专家论坛
骨肌系统影像学机遇与挑战——中国十年来发展成果及展望
磁共振成像, 2022,13(10) : 18-22,45. DOI: 10.12015/issn.1674-8034.2022.10.003
摘要

自党的十八大以来,我国骨肌系统影像学迎来了飞速发展,随着国家政策的推动、全民健身的普及、人民健康意识的提高、中华医学会放射学分会骨关节学组的助益、专业课程讲座的开展以及科研成果不断地涌现,骨肌系统影像学受到了越来越多的关注,学科影响力不断提升,医师专业能力不断提高。随着MRI硬件设施的更新、配件的开发以及相关技术的开展和应用,骨肌系统影像学的临床价值和应用范围不断增大,使越来越多的患者从中受益。骨肌系统影像学在多种骨肌系统疾病的识别、诊断、鉴别诊断和定量分析中都具有不可替代的作用,为临床诊断和治疗提供了大量有价值的信息,辅助临床决策,成为实现精准医疗不可或缺的检查方式。尽管如此,骨肌系统影像学在许多方面仍有巨大的提升潜力,如术后疗效评估、人工智能(artificial intelligence, AI)辅助诊断、早期疾病筛查等。过去十年是骨肌系统影像发展的重要阶段,MRI设备普及率的提高、不同诊断技术的发展、AI医疗的出现都为骨肌系统影像学发展提供了契机。相信在未来,骨肌系统影像学事业能够继续开拓创新、砥砺前行,不断进步完善,为国家健康战略和人民群众的健康作出更大的贡献。

引用本文: 倪铭, 袁慧书. 骨肌系统影像学机遇与挑战——中国十年来发展成果及展望 [J] . 磁共振成像, 2022, 13(10) : 18-22,45. DOI: 10.12015/issn.1674-8034.2022.10.003.
参考文献导出:   Endnote    NoteExpress    RefWorks    NoteFirst    医学文献王
扫  描  看  全  文

正文
作者信息
基金 0  关键词  0
English Abstract
评论
阅读 0  评论  0
相关资源
引用 | 论文 | 视频

本刊刊出的所有论文不代表本刊编委会的观点,除非特别声明

我国始终坚持把人民健康放在优先发展的战略地位,自党的十八大以来,把健康中国和应对人口老龄化上升到国家战略,提出坚持“预防为主”、多举措并行完善疾病预防的健康体系。通过不断促进医疗资源的均衡分布以及医联体、医共体的建设,改善医疗整体布局,人民健康获得感不断加强,人均预期寿命不断提高,中华民族伟大复兴的健康之基不断夯实。精准医疗,影像先行。影像学检查在疾病预防与筛查、疾病定位和定性诊断等多个方面具有举足轻重的价值。影像学检查作为目前最常用的无创性检查方法之一,在近十年也迎来了蓬勃的发展,随着广大人民群众健康意识的普及和全面健身的推广,骨肌系统影像学也进入了高速发展时期。X线、CT和MRI是诊断骨关节系统疾病最常用的检查方法。其中,MRI在骨与软骨损伤、软组织损伤等病变的诊断中具有不可替代的价值,在运动损伤性疾病诊断中应用尤为广泛,MRI已经成为骨关节疾病诊断不可或缺的检查方法之一。本文对十年来中国大陆骨肌系统影像学发展进行总结,并展望今后发展方向,以期提高人们对骨肌系统影像学的认识。

1 骨肌系统影像学影响力的提升

近十年来国内许多医院纷纷引入或增添MRI设备,根据相关统计,我国MRI保有量从2016年的7307台增长至2020年10713台,2016~2020年复合年均增长率为10%。随着MRI在全国各大小医院普及率的增加、帮扶政策的推进以及全国各大医院“组团式”对口支援的持续开展,乡村医疗机构、县级医院的服务能力也获得了跨越式的提升,越来越多的疾病在当地医院即可完成诊治,其中影像学检查的作用不可忽视。伴随着影像检查设备的增加,近十年来全国从事骨肌影像的专业医生也大幅增加。十八大之前,全国只有北京、上海、重庆、江苏、福建、山东、广东、云南8个省市成立了骨关节学组,各省骨关节学组委员的总数不足300人。十年间,天津、吉林、浙江、江西、河南、湖北、湖南、甘肃、贵州、广西、新疆11个省(自治区、直辖市)先后成立了骨关节学组,近千位学者加入骨关节影像专业团体队伍。各地骨关节学组在当地举办了内容丰富的学术活动,使骨关节影像检查和诊断水平有了长足的进步。依托于国家政策,中华医学会放射学分会及各地医学会的发展,以及专科教育培训的开展和相关专业书籍的推出,骨肌系统影像学在过去十年内获得了令人瞩目的成果。

2 MRI设备的发展

硬件设备的持续发展是学科进步的重要前提,随着相关技术的发展,越来越多的MRI设备不断被推出,1.5 T和/或3.0 T的MRI已经成为许多医院的标准配置,5.0 T的MRI设备已于2022年获得批准并上市,7.0 T的MRI设备也在不断加速研发,有望在近几年内在国内获得批准后上市。更高场强的MRI设备对结构的显示更加清晰[1],为疾病的精准诊断提供了有力的保障。同时,国产四肢关节专用、移动式等MRI设备也陆续上市。不仅仅是MRI设备的发展,关节专用线圈、更高通道数的线圈、收发一体线圈的开发以及扫描加速技术的研发[2]也进一步改善了图像质量,提高了扫描速度。针对不同关节的专用线圈具有更大的成像视野(field of view, FOV),适用于不同体型的患者,图像信噪比更佳,细节显示细腻,能够满足更多的临床应用场景[3]。值得关注的是,随着相关技术的发展,图像去金属伪影技术也获得了巨大的进步,通过多种技术去除图像金属伪影不仅能够大幅度提升图像质量,也解决了既往体内金属植入患者术后评估困难的问题,由于金属植入物在骨肌系统中应用最为常见,所以图像去金属伪影技术的出现也增加了骨肌系统影像学的临床适用范围。

3 中华医学会放射学分会骨关节学组的推动

在过去的十年里,中华医学会放射学分会骨关节学组充分利用各种资源,以多种形式不断推广、普及骨肌系统影像学专业知识,推动相关技术和专业领域的发展,为骨肌系统影像学专业和科研发展助力。在骨关节学组全体委员的努力下,于2018年完成了《骨关节系统影像检查指南》的编写和出版工作,该指南旨在规范国内骨肌系统影像学的扫描方法,涵盖骨关节系统X线、CT和MRI扫描方式、扫描序列以及图像质量达标要求等多方面内容,为响应国家影像学检查结果互认政策打下了坚实的根基,通过推进图像扫描标准化进程,为新开展MRI检查的医院提供基础扫描理论支持。同时,骨关节学组也于近年陆续完成并出版了《中华影像医学骨肌系统卷》《脊柱疾病影像诊断》《运动医学影像诊断学》系列丛书等多部骨肌系统专业书籍,特别是其中的《运动医学影像诊断学》系列丛书,进一步提高了运动创伤影像诊断水平,可准确可靠地为临床提供诊断依据。骨关节学组也积极通过网络资源进行骨肌系统疾病的宣讲,包括线上开展“运动创伤”相关影像系列讲座、“骨肌系统影像检查与读片规范系列讲座——中华放射学杂志网络直播课堂”“中放REACH骨肌影像巡讲”等,进一步扩大骨关节学组的影响,让更多的医生能够从中学习到骨肌系统影像专业的知识并提升专业知识能力,为更多有需求的患者服务,提升患者健康幸福感。

4 骨肌系统影像学技术的发展

在政策支持、设备发展和专业学组的努力下,我国骨肌系统影像学获得了长足发展。越来越多的技术方法被应用于科研和临床,例如双源CT痛风石定量测定、定量CT(quantitative computed tomography, QCT)测量骨密度值、MRI关节造影检查以及MRI新技术定量评估关节或软组织损伤。软骨损伤是较为常见的关节病变之一,目前已经证实常规T1、T2序列能够较好地识别关节软骨损伤和分级[4, 5],而T1ρ、T2 mapping、弥散加权成像(diffusion weighted imaging, DWI)、化学交换饱和转移(chemical exchange saturation transfer, CEST)成像和延迟增强MRI等多种扫描序列能够进一步对软骨损伤进行半定量或定量评估[6, 7, 8, 9, 10],对早期软骨损伤尤为敏感[11]。对于韧带和肌肉损伤的识别,MRI也具有CT无法比拟的优势。有学者通过三维超短回波时间锥体(three-dimension ultrashort echo time cones, 3D-UTE-Cones)序列对银屑病性骨关节炎患者与正常人的跟腱附着点进行识别,结果表明该序列可用于银屑病性骨关节炎患者跟腱附着点的形态学和定量评估。也有研究通过T1ρ对膝关节韧带、半月板和软骨等组织的正常数值进行测量,以此区分正常和损伤的关节结构,以期尽早发现病变[12]。MRI关节造影检查对关节损伤的诊断具有优秀的敏感性和特异性[13],尤其适用于肩关节上盂唇前后位损伤(superior labrum anterior and posterior lesions, SLAP)和肩袖损伤[14, 15, 16],近年来也被逐步应用于髋关节、踝关节和腕关节的诊断之中[17, 18, 19, 20],然而MRI关节造影检查需要依托于运动医学的发展,所以目前只有在具有一定规模的医院中被应用。

5 骨肌系统影像与运动损伤疾病

随着我国人民群众健身运动意识的不断提升,全国中小学体育与健康课程的推广以及冬奥会、残奥会的成功举办,全国人民的健身运动热情不断高涨,伴随而来的也是越来越多的运动损伤疾病。MRI能够对多种不同种类的运动损伤进行评估。以马拉松运动为例,我国目前业余马拉松运动员已经超过1000万。2019年《中华放射学杂志》开设“马拉松运动影像学”专栏,国内外越来越多的学者逐渐开始关注运动损伤疾病[21],骨肌系统影像也逐渐成为受到关注的方向。有相关文献指出,MRI检查在运动损伤诊断和管理中的作用不断增大[22]。MRI对于马拉松运动后相关损伤的诊断具有非常高的价值[23, 24],对业余马拉松运动员发生的韧带损伤、肌腱损伤、滑膜炎、软骨损伤、骨髓水肿、应力性骨折等诊断都具有较高的诊断准确率和医生之间较好的一致性。有学者通过T2 mapping对男性业余马拉松选手运动后3 h和3 d时的半月板进行测量,结果表明半程马拉松运动后男性业余马拉松运动员膝关节半月板T2*值变化为可逆性改变[25]。也有研究对业余冰球运动员的膝关节进行MRI扫描,研究业余冰球运动员的膝关节变化[26]。只有充分了解运动过程中的正常生理改变才能够更好地识别出异常,通过MRI多种技术的辅助能够更好地帮助发现早期损伤。

6 骨肌系统影像的应用现状与展望

MRI在骨关节系统多种疾病的鉴别诊断、分期以及疗效评估中都具有重要价值。有学者通过将CT和MRI征象集成后开发了一种新的评分系统[27],用于区分恶性椎体骨折和骨质疏松后椎体骨折,该评分系统的准确度高达98%。也有学者使用CSET-MRI定量评估中轴性脊柱关节炎患者骶髂关节的脂肪化生[28],认为CSET-MRI是诊断中轴性脊柱关节炎有效的检查方法。腰痛是全球健康的常见问题,但临床查体通常缺乏特异性,研究表明MRI能够作为腰痛患者的首要影像学检查方式来寻找腰痛原因[29],为患者治疗提供重要参考价值。MRI也是骨关节系统肿瘤诊断不可或缺的组成部分,MRI诊断四肢肿瘤的准确率高于X线和CT[30, 31, 32]。有学者通过MRI准确区分原发性动脉瘤样骨囊肿与骨巨细胞瘤继发的动脉瘤样骨囊肿[33],也有研究表明结合CT与MRI检查能够对脊柱骨巨细胞瘤术后复发风险进行预测[34]。影像学在骨关节系统的应用非常广泛,对于多种骨关节系统疾病都具有独特的应用价值,能够提升疾病诊断和鉴别的准确率,在临床中的应用范围也逐渐扩大。尽管部分方法仍处于研究阶段,暂时不能够应用于临床,但相关研究已表明影像学在肌骨系统疾病诊断中具有不可忽视的价值,在未来具有相当大的应用潜力。

随着计算机技术的发展、相关硬件设施的更新以及《“互联网+”人工智能三年行动实施方案》等多项政策的提出,以深度学习为代表的人工智能(artificial intelligence, AI)成为了骨肌系统的热门研究和应用方向。根据统计,截至2021年中国医疗AI学术产出量已经位居全球第一。目前,已经有许多研究成果完成转化并应用到实际临床工作当中,为影像科医生提供了极大的便利,如肋骨骨折自动识别系统和四肢骨折检测系统等,不仅减少了诊断所需的时间,也降低了因为医生疲劳等因素导致的疾病漏诊。AI在骨肌系统的应用非常广泛,包括疾病诊断和分类、结构分割、数值测量、骨质疏松分析、自动图像重建、疗效预测和术后疗效评估等多个方面[35, 36, 37, 38, 39, 40, 41, 42]。其中大多数研究关注疾病的术前诊断和分级,以帮助临床更好地制订治疗方案,如通过深度学习在MRI中自动分级股骨头缺血性坏死[43]、进行膝关节前交叉韧带损伤分级[44]、髋关节盂唇损伤分级[45]、腰椎间盘变性分级[46]和深度学习自动检测椎体骨折[47]等。也有相关学者通过深度学习进行膝关节超分辨率图像的重建[48],以低分辨率图像通过AI算法重建获得高分辨率图像。虽然许多研究尚未进行成果转化,但这些研究都具有重要的临床应用潜力,目前骨肌系统的AI研究数量已经与其他系统的研究相当,正处于发展的上升阶段,相信随着越来越多研究的开展,未来将会有更多的AI软件逐步面世,辅助影像科医生完成更多的工作。

7 我国骨肌系统影像学的国际地位

在骨肌系统研究不断增多的背景下,骨肌系统影像学的国际学术地位也获得了提升。随着中华放射学大会、北美放射学年会和国际医学磁共振协会大会等大型会议的不断召开,越来越多的影像科医生在各大会议中大放异彩,骨肌系统影像的相关汇报所占的比例也逐年攀升,国人参与率不断增加,更多的国人参与到国际杂志的审稿人行列。在国内骨肌系统影像学不断发展的推力之下,学科影响力不断提高,国际地位也获得了显著的提升。

8 总结与展望

回望过去十年,骨肌系统影像学获得了快速的发展,在检查设备、诊断技术和学科影响力等多个方面都获得了令人瞩目的成果,骨肌系统影像学逐渐被越来越多的影像科医生重视,越来越多的患者从中受益。随着国家政策的推进、人民健康意识的提高和专业技术的发展,骨肌系统影像学的应用范围越来越广,诊断更加精细,报告更加贴近临床需求,能够满足更多不同情况患者的实际需要,检查应用范围不断扩大,在疾病诊治过程中的地位也不断提高。然而,目前骨肌系统影像仍然有较大的发展空间,许多技术和方法仍未应用于临床当中,如何将科研与临床应用关联并完成成果转化,是目前必须重视的问题之一。只有做到不断改革、持续发展、砥砺创新、开拓进取,才能够在未来获得持续性的进步,使肌骨系统影像学的发展再创新高。

志      谢

ACKNOWLEDGMENTS National Natural Science Foundation of China (No. 81871326, 82171927).

利益冲突

作者利益冲突声明:全部作者均声明无利益冲突。

参考文献References
[1]
AgtenCA, HonigS, SahaPK, et al. Subchondral bone microarchitecture analysis in the proximal tibia at 7-T MRI[J]. Acta Radiol, 2018, 59(6): 716-722. DOI: 10.1177/0284185117732098.
[2]
QiuJX, LiuJ, BiZX, et al. An investigation of 2D spine magnetic resonance imaging (MRI) with compressed sensing (CS)[J]. Skeletal Radiol, 2022, 51(6): 1273-1283. DOI: 10.1007/s00256-021-03954-x.
[3]
GaoF, ZhangR, ZhouDG, et al. A target field design of open multi-purpose RF coil for musculoskeletal MR imaging at 3T[J]. Magn Reson Imaging, 2016, 34(8): 1064-1070. DOI: 10.1016/j.mri.2016.04.018.
[4]
李海洋. MRI在不同分级膝关节软骨损伤患者中评估分析[J]. 现代诊断与治疗, 2021, 32(15): 2426-2427.
LiHY. Evaluation and analysis of MRI in patients with different grades of knee cartilage injury[J]. Mod Diagn Treat, 2021, 32(15): 2426-2427.
[5]
王亚魁, 金笑, 袁慧书. 压缩感知三维快速自旋回波序列诊断膝关节软骨损伤[J]. 磁共振成像, 2019, 10(5): 352-355. DOI: 10.12015/issn.1674-8034.2019.05.007.
WangYK, JinX, YuanHS. Three dimensional fast spin echo accelerated with compressed sensing diagnoses cartilage lesions in knee[J]. Chin J Magn Reson Imaging, 2019, 10(5): 352-355. DOI: 10.12015/issn.1674-8034.2019.05.007.
[6]
王东煜, 罗小平, 刘绪明, . 多模态MRI诊断早期髌软骨损伤的研究[J]. 中华全科医学, 2021, 19(6): 994-997. DOI: 10.16766/j.cnki.issn.1674-4152.001969.
WangDY, LuoXP, LiuXM, et al. Study of multimode MRI in the diagnosis of early-stage patellar cartilage injury[J]. Chin J Gen Pract, 2021, 19(6): 994-997. DOI: 10.16766/j.cnki.issn.1674-4152.001969.
[7]
张逸轩, 汤光宇. MRI T1ρ在骨关节炎软骨退变诊断和治疗中的进展[J]. 同济大学学报(医学版), 2021, 42(5): 711-716. DOI: 10.12289/j.issn.1008-0392.20351.
ZhangYX, TangGY. Progress on application of MRI T1ρ in diagnosis and treatment of osteoarthritis cartilage degeneration[J]. J Tongji Univ Med Sci, 2021, 42(5): 711-716. DOI: 10.12289/j.issn.1008-0392.20351.
[8]
李涛, 卢竞, 韦开荣, . T1 mapping联合常规MRI扫描方案评估膝关节软骨损伤[J]. 医学影像学杂志, 2021, 31(4): 675-679.
LiT, LuJ, WeiKR, et al. T1 mapping combined with routine MRI imaging protocol for evaluation of articular cartilage lesion in knee[J]. J Med Imaging, 2021, 31(4): 675-679.
[9]
ZouLX, WangHF, ZhuYJ, et al. T1rho fractional-order relaxation of human articular cartilage[C]//2019 41st Annual International Conference of the IEEE Engineering in Medicine and Biology Society. Berlin: IEEE, 2019: 4496-4499. DOI: 10.1109/EMBC.2019.8857231.
[10]
苏晓莲, 万丽娣, 汤光宇. UTE-MRI常用技术在软骨定量研究中的应用进展[J]. 国际医学放射学杂志, 2021, 44(3): 314-318. DOI: 10.19300/j.2021.Z18619.
SuXL, WanLD, TangGY. The application of commonly used UTE-MRI techniques in quantitative study of articular cartilage[J]. Int J Med Radiol, 2021, 44(3): 314-318. DOI: 10.19300/j.2021.Z18619.
[11]
YangX, LiZY, CaoYP, et al. Efficacy of magnetic resonance imaging with an SPGR sequence for the early evaluation of knee cartilage degeneration and the relationship between cartilage and other tissues[J/OL]. J Orthop Surg Res, 2019, 14(1) [2022-08-25]. https://josr-online.biomedcentral.com/articles/10.1186/s13018-019-1172-3. DOI: 10.1186/s13018-019-1172-3.
[12]
WangLG, RegatteRR. T1ρ MRI of human musculoskeletal system[J]. J Magn Reson Imaging, 2015, 41(3): 586-600. DOI: 10.1002/jmri.24677.
[13]
LiuFX, ChengXY, DongJL, et al. Comparison of MRI and MRA for the diagnosis of rotator cuff tears: a meta-analysis[J/OL]. Medicine (Baltimore), 2020, 99(12) [2022-08-25]. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC6774601. DOI: 10.1097/MD.0000000000019579.
[14]
JensenJ, KristensenMT, BakL, et al. MR arthrography of the shoulder; correlation with arthroscopy[J/OL]. Acta Radiol Open, 2021, 10(11) [2022-08-25]. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC8646798. DOI: 10.1177/20584601211062059.
[15]
RoyJS, BraënC, LeblondJ, et al. Diagnostic accuracy of ultrasonography, MRI and MR arthrography in the characterisation of rotator cuff disorders: a systematic review and meta-analysis[J]. Br J Sports Med, 2015, 49(20): 1316-1328. DOI: 10.1136/bjsports-2014-094148.
[16]
KhoJ, AzzopardiC, DaviesAM, et al. Direct MR arthrography of the shoulder: current practice in the UK[J]. Radiol med, 2020, 125(7): 605-608. DOI: 10.1007/s11547-020-01144-8.
[17]
MageeT. Accuracy of 3-Tesla MR and MR arthrography in diagnosis of meniscal retear in the post-operative knee[J]. Skeletal Radiol, 2014, 43(8): 1057-1064. DOI: 10.1007/s00256-014-1895-5.
[18]
LerchS, LorenzJ, KasperczykA, et al. Diagnostic use of magnetic resonance imaging and magnetic resonance arthrography for intra-articular pathologies of the hip joint[J]. Z Orthop Unfall, 2020, 158(6): 586-596. DOI: 10.1055/a-1004-3396.
[19]
NardiC, FalcoL, CaracchiniG, et al. A three-dimensional measurement method on MR arthrography of the hip to classify femoro-acetabular impingement[J]. Jpn J Radiol, 2021, 39(12): 1175-1185. DOI: 10.1007/s11604-021-01162-0.
[20]
KimS, LeeGY, LeeJS. Evaluation of the triangular fibrocartilage: comparison of two-compartment wrist CT arthrography using the distal radioulnar and radiocarpal joints and unicompartment wrist CT arthrography using the radiocarpal joint[J/OL]. Br J Radiol, 2019, 92(1102) [2022-08-25]. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC6774601. DOI: 10.1259/bjr.20190298.
[21]
ShuDB, ChenF, GuoWT, et al. Acute changes in knee cartilage and meniscus following long-distance running in habituate runners: a systematic review on studies using quantitative magnetic resonance imaging[J]. Skeletal Radiol, 2022, 51(7): 1333-1345. DOI: 10.1007/s00256-021-03943-0.
[22]
JyotiR, JainT, DamianiM. The expanding role of imaging in the diagnosis and management of sports injuries[J]. Aust J Gen Pract, 2020, 49(1/2): 12-15. DOI: 10.31128/AJGP-10-19-5107.
[23]
方义杰, 李葳, 郭栓栓, . 业余马拉松运动员踝关节损伤的MRI特征及相关因素分析[J]. 中华放射学杂志, 2019, 53(10): 813-817. DOI: 10.3760/cma.j.issn.1005-1201.2019.10.004.
FangYJ, LiW, GuoSS, et al. MRI features and related factors of ankle injury in amateur marathoners[J]. Chin J Radiol, 2019, 53(10): 813-817. DOI: 10.3760/cma.j.issn.1005-1201.2019.10.004.
[24]
高丽香, 袁慧书. 马拉松运动常见的运动损伤及其影像改变[J]. 中华放射学杂志, 2019, 53(10): 908-910. DOI: 10.3760/cma.j.issn.1005-1201.2019.10.023.
GaoLX, YuanHS. The common sports injuries of marathon and imaging changes[J]. Chin J Radiol, 2019, 53(10): 908-910. DOI: 10.3760/cma.j.issn.1005-1201.2019.10.023.
[25]
郑孝众, 周静, 田甜, . T2* mapping评估男性半程马拉松后半月板改变[J]. 中国医学影像技术, 2021, 37(11): 1711-1714. DOI: 10.13929/j.issn.1003-3289.2021.11.028.
ZhengXZ, ZhouJ, TianT, et al. T2* mapping in observation on meniscus changes of males after half marathon runner[J]. Chin J Med Imaging Technol, 2021, 37(11): 1711-1714. DOI: 10.13929/j.issn.1003-3289.2021.11.028.
[26]
ChangXD, YangP, MuXY, et al. Evaluation of knees in asymptomatic amateur ice hockey players using 3.0-T magnetic resonance imaging: a case-control study[J]. Chin Med J (Engl), 2018, 131(9): 1038-1044. DOI: 10.4103/0366-6999.230723.
[27]
LiZ, GuanM, SunD, et al. A novel MRI- and CT-based scoring system to differentiate malignant from osteoporotic vertebral fractures in Chinese patients[J/OL]. BMC Musculoskelet Disord, 2018, 19(1) [2022-08-25]. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC6247741. DOI: 10.1186/s12891-018-2331-0.
[28]
LiuD, LinCR, LiuBD, et al. Quantification of fat Metaplasia in the sacroiliac joints of patients with axial spondyloarthritis by chemical shift-encoded MRI: a diagnostic trial[J/OL]. Front Immunol, 2021, 12 [2022-08-25]. https://www.frontiersin.org/articles/10.3389/fimmu.2021.811672/full. DOI: 10.3389/fimmu.2021.811672.
[29]
DinRU, ChengXG, YangHS. Diagnostic role of magnetic resonance imaging in low back pain caused by vertebral endplate degeneration[J]. J Magn Reson Imaging, 2022, 55(3): 755-771. DOI: 10.1002/jmri.27858.
[30]
段翌. X线平片和CT及MRI对四肢原发性骨肿瘤诊断效能比较[J]. 中华肿瘤防治杂志, 2020, 27(S1): 157, 159.
DuanY. Comparison of X-ray plain film, CT and MRI in diagnosis of primary bone tumors of limbs[J]. Chin J Cancer Prev Treat, 2020, 27(S1): 157, 159.
[31]
陈小龙, 安改丽, 寇明清, . 动态对比增强磁共振和CT检查对良恶性骨肿瘤的鉴别诊断的研究[J]. 医学影像学杂志, 2020, 30(10): 1902-1907.
ChenXL, AnGL, KouMQ, et al. Research of dynamic contrast enhanced magnetic resonance imaging and CT in differential diagnosis of benign and malignant bone tumors[J]. J Med Imaging, 2020, 30(10): 1902-1907.
[32]
段舒怀, 任翠萍. MRI对骨肿瘤及软组织肿瘤的诊断价值[J]. 中国CT和MRI杂志, 2018, 16(5): 131-133, 150. DOI: 10.3969/j.issn.1672-5131.2018.05.040.
DuanSH, RenCP. The value of MRI in the diagnosis of bone tumors and soft tissue tumors[J]. Chin J CT MRI, 2018, 16(5): 131-133, 150. DOI: 10.3969/j.issn.1672-5131.2018.05.040.
[33]
CuiJ, XiaX, TianN, et al. CT and MRI features of giant cell tumours with prominent aneurysmal bone cysts in the extremities: a comparison with primary aneurysmal bone cysts[J/OL]. Clin Radiol, 2021, 76(2) [2022-08-25]. https://linkinghub.elsevier.com/retrieve/pii/S0009-9260(20)30394-9. DOI: 10.1016/j.crad.2020.09.004.
[34]
WangQZ, ZhangEL, XingXY, et al. Clinical significance of preoperative CT and MR imaging findings in the prediction of postoperative recurrence of spinal giant cell tumor of bone[J]. Orthop Surg, 2021, 13(8): 2405-2416. DOI: 10.1111/os.13173.
[35]
LiuZ, SuZH, WangM, et al. Computerized characterization of spinal structures on MRI and clinical significance of 3D reconstruction of lumbosacral intervertebral foramen[J/OL]. Pain Physician, 2022, 25(1) [2022-08-25]. https://www.painphysicianjournal.com/linkout?issn=&vol=25&page=E27.
[36]
PangSM, PangCL, SuZH, et al. DGMSNet: Spine segmentation for MR image by a detection-guided mixed-supervised segmentation network[J/OL]. Med Image Anal, 2022, 75 [2022-08-25]. https://www.sciencedirect.com/science/article/abs/pii/S1361841521003066. DOI: 10.1016/j.media.2021.102261.
[37]
YehYC, WengCH, HuangYJ, et al. Deep learning approach for automatic landmark detection and alignment analysis in whole-spine lateral radiographs[J/OL]. Sci Rep, 2021, 11(1) [2022-08-25]. https://www.nature.com/articles/s41598-021-87141-x. DOI: 10.1038/s41598-021-87141-x.
[38]
YangW, YeQ, MingS, et al. Feasibility of automatic measurements of hip joints based on pelvic radiography and a deep learning algorithm[J/OL]. Eur J Radiol, 2020, 132 [2022-08-25]. https://linkinghub.elsevier.com/retrieve/pii/S0720-048X(20)30492-7. DOI: 10.1016/j.ejrad.2020.109303.
[39]
ZhangB, YuKY, NingZY, et al. Deep learning of lumbar spine X-ray for osteopenia and osteoporosis screening: a multicenter retrospective cohort study[J/OL]. Bone, 2020, 140 [2022-08-25]. https://www.sciencedirect.com/science/article/abs/pii/S8756328220303410. DOI: 10.1016/j.bone.2020.115561.
[40]
ShenHT, HuangJW, ZhengQQ, et al. A deep-learning-based, fully automated program to segment and quantify major spinal components on axial lumbar spine magnetic resonance images[J/OL]. Phys Ther, 2021, 101(6) [2022-08-25]. https://academic.oup.com/ptj/article/101/6/pzab041/6124778. DOI: 10.1093/ptj/pzab041.
[41]
刘晓艺, 蒲如剑, 梁洁, . 3.0 T MRI T2 mapping纹理特征在膝关节骨性关节炎软骨损伤分级中的价值[J]. 磁共振成像, 2021, 12(7): 34-38. DOI: 10.12015/issn.1674-8034.2021.07.007.
LiuXY, PuRJ, LiangJ, et al. The value of T2 mapping texture features of 3.0 T MRI in grading cartilage injury of knee osteoarthritis[J]. Chin J Magn Reson Imaging, 2021, 12(7): 34-38. DOI: 10.12015/issn.1674-8034.2021.07.007.
[42]
潘珂, 刘倩倩, 唐玲玲, . 人工智能-压缩感知与压缩感知在膝关节MRI中的加速效率及图像质量评价研究[J]. 磁共振成像, 2022, 13(5): 94-98. DOI: 10.12015/issn.1674-8034.2022.05.017.
PanK, LiuQQ, TangLL, et al. Study on acceleration efficiency and image quality of artificial intelligence compressed sensing and compressed sensing in knee MRI[J]. Chin J Magn Reson Imaging, 2022, 13(5): 94-98. DOI: 10.12015/issn.1674-8034.2022.05.017.
[43]
WangPX, LiuXY, XuJ, et al. Deep learning for diagnosing osteonecrosis of the femoral head based on magnetic resonance imaging[J/OL]. Comput Methods Programs Biomed, 2021, 208 [2022-08-25]. https://www.sciencedirect.com/science/article/abs/pii/S0169260721003035. DOI: 10.1016/j.cmpb.2021.106229.
[44]
ZhangLY, LiMF, ZhouYJ, et al. Deep learning approach for anterior cruciate ligament lesion detection: evaluation of diagnostic performance using arthroscopy as the reference standard[J]. J Magn Reson Imaging, 2020, 52(6): 1745-1752. DOI: 10.1002/jmri.27266.
[45]
NiM, WenXY, ChenW, et al. A deep learning approach for MRI in the diagnosis of labral injuries of the hip joint[J]. J Magn Reson Imaging, 2022, 56(2): 625-634. DOI: 10.1002/jmri.28069.
[46]
GaoF, LiuS, ZhangXD, et al. Automated grading of lumbar disc degeneration using a push-pull regularization network based on MRI[J]. J Magn Reson Imaging, 2021, 53(3): 799-806. DOI: 10.1002/jmri.27400.
[47]
LiYC, ChenHH, Horng-Shing LuH, et al. Can a deep-learning model for the automated detection of vertebral fractures approach the performance level of human subspecialists? [J]. Clin Orthop Relat Res, 2021, 479(7): 1598-1612. DOI: 10.1097/CORR.0000000000001685.
[48]
QiuDF, ZhangSX, LiuY, et al. Super-resolution reconstruction of knee magnetic resonance imaging based on deep learning[J/OL]. Comput Methods Programs Biomed, 2020, 187 [2022-08-15]. https://www.sciencedirect.com/science/article/abs/pii/S0169260719312416. DOI: 10.1016/j.cmpb.2019.105059.
 
 
展开/关闭提纲
查看图表详情
回到顶部
放大字体
缩小字体