髌股关节（PFJ）是髌骨和股骨之间的滑行关节，是通过骨结构和周围软组织之间复杂的多变量关系而达到稳定的。髌骨不稳定（PI）是一种常见的临床症状，主要发生在女性儿童和青少年身上，与膝关节前部疼痛（AKP）和髌骨关节炎（PFOA）有关。

尽管计算机断层扫描（CT）是分析PI的重要参考方法，但由于其便利性和广泛的可用性，轴位X线片仍然是评估PFJ稳定性的基本方法。X线片的一些PFJ参数可以帮助放射科医生诊断或评估PI的潜在易感因素，如沟角（SA）、同位角（CA）、髌股比（PFR）和髌骨侧倾（LPT）。然而，在临床实践中，手动测量PFJ参数既费时又有局限性。因此，引入PFJ参数的自动测量是十分必要的。

最近已经发表了一些基于人工智能（AI）自动测量PFJ参数的方法，这些人工智能系统被设计为基于X线片的髌骨高度测量或基于4D CT监测PFJ的运动。然而，在肌肉骨骼放射学领域，使用深度学习方法的自动系统仍然很少。

由于深度学习比传统的机器学习具有更高的计算速度和效率，近日发表在European Radiology杂志的一项研究探讨了基于U型全卷积网络（U-Net）的深度学习算法在Laurin视图中自动测量髌骨股关节（PFJ）参数的性能，为PFJ参数的全自动测量及评估提供了技术支持。

本研究回顾性地收集了1431个连续的Laurin视图，并分为两部分：模型开发数据集（数据集1，n = 1230）和保持测试集（数据集2，n = 201）。数据集1被用来开发U型全卷积网络（U-Net）模型，以实现PFJ的参数分割。根据预测的数值计算PFJ参数，包括沟角（SA）、同位角（CA）、髌股比（PFR）和髌骨侧倾（LPT）。数据集2被用来评估模型性能。三个独立测量PFJ参数的放射科医生平均值被定义为参考标准。通过类内相关系数（ICC）、平均绝对差异（MAD）和与参考标准相比的均方根（RMS）评估模型性能。

与参考标准相比，U-Net在预测SA、CA、PFR和LPT方面显示出良好的性能，在保留的测试集中，ICC=0.85-0.97，MAD=0.06-5.09，RMS=0.09-6.90。除PFR外，其余参数在参考标准和模型之间的测量都在95%的LoA范围内。 

图 分别在内部测试集（左）和保留测试集（右）中显示的U-Net模型对每个参数的分割能力

本研究表明，基于深度学习方法的自动测量模型在预测SA、CA、PFR和LPT方面是准确且有效的，该模型使得自动测量方法达到了与放射科医生相媲美的程度，为临床进行LPT的全自动准确评估提供了有价值的临床工具。

原文出处：

Tuya E,Rile Nai,Xiang Liu,et al.Automatic measurement of the patellofemoral joint parameters in the Laurin view: a deep learning-based approach.DOI:10.1007/s00330-022-08967-1