、基于名称的虚拟主机 2、基于地址或IP地址的虚拟主机 基于名称的虚拟主机 但是如果不用域名(host)就没有办法区分了,而执行第一个匹配的网站了(第一个虚拟主机所处理) ## httpd-vhosts.conf 添加如下代码&…

选择合适的软件,提升工作计划效率

在快节奏的工作环境中,日程安排变得尤为重要。有许多不同的软件可用于帮助管理日程,但哪个软件最适合您的需求?在本文中,我们将介绍几种适合工作安排的软件。 1.Google Calendar Google日历是一种功能强大、易于使用且免费的日历应…

Orange pi3初调试

因为树莓派沦为理财产品1年前出手殆尽后,现在唯一一个B性能不足一直没动力调试,沦为吃灰工具。 偶然之间多多给推了个orange产品预售,看了下pi3的参数,这不和赚了差价的3B一个性能吗?果断定了个预售款,在差…

机器学习洞察 | 挖掘多模态数据机器学习的价值

在过去的数年里,我们见证了机器学习和计算机科学领域的很多变化。人工智能应用也愈趋广泛,正在加速融入人们的日常生活之中。机器学习作为技术核心,也在持续地发展进化,在更多领域发挥出越来越重要的作用。**机器学习会有哪些新的…

python 将 csv转excel (.xls和.xlsx)的几种方式

前言 excel 后缀有2种格式, .xls 是从 Excel 97 到 Excel 2003 的默认文件格式,而 .xlsx 是 Excel 2007 及更高版本的默认文件格式。 .xlsx和.xls格式的主要区别在于,.xls格式单个工作表最多支持65536行,256列。 .xlsx格式最多…

torch分布式训练笔记

torch分布式训练笔记 1. 数据并行(DistributedDataParallel)2. 模型并行(单机多卡)3. 混合并行(数据并行 模型并行/PipeLine并行) 1. 数据并行(DistributedDataParallel) 官方文档…

github搜索案例

目录结构 public/index.html <!DOCTYPE html> <html lang""><head><meta charset"utf-8"><!-- 针对IE浏览器的一个特殊配置&#xff0c;含义是让IE浏览器以最高的渲染级别渲染页面 --><meta http-equiv"X-UA-Comp…

海量文件高速传输解决方案(基于Rsync)

​​随着互联网的飞速发展和社会的数字化转型&#xff0c;企业信息化建设推动了数据的快速增长&#xff0c;越来越多的信息服务依赖海量数据的采集与应用。传统的FTP、网盘等工具无法满足海量数据的传输与分发&#xff0c;导致企业无法高效完成海量数据传输 。 传统的ftp传输效…

【使用驱动代码实现如下要求 应用程序通过阻塞的io模型来读取number变量的值】

驱动应用层代码 #include <stdio.h> #include <stdlib.h> #include <sys/types.h> #include <sys/stat.h> #include <fcntl.h> #include <unistd.h> #include <string.h> #include <sys/ioctl.h> #include "head.h"…

记一次JVM调优过程

文档修订记录 版本 日期 撰写人 审核人 批准人 变更摘要 & 修订位置 JVM相关理论 JVM内存 可分配内存&#xff1a; JVM可以调度使用的总的内存数&#xff0c;这个数量受操作系统进程寻址范围、系统虚…

学无止境·MySQL⑦(索引和视图)

索引和视图练习 索引练习1、建立一个utf8编码的数据库test12、建立商品表goods和栏目表category3、删除 goods 表中的 goods_desc 字段及货号字段,并增加 click_count 字段4、在 goods_name 列上加唯一性索引&#xff08;用alter table方式&#xff09;5、在 shop_price 列上加…

基于linux下的高并发服务器开发(第一章)-GCC(1)1.2

打开XShell,在连接虚拟机Ubuntu的窗口中输入&#xff1a;sudo apt install gcc g gcc -v,查看gcc的版本,gcc version 7.5.0 也可以是gcc --version,查看信息相对少一些 g -v g --version ls查看当前目录的文件/文件夹 cd Linux/ 进入Linux文件夹 mkdir lession02 创建lession0…