超声影像人工智能技术在骨折诊断中的价值

傅小芳; 吕发勤

doi:10.3877/cma.j.issn.1672-6448.2024.09.013

中华医学超声杂志（电子版） >

2024 , Vol. 21 >Issue 09: 904 - 906

DOI: https://doi.org/10.3877/cma.j.issn.1672-6448.2024.09.013

综述

超声影像人工智能技术在骨折诊断中的价值

傅小芳 ,
吕发勤 ^,²^,^†

展开

^1.100039　北京，锦州医科大学解放军总医院第三医学中心研究生培养基地
^2.100039　北京，解放军总医院第三医学中心超声科

通信作者：吕发勤，Email：lvjin8912@163.com

Copy editor: 吴春凤

收稿日期: 2024-01-01

网络出版日期: 2024-10-16

版权

未经授权，不得转载、摘编本刊文章，不得使用本刊的版式设计，除非特别声明，本刊刊出的所有文章不代表中华医学会和本刊编委会的观点。本刊为电子期刊，以网刊形式出版。

收起

Value of artificial intelligence-based ultrasound imaging in diagnosis of fractures

Xiaofang Fu ,
Faqin Lyu ^,^†

Expand

Received date: 2024-01-01

Online published: 2024-10-16

Copyright

No content published by the journals of Chinese Medical Association may be reproduced or abridged without authorization. Please do not use or copy the layout and design of the journals without permission.

All articles published represent the opinions of the authors, and do not reflect the official policy of the Chinese Medical Association or the Editorial Board, unless this is clearly specified.

Fold

本文引用格式

傅小芳 , 吕发勤 . 超声影像人工智能技术在骨折诊断中的价值[J]. 中华医学超声杂志（电子版）, 2024 , 21(09) : 904 -906 . DOI: 10.3877/cma.j.issn.1672-6448.2024.09.013

骨折是指骨骼系统中骨组织发生断裂、破裂或裂纹，是临床上常见的疾病，及时准确的诊断和治疗对患肢功能的恢复至关重要。影像学是诊断骨折并指导有效治疗的基础。X 线片和CT 是传统的骨折影像诊断技术，已在临床广泛应用，但是对于某些人群，如儿童、孕妇等，其应用存在辐射暴露的顾虑。超声影像技术具有无辐射、实时且便携等优势，在骨折的初筛和早期诊断方面已经取得了较好的应用进展^［1-2］。近年来，随着肌骨超声的不断发展，超声已经得到了广泛的应用和探索，如在表浅部位和简单骨折的初步筛查方面的临床应用，对于一些特殊类型的骨折及患者群体，超声甚至已经成为首选的检查方法^［3］。此外，在部队野外训练、地震等自然灾害或大规模突发伤害等极端环境或事件中，由于大型的影像设备无法进入现场，超声的便携性使其得到了充分的应用^［4］。超声更适用于基层医疗及院前救治场景中的骨折筛查和早期诊断。尽管超声有诸多特有的优势，但在骨折影像的识别和诊断方面仍存在不足，尤其是其对诊断医师的经验依赖性高，不利于基层医疗单位的推广应用。近年来，超声成像的人工智能自动识别和诊断模型的创新发展为基于超声影像的骨折早期诊断带来了新的契机，通过骨折断端的超声影像与智能算法的结合，实现图像的自动检测和分割，建立计算机深度学习的人工智能自动识别模型，可弥补基层医师经验不足的缺陷，以辅助实现骨折的超声早期筛查和诊断。本综述旨在概述超声影像在骨折诊断中的临床应用及其结合人工智能技术的相关研究进展，通过总结近年来的研究成果，为相关领域的研究人员和临床医师提供全面的参考。

一、超声诊断骨折的临床应用

超声技术在一些常见骨折的诊断中具有较高的敏感度和准确性，如对肋骨骨折的诊断敏感度优于X 线检查^［5］，超声在诊断新生儿产伤性锁骨骨折的同时还可以评估臂丛神经的损伤。对于儿童、青少年最常见的肘部骨折，传统的X 线片常需要多个体位拍摄，另外，骨骺软骨不显影，骨化中心易被误认为骨折，一些骨折线不明显的青枝骨折，纽扣样、无移位的微骨折都在一定程度上增加了X 线诊断的困难。而超声可以直接观察骨皮质的情况，对一些细微的间接征象如脂肪垫征、骨膜下血肿、骨碎片间血肿、生长板增宽的敏感度优于X 线。超声诊断前臂骨折的特异度和敏感度为90% ～ 100%^［6］，因此，对于儿童患者而言，超声可以替代X 线作为初筛检查的首选，如有必要再决定进行X 线检查，尽量减少儿童及陪同家长不必要的电离辐射^［7］。

超声可以作为急诊肢体骨折筛查的分诊方法^［8］，将掌上超声应用于训练伤骨折的快速初诊也具有显著优势^［9］，超声在评估肢体骨折的同时还可以观察周围软组织、血管、神经、临近关节腔内积血等，从而及早进行干预，避免进展为骨筋膜室综合征^［10］。高频超声对骨表面及软组织具有较高分辨率，在隐匿性骨折、疲劳性骨折的诊断中具有独特的优势。宋升^［11］研究认为，高频超声可以分辨小至0.5 cm 的非移位微骨折及＜6 mm 的撕脱骨折；对于疲劳性骨折，早期X 线及CT 的诊断敏感度不高，而超声可以通过观察骨膜反应、骨痂形成、局部骨皮质不规整以及周围软组织情况进行早期的诊断。

除了骨折的诊断，超声在指导骨折复位、术中引导手术、术后愈合监测中都有较多的应用，院前床旁超声实时引导下骨折的手法复位可以提高复位成功率并减少开放性手术的实施^［12-13］。复位成功后，超声还可以在术中定位引导髓内钉的植入，Deng 等^［14］及Jia 等^［15］的研究证实了这项技术的可行性，不仅创伤小、并发症少，与术中C 臂机X 线透视引导相比，超声无辐射，有待临床推广。术后，超声可以早于X 线观察到骨折后3～6 周的桥接骨痂，联合彩色多普勒、能量多普勒、超声造影技术，通过观察骨痂附近的血流灌注和新生血管，可早期预测是否有骨不连的风险，在保守治疗或术后愈合监测中有着广泛的应用前景^［16］。可见，超声在骨折全程的诊疗过程中都具有较大的应用价值。

二、超声诊断骨折的影像特点和挑战

（一）超声诊断骨折的影像特点

骨折的超声直接征象是骨皮质连续性中断，超声可观察到断端呈阶梯状、成角或散在的碎片状隆起。儿童常见的Buckle 骨折和青枝骨折骨皮质可连续完整，超声表现为骨皮质的局部隆起、弯曲变形或不规则。骨折的超声间接征象包括骨膜增厚、软组织水肿、骨折部位周边的血肿、关节积液、脂肪垫征^［17］等，其中积脂血征被证实可作为诊断关节内隐匿性骨折的可靠间接征象^［18］。

（二）超声诊断骨折的局限性和挑战

超声诊断作为一种无创、无辐射的检查手段，在骨折诊断中有其显著的价值，但也存在一些局限性和挑战。首先，超声视野局限，针对某些类型的骨折，特别是关节内的骨折或不规则骨表面的损伤，超声诊断的准确性相对较低。此外，对于鉴别复合骨折和手足不规则小骨骨折，超声诊断的可靠性存在挑战。在开放性骨折或石膏固定者中，超声的应用也受到限制。在技术层面上，超声对骨折的诊断依赖于医师的经验水平，操作者的熟练程度会影响诊断结果的准确性，这增加了诊断的主观性和对操作技能的需求。

三、超声影像的人工智能技术在骨折诊断中的应用

人工智能是计算机科学领域的一个重要分支，其应用范围十分广泛，目前主要涵盖了机器学习、深度学习等。其中，深度学习是机器学习的一个分支，其模型由多个人工神经元组成的层次结构构成，通常被称为神经网络，包含输入层、隐藏层和输出层。卷积神经网络（convolutional neural networks，CNN）是一种特殊的神经网络架构，常用于处理图像特征，其在医学图像和视频处理中已被广泛应用，包括图像分割、目标检测、疾病分类和图像重建等任务^［19］。近年来，人工智能在不同模态的医学影像图像中的应用已经取得了显著进展，如X 线、CT 和MRI 等图像的人工智能分析。此外，人工智能的超声成像模型研究在甲状腺、乳腺、妇产科以及心血管等领域也取得了成功经验^［20］。

1. 超声影像人工智能技术引导计算机辅助骨科手术（computer-assisted orthopedic surgery，CAOS）的研究：CAOS 又称为骨科导航手术，在术前首先对骨折进行手术计划和模拟，在术中采用实时导航以及医疗机器人的辅助，利用位置传感器进行空间定位，并与术前的影像数据进行配准，提供实时三维可视化导航，从而提高手术的精确度和安全性^［21］。CAOS 常以CT 和术中X 线透视作为成像方式，医患都会暴露在电离辐射中，而且还需要植入侵入性跟踪设备。为了解决这些问题，有研究尝试将超声引入CAOS 中，因超声成像无辐射并且可以实时配准术前的CT 或MRI 三维影像^［22-23］，目前术中基于超声影像配准的研究集中关注配准精度和时间。Brosner 等^［24］将CT-超声配准技术注册到CAOS 系统中，通过三维打印的腕关节模型，实施了基于该技术的计算机辅助导航螺钉植入手术，结果显示所有螺钉均成功植入，全过程自动完成，仅耗时12 s。此研究认为，该技术有望应用于临床手术，以提高舟骨骨折经皮固定螺钉放置的准确性和精度。Barratt 等^［25］基于自校准3D 超声算法将带有传感器的超声探头进行徒手三维超声成像并定位骨表面，与术前的CT 图像进行配准，该算法补偿了传统基于超声的配准技术中固有的一些重要的误差，显著提高了CAOS系统的配准精度。Chan 等^［26］评估了基于三维超声导航系统在脊柱手术中的准确性，显示其精度在1 mm 和5°以内，结论认为该技术应用于术中引导椎弓根螺钉的植入价值较大。

2. 人工智能技术在超声骨表面分割中的研究：CAOS 要求精准实时的配准技术，而精确的骨表面识别是关键。为了实现超声替代术中传统的透视，以标准的成像模式纳入CAOS 系统，一些学者致力于超声骨表面分割算法的研究，主要包括：（1）基于图像强度和梯度信息的骨骼表面分割与增强；（2）使用图像局部相位信息分割和增强骨表面；（3）上述2 种方法融合的混合方法^［27］。上述分割方法均采用人工方法，从超声图像中手动标识出骨骼表面，结果较为准确，但依赖操作者经验，且耗时长，因此在CAOS 系统中，骨表面分割的准确性、鲁棒性和实时快速性是其不足。近年来，随着深度学习方法在超声图像分割中应用的拓展，一些研究将其用于骨骼超声图像中的分割^［28-29］。2017 年Baka 等^［30］首次提出了一种基于深度CNN 的超声图像骨分割算法，在性能和速度上都优于手工分割的方法。随后的研究也尝试将分割过程实时化、自动化^［31］，以实现自动提取的骨表面算法并连续实时引导手术。Wang 等^［29］提出了一种创新的局部张量引导的CNN 架构，可以实现针对不同质量的骨表面超声图像分割，并且将每张图像分割时间提升到30 ms。Luan 等^［31］提出了一种用于骨骼表面超声图像分割的端到端全自动CNN 网络——BoneNet 模型，认为其可以显著提升分割精度。近年来，三维超声技术得到快速发展，实时三维超声成像可以将骨表面的图像分割由二维扩展到三维，且骨表面成像更精确、更平滑^［32］。尽管如此，超声骨表面的分割精度仍受到一些因素的影响，主要包括高噪声、成像伪影、有限的视野、骨表面显像模糊等，从而限制了超声作为独立的术中成像方式的使用。

3. 超声影像人工智能技术辅助诊断骨折：基于X 线片和CT 图像的深度学习及CNN 的骨折诊断已经趋于成熟^［33］，其诊断效能与医师相当^［34］，人工智能的辅助节约了诊断时间，减少了漏诊率，目前已有获美国食品药品管理局批准的骨折人工智能辅助诊断商业软件的临床应用^［35］。

在超声成像的骨折识别方面，人工智能辅助诊断也取得了一些进展，部分已应用于临床。Zhang 等^［36］开发了一种基于CNN 的技术，通过对30 名儿童腕关节掌侧和背侧的三维超声影像信息进行处理，实现自动骨折检测，其诊断结果与X 线一致，人工智能辅助诊断的敏感度为100%，特异度为89%。冯自立等^［37］采用基于TensorFlow 的CNN模型对超声图像中的骨折进行识别，最终优化的模型在动物骨折中验证，其准确率达97.8%，此结果为四肢骨折患者的人工智能诊断奠定了基础。Knight 等^［38］研发了基于ResNet34 和DenseNet12 的人工智能模型，其对前臂下段骨折的二维和三维超声图像的敏感度分别达到91%和100%，诊断准确性与经验丰富的专家相近。基于二维超声的实时自动人工智能诊断更便于在临床工作中的应用，特别针对低年资的检查者，是一种可靠的辅助诊断工具。

四、未来发展方向和展望

与X 线、CT 和MRI 诊断比较，超声在骨折检测中有着诸多的优势，包括便携、动态实时成像、低成本和无辐射等，对于孕妇、儿童等骨折患者更具优势。骨折的超声诊断临床应用尚处于早期发展阶段，加之低年资医师诊断能力的学习曲线长，人工智能融合超声技术有望成为骨折诊断中有效的辅助工具。此外，在灾害救援、院前救治等特殊环境下，便携式超声人工智能技术在骨折的早期评估和伤员批量分诊中具有较大临床价值。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序

1	Bianchi S. Ultrasound and bone： a pictorial review ［J］. J Ultrasound，2020， 23（3）： 227-257.

2	Liu J， Zhang L， Qiu RX. Ultrasound instead of X-ray to diagnose neonatal fractures： a feasibility study based on a case series ［J］. Front Pediatr， 2022， 10： 847776.

3	Delniotis I， Bontinis V， Ktenidis K， et al. Diagnostic accuracy of ultrasound versus X-ray for distal forearm fractures in children and adolescents： a systematic review and meta-analysis ［J］. Eur J Trauma Emerg Surg， 2024. Online ahead of print.

4	Abu-Zidan FM. Ultrasound diagnosis of fractures in mass casualty incidents ［J］. World J Orthop， 2017， 8（8）： 606-611.

5	Vassalou EE， Perysinakis I， Klontzas ME， et al. Performance of thoracic ultrasonography compared with chest radiography for the detection of rib fractures using computed tomography as a reference standard ［J］. Skeletal Radiol， 2024. Online ahead of print.

6	Lee SH， Yun SJ. Diagnostic performance of ultrasonography for detection of pediatric elbow fracture： a meta-analysis ［J］. Ann Emerg Med， 2019， 74（4）： 493-502.

7	Ackermann O， Simanowski J， Eckert K. Fracture ultrasound of the extremities ［J］. Ultraschall Med， 2020， 41（1）： 12-28.

8	Iacob R， Stoicescu ER， Cerbu S， et al. Could ultrasound be used as a triage tool in diagnosing fractures in children？ A literature review ［J］.Healthcare （Basel）， 2022， 10（5）： 823.

9	Brooks AJ， Price V， Simms M， et al. Handheld ultrasound diagnosis of extremity fractures ［J］. J R Army Med Corps， 2004， 150（2）： 78-80.

10	Mabvuure NT， Malahias M， Hindocha S， et al. Acute compartment syndrome of the limbs： current concepts and management ［J］. Open Orthp J， 2012， 6（1）： 535-543.

11	宋升. 新兵胫骨应力性损伤的高频超声和MRI 对照研究［D］. 镇江：江苏大学， 2009.

12	Kotlarsky P， Feldman O， Shavit I， et al. The use of real-time sonography-assisted fracture reduction in children with displaced forearm fractures ［J］. J Pediatr Orthop B， 2022， 31（3）： 303-309.

13	Zhou H， Zhang G， Li M， et al. Ultrasonography-guided closed reduction in the treatment of displaced transphyseal fracture of the distal humerus ［J］. J Orthop Surg Res， 2020， 15（1）： 575.

14	Deng C， Shen Z， Wang K， et al. A novel approach for the treatment of Jacob II and III fractures of the lateral humeral condyle in children：Percutaneous Kirschner wire fixation with ultrasound localization ［J］.Front Surg， 2022， 9： 1000399.

15	Jia S， Wang J， Yu B， et al. Ultrasound assistance in treatment with elastic stable intramedullary nail fixation in radial and ulnar fractures in children ［J］. Int Orthop， 2023， 47（3）： 773-779.

16	Jeon S， Jang J， Lee G， et al. Assessment of neovascularization during bone healing using contrast-enhanced ultrasonography in a canine tibial osteotomy model： a preliminary study ［J］. J Vet Sci， 2020， 21（1）： e10.

17	Cocco G， Ricci V， Villani M， et al. Ultrasound imaging of bone fractures ［J］. Insights Imaging， 2022， 13（1）： 189.

18	Bonnefoy O， Diris B， Moinard M， et al. Acute knee trauma： role of ultrasound ［J］. Eur Radiol， 2006， 16（11）： 2542-2548.

19	Li M， Jiang Y， Zhang Y， et al. Medical image analysis using deep learning algorithms ［J］. Front Public Health， 2023， 11： 1273253.

20	Shen YT， Chen L， Yue WW， et al. Artificial intelligence in ultrasound［J］. Eur J Radiol， 2021， 139： 109717.

21	Kubicek J， Tomanec F， Cerny M， et al. Recent trends， technical concepts and components of computer-assisted orthopedic surgery systems： a comprehensive review ［J］. Sensors （Basel）， 2019， 19（23）： 5199.

22	Amin DV， Kanade T， DiGioia AM， et al. Ultrasound registration of the bone surface for surgical navigation ［J］. Comput Aided Surg， 2003， 8（1）： 1-16.

23	Krucker JF， Fowlkes JB， Carson PL. Sound speed estimation using automatic ultrasound image registration ［J］. IEEE Trans Ultrason Ferroelect Freq Control， 2004， 51（9）： 1095-1106.

24	Brosner P， Hohlmann B， Welle K， et al. Ultrasound-based registration for the computer-assisted navigated percutaneous scaphoid fixation ［J］. IEEE Trans Ultrason Ferroelectr Freq Control， 2023， 70（9）： 1064-1072.

25	Barratt DC， Penney GP， Chan CSK， et al. Self-calibrating 3D-ultrasound-based bone registration for minimally invasive orthopedic surgery ［J］. IEEE Trans Med Imag， 2006， 25（3）： 312-323.

26	Chan A， Parent E， Mahood J， et al. 3D ultrasound navigation system for screw insertion in posterior spine surgery： a phantom study ［J］. Int J Comput Assist Radiol Surg， 2022， 17（2）： 271-281.

27	Hacihaliloglu I. Ultrasound imaging and segmentation of bone surfaces： a review ［J］. Technology （Singap World Sci）， 2017， 5（2）： 74-80.

28	Zaman A， Park SH， Bang H， et al. Generative approach for data augmentation for deep learning-based bone surface segmentation from ultrasound images ［J］.Int J Comput Assist Radiol Surg， 2020， 15（6）： 931-941.

29	Wang P， Vives M， Patel VM， et al. Robust real-time bone surfaces segmentation from ultrasound using a local phase tensor-guided CNN［J］. Int J Comput Assist Radiol Surg， 2020， 15（7）： 1127-1135.

30	Baka N， Leenstra S， Van Walsum T. Ultrasound aided vertebral level localization for lumbar surgery ［J］. IEEE Trans Med Imag， 2017， 36（10）： 2138-2147.

31	Luan K， Li Z， Li J. An efficient end-to-end CNN for segmentation of bone surfaces from ultrasound ［J］. Comput Med Imaging Graph， 2020，84： 101766.

32	Hacihaliloglu I. 3D ultrasound for orthopedic interventions ［J］. Adv Exp Med Biol， 2018， 1093： 113-129.

33	Kuo RYL， Harrison C， Curran TA， et al. Artificial intelligence in fracture detection： a systematic review and meta-analysis ［J］.Radiology， 2022， 304（1）： 50-62.

34	Jin L， Yang J， Kuang K， et al. Deep-learning-assisted detection and segmentation of rib fractures from CT scans： development and validation of FracNet ［J］. EBioMedicine， 2020， 62： 103106.

35	Zech JR， Santomartino SM， Yi PH. Artificial intelligence （AI） for fracture diagnosis： an overview of current products and considerations for clinical adoption， from the AJR special series on AI applications ［J］.AJR Am J Roentgenol， 2022， 219（6）： 869-878.

36	Zhang J， Boora N， Melendez S， et al. Diagnostic accuracy of 3D ultrasound and artificial intelligence for detection of pediatric wrist injuries ［J］. Children （Basel， Switzerland）， 2021， 8（6）： 431.

37	冯自立，康其传，张涛，等. 基于卷积神经网络的骨折超声图像识别初步研究［J］. 空军军医大学学报， 2022， 43（4）： 348-352.

38	Knight J， Zhou Y， Keen C， et al. 2D/3D ultrasound diagnosis of pediatric distal radius fractures by human readers vs artificial intelligence ［J］. Sci Rep， 2023， 13（1）： 14535.

Options

文章导航

模态框（Modal）标题