مقالة منهجية

التجزئة القائمة على التعلم العميق للعمود الفقري البشري المحمل بالجاذبية

DOI:

10.3791/67781

⸱

يونيو 10, 2025

 ,  ,  ,  ,  ,  ,  ,  ,  ,  , 
1Department of Procurement and Supply, West China Hospital, Sichuan University, 2Department of Radiology, West China Hospital, Sichuan University, 3R&D Center of Shenzhen Angell Technology Co.

* These authors contributed equally

في هذه المقالة

ملخص

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

تقدم هذه المقالة بروتوكولا لتقسيم العمود الفقري البشري المحمل بالجاذبية في صور CBCT الحاملة للوزن باستخدام شبكة عصبية لولفيفية ثلاثية الأبعاد U-Net. توفر الطريقة أداة قيمة لدراسة محاذاة العمود الفقري وتدعم الطباعة ثلاثية الأبعاد وأبحاث الميكانيكا الحيوية على العمود الفقري في ظل الظروف الحاملة.

الملخص

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

يعد التحليل الدقيق لمحاذاة العمود الفقري في ظل ظروف الجاذبية أمرا ضروريا لتشخيص وإدارة الاضطرابات العضلية الهيكلية مثل الجنف ومرض القرص التنكسي. تقنيات التصوير التقليدية ، مثل الصور الشعاعية ثنائية الأبعاد والتصوير المقطعي المحوسب أو التصوير بالرنين المغناطيسي ، لا تلتقط الهندسة ثلاثية الأبعاد الكاملة للعمود الفقري في حالة حاملة. يوفر التصوير المقطعي المحوسب المخروطي الحامل للوزن (CBCT) صورا ثلاثية الأبعاد عالية الدقة في وضع الوقوف ، مما يسمح بتقييم أكثر دقة لمحاذاة العمود الفقري. تقدم هذه الدراسة بروتوكولا قائما على التعلم العميق لتقسيم هذه الصور باستخدام شبكة عصبية تلافيفية U-Net (CNN) مع طبقات تلافيفية ثلاثية الأبعاد ووصلات متبقية لتقسيم الأجسام الفقرية والحوض ورأس الفخذ. يتضمن البروتوكول الحصول على الصور ، والتعليقات التوضيحية اليدوية ، والمعالجة المسبقة ، والتدريب على النموذج. يتيح التجزئة الناجحة للهياكل التشريحية قياسا دقيقا لمعلمات العمود الفقري ذات الصلة سريريا مثل زاوية كوب ودوران العمود الفقري. بالإضافة إلى ذلك ، يمكن تصدير النماذج ثلاثية الأبعاد المجزأة بتنسيق STL للطباعة ثلاثية الأبعاد ، مما يسهل التخطيط الجراحي وتثقيف المرضى. علاوة على ذلك ، يمكن تكييف البروتوكول لتدريب نماذج التجزئة للهياكل التشريحية الأخرى التي تتطلب تقييما في ظل ظروف محملة بالجاذبية ، مثل الطرف السفلي. توفر هذه الطريقة أداة موثوقة وقابلة للتكيف لتجزئة العمود الفقري والهياكل التشريحية الأخرى بدقة في الظروف المحملة بالجاذبية ، مع تطبيقات عملية في كل من التشخيص السريري والدراسات البحثية.

المقدمة

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

يعد التحليل الدقيق لمحاذاة العمود الفقري في ظل ظروف محملة بالجاذبية أمرا ضروريا لتشخيص وإدارة الاضطرابات العضلية الهيكلية ، بما في ذلك الجنف ومرض القرص التنكسي وتشوهات العمود الفقري1،2،3،4. تقنيات التصوير التقليدية ، مثل الصور الشعاعية ثنائية الأبعاد ، لا تلتقط الهندسة ثلاثية الأبعاد الكاملة للعمود الفقري. على الرغم من أن التصوير المقطعي المحوسب والتصوير بالرنين المغناطيسي التقليديين يمكن أن ينتجوا صورا ثلاثية الأبعاد ، إلا أن هذه الطرائق تتطلب تصوير المرضى في وضع ضعيف. في المقابل ، يوفر التصوير المقطعي المحوسب بشعاع مخروطي للوزن (CBCT) صورا ثلاثية الأبعاد عالية الدقة مع المريض في وضع الوقوف ، مما يوفر تقييما أكثر تفصيلا لمحاذاة العمودالفقري 5.

يعد تجزئة بنية الهيكل العظمي من التصوير ثلاثي الأبعاد أمرا بالغ الأهمية لاستخراج معلمات العمود الفقري ذات الصلة سريريا ، مثل زاوية كوب ، ودوران العمود الفقري ، ووقوع الحوض ، وهي ضرورية لتشخيص تشوهات العمود الفقري والتخطيط للعملياتالجراحية 6. بالإضافة إلى ذلك ، يتيح التجزئة إنشاء نماذج ثلاثية الأبعاد للهياكل التشريحية ، ودعم تثقيف المريض والإعداد الجراحي7. تم استخدام تقنيات التعلم العميق ، وخاصة الشبكات العصبية التلافيفية (CNNs) ، على نطاق واسع في تحليل التصوير الطبي ، لا سيما في تجزئة الهياكل التشريحية المعقدة من الصور8،9. يقلل التجزئة المستندة إلى التعلم العميق من عبء العمل اليدوي ، ويقلل من تباين المشغل ، ويحسن الدقة والاتساق في تصوير العمود الفقري.

تقدم هذه المقالة بروتوكولا قائما على التعلم العميق لتجزئة العمود الفقري المحمل بالجاذبية باستخدام CBCT الحامل للوزن. يتم استخدام 3D U-Net CNN لتقسيم الفقرات والحوض ورأس الفخذ تلقائيا في ظل ظروف حاملة. يوفر دمج هذه الطريقة مع CBCT الروتيني الحامل للوزن أداة موحدة وقابلة للتكرار لتقييمات أكثر دقة للعمود الفقري ، وبالتالي دعم تحسين اتخاذ القرارات السريرية ونتائج المرضى. هذا النهج قابل للتكرار وقابل للتكيف مع نماذج التجزئة التدريبية للهياكل التشريحية الأخرى التي تتطلب تقييما في ظل ظروف محملة بالجاذبية ، مثل الطرف السفلي.

البروتوكول

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

أجريت هذه الدراسة وفقا للمعايير الأخلاقية الموضحة في إعلان هلسنكي ووافق عليها مجلس المراجعة المؤسسية لمستشفى غرب الصين بجامعة سيتشوان (الموافقة 834 / 2021). تم تشخيص المشاركين المشمولين في الدراسة إما بالجنف التنكسي أو الجنف مجهول السبب لدى المراهقين (AIS). شملت معايير الاستبعاد الأفراد الذين لديهم تاريخ من جراحة العمود الفقري ، أو وجود غرسات العمود الفقري ، أو أولئك غير القادرين على الحفاظ على وضعية الوقوف أثناء إجراء التصوير. قدم جميع المشاركين في الدراسة موافقة مستنيرة قبل الحصول على الصورة والمشاركة في البحث. تم الحفاظ على خصوصية وسرية جميع المشاركين بشكل صارم طوال الدراسة. يتم سرد المعدات والبرامج المستخدمة في هذه الدراسة في جدول المواد.

1. تصوير العمود الفقري

  1. نظام التصوير وتحديد موضع المريض
    1. استخدم نظام CBCT الحامل للوزن للحصول على الصورة (الشكل 1).
    2. ضع المريض على منصة الوقوف. قم بتأمين المريض بالأحزمة لمنع الحركة والسقوط.
    3. اطلب من المريض الحفاظ على وضعية الوقوف والتنفس المستقر وتقليل الحركة أثناء عملية المسح.
  2. الحصول على الصور
    1. في برنامج نظام التصوير، حدد نطاق التصوير.
      ملاحظة: بالنسبة للتصوير الكامل للعمود الفقري ، يجب أن يشمل النطاق أول فقرة عنق الرحم وصولا إلى رأسي الفخذ.
    2. اختر معلمات التعريض الضوئي المناسبة.
      ملاحظة: يتم عرض المعلمات الافتراضية في الجدول 1. اضبط المعلمات بناء على حجم جسم المريض حسب الضرورة.
    3. اضغط على فرامل القدم لبدء التعرض. استمر حتى يشير البرنامج إلى اكتمال الحصول على الصور.
  3. إعادة بناء الصورة
    1. انقر على إعادة بناء زر في البرنامج واضبط معلمات إعادة البناء حسب الحاجة.
      ملاحظة: معلمات إعادة الإعمار المستخدمة في هذه الدراسة مذكورة في الجدول 1.

2. التعليق التوضيحي باستخدام ITK-SNAP

  1. إطلاق البرامج واستيراد الصور
    1. انقر نقرا مزدوجا فوق رمز البرنامج لتشغيل ITK-SNAP ، وهي أداة مفتوحة المصدر ومتعددة المنصات لتجزئة الصور الطبية الحيوية ثلاثية الأبعاد والتعليقات التوضيحية10.
    2. استيراد الصورة للتعليق التوضيحي. انقر فوق ملف -> فتح الصورة الرئيسية -> تصفح. حدد ملف الصورة المستهدف وانقر فوق فتح لتحميله في البرنامج.
  2. تعليق توضيحي
    ملاحظة: يوصى بقراءة البرنامج التعليمي ITK-SNAP للتجزئة اليدوية11 للتعرف على الأدوات والوظائف الأساسية للبرنامج. الخطوات الأساسية لهذه التجربة موضحة أدناه.
    1. لتحسين رؤية الصورة، اضبط تباين الصورة عن طريق تحديد الأدوات -> تباين الصورة -> ضبط التباين -> ضبط تباين الصورة المستند إلى المنحنى. اضبط المنحنى حسب الحاجة لتحسين التباين.
    2. إنشاء تسميات للهياكل التشريحية: اضغط على زر تحرير التسميات على شريط الأدوات. في مربع النص الوصف ، اكتب أسماء فئات التجزئة (على سبيل المثال، رؤوس العمود الفقري والحوض والفخذ). قم بتعيين الألوان لكل فئة تجزئة واضغط على زر إغلاق النافذة لتطبيق التغييرات.
    3. التجزئة اليدوية باستخدام أداة التعليق التوضيحي للمضلع: تأكد من تحديد التسمية الصحيحة من القائمة المنسدلة تسمية الرسم النشط في لوحة تسمية التجزئة ، مع مطابقة الفئة التي توشك على تقسيمها.
    4. حدد جميع التسميات في القائمة المنسدلة Draw. حدد أداة المضلع في صندوق أدوات IRIS.
    5. استخدم أداة المضلع لتقسيم الهياكل يدويا عن طريق رسم المضلعات وتعبئتها على الصورة. قم بالتكبير والتحريك حسب الحاجة لضمان الدقة.
  3. حفظ التعليق التوضيحي
    1. بمجرد اكتمال التعليق التوضيحي ، انقر فوق التجزئة في شريط القائمة ، ثم حدد حفظ صورة التجزئة.
    2. في مربع الحوار ، قم بتعيين اسم ملف الصورة (على سبيل المثال ، xxx.nii.gz) ، وحدد تنسيق الملف ك NIfTI ، وانقر فوق إنهاء لحفظ الملف المشروح.

3. المعالجة المسبقة للصور

ملاحظة: في هذا البروتوكول، يتم تنفيذ المعالجة المسبقة للصورة المدخلة وبيانات التسمية المستهدفة المقابلة باستخدام PyCharm، وهي بيئة تطوير متكاملة (IDE) ل Python. يتم تنفيذ الخطوات من خلال كود Python ، والذي يتم توفيره في الملف التكميلي 1 كرمز زائف لتحسين قابلية القراءة وتحديد الخطوات الرئيسية بوضوح.

  1. استيراد المكتبات وتحميل الصور
    1. افتح PyCharm وأنشئ نصا برمجيا جديدا ل Python.
    2. قم باستيراد المكتبات المطلوبة لمعالجة الصور ومعالجة البيانات، بما في ذلك NumPy وSimpleITK وPyTorch (الملف التكميلي 1، سطر التعليمات البرمجية 1).
    3. استخدم SimpleITK لقراءة الصورة ذات التدرج الرمادي والتسمية المقابلة (قناع التجزئة) من مسارات الملفات الخاصة بها (.nii.gz) (الملف التكميلي 1 ، أسطر التعليمات البرمجية 2-3).
  2. تغيير حجم الصورة وتطبيعها
    1. اضبط حجم الإدخال للمحور z على 16 شريحة ، مما يوازن بين استخدام الذاكرة ويحتفظ بالمعلومات الهيكلية الأساسية للتجزئة (الملف التكميلي 1 ، سطر التعليمات البرمجية 4).
    2. أضف 1000 إلى قيم التدرج الرمادي للصورة وقيم القصاصة أقل من 0 وما فوق عتبة تم تعيينها ديناميكيا بين 1000 و 3000 (الملف التكميلي 1 ، سطر التعليمات البرمجية 5).
    3. تطبيع قيم التدرج الرمادي للصورة بالقسمة على العتبة (الملف التكميلي 1، سطر التعليمات البرمجية 5).
  3. تكبير الصورة
    1. قم بتطبيق ضوضاء Poisson لمحاكاة ضوضاء العالم الحقيقي في الصورة (الملف التكميلي 1 ، سطر التعليمات البرمجية 6).
    2. اضبط السطوع بشكل عشوائي بعامل يتراوح بين 0.8 و 1.2 لمراعاة ظروف التصوير المختلفة (الملف التكميلي 1 ، سطر الرمز 7).
    3. استخدم نهج النافذة المنزلقة لاستخراج شرائح ثلاثية الأبعاد على طول المحور z لكل من الصورة والتسمية المستهدفة المقابلة (الملف التكميلي 1 ، أسطر التعليمات البرمجية 8-10).
    4. تسلسل الصورة والشرائح المستهدفة على طول بعد الدفعة لضمان معالجتها معا أثناء الزيادة (الملف التكميلي 1، سطر التعليمات البرمجية 11).
    5. قم بترجمة الصورة والشرائح المستهدفة بشكل عشوائي على طول المحورين x و y بقيمة عشوائية (الملف التكميلي 1 ، سطر التعليمات البرمجية 12).
    6. قم بتطبيق التدوير العشوائي على الصورة المتسلسلة والشرائح المستهدفة لمحاكاة اتجاهات التصوير المختلفة (الملف التكميلي 1 ، سطر التعليمات البرمجية 13).
  4. إرجاع البيانات التي تمت معالجتها مسبقا
    1. قم بإرجاع الصورة المعالجة مسبقا وبيانات التسمية المستهدفة بتنسيق torch.tensor لاستخدامها في تدريب الشبكة العصبية (الملف التكميلي 1 ، سطر التعليمات البرمجية 14).

4. نموذج التدريب

  1. استيراد المكتبات وتحديد بنية U-Net
    1. قم باستيراد المكتبات المطلوبة للتدريب على النموذج، بما في ذلك PyTorch وtorch.utils.data.DataLoader وtorch.optim.Adam (الملف التكميلي 1، سطر التعليمات البرمجية 1).
    2. استخدم نموذج U-Net مع الطبقات التلافيفية ثلاثية الأبعاد والتوصيلات المتبقية (الملف التكميلي 1 ، أسطر التعليمات البرمجية 2).
  2. تهيئة معلمات التدريب وتحميل البيانات
    1. قم بإعداد وظيفة فقدان النرد ومحسن آدم والنموذج. اضبط ألفا على 0.8 ، ومعدل التعلم على 1e-5 ، وعدد الحصور إلى 500 (الملف التكميلي 1 ، أسطر التعليمات البرمجية 3).
    2. قم بإحضار البيانات والتسميات المستهدفة المقابلة من torch.utils.data.DataLoader لكل دفعة.
  3. حلقة التدريب والتمرير الأمامي
    1. قلل معدل التعلم بضربه في 0.8 كل 100 حقبة لضمان ضبط النموذج لتعلمه بمرور الوقت (الملف التكميلي 1 ، سطر التعليمات البرمجية 5).
    2. أعد تعيين تدرجات المحسن إلى الصفر قبل معالجة كل دفعة للتأكد من عدم تراكم التدرجات السابقة (الملف التكميلي 1، سطر التعليمات البرمجية 7).
    3. أدخل دفعة البيانات في النموذج لإنشاء تنبؤات للتجزئة (الملف التكميلي 1، سطر التعليمات البرمجية 8).
    4. احسب خسارة النرد في أربعة أعماق مختلفة (loss_0 ، loss_1 ، loss_2 ، loss_3) لالتقاط المعلومات من طبقات مختلفة من الشبكة (الملف التكميلي 1 ، أسطر التعليمات البرمجية 9-12).
  4. الخسارة الكلية والانتشار الخلفي والتحسين
    1. احسب الخسارة الإجمالية باستخدام الصيغة: إجمالي الخسارة = loss_3 + ألفا × (loss_0 + loss_1 + loss_2) (الملف التكميلي 1 ، سطر التعليمات البرمجية 13).
    2. احسب التدرجات عن طريق إجراء الانتشار العكسي على إجمالي الخسارة لتحديث أوزان الشبكة (الملف التكميلي 1، سطر التعليمات البرمجية 14).
    3. قم بتحديث أوزان النموذج باستخدام المحسن لضبط معلمات الشبكة استنادا إلى التدرجات المحسوبة (الملف التكميلي 1، سطر التعليمات البرمجية 15).
  5. تعديلات ألفا
    1. كل 30 حقبة ، قلل قيمة ألفا بضربها في 0.8 لتقليل تأثير خسائر الطبقة السابقة مع تقدم التدريب (الملف التكميلي 1 ، سطر الكود 16).

النتائج

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

نتائج التجزئة
في هذه الدراسة ، تم تقسيم ثلاثة هياكل تشريحية - العمود الفقري والحوض ورؤوس الفخذ. تم تضمين رؤوس الحوض والفخذ لأن بعض معلمات العمود الفقري تتطلب معالم من هذه الهياكل للقياس. تم تقسيم مجموعة البيانات لكل هيكل إلى مجموعات تدريب واختبار كما هو موضح في الجدول 2.

تم تقييم أداء التجزئة باستخدام ثلاثة مقاييس قياسية ، بما في ذلك معامل النرد ، وتشابه الحجم (VS) ، والاستدعاء:

figure-results-1

figure-results-2

figure-results-3

حيث يشير TP إلى إيجابي حقيقي ، يشير FP إلى إيجابي خاطئ ، يشير FN إلى سلبي خاطئ.

بعد تدريب الشبكة لمدة 500 حقبة ، تم تقييم نتائج التجزئة بناء على المقاييس. يتم عرض أداء كل هيكل تشريحي في الجدول 3. توضح هذه النتائج فعالية نموذج التجزئة المقترح المستند إلى U-Net عبر العمود الفقري والحوض ورؤوس الفخذ. يعرض الشكل 2 نتيجة تجزئة تمثيلية للهياكل التشريحية.

تطبيقات ما بعد التجزئة

قياس المعلمات ذات الصلة سريريا ثلاثية الأبعاد
يمكن استخدام النماذج ثلاثية الأبعاد التي تم إنشاؤها من خلال التجزئة التلقائية لقياس مجموعة من المعلمات المهمة سريريا ، مثل زاوية كوب ، ودوران العمود الفقري ، والحداب الصدري ، والقعس القطني ، وحدوث الحوض ، وإمالة الحوض ، والمنحدر العجزي. هنا ، نعرض قياس هذه المعلمات باستخدام برنامج مطور ذاتيا ، والذي يعالج البيانات المجزأة ويوفر قياسات دقيقة وتلقائية للعمود الفقري والهياكل المرتبطة به (الشكل 3).

الطباعة ثلاثية الأبعاد
يمكن تصدير النموذج ثلاثي الأبعاد الذي تم الحصول عليه عن طريق التجزئة التلقائية الذكاء الاصطناعي والمعالجة اللاحقة إلى تنسيق STL ، وهو تنسيق ملف نموذج ثلاثي الأبعاد عام ، والذي يدعمه على نطاق واسع برنامج الطباعة ثلاثية الأبعاد. في هذه الدراسة ، كانت الطابعة ثلاثية الأبعاد المستخدمة عبارة عن طابعة الطباعة الحجرية المجسمة الصناعية (SLA) ، والتي تستخدم راتينج الأشعة فوق البنفسجية (UV) القابل للعلاج كمادة طباعة. تم تطبيق التوصيلات بين الأجزاء المعزولة من النموذج المجزأ ، مما يضمن بنية متماسكة يمكن طباعتها كنموذج واحد موحد. تتيح هذه العملية التكرار المادي لتشريح المريض ، والذي يمكن استخدامه للتخطيط الجراحي والتواصل مع المريض والأدوات التعليمية. يوضح الشكل 4 نموذجا مطبوعا ثلاثي الأبعاد مشتق من البيانات المجزأة الذكاء الاصطناعي.

figure-results-4
الشكل 1: وضع المريض لتصوير التصوير المقطعي المحوسب بشعاع مخروطي (CBCT) الحامل للوزن. يتم وضع المريض على منصة الوقوف وتثبيته بأحزمة لمنع الحركة والسقوط أثناء الفحص. يتمسك المريض بالدعم العلوي للحفاظ على وضع مستقر بينما يلتقط نظام CBCT صورا ثلاثية الأبعاد للعمود الفقري في ظل ظروف محملة بالجاذبية. الرجاء النقر هنا لعرض نسخة أكبر من هذا الرقم.

figure-results-5
الشكل 2: نتائج التجزئة للعمود الفقري والحوض ورأس الفخذ في المناظر المحورية والسهمية والإكليلية. يعرض العمود الأول صور CBCT ، متبوعة بالحقيقة الأساسية ، ثم نتائج التجزئة التي تم الحصول عليها من نموذج التعلم العميق. تشير التراكبات الحمراء في العمودين الثاني والثالث إلى المناطق المجزأة للأجسام الفقرية والحوض ورأس الفخذ عبر جميع المناظر الثلاثة. توضح الصور الدقة العالية للنموذج في التقاط الهياكل التشريحية ، مما يتوافق بشكل وثيق مع الحقيقة الأرضية. الرجاء النقر هنا لعرض نسخة أكبر من هذا الرقم.

figure-results-6
الشكل 3: قياس المعلمات ذات الصلة سريريا على هياكل العمود الفقري والحوض . (أ) قياس زاوية كوب (8.9 درجة) بين الفقرات T11 و L3 في المستوى الإكليلي. (ب) قياس حداب الصدر (T1-T12: 21.2 درجة) في المستوى السهمي. (ج) قياس قعس أسفل الظهر (L1-L5: 26.4 درجة) في المستوى السهمي. (د) دوران العمود الفقري (VR: 3.3 درجة) من L2 بالنسبة إلى الحوض في المستوى المحوري. (ه) معلمات الحوض ، بما في ذلك إمالة الحوض (PT: 21.0 درجة) ، والمنحدر العجزي (SS: 26.1 درجة) ، وحدوث الحوض (PI: 47.1 درجة) ، مقاسة على المنظر السهمي. الرجاء النقر هنا لعرض نسخة أكبر من هذا الرقم.

figure-results-7
الشكل 4: نموذج STL والنموذج المادي المطبوع ثلاثي الأبعاد للعمود الفقري والحوض. تظهر الصورة على اليسار النموذج ثلاثي الأبعاد للعمود الفقري والحوض بتنسيق STL ، المعد للطباعة ثلاثية الأبعاد. تعرض الصورة الموجودة على اليمين النموذج المادي المقابل المطبوع باستخدام تقنية الطباعة الحجرية المجسمة (SLA). الرجاء النقر هنا لعرض نسخة أكبر من هذا الرقم.

البارامتراتالإعدادات الافتراضية
جهد الأنبوب110 كيلو فولت
تيار الأنبوب6 مللي أمبير
معدل الإطارات12 إطارا في الثانية
مجال الرؤية لإعادة الإعمار350 مم
سمك الشريحة2 ملم
التباعد بين الشرائح1 ملم

الجدول 1: المعلمات الافتراضية للتعريض وإعادة البناء. معلمات التعرض وإعادة البناء الافتراضية للتصوير المقطعي المحوسب بالشعاع المخروطي للوزن للعمود الفقري الكامل.

تسميهمجموعة بيانات التدريباختبار مجموعة البيانات
عمود فقري10020
حوض576
رأس الفخذ475

الجدول 2: مجموعة البيانات المستخدمة للتدريب على نموذج صور CBCT واختباره. يوضح الجدول عدد الصور المستخدمة لتدريب واختبار النموذج لتجزئة هياكل العمود الفقري والحوض ورأس الفخذ.

تسميهمعامل النردتشابه الحجماستذكر
عمود فقري0.930.9540.89
حوض0.9250.9650.93
رأس الفخذ0.960.9710.959

الجدول 3: أداء تجزئة نموذج التعلم العميق للهياكل التشريحية المختلفة (العمود الفقري والحوض ورأس الفخذ). تتضمن مقاييس الأداء معامل النرد وتشابه الحجم (VS) والاستدعاء، وكلها تتراوح من 0 إلى 1، حيث تشير القيم الأقرب إلى 1 إلى دقة تجزئة أفضل.

الملف التكميلي 1: الرموز الزائفة للمعالجة المسبقة للصور (الخطوة 3) والتدريب على النموذج (الخطوة 4). الرجاء النقر هنا لتنزيل هذا الملف.

المناقشة

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

يقدم هذا البروتوكول طريقة قائمة على التعلم العميق لتجزئة صور العمود الفقري المحملة بالجاذبية باستخدام CBCT الحاملة للوزن. تشمل الخطوات الرئيسية الحصول على الصور ، والتعليق التوضيحي اليدوي ، والمعالجة المسبقة ، والتدريب على النموذج. يعد وضع المريض المناسب وإعدادات التعريض الضوئي أمرا بالغ الأهمية للحصول على صور عالية الجودة. يمكن أن يؤدي المحاذاة الخاطئة أو ضعف تحديد المواقع إلى صور دون المستوى الأمثل ، مما يجعل من الصعب على الشبكة العصبية تقسيم الهياكل بدقة. تعد المعالجة المسبقة أيضا خطوة أساسية ، وفي هذا البروتوكول ، تتضمن إضافة الضوضاء وتباين السطوع والدوران والترجمة. تم تصميم تقنيات المعالجة المسبقة هذه لإعداد الصور لإدخالها في الشبكة العصبية ، مما يعزز متانة النموذج من خلال تعريضه لأنواع مختلفة من تشوهات الصور.

يعد التعليق التوضيحي اليدوي مكونا مهما آخر للبروتوكول. تؤثر دقة التعليقات التوضيحية اليدوية بشكل مباشر على قدرة النموذج على التعلم وتقسيم الهياكل مثل الأجسام الفقرية والحوض ورأس الفخذ. ركز هذا البروتوكول على تجزئة الأجسام الفقرية ، وهو ما يكفي لقياس معظم المعلمات ذات الصلة سريريا مثل زاوية كوب ودوران العمود الفقري. بالنسبة للتطبيقات التي تتطلب الفقرة الكاملة (بما في ذلك الصفيحة والعمليات المستعرضة والعمليات الشائكة) ، سيحتاج النموذج إلى تدريب على بيانات إضافية مصنفة. بالإضافة إلى ذلك ، يمكن أن يمثل التباين في التعليقات التوضيحية اليدوية تحديا أيضا ، مما قد يؤثر على قابلية تكرار النتائج. للتخفيف من ذلك ، نوصي بوجود العديد من المعلقين ذوي الخبرة وتنفيذ فحوصات الموثوقية بين المراقبين.

تعد بنية U-Net ، مع طبقات تلافيفية ثلاثية الأبعاد ووصلات متبقية ، مناسبة تماما للتعامل مع الصور ثلاثية الأبعاد12،13،14. تساعد وظيفة الخسارة متعددة المستويات في الحفاظ على التفاصيل من الطبقات العميقة ، مما يضمن دقة التجزئة. ومع ذلك ، فإن الضبط الدقيق لمعلمات التدريب ، مثل معدل التعلم وإعدادات الزيادة ، ضروري لمنع الإفراط في التجهيز وتحسين متانة النموذج. بينما اقترحت الدراسات الحديثة تجزئة العمود الفقري أو نماذج الكشف المصممة خصيصا لمهام محددة باستخدام الشبكات العصبية مثل المحولات أو بنى YOLO15،16 ، فإن هذه تعتمد عادة على صور العمود الفقري المقطعي المحوسب أو التصوير بالرنين المغناطيسي. في المقابل ، يعتمد هذا البروتوكول بنية U-Net ، والتي تستخدم بشكل أكثر شيوعا في مهمة التجزئة على مستوىالبكسل 17. والأهم من ذلك ، تم تصميم هذه الطريقة لتقسيم العمود الفقري في ظل ظروف محملة بالجاذبية باستخدام CBCT المستقيم ، مما يسمح بتقييم العمود الفقري في حالة الوقوف أو الوزن. توفر هذه الميزة الفريدة تقييما أكثر واقعية لمحاذاة العمود الفقري والضغوط الميكانيكية ، وهو أمر بالغ الأهمية لتشخيص تشوهات العمود الفقري وتخطيط استراتيجيات العلاج. والجدير بالذكر أن أداء النموذج ، كما يتضح من معامل النرد البالغ 0.93 في تجزئة العمود الفقري ، يمكن مقارنته أو حتى يتجاوز أداء النماذج الأخرى القائمة على التعلم العميق التي تستخدم بيانات التصوير المقطعي المحوسب والتصوير بالرنين المغناطيسي لتجزئة العمودالفقري 9،18،19.

هذه الطريقة لها بعض القيود. مجموعة البيانات المستخدمة في هذه الدراسة ، على الرغم من أنها كافية لتقسيم الأجسام الفقرية والحوض ورأس الفخذ ، إلا أنها ستستفيد من التوسع للتعامل بشكل أفضل مع تشوهات العمود الفقري النادرة أو المعقدة. ومن شأن مجموعة بيانات أكبر وأكثر تنوعا أن تساعد النموذج على التعميم على مجموعة أوسع من الحالات. هناك قيد آخر وهو أن التصوير CBCT حساس للقطع الأثرية المعدنية ، مما يجعل من الصعب على النموذج تقسيم العمود الفقري بعد الجراحة بغرسات معدنية. بالإضافة إلى ذلك ، فإن هذه الطريقة محدودة بسبب الطلب الحسابي المرتفع ، مما يتطلب الوصول إلى وحدات معالجة الرسومات القوية ، والتي قد لا تكون متوفرة في جميع الإعدادات السريرية والبحثية. تستغرق عملية التعليقات التوضيحية اليدوية وقتا طويلا ، ونتيجة لذلك ، لم نتمكن من إشراك العديد من المعلقين للتحقق من دقة التعليقات التوضيحية من خلال الإجماع. علاوة على ذلك ، لم يتم التحقق من صحة النموذج بعد على مجموعات البيانات الخارجية ، مما يحد من قابليته للتعميم على الإعدادات السريرية الأخرى.

تعمل القدرة على تقسيم وقياس المعلمات المتعلقة بالعمود الفقري بدقة على تعزيز التشخيص وتخطيط العلاج ، خاصة في حالات مثل الجنف. كما أن القدرة على تصدير النماذج بتنسيق STL للطباعة ثلاثية الأبعاد لها تطبيقات مهمة في التخطيط قبل الجراحة ، مما يسمح للجراحين بممارسة أو الرجوع إلى النماذج الخاصة بالمريض. هذه النماذج الملموسة هي أدوات قيمة لتثقيف المرضى ، مما يساعد المرضى على فهم حالتهم وعلاجهمبشكل أفضل 20. بالإضافة إلى تصوير العمود الفقري ، يمكن أيضا تكييف هذا البروتوكول لتقسيم الهياكل التشريحية الأخرى المحملة بالجاذبية ، مثل الأطراف السفلية والمفاصل ، والتي تعتبر ذات قيمة خاصة في حالات مثل هشاشة العظام في الركبة أو تشوهات الورك. علاوة على ذلك ، فإن هذا البروتوكول له تطبيقات محتملة في دراسات الميكانيكا الحيوية ، حيث تعتبر النماذج ثلاثية الأبعاد التفصيلية للعمود الفقري أو الهياكل الأخرى في ظل ظروف حاملة ضرورية لتحليل الميكانيكا وتوزيعات الإجهاد21،22. يمكن أن يوفر هذا رؤى قيمة حول تطور التشوهات وتوجيه تطوير استراتيجيات علاج جديدة.

في الختام ، يقدم هذا البروتوكول طريقة موثوقة وفعالة لتجزئة وتحليل صور العمود الفقري في الظروف المحملة بالجاذبية. في حين أن هناك بعض القيود ، فإن تطبيقاته المحتملة في التشخيص والتخطيط الجراحي ودراسات الميكانيكا الحيوية والتعليم تجعله أداة قيمة في كل من السيناريوهات السريرية والبحثية.

الإفصاحات

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

ويعلن أصحاب البلاغ عدم وجود مصالح متضاربة فيما يتعلق بالعمل الموصوف في البروتوكول.

شكر وتقدير

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

تم دعم الدراسة من قبل مشاريع البحث والتطوير الرئيسية لمقاطعة سيتشوان (2024YFFK0050 و 2023YFG0126) ، ومستشفى غرب الصين بجامعة سيتشوان 1 · 3 · 5 مشروع الذكاء الاصطناعي لصندوق تنمية ذروة الانضباط (ZYAI24013) ، ومشروع 1 · 3 · 5 لبرنامج دعم المواهب الراقية (ZYGD23024).

المواد

قائمة المواد المستخدمة في هذه المقالة
الاسمالشركةرقم فهرسيالتعليقات
طابعة ثلاثية الأبعاد (G1400)UnionTech ، شنغهاي ، الصينG1400ثلاثية الأبعاد للطباعة الحجرية المجسمة الصناعية (SLA).
CUDA الإصدار 11.4NVIDIA11.4GPU Acceleration للتدريب على نموذج التعلم العميق.
ITK-SNAPمفتوح المصدر4.0.2لتجزئة الصور الطبية الحيوية ثلاثية الأبعاد والتعليقات التوضيحية.
مكتبة Numpyمفتوحة المصدر1.24.4python لمعالجة الصور ، الموقع: https://numpy.org/about/
PyCharmJetBrains2023.2.1بيئة تطوير متكاملة (IDE) تستخدم لبرمجة Python.
الإصدار 3.8 من Pythonمفتوح المصدر3.8يستخدم مع PyTorch لتطوير نموذج التعلم العميق.
PyTorch الإصدار 1.10مفتوح المصدر1.10إطار التعلم العميق المستخدم لتدريب نموذج التجزئة.
مكتبة SimpleITKمفتوحة المصدر2.3.1python لمعالجة الصور ، الموقع: https://simpleitk.org/
UV-Curable ResinUnionTech ، شنغهاي ، الصينمادة UV-001المستخدمة في عملية الطباعة ثلاثية الأبعاد SLA.
نظام CT مخروطي شعاع مخروطي للوزن   (WR3D)Angell Technology ، Shenzhen ، الصينDX6290تستخدم للحصول على صور العمود الفقري الكامل في حالة محملة بالجاذبية
نظام Windows 10 مع Intel i7-10700 وحدة المعالجة المركزيةبناء مخصص (مختلف الشركات المصنعة)Windows 10 Professional ، بيئة تشغيل 22H2للتدريب على النموذج ؛ ذاكرة وصول عشوائي 32 جيجابايت ، NVIDIA GeForce RTX 3090 (24 جيجابايت).
طابعة برنامج

المراجع

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Chiyanika, C., Chu, W. C. W. Weight-bearing imaging in adolescent idiopathic scoliosis. Semin Musculoskelet Radiol. 23 (6), 584-593 (2019).
  2. Winn, N., Kaur, S., Cassar-Pullicino, V., Ockendon, M. A novel use of cone beam CT: Flexion and extension weight-bearing imaging to assess spinal stability. Eur Spine J. 31 (7), 1667-1681 (2022).
  3. Lagerstrand, K. M. Weight-bearing MRI for dynamic evaluations of spinal and neural foraminal stenosis. Eur Radiol. 33 (7), 4780-4781 (2023).
  4. Mauch, F., Jung, C., Huth, J., Bauer, G. Changes in the lumbar spine of athletes from supine to the true-standing position in magnetic resonance imaging. Spine. 35 (9), 1002-1007 (2010).
  5. Liang, Z., et al. Weight-bearing cone-beam CT with extensive coverage for volumetric imaging in adolescent idiopathic scoliosis: system implementation and initial validation. Phys Eng Sci Med. 46 (4), 1467-1474 (2023).
  6. Liang, Z., et al. From 2D to 3D: Automatic measurement of the Cobb angle in adolescent idiopathic scoliosis with the weight-bearing 3D imaging. Spine J. S1529-9430 (24), 00159-00161 (2024).
  7. Marro, A., Bandukwala, T., Mak, W. Three-dimensional printing and medical imaging: A review of the methods and applications. Curr Probl Diagn Radiol. 45 (1), 2-9 (2016).
  8. Tang, S., et al. A CNN-based method to reconstruct 3-D spine surfaces from US images in vivo. Med Image Anal. 74, 102221(2021).
  9. Chen, J., et al. SymTC: A symbiotic transformer-CNN net for instance segmentation of lumbar spine MRI. Comput Biol Med. 179, 108795(2024).
  10. Yushkevich, P. A., et al. User-guided 3D active contour segmentation of anatomical structures: Significantly improved efficiency and reliability. Neuroimage. 31 (3), 1116-1128 (2006).
  11. ITK-SNAP Tutorial. , ITK-SNAP. http://itksnap.org/docs/viewtutorial.php?chapter=TutorialSectionManualSegmentation (2025).
  12. Jha, N., et al. Fully automated condyle segmentation using 3D convolutional neural networks. Sci Rep. 12 (1), 20590(2022).
  13. Isensee, F., Kickingereder, P., Wick, W., Bendszus, M., Maier-Hein, K. H. Brain tumor segmentation and radiomics survival prediction: Contribution to the BRATS 2017 challenge. arXiv. , http://arxiv.org/abs/1802.10508 (2018).
  14. He, K., Zhang, X., Ren, S., Sun, J. Deep residual learning for image recognition. Proc IEEE Conf Comput Vis Pattern Recognit (CVPR). , 770-778 (2016).
  15. Mushtaq, M., Akram, M. U., Alghamdi, N. S., Fatima, J., Masood, R. F. Localization and edge-based segmentation of lumbar spine vertebrae to identify the deformities using deep learning models. Sensors (Basel). 22 (4), 1547(2022).
  16. Tao, R., Liu, W., Zheng, G. Spine-transformers: Vertebra labeling and segmentation in arbitrary field-of-view spine CTs via 3D transformers. Med Image Anal. 75, 102258(2022).
  17. Lu, H., et al. Lumbar spine segmentation method based on deep learning. J Appl Clin Med Phys. 24 (6), 13996(2023).
  18. Soydan, Z., et al. An automatized deep segmentation and classification model for lumbar disk degeneration and clarification of its impact on clinical decisions. Glob Spine J. 15 (2), 554-563 (2025).
  19. Xiong, X., Graves, S. A., Gross, B. A., Buatti, J. M., Beichel, R. R. Lumbar and thoracic vertebrae segmentation in CT scans using a 3D multi-object localization and segmentation CNN. Tomography. 10 (5), 738-760 (2024).
  20. Bai, H., et al. 3D printing model of a patient's specific lumbar vertebra. J Vis Exp. (194), e65093(2023).
  21. Stott, B., Driscoll, M. Biomechanical evaluation of the thoracolumbar spine comparing healthy and irregular thoracic and lumbar curvatures. Comput Biol Med. 160, 106982(2023).
  22. Stott, B., Driscoll, M. Development and evaluation of sex-specific thoracolumbar spine finite element models to study spine biomechanics. Med Biol Eng Comput. 62 (4), 1191-1199 (2024).

إعادة الطباعة والأذونات

طلب إذن لإعادة استخدام النص أو الأشكال في مقالة JoVE هذه

طلب إذن

الوسوم

U Net
الفيديو قريباً

مقالات ذات صلة