肩关节骨关节炎（OA）是一种常见的慢性退行性关节疾病，通常与老化相关的磨损有关，但也可能由创伤、劳损或退变等因素引起。其主要症状包括肩关节疼痛、肿胀、活动受限和弹响等。肩关节骨关节炎的高危因素包括既往肩部手术、创伤史、炎症状况（如类风湿性关节炎）以及肩部过度使用。根据病情的严重程度和骨刺的位置，可以采取不同的治疗选择。治疗范围从康复和药物治疗到关节表面置换和全关节置换，为个体需求提供了一系列干预措施。

     现有的 OA 诊断方法主要依赖放射科医生的经验，存在主观性和局限性。深度学习技术在骨关节炎诊断中的应用主要集中在单一任务，例如骨组织分割或关节间隙狭窄程度评估，缺乏对 OA 的全面分析。

     本文提出了一种创新的深度学习框架，用于处理肩关节 CT 扫描，旨在简化基于个性化手术器械 (PSI) 的肩关节置换术前计划流程。该框架包括：肩胛骨和肱骨近端语义分割、骨组织 3D 重建、GH 关节区域识别；三种常见 OA 相关病变的分期：骨刺形成 (OS)、GH 关节间隙狭窄 (JS) 和肩胛盂肱关节对位 (HSA)。

1 方法

• 体积分割：使用CEL-UNet模型从CT扫描中提取肱骨和肩胛骨。
• 肱骨头区域检测：利用两个重建的表面在原始CT体积中检测肱骨头区域。
• 多类分期：使用Arthro-Net模型对肩关节（GH joint）进行多类分期，包括：

骨刺分期（3个类别，骨刺大小逐渐增加）。

肩关节间隙（3个类别，严重程度逐渐增加）。

肱骨-肩胛骨对齐（2个类别）

1.1 数据集

研究使用了 607 张轴向 CT 扫描图像，这些图像来自接受肩关节置换术的患者，并伴有不同程度的骨形态变形。

• 数据集包括原始骨表面模型和去除骨刺后的模型，用于增强 PSI 术前规划过程。
• 为了提高模型的泛化能力，数据集被分为训练集和测试集，并进行数据增强操作。

1.2 训练集准备

数据集被分为两个子集：一个用于分割 (DSeg)，一个用于分类 (DClass)。

• DSeg 子集通过裁剪和分块方法进行数据增强。
• DClass 子集通过裁剪和翻转方法进行数据增强，并提取 GH 关节区域的中心裁剪块。

1.3 GH 病理性条件分期和数据标注

• 骨刺分期 (OS) 基于 Samilson-Prieto 分级系统进行标注。
• GH 关节间隙 (JS) 基于 Kellgren-Lawrence 分级系统进行标注。
• 肱骨肩胛骨对位 (HSA) 根据肱骨头相对于盂窝表面的位移进行标注。

1.4 分割网络：CEL-UNet

CEL-UNet 是一个基于 UNet 架构的深度学习模型，专门用于分割肩部骨骼。

• 该模型包含两个并行分支：区域分割分支 (RA) 和边缘检测分支 (CA)。
• RA 分支负责生成分割掩码，CA 分支负责识别骨骼边缘。
• 模型使用自定义损失函数，结合区域和边缘特征，提高分割精度。

1.5 分类网络：Arthro-Net

• Arthro-Net 是一个针对 GH 关节病理性条件分期的多任务、多分类深度学习模型。
• 该模型包含一个编码器和一个解码器，解码器包含三个独立的分支，分别对应 OS、JS 和 HSA 分类任务。
• 模型使用加权交叉熵损失函数，平衡不同类别样本的数量。

1.6 网络训练和预测流程

CEL-UNet 和 Arthro-Net 分别在训练集上进行训练。

在预测阶段，首先使用 CEL-UNet 进行分割，然后使用自定义算法提取 GH 关节区域，最后使用 Arthro-Net 进行分类。

1.7 分割和分类质量评估

• 使用 Dice 系数、Jaccard 系数、精确率、召回率和 F1 分数评估分割模型的性能。
• 使用均方根误差 (RMSE) 和豪斯多夫距离评估 3D 重建模型的性能。
• 使用准确率、精确率、召回率、F1 分数和混淆矩阵评估分类模型的性能。
• 测量整个预测流程的运行时间，评估模型的效率。

2 结果

2.1 CEL-UNet 与 nnUNet分割结果比较

• 肱骨分割: CEL-UNet 在 Dice 系数和 Jaccard 指数方面显著优于 DCE-nnUNet 和 FOC-nnUNet，在精度和召回率方面也优于 DCE-nnUNet 和 FOC-nnUNet 之一。
• 肩胛骨分割: CEL-UNet 在 Dice 系数、Jaccard 指数和精度方面显著优于 DCE-nnUNet 和 FOC-nnUNet，DCE-nnUNet 在召回率方面表现最好。
• 定性比较: CEL-UNet 能够准确捕捉骨刺轮廓和肩胛骨的狭窄解剖结构，而 DCE-nnUNet 和 FOC-nnUNet 在识别骨刺和肩胛骨上角方面存在错误。

2.2 肱骨和肩胛骨 3D 重建

• CEL-UNet 的重建精度: CEL-UNet 实现了全球 RMSE 小于 1 毫米的 3D 重建表面。肱骨和肩胛骨的中位数和四分位距分别为 0.22 (0.15-0.38) 毫米，0.37 (0.22-0.77) 毫米，0.55 (0.29-0.78) 毫米和 0.16 (0.12-0.27) 毫米，0.19 (0.13-0.36) 毫米，0.24 (0.15-0.54) 毫米。
• CEL-UNet 的重建质量: CEL-UNet 在重建肩胛骨下凹处表现出色。
• CEL-UNet 的优势: CEL-UNet 在重建不规则肱骨头骨刺方面表现出色，而 DCE-nnUNet 和 FOC-nnUNet 则无法做到。所有三个网络在重建肩胛骨时都遇到了困难，尤其是在上角附近。

2.3 Arthro-Net：三种病理条件的分类结果

• 消融研究: Arthro-Net 的最佳设计配置是 A(7, 48)，具有七个处理块和 48 个初始特征图，在三个分类任务中实现了最佳的准确率、精确率、召回率和 F1 分数，范围从 0.88 到 0.95。
• 分类准确性: OS 的召回率在检测小 (<3 毫米) 和大 (>7 毫米) 骨刺时更高，JS 的召回率在生理 (100%) 和不可检测 (93%) 关节间隙条件下更可靠，而 GH 头部偏心的分类准确性略低于同心度 (88% 对 95%)。

2.4 整体流程的部署和推理速度

• 推理时间: 每个操作的推理时间在整个测试集上进行了测量，包括使用 CEL-UNet 进行 CT 分割、3D 重建、GH 区域识别和使用 Arthro-Net 进行诊断分类。
• 最耗时的步骤: 分割是最耗时的步骤，中位数为 9.2 秒。肱骨重建时间超过了肩胛骨重建时间，分别耗时 1.0 秒和 3.6 秒。
• 总时间: 所有流程的总中位数为 14.8 秒，证实了所提出的级联多任务方法的快速吞吐量，使其有可能适用于临床诊断实践。