腹侧疝的定量CT成像：解剖标记协议的初步验证

概要
目的
作者描述并验证了定量解剖标记方案，用于从常规计算机断层扫描（CT）扫描中提取腹侧疝（VH）的临床相关定量参数。然后，该信息用于预测腹侧疝修复（VHR）期间网桥闭合的需要。

方法
提出了详细的解剖学标记方案以实现VH的定量描述，包括形状，位置和周围环境（61次扫描）。计算内部和内部评估者的重复性，分别用于18和10个临床获得的CT扫描。通过将来自解剖标记的20个定量参数与手术中网状桥闭合的要求（26次扫描）相关联来进行初步临床验证。将该临床终点的预测与符合来自半定量欧洲疝气社会腹疝分类（EHSCVH）的指标的类似模型进行比较。

结果
腹壁（平均表面距离±2 mm），关键解剖标志（点距离±5 mm）和疝气体积（Cohen's kappa为0.8）实现了高标记重现性。在需要网桥闭合的患者与在VHR时实现筋膜闭合的患者之间，疝气性质的20个单独定量参数中有9个显著不同（p <0.05）。由2到5个度量构建的回归模型通过交叉验证提出了具有84.6％准确度的桥梁需求的预测;由EHSCVH变量构建的类似模型产生76.9％的准确度。

意义
对于腹部CT上VH的定量图像标记方案的首次正式呈现，再现性是可接受的。与EHSCVH指标相比，标记导出的指标更好地预测了对网桥闭合的需求。这项工作旨在作为未来结果研究的基础，试图优化不同解剖类型VH的手术技术选择。

介绍
腹疝（VH）修复是全世界最常进行的一般外科手术之一。在美国，每年进行近35万次修复，估计总直接成本为32亿美元[1]。尽管VH修复的频率很高，但失败率很高，复发率估计在24％到43％之间[2]。这些次优结果的一个可能原因是缺乏对不同患者最合适的手术方法的证据。目前，关于腹腔镜与开放修复，网格类型，网格位置和网状物固定方法的决定通常更多地由外科医生的个人偏好而不是客观数据驱动[3,4]。

多种因素影响VH修复的成功。这些因素包括术前病症（例如，肥胖，使用尼古丁，先前感染），疝气特征，手术技术和围手术期护理（例如，围手术期抗生素，手术时间）。迄今为止，还没有用于VH分类的标准化方法，其始终如一地有效地描述疝气特征。最著名的VH分类系统是欧洲疝气社会腹疝分类（EHSCVH）[5]。该手动系统使用起来麻烦，外科医生不均匀接受，并且应用不一致，特别是对于复杂的疝气。 EHSCVH是半定量的，因为VH基于分类位置进行分类，对疝气大小的直接评估有限。腹侧疝工作组（VHWG）提出了一种疝气分级系统，以根据患者和伤口更全面的临床因素来获取患者手术部位发生的风险[6];然而，鉴于所涉及的因素很难获得，这种分类系统及其变体[7]也不常用。作者假设定量成像方法将提供更客观，有效和可重复的描述VH的方法，并且该方法可以为将来的基于证据的研究提供信息，以改善VH修复结果。

本文的目的是提出一种使用标准护理计算机断层扫描（CT）进行VH定量解剖标记的标准化方法。作者提出了详细的解剖标记方案，以捕获VH和腹壁的临床相关几何特性。然后，使用具有VH的人类受试者的测试数据集，作者证明了作者的标记协议的内部和内部评估者的再现性，用于生成关键的定量描述性参数，包括VH体积和VH与相关解剖学标志的关系。作者对衍生的VH特性预测相关临床终点（VHR期间网桥闭合的要求）的能力进行了初步统计检验，并与EHSCVH指标的预测进行了比较。在讨论中，作者介绍了作者的方法的主要贡献及其潜在的临床影响，将其实际效果与其他相关的VH表征研究[8-10]进行了比较，并设想了未来的工作。

方法
道德声明
所有临床数据均在机构审查委员会批准下从Vanderbilt电子病历系统中收集。机构审查委员会的全称是范德比尔特人类研究保护计划。遵循的所有程序均符合人体实验负责委员会（机构和国家）的道德标准，以及1975年修订的1975年赫尔辛基宣言（5）。所有患者均获得书面知情同意书，包括在研究中。还获得了该研究的具体用途的附录。

VH的定量解剖学描述
由于作者的目标是使用来自CT的定量参数创建VH的全面解剖学描述，作者首先组装一组定量参数，这些参数与VH修复的临床决策相关（表1）。这些定量参数分为描述VH相对于关键解剖标志（包括剑突，脐，白线，半月线，上髂前上棘和耻骨联合耻骨联合）的位置，描述大小和形状特征的参数。 VH本身（包括疝气体积，疝气体积与腹腔体积的比例[8]和缺损面积），以及描述腹壁的机械性质（主要是顺应性）的那些。

表格1


标签协议
然后，作者设计了标准化的解剖标记协议，以实现上述参数的算法计算（图11和图2）。该协议是由具有解剖学标记经验的研究人员手动实施而创建的，但在腹部放射学或普通外科手术方面没有具体经验;该协议也足够灵活，可用作未来半自动或全自动方法的基础。 S1文件中提供了详细的协议。简而言之，它涉及以下步骤：（1）选择轴标和矢状图像切片，在其上标记腹壁。 （2）标记前腹壁和后腹壁，并在适当的轴向切片上标记白线和半月线。 （3）完全标记突出区域。 （4）在选定的矢状切片上标记前腹壁。 （5）标记骨骼标志和脐部。 （6）查看所有标签的概述。对于经过培训的研究员进行手动标记，整个标记过程大约需要1小时才能完成腹部CT体积。


图1
解剖标记协议概述。
（a）标记的轴向和矢状切片根据体积的大小和分辨率确定。 （b）在选定的轴向切片上，跟踪前（外边界和内边界）和后腹壁。 同时，在适当的轴向切片上标记白线和半月线。 （c）VH在疝气存在的每个轴向切片上完全标记。 （d）在选定的矢状切片上，追踪前腹壁的外边界和内边界。 注意以前的VH和腹壁标签可以作为参考。 （e）脐带和骨骼标志被贴上标签。 （f）审查完整的标签集。


图2
CT标记方案中包含的解剖结构。
（a）直肌; （b）腹斜肌; （c）白线; （d）半月线; （e）脐; （f）剑突; （g）髂前上棘; （h）耻骨联合。

数据
根据机构审查委员会的批准，匿名收集61例疑似VH患者的临床获得性临床CT数据。 对于61名患者，可以进行腹部扫描（剑突下覆盖优于下耻骨联合）。 随机选择18名患者进行方案开发; 另外随机选择43名患者进行基于该方案的初步定量评估。 体素体积（512x512x90~512x512x200）和分辨率（0.6x0.6x5 mm~1.0x1.0x3 mm）之间存在较大差异。 以毫米为单位的平均视野约为400x400x500 mm。 在所涉及的患者中观察到各种大小的VH（图3）


图3
各种腹疝大小的例子。
（a），（b），（c）分别表示轴向切片中的小，中，大疝。突出的区域以红色突出显示。

手动标签
一名研究助理使用医学图像处理和可视化（MIPAV）[12]软件（美国国立卫生研究院，Bethesda，MD）和64位高分辨率平板电脑输入（Wacom，东京，日本）对该协议进行了培训。 Linux工作站。研究助理标记了所有61个数据集，其中18个以随机顺序标记两次，重复体积之间至少3周以确保冲洗。所有标签都是独立创建的，因此研究助理无法看到自己的先前标签。为了提高效率，在每隔5厘米间隔的切片上评估正常的壁解剖结构。每个数据集的标记时间介于60到90分钟之间。一般外科医生也接受了该方案的培训，并标记了18个数据集中10个随机选择的子集。一名普通外科医生独立地将26例接受手术修复的患者应用EHSCVH方案。

协议验证
根据用于标记腹壁，关键解剖标志和VH的配对结果之间的差异来估计评估者内和评估者之间的可靠性。对于腹壁，使用两组标签之间的平均表面距离（MSD）和豪斯多夫距离（HD）计算可靠性。对于关键的解剖标志，使用脐的最中心皮下点，用质心的欧几里德距离（ED）计算可靠性;剑突的质心，白线和半月线;耻骨联合最优点，前髂前上棘和髂前上棘最前点。对于VH，通过Cohen的kappa统计评估疝气体积的再现性[13]。在所有18个数据集上计算评估者内部可靠性。评估者之间的可靠性是根据研究助理和普通外科医生提供的10个数据集计算得出的。

度量标准推导
基于61个数据集的手动标签，自动导出20个指标来描述疝气的形状，位置和周围环境（表2）。通常，疝气形状直接来自标记的疝气体积，疝气位置是从疝气体积的质心到地标测量的，并且基于内插的腹壁表面和分割的身体面具计算周围的身体相关度量。将薄板样条插值[14]应用于腹壁的标记网格，其产生腹壁的外表面以及整个腹腔的闭合内表面。模糊C均值聚类用于从扫描表和背景中基于强度提取患者的身体。在排除骨骼和空气后，对提取的身体区域应用进一步的强度聚类以从肌肉中分离脂肪组织，因此通过内插的腹壁表面来区分内脏和皮下脂肪[15]。请注意，这20个指标只是作者对此初步研究感兴趣的定量参数的子集。

表2
对20个派生度量的定量评估。

a.每个索引以更简单的形式表示其对应的度量。 A-G被视为与形状相关，G-L被视为与位置相关，而M-T被视为与身体相关的度量。

b.注意：（1）形状相关度量的定量值仅在具有识别的疝的受试者中收集; （2）归一化水平位置表示从左ASIS到右ASIS的相对位置，归一化垂直位置表示从左右ASIS到剑突过程的相对位置; （3）在标记的腹壁的垂直范围内评估体积相关的体积指标，表示为T，即评估的腹部高度。

统计测试
在所有61个评估的数据集中，26名患者接受VH修复，意图进行原发性筋膜闭合和网状衬垫。通常，在VHR期间需要主要筋膜闭合，由此重新近似疝缺损。当无法实现这一点时，需要网桥，原始疝气缺陷。换句话说，在VHR后未能进行主要筋膜闭合的患者符合要求。这26名患者可分为两组，其中9名患者需要关闭，另外17名患者不需要。一系列统计检验用于探讨衍生指标与筋膜闭合技术结果之间的临床相关性。

首先，使用不成对的单尾t检验来检验两组衍生指标中每一个的显著差异。

然后，使用基于弹性网正则化逻辑回归的两个互补分析来评估使用多个度量的复合结果预测。目标是构建回归模型，基于该回归模型提供截距β0和与p度量相关联的一组回归系数β∈Rp×1，以最小化模型拟合与给定N个观察的响应的偏差。

β0,β=αrgminβ0,β(1NDeviance(β0,β)+λPα(β))
(1)
对于逻辑回归[16]，在二项分布下计算偏差（&#8901;，&#8901;）以处理二元分类案例，同时以连续形式估计几率。 λ表示惩罚项Pα（β）的非负正则化参数。

Pα(β)=1&#8722;α2∥β∥22+α∥β∥1
(2)
其中回归系数的L1和L2规范都用于弹性网络正则化[17]来约束回归，其中一些高度相关的指标可以忽略（回归系数接近零）。正则化效应由一个参数控制，即α（或α），范围从0到1，这有效地确定了忽略的回归系数的比例 - 较大的α值导致更多的度量被忽略。注意，在执行测试时，在λ的有效候选序列中确定最大值，使得偏差在最小值的一个标准误差内，留下α作为唯一变量。

在这里，所有20个派生的指标都被包括在内，以构建回归模型，该回归模型表示多个指标如何与回归系数相结合来预测技术结果。特别，进行预测分析以使用留一法交叉验证（LOOCV）方案评估预测模型的准确性，即，在25个观察上建立回归模型，然后在剩余的一个上进行测试。将连续估计结果四舍五入为二元预测以进行验证。通过将步长为0.01的α从0到1的交叉验证分析迭代，记录剩余度量的数量和错误预测的数量。

通过在所有26个观察（没有交叉验证）上建立回归模型进行后续探索性测试，α为0.9，以确定VH修复后网状桥要求的最具预测性的指标。

使用EHSCHV中提出的变量进行了使用弹性网络正则逻辑回归和LOOCV的附加预测分析以供参考。根据EHSCHV，四个分类变量，即内侧疝位置，侧疝位置，疝复发和疝宽度类别，以及两个定量变量，临床医生获得的疝宽度（LR直径）和长度（CC直径）被认为是用于回归的20个标记派生度量的位置。

结果
标签重现性
在评估标签可靠性的18名患者中，平均年龄为50岁，女性为50％。平均体重指数（BMI）为33.1kg / m 2。该人群中疝的患病率为78％，并且所有腹侧疝都与先前的手术（即切口疝）有关。疝缺损的平均横向尺寸为11.4cm。

腹壁
作者的方案产生了高标记和评估者之间的重复性，用于标记前腹壁，MSD约为2 mm，HD约为30 mm（表3）。后腹壁的重复性适中，内部MSD为2.5 mm，评估者间MSD为7.7 mm。结构标记的起点和终点的不同选择导致相对较大的HD值（高达9cm），而MSD值不会受到很大影响。

表3
通过平均表面距离（MSD）和Hausdorff距离（HD）以mm为单位测量腹壁可靠性。

关键的解剖标志
关键解剖标志的标签重复性为中等至高，内部评估者和评估者之间的欧几里德距离均低于5 mm（表4）。

表4
筋膜边界和骨结构可靠性由质心的欧氏距离（ED）测量，单位为mm。

疝气量
疝气体积的再现性很高，内部评估者Cohen's kappa为0.8，评估者Cohen's kappa为0.9（表5）。

表5
疝气量可靠。

注意，作者认为所提出的标记方案对于所采集的CT扫描的分辨率（切片厚度大至5mm）具有中等至高的再现性。

定量评估
在评估指标推导的61名患者中，疝的患病率为72％。 平均年龄为52岁，女性为66％。 平均BMI为33.0 kg / m2。 计算了20个导出指标的平均值和范围（表2）。

临床相关性
在26例接受VH修复并意图进行筋膜闭合并进行统计学检验的患者中，平均年龄为51岁，女性为81％，平均BMI为32.1 kg / m2。

不成对的单尾t检验
在VH修复后通过桥封闭要求分开的两组患者之间观察到显著差异（p <0.05），超过九个个体指标（表6）。

表6
对具有不同结果的两组患者的20个指标进行统计学比较。


*表示两组之间存在显著差异

预测回归分析
通过交叉验证，测试了基于标记衍生度量的回归模型和基于EHSCHV变量的回归模型。在这两种情况下，都没有实现完美预测。对于沿不同选择的α值的最佳情况，使用标记衍生的度量的回归模型在26个受试者中产生四个错误预测（84.6％准确度），其中两个（“疝LR直径”和“疝前表面积”） ，α= 0.95或1.00）至5（“疝LR直径”，“疝气CC直径”，“疝前表面积”，“疝后表面积”和“平均AP疝厚度”，α= 0.80或使用0.89）指标。另一方面，使用EHS变量的回归模型至少做出六次错误预测（76.9％准确度），其中包括所有六个变量的五个（除了疝宽度类别）（图4A和4B）。仔细观察，上面提到的所有错误预测都是需要桥修复但预测不需要的主体。这些错误的预测在类似的疝气大小方面令人困惑，因为它们与VHR后的原发性筋膜闭合相似。


图4
初步统计分析的结果。
（a）和（b）分别使用交叉验证的弹性网正则化逻辑回归分别显示了不同α值的错误预测数和包含变量数。通常，较大的α值会产生较强的正则化，因此回归模型的变量较少。请注意，蓝色虚线曲线表示使用EHSCHV变量的回归结果，而绿色实线曲线使用从标记派生的变量。 （c）使用支持向量机提出超平面，通过基于所有观察建立的探索性回归模型的两个剩余标记衍生变量，将具有不同技术结果的两组患者分开。

探索性回归分析
在建立α值为0.9的逻辑回归模型时，只有两个指标（“疝气L-R直径”和“疝前表面积”）仍然是预测网桥要求的关键因素。尽管使用了所有观察结果，但该回归模型在预测分析中使用标记衍生的指标产生了与最佳情况相同的四个错误估计。这两个度量可用于使用支持向量机（SVM）[18]来识别两组之间的分离超平面（两个度量的判别函数），其表示网桥要求的定量阈值。需要修桥的两个案例被错误分类（图4C）。作者注意到，两组之间的数字不均匀（9对17）可以影响关于其最佳阈值的回归模型（作者使用0.5进行逻辑回归）来进行预测。在正则化回归模型之后应用SVN分类器可以提高预测能力。

讨论
主要贡献
该初步研究旨在为定量成像方法奠定基础，以确定不同亚型VH的最佳管理策略，并改善手术治疗。

首先，作者为VH创建了一组临床相关的定量解剖描述符，作者设计了一个标准化的标记协议，以便从常规临床CT数据集中提取这些参数，作为未来VH解剖特征与治疗之间关系的自动建模的基础。结果。

其次，作者的方案验证研究表明，可以接受评估腹壁，关键解剖标志和VH本身的评估者和评估者之间的可重复性。在解剖学标记方面，作者发现在没有广泛的三维可视化的情况下，可以在轴向或矢状视图上欣赏腹壁表面，而疝气体积需要三平面操作。作者还发现腹壁表面足够光滑，因此，为了提高效率，可以在稀疏，均匀间隔的切片上每隔5厘米标记正常的壁解剖结构;然后可以通过插值来近似整个表面。

接下来，作者从解剖标记中自动导出20个定量参数来描述VH的形状，位置和周围环境。与使用EHSCHV系统的可用临床测量相比，这些度量的集合提供了更全面的VH特征。

最后，作者通过初步统计检验显示了VH修复后衍生的定量参数与原发性筋膜闭合的技术结果之间的临床相关性。 9个个体指标显示，需要桥闭的患者与未接受桥接的患者之间存在显著差异。通过预测分析，作者提出了一个回归模型，使用多个指标，能够识别所有不需要桥闭的患者（17个中的17个），超过一半的患者需要（9个中的5个）。作者还发现，作者的标记衍生指标比EHSCHV变量对此技术结果更具预测性。作者注意到这是将VH定量与临床有意义的疾病过程相关联的第一项工作。

潜在的临床影响
临床上，桥接的要求在手术前仍然不确定。外科医生可以通过在手术前成像上观察疝气来进行粗略预测，即，较大的疝气更可能需要网状桥修复。主观预测可能不准确。由于这种不确定性，一些技术如肌筋膜释放被用来避免桥接，但可能会导致其他问题。例如，来自作者机构的数据表明，肌筋膜释放的额外解剖显著增加了手术后手术部位感染的风险[19]。因此，准确预测桥接需求的客观标准可以在临床上相关，并且显著改变临床程序。对于术前计划，外科医生在咨询患者和计划操作时可以提供客观数量而不是主观大小描述。患者和外科医生可能估计需要桥接闭合的可能性，并且可以权衡该选项，同时考虑其他患者因素，这些因素增加了术后感染并发症的风险。这也可能在开始手术修复之前导致生活方式改变，以降低手术的发病率。在某些情况下，知道在患有感染性并发症的重大风险的患者中可能需要桥接可能导致外科医生接受桥接配置并相应地为患者提供建议。

作者的标签协议为桥接要求的预测提供了合理的客观标准。预测（交叉验证）统计分析表明，需要两到四个指标才能产生最佳的桥接需求预测。这表明应该将多个指标一起考虑用于预测。在解释性分析（未交叉验证）中，仅需要两个变量（“疝LR直径”和“疝前表面积”）来识别组之间的分离超平面（两个变量的判别函数），代表桥梁修复要求的定量阈值。作者注意到，具有大L-R直径但前表面积小的疝气可能不一定需要桥接要求，这很难通过3-D CT在视觉上判断。因此，这些指标有助于作为桥接需求预测的客观标准。作者还注意到，虽然“疝气L-R直径”通常被认为是一个重要因素，但“疝前表面积”从未专注于VH表征。作者的标签协议提供了对这些参数的访问，这些参数对于关联特定技术结另一方面，作者发现当前的指标无法区分一些需要修桥的小疝。这部分是由于实验中可用的（26）和不平衡数据集（17对9）不足。包含更多数据集可以帮助增加对主要筋膜闭合的预测。除疝气特征外，许多其他因素也影响了修复桥梁的决定。手术的目标（确定性与分期修复），污染程度，关闭时筋膜上的张力大小，组织覆盖需求以及外科医生培训都有助于决策。

与其他相关工作的比较
作者的方法利用了大多数VH患者进行手术前CT扫描以评估其腹部的事实。然而，目前还没有普遍接受的VH分类方法用于常规使用，因此来自成像的信息被定性地和主观地用于基于很少的经验数据做出临床决策。 EHSCVH是唯一可用于分类所有腹侧疝的潜在分类系统。 EHSCVH系统根据疝气的位置和疝气的原因（原发性或切口性），（2）疝气大小的分类指定（小，中，大）和（3）线性测量来编码（1）分类指定。疝气大小（长度，宽度）。然而，这种分类系统的实际实施可能很麻烦，虽然EHSCVH几年前已经发表，但它并没有得到外科医生的广泛认可。在繁忙的临床实践中外科医生确定特定患者疝气的分类所需的时间通常会妨碍其使用。另外，由于分类方案尚未与特定患者结果或有利的手术技术相关联，因此没有激励外科医生花时间确定分类的动机。最后，在使用该系统对复杂疝进行分类时，外科医生之间存在不一致。作者的预测回归分析显示，尽管其简单，但在VH修复后，EHSCVH变量不足以预测桥闭合需求（图4A和4B）。

定量方法具有吸引力有两个原因：（1）它可以由受过训练的同事实施，或者在将来通过半自动或全自动计算机算法实施，从而减少外科医生进行VH分类的时间; （2）其标准化性质为患者结果的严格统计相关性提供了基础，包括回顾性地使用大型临床数据库和前瞻性临床试验。然而，目前，腹侧疝的定量描述相当简陋，横向尺寸是最常用的度量标准。横向疝气大小捕获VH的实际异质性非常少。疝量也不足以描述VH，因为相同体积的两个VH可能具有非常不同的形状并且可能需要不同的手术技术（图5）。


图5
体绘制和三平面视图中的两个VH情况。
虽然这两个例子的疝气体积大小几乎相同（a = 125 cm3，b = 109 cm3），但（a）是脐部长而浅的破裂，而（b）是腹壁短而深的突出。此外，患者的体型大不相同，（b）中的疝气远离脐部。

由于这些原因，并且由于其明显的临床意义，近年来图像处理界对VH的表征感兴趣。 Tanaka等人。通过假设它们为椭圆形结构，测量颅尾，后侧，前后径向距离，得出疝囊和腹腔的体积[10]。 Sabbagh等人。在外科医生和放射科医师使用盲侧方法确定体积边界后，确定腹膜内容量（包括VH和腹腔）[8]。姚等人。标记了3-D重建CT的所需范围，并用测量体积软件测量了体积[9]。

虽然值得注意，但这些努力并没有解决衡量疝与其生物背景的复杂相互作用的根本挑战。作者的标记协议允许从标记数据中估计VH的不同几何特性（图66和7,7，表2）。作者将疝气形状（体积大小和尺寸直径）视为表征的主要定量参数VH的异常程度。作者建议疝缺损在骨性标志和面部边界方面的位置对于VH分类至关重要。作者还附加了周围结构的指标（例如腹壁厚度，内脏和皮下脂肪量）作为VH患者的参考身体状态。这些特征给出了疝本身的可靠描述，然后可以与临床结果相关联。弹性网正则化逻辑回归可用于将所有可用变量减少到几个关键因素来预测特定技术结果，虽然有时需要更多的变量来产生更好的预测。当然其他非疝相关因素在疝复杂性的总体定义中很重要，包括许多临床和患者相关因素[20]，但本手稿中描述的方法提供了基于特定成像特征的腹疝的精确和可再现的描述。


图6
4例患者CT的VH特征示意图。
在每个部分中，第一行说明VH的位置; 第二行显示前腹壁的VH缺损大小; 第三行显示疝囊（红色）和腹腔（蓝色）的体积大小。


图7
根据处理的标签结果，VH特性的图示。
从（a）到（c）的第一行展示了原始图像数据和处理过的标签之间的匹配，其中插入了腹壁。从（d）到（f）的第二行显示了在三个不同视图中插入的腹壁与原始图像的相干性。从（g）到（i）的第三行示出了与形状相关的VH特征的腹壁和疝气体积的组合模型，VH相对于白线和半线的相对位置，以及相对位置。关于骨骼标志和脐的VH。从（j）到（1）的第四行证明了测量VH缺陷尺寸，VH的宽度和长度以及疝囊和腹腔之间的体积大小的比例的可行性。

未来的工作
目前无法通过CT成像获得的VH的一个重要特性是肌肉顺应性，即肌肉组织弹性屈服于施加的力的能力。这种患者特异性特性影响修复的容易程度，并可能与术后复发率相关。未来的研究可能会研究使用超声或磁共振弹性成像来估计这种特性。

此外，作者注意到作者研究中的CT是在没有进行Valsalva动作的情况下在休息时获得的。 Valsalva动作可以有助于显示突出区域周围潜在的内脏漂移。理论上，解剖学变化不会破坏所提议的方案的实施。然而，需要进一步的研究来探索有和没有Valsalva动作的扫描之间的检查差异。

重要的是要强调这些发现的临床相关性。如果可以开发出可重复，定量和自动化的VH分类方法，则可以显著推进VH管理领域。即，将建立可靠的度量，从而可以进行比较以确定最佳实践 - 类似于恶性疾病管理中的癌症分期。相关的自动化工作正在进行中[21]。

参考：
Quantitative CT Imaging of Ventral Hernias: Preliminary Validation of an Anatomical Labeling Protocol
1. Poulose BK, Shelton J, Phillips S, Moore D, Nealon W, Penson D, et al. Epidemiology and cost of ventral hernia repair: making the case for hernia research. Hernia. 2012;16(2):179–83. Epub 2011/09/10. 10.1007/s10029-011-0879-9 . [PubMed] [CrossRef] [Google Scholar]
2. Luijendijk RW, Hop WC, van den Tol MP, de Lange DC, Braaksma MM, JN IJ, et al. A comparison of suture repair with mesh repair for incisional hernia. N Engl J Med. 2000;343(6):392–8. Epub 2000/08/10. 10.1056/NEJM200008103430603 . [PubMed] [CrossRef] [Google Scholar]
3. Forbes SS, Eskicioglu C, McLeod RS, Okrainec A. Meta-analysis of randomized controlled trials comparing open and laparoscopic ventral and incisional hernia repair with mesh. Brit J Surg. 2009;96(8):851–8. 10.1002/Bjs.6668 . [PubMed] [CrossRef] [Google Scholar]
4. Millikan KW. Incisional hernia repair. Surg Clin N Am. 2003;83(5):1223–34. 10.1016/S0039-6109(03)00129-4 . [PubMed] [CrossRef] [Google Scholar]
5. Muysoms F, Miserez M, Berrevoet F, Campanelli G, Champault G, Chelala E, et al. Classification of primary and incisional abdominal wall hernias. Hernia. 2009;13(4):407–14. 10.1007/s10029-009-0518-x [PMC free article] [PubMed] [CrossRef] [Google Scholar]
6. Breuing K, Butler CE, Ferzoco S, Franz M, Hultman CS, Kilbridge JF, et al. Incisional ventral hernias: review of the literature and recommendations regarding the grading and technique of repair. Surgery. 2010;148(3):544–58. 10.1016/j.surg.2010.01.008 [PubMed] [CrossRef] [Google Scholar]
7. Kanters AE, Krpata DM, Blatnik JA, Novitsky YM, Rosen MJ. Modified hernia grading scale to stratify surgical site occurrence after open ventral hernia repairs. Journal of the American College of Surgeons. 2012;215(6):787–93. 10.1016/j.jamcollsurg.2012.08.012 [PubMed] [CrossRef] [Google Scholar]
8. Sabbagh C, Dumont F, Robert B, Badaoui R, Verhaeghe P, Regimbeau J-M. Peritoneal volume is predictive of tension-free fascia closure of large incisional hernias with loss of domain: a prospective study. Hernia. 2011;15(5):559–65. 10.1007/s10029-011-0832-y [PubMed] [CrossRef] [Google Scholar]
9. Yao S, Li J-y, Liu F-d, Pei L-j. Significance of measurements of herniary area and volume and abdominal cavity volume in the treatment of incisional hernia: Application of CT 3D reconstruction in 17 cases. Computer Aided Surgery. 2012;17(1):40–5. 10.3109/10929088.2011.636453 [PubMed] [CrossRef] [Google Scholar]
10. Tanaka EY, Yoo JH, Rodrigues AJ, Utiyama EM, Birolini D, Rasslan S. A computerized tomography scan method for calculating the hernia sac and abdominal cavity volume in complex large incisional hernia with loss of domain. Hernia. 2010;14(1):63–9. 10.1007/s10029-009-0560-8 . [PubMed] [CrossRef] [Google Scholar]
11. DuBay DA, Choi W, Urbanchek MG, Wang X, Adamson B, Dennis RG, et al. Incisional herniation induces decreased abdominal wall compliance via oblique muscle atrophy and fibrosis. Annals of surgery. 2007;245(1):140 [PMC free article] [PubMed] [Google Scholar]
12. McAuliffe M, Lalonde F, McGarry D, Gandler W, Csaky K, Trus B. Medical image processing, analysis and visualization in clinical research. Computer-Based Medical Systems, 2001 14th IEEE Symposium on; 2001.
13. Landis JR, Koch GG. The measurement of observer agreement for categorical data. Biometrics. 1977;33(1):159–74. [PubMed] [Google Scholar]
14. Wahba G, Society for Industrial and Applied Mathematics Spline models for observational data. Philadelphia, Pa.: Society for Industrial and Applied Mathematics; (SIAM, 3600 Market Street, Floor 6, Philadelphia, PA 19104); 1990. Available from: http://epubs.siam.org/ebooks/sia ... d_mathematics/cb59. [Google Scholar]
15. Yao J, Sussman DL, Summers RM. Fully automated adipose tissue measurement on abdominal CT SPIE Medical Imaging; 2011: International Society for Optics and Photonics. [Google Scholar]
16. Hosmer DW, Lemeshow S, Sturdivant RX. Introduction to the logistic regression model: Wiley Online Library; 2000. [Google Scholar]
17. Zou H, Hastie T. Regularization and variable selection via the elastic net. Journal of the Royal Statistical Society: Series B (Statistical Methodology). 2005;67(2):301–20. [Google Scholar]
18. Cristianini N, Shawe-Taylor J. An introduction to support vector machines and other kernel-based learning methods: Cambridge university press; 2000. [Google Scholar]
19. Ousley J, Baucom RB, Holzman MD, Ehrenfeld JM, Sharp KW, Nealon WH, et al. History of MRSA Infection Considerably Increases Risk of Surgical Site Infection in Ventral Hernia Repair. J Am Coll Surgeons. 2014;3(219):S99. [Google Scholar]
20. Slater NJ, Montgomery A, Berrevoet F, Carbonell AM, Chang A, Franklin M, et al. Criteria for definition of a complex abdominal wall hernia. Hernia. 2013:1–11. Epub 2013/10/24. 10.1007/s10029-013-1168-6 . [PubMed] [CrossRef] [Google Scholar]
21. Xu Z, Allen WM, Baucom RB, Poulose BK, Landman BA. Texture analysis improves level set segmentation of the anterior abdominal wall. Med Phys. 2013;40(12):121901 10.1118/1.4828791 [PMC free article] [PubMed] [CrossRef] [Google Scholar]