方法文章

基于深度学习的重力负荷下人体脊柱分割

DOI：

10.3791/67781

⸱

2025年6月10日

 ,  ,  ,  ,  ,  ,  ,  ,  ,  , 
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

本文内容

摘要

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

本文介绍了一种利用三维U-Net卷积神经网络在负重锥形束CT（CBCT）图像中对承受重力载荷的人类脊柱进行分割的实验方案。该方法为研究负重条件下的脊柱力线提供了有价值的工具，并支持在负荷状态下开展脊柱的三维打印与生物力学研究。

摘要

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

在重力负荷条件下对脊柱排列进行精确分析，对于诊断和管理脊柱侧弯及椎间盘退行性疾病等肌肉骨骼系统疾病至关重要。传统的影像学技术，如二维X线片以及仰卧位CT或MRI，无法完整捕捉脊柱在负重状态下的三维几何结构。承重状态下锥形束计算机断层扫描（CBCT）可在站立位提供高分辨率的三维图像，从而实现对脊柱排列更准确的评估。本研究提出一种基于深度学习的图像分割方案，采用具有三维卷积层和残差连接的U-Net卷积神经网络（CNN），用于分割椎体、骨盆和股骨头。该方案包括图像采集、人工标注、预处理和模型训练。对解剖结构的成功分割可实现对临床相关脊柱参数（如Cobb角和椎体旋转）的精确测量。此外，分割所得的三维模型可导出为STL格式用于3D打印，有助于手术规划和患者教育。同时，该方案还可推广应用于训练其他需在重力负荷条件下评估的解剖结构（如下肢）的分割模型。本方法为在重力负荷条件下精确分割脊柱及其他解剖结构提供了一种可靠且可扩展的工具，在临床诊断和科研研究中均具有实际应用价值。

引言

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

在负重条件下对脊柱排列进行精确分析，对于诊断和管理肌肉骨骼系统疾病（包括脊柱侧弯、退行性椎间盘疾病和脊柱畸形）至关重要1,2,3,4。传统的影像学技术（如二维X线片）无法完整捕捉脊柱的三维几何结构。尽管常规CT和MRI能够生成三维图像，但这些成像方式要求患者处于仰卧位。相比之下，负重状态下锥形束计算机断层扫描（CBCT）可在患者直立位时提供高分辨率的三维图像，从而实现对脊柱排列更详细的评估5。

从三维影像中分割骨骼结构对于提取具有临床意义的脊柱参数至关重要，例如科布角（Cobb角）、椎体旋转度和骨盆入射角，这些参数是诊断脊柱畸形和规划手术所必需的6。此外，分割还可用于构建解剖结构的三维模型，有助于患者教育和手术准备7。深度学习技术，特别是卷积神经网络（CNN），已广泛应用于医学影像分析，尤其在从图像中分割复杂解剖结构方面表现突出8,9。基于深度学习的分割方法可减少人工工作量，降低操作者间变异，并提高脊柱影像分析的准确性与一致性。

本文介绍了一种基于深度学习的协议，用于利用负重锥形束CT（CBCT）对承受重力负荷的脊柱进行分割。采用三维U-Net卷积神经网络（CNN），在负重条件下自动分割椎体、骨盆和股骨头。将该方法与常规的负重CBCT结合，可提供一种标准化且可重复的工具，实现更精确的脊柱评估，从而支持更优的临床决策并改善患者预后。该方法具有可复制性和可适应性，可用于训练针对其他需要在重力负荷条件下评估的解剖结构（如下肢）的分割模型。

方案

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

本研究遵循《赫尔辛基宣言》中的伦理标准，并获得了四川大学华西医院伦理审查委员会的批准（批准号：834 / 2021）。纳入研究的受试者被诊断为退行性脊柱侧凸或青少年特发性脊柱侧凸（AIS）。排除标准包括有脊柱手术史、体内存在脊柱植入物，或无法在影像检查过程中保持站立姿势的个体。所有参与本研究的受试者均在图像采集及研究参与前签署了知情同意书。研究全程严格保护所有受试者的隐私与保密性。本研究中使用的设备和软件列于材料表中。

1. 脊柱成像

  1. 成像系统与患者体位
    1. 使用负重锥形束CT（CBCT）系统采集图像（图1）。
    2. 让患者站立于站立平台之上，使用安全带固定患者，以防止移动或跌倒。
    3. 指导患者保持站立姿势，呼吸平稳，并在扫描过程中尽量减少活动。
  2. 图像采集
    1. 在成像系统软件中设定成像范围。
      注：对于全脊柱成像，扫描范围应包括第一颈椎至双侧股骨头。
    2. 选择合适的曝光参数。
      注：默认参数见表1。可根据患者体型对参数进行相应调整。
    3. 踩下脚闸开始曝光，持续至软件提示图像采集完成为止。
  3. 图像重建
    1. 在软件中点击重建 按钮，并根据需要调整重建参数。
      注：本研究中使用的重建参数列于表1中。

2. 使用 ITK-SNAP 进行标注

  1. 软件启动与图像导入
    1. 双击软件图标以启动 ITK-SNAP，这是一个开源的、跨平台的用于三维生物医学图像分割与标注的工具10。
    2. 导入待标注图像。点击 文件 -> 打开主图像 -> 浏览，选择目标图像文件，然后点击 打开 将其加载至软件中。
  2. 标注
    注意：建议阅读 ITK-SNAP 的手动分割教程11，以熟悉该软件的基本工具与功能。本实验的关键步骤如下所述。
    1. 为提高图像可视性，可通过选择 工具 -> 图像对比度 -> 对比度调整 -> 基于曲线的图像对比度调整 来调节图像对比度。根据需要调整曲线以增强对比度。
    2. 为解剖结构创建标签：点击工具栏上的 编辑标签 按钮。在 描述 文本框中输入分割类别的名称（例如：脊柱、骨盆、股骨头）。为每个分割类别分配颜色，然后点击 关闭窗口 按钮以应用更改。
    3. 使用多边形标注工具进行手动分割：确保在 分割标签 面板的 活动绘制标签 下拉菜单中选择了正确的标签，以匹配即将进行分割的类别。
    4. 在 绘制覆盖 下拉菜单中选择 所有标签。在 IRIS 工具箱 中选择 多边形工具。
    5. 使用多边形工具在图像上绘制并填充多边形，以手动分割结构。根据需要进行缩放和平移，以确保分割精度。
  3. 保存标注结果
    1. 完成标注后，点击菜单栏中的 分割，然后选择 保存分割图像。
    2. 在弹出的对话框中，设置 图像文件名（例如：xxx.nii.gz），将 文件格式 选择为 NIfTI，然后点击 完成 以保存标注后的文件。

3. 图像预处理

注意：在本方案中，输入图像及相应目标标签数据的图像预处理使用 Python 集成开发环境（IDE）PyCharm 实现。相关步骤通过 Python 代码执行，代码以伪代码形式提供于补充文件1中，以提高可读性并清晰地概述关键步骤。

  1. 导入库并加载图像
    1. 打开 PyCharm，并创建一个新的 Python 脚本。
    2. 导入图像处理和数据操作所需的库，包括 NumPy、SimpleITK 和 PyTorch（补充文件 1，代码第 1 行）。
    3. 使用 SimpleITK 从各自的文件路径（.nii.gz 格式）读取灰度图像及其对应的标签（分割掩膜）（补充文件 1，代码第 2–3 行）。
  2. 图像重采样与归一化
    1. 将 z 轴的输入尺寸设置为 16 个切片，以在内存占用与保留分割所需的关键结构信息之间取得平衡（补充文件 1，代码第 4 行）。
    2. 将图像的灰度值增加 1000，并将低于 0 或高于动态设定在 1000 至 3000 之间阈值的像素值进行裁剪（补充文件 1，代码第 5 行）。
    3. 通过将灰度值除以该阈值，对图像灰度值进行归一化处理（补充文件 1，代码第 5 行）。
  3. 图像增强
    1. 添加泊松噪声以模拟真实世界中的图像噪声（补充文件 1，代码第 6 行）。
    2. 将亮度随机调整至 0.8 到 1.2 倍之间，以模拟不同成像条件下的变化（补充文件 1，代码第 7 行）。
    3. 采用滑动窗口方法，沿 z 轴提取图像及其对应目标标签的三维切片（补充文件 1，代码第 8–10 行）。
    4. 将图像和目标标签切片沿批次维度拼接，以确保在增强过程中同步处理（补充文件 1，代码第 11 行）。
    5. 在 x 和 y 轴方向上，以随机数值对图像和目标标签切片进行随机平移（补充文件 1，代码第 12 行）。
    6. 对拼接后的图像和目标标签切片施加随机旋转，以模拟不同的成像方向（补充文件 1，代码第 13 行）。
  4. 返回预处理后的数据
    1. 以 torch.tensor 格式返回预处理后的图像和目标标签数据，供神经网络训练使用（补充文件 1，代码第 14 行）。

4. 模型训练

  1. 导入库并定义U-Net架构
    1. 导入模型训练所需的库，包括PyTorch、torch.utils.data.DataLoader和torch.optim.Adam（补充文件1，代码第1行）。
    2. 使用具有3D卷积层和残差连接的U-Net模型（补充文件1，代码第2行）。
  2. 初始化训练参数和数据加载
    1. 设置Dice损失函数、Adam优化器和模型。将alpha设为0.8，学习率设为1e-5，训练轮数（epochs）设为500（补充文件1，代码第3行）。
    2. 从torch.utils.data.DataLoader中获取每个批次的数据及其对应的目标标签。
  3. 训练循环与前向传播
    1. 每100个epoch将学习率乘以0.8以降低其值，确保模型随时间推移逐步微调学习过程（补充文件1，代码第5行）。
    2. 在处理每个批次前，将优化器的梯度重置为零，以确保之前的梯度不会累积（补充文件1，代码第7行）。
    3. 将数据批次输入模型，生成用于分割的预测结果（补充文件1，代码第8行）。
    4. 在四个不同深度计算Dice损失（loss_0、loss_1、loss_2、loss_3），以捕获网络不同层的信息（补充文件1，代码第9–12行）。
  4. 总损失、反向传播与优化
    1. 使用以下公式计算总损失：总损失 = loss_3 + alpha × (loss_0 + loss_1 + loss_2)（补充文件1，代码第13行）。
    2. 对总损失执行反向传播以计算梯度，从而更新网络权重（补充文件1，代码第14行）。
    3. 使用优化器更新模型权重，根据计算出的梯度调整网络参数（补充文件1，代码第15行）。
  5. 对alpha的调整
    1. 每30个epoch将alpha值乘以0.8以降低其数值，随着训练的进行逐步减小早期层损失的影响（补充文件1，代码第16行）。

结果

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

分割结果
本研究中，对三个解剖结构——脊柱、骨盆和股骨头——进行了分割。纳入骨盆和股骨头是因为某些脊柱参数的测量需要这些结构中的解剖标志点。每个结构的数据集均按表2所述划分为训练集和测试集。

采用三种标准指标评估分割性能，包括 Dice 系数、体积相似性（VS）和召回率：

Dice系数公式；用于测量数据比较分析中相似性的方程。

体积相似性方程：\[1-|FN−FP|/(2×TP+FP+FN)\]；统计分析中的公式。

召回率公式：TP/(TP+FN)，方程，数据分析性能指标。

其中，TP 表示真阳性，FP 表示假阳性，FN 表示假阴性。

经过500个训练周期后，基于各项指标对分割结果进行了评估。表3展示了各个解剖结构的性能表现。这些结果表明，所提出的基于U-Net的分割模型在脊柱、骨盆和股骨头的分割任务中均具有良好的有效性。图2展示了解剖结构的代表性分割结果。

分割后应用

三维临床相关参数的测量
通过自动分割生成的三维模型可用于测量一系列临床重要参数，如Cobb角、椎体旋转度、胸椎后凸角、腰椎前凸角、骨盆入射角、骨盆倾斜角和骶骨倾斜角。此处，我们展示使用自主开发的程序对这些参数进行测量，该程序可处理分割后的数据，并对脊柱及相关结构提供准确且自动化的测量结果（图3）。

3D 打印
通过人工智能自动分割及后续处理获得的 3D 模型可导出为 STL 格式，这是一种通用的 3D 模型文件格式，被大多数 3D 打印软件广泛支持。在本研究中，所使用的 3D 打印机为工业级光固化（SLA）打印机，采用紫外光（UV）固化树脂作为打印材料。在分割模型的各个独立部分之间添加了连接结构，以确保形成一个完整连贯的整体，能够作为单一、统一的模型进行打印。该过程实现了患者解剖结构的实体化复制，可用于手术规划、医患沟通以及教学工具。图 4 展示了基于人工智能分割数据生成的 3D 打印模型。

用于全身成像的立式CT扫描仪装置；受检者在机器内站立以进行扫描。
图1：负重状态下锥形束计算机断层扫描（CBCT）成像的患者体位。 患者站立于扫描平台之上，并用安全带固定，以防止扫描过程中发生移动或跌倒。患者需握住上方支撑装置以保持稳定体位，同时CBCT系统在重力负荷条件下获取脊柱的三维图像。请点击此处查看该图的放大版本。

CBCT 图像分析；轴状、矢状、冠状视图；脊柱、骨盆、股骨头分割示意图。
图 2：脊柱、骨盆和股骨头在轴状、矢状和冠状视图中的分割结果。 第一列为 CBCT 图像，随后为真实标签（ground truth），最后为深度学习模型获得的分割结果。第二列和第三列中的红色覆盖区域表示在三种视图中分割出的椎体、骨盆和股骨头区域。图像显示了该模型在捕捉解剖结构方面的高准确性，与真实标签高度一致。请点击此处查看此图的高清版本。

用于脊柱侧弯分析的脊柱弯曲示意图，显示Cobb角和椎体旋转。
图3：在分割后的脊柱和骨盆结构上测量临床相关参数。 （A）冠状面上T11与L3椎体之间的Cobb角测量值（8.9°）。 （B）矢状面上胸椎后凸角（T1-T12：21.2°）的测量。 （C）矢状面上腰椎前凸角（L1-L5：26.4°）的测量。 （D）轴向面上L2椎体相对于骨盆的椎体旋转（VR：3.3°）。 （E）骨盆参数，包括骨盆倾斜角（PT：21.0°）、骶骨倾斜角（SS：26.1°）和骨盆入射角（PI：47.1°），在矢状面图像上进行测量。 请点击此处查看该图的放大版本。

3D 脊柱模型对比；用于解剖学分析的数字图示与实体复制品。
图 4：脊柱与骨盆的 STL 模型及 3D 打印实体模型。左侧图像显示了准备用于 3D 打印的脊柱与骨盆的 STL 格式 3D 模型。右侧图像展示了使用立体光刻（SLA）技术打印出的相应实体模型。请点击此处查看该图的高清版本。

参数默认设置
管电压110 kV
管电流6 mA
帧率12 fps
重建视野（FOV）350 mm
层厚2 mm
层间距1 mm

表1：曝光与重建的默认参数。用于全脊柱负重位锥形束计算机断层扫描成像的默认曝光与重建参数。

标签训练数据集测试数据集
脊柱10020
骨盆576
股骨头475

表2：用于CBCT图像模型训练与测试的数据集。该表格显示了用于训练和测试模型的图像数量，以实现对脊柱、骨盆和股骨头结构的分割。

标签骰子系数体积相似性召回率
脊柱0.930.9540.89
骨盆0.9250.9650.93
股骨头0.960.9710.959

表3：深度学习模型对不同解剖结构（脊柱、骨盆和股骨头）的分割性能。性能指标包括 Dice 系数、体积相似性（VS）和召回率，取值范围均为 0 到 1，数值越接近 1 表示分割准确性越高。

补充文件1：图像预处理（步骤3）和模型训练（步骤4）的伪代码。 请点击此处下载该文件。

讨论

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

本方案介绍了一种基于深度学习的方法，用于利用负重锥形束CT（CBCT）对承受重力负荷的脊柱图像进行分割。关键步骤包括图像采集、人工标注、预处理和模型训练。正确的患者体位和曝光参数对于获取高质量图像至关重要。体位不正或对位不准可能导致图像质量不佳，从而使神经网络难以准确分割结构。预处理也是一个关键步骤，本方案中的预处理包括添加噪声、亮度变化、旋转和位移。这些预处理技术旨在使图像适配神经网络的输入要求，并通过使模型接触多种类型的图像畸变来增强其鲁棒性。

手动标注是该方案的另一个关键组成部分。手动标注的准确性直接影响模型学习和分割椎体、骨盆及股骨头等结构的能力。本方案侧重于椎体的分割，这足以满足测量大多数临床相关参数（如Cobb角和椎体旋转度）的需求。对于需要完整椎骨（包括椎板、横突和棘突）的应用，模型需使用额外的标注数据进行训练。此外，手动标注的变异性也可能带来挑战，可能影响结果的可重复性。为减轻这一问题，我们建议由多名经验丰富的标注人员共同参与，并实施观察者间可靠性检验。

具有3D卷积层和残差连接的U-Net架构非常适合处理3D图像12,13,14。多层级损失函数有助于保留深层网络中的细节信息，从而确保分割的准确性。然而，必须仔细调整训练参数（如学习率和数据增强设置），以防止过拟合并提高模型的鲁棒性。尽管近期研究已提出针对特定任务定制的脊柱分割或检测模型，采用如Transformer或YOLO等神经网络架构15,16，但这些方法通常依赖于CT或MRI脊柱图像。相比之下，本方案采用U-Net架构，该架构在像素级分割任务中更为常用17。更重要的是，该方法旨在利用直立位锥形束CT（upright CBCT）对重力负荷条件下的脊柱进行分割，从而实现对站立位或负重状态下脊柱的评估。这一独特优势可更真实地反映脊柱的排列情况和力学应力状态，对于脊柱畸形的诊断及治疗方案的制定具有重要意义。值得注意的是，该模型在脊柱分割任务中表现出优异性能，Dice系数达到0.93，与使用CT和MRI数据进行脊柱分割的其他基于深度学习的模型相比，性能相当甚至更优9,18,19。

该方法存在一些局限性。本研究使用的数据集虽然足以分割椎体、骨盆和股骨头，但若能进一步扩展，将更有利于处理罕见或复杂的脊柱畸形。更大且更多样化的数据集有助于模型推广到更广泛的病例中。另一个局限性在于CBCT成像对金属伪影较为敏感，导致模型难以准确分割带有金属植入物的术后脊柱。此外，该方法的计算需求较高，需要使用高性能GPU，而并非所有临床和研究环境都能具备相应条件。手动标注过程耗时较长，因此我们未能邀请多位标注人员通过共识方式验证标注的准确性。此外，该模型尚未在外部数据集上进行验证，这限制了其在其他临床环境中的可推广性。

准确分割和测量脊柱相关参数的能力有助于提升诊断和治疗规划水平，尤其在脊柱侧弯等病例中具有重要意义。将模型以STL格式导出用于3D打印的功能在术前规划中也具有重要应用价值，可使外科医生预先演练或参考患者特异性解剖模型。这些实体模型是患者教育的有力工具，有助于患者更好地理解自身病情及治疗方案20。除脊柱成像外，本方案还可拓展用于分割其他承重的解剖结构，如下肢及关节，这在膝骨关节炎或髋关节畸形等病例中尤为有价值。此外，本方案在生物力学研究中亦具潜在应用前景，因为在负荷状态下对脊柱或其他结构进行精细的三维建模，对于分析力学机制和应力分布至关重要21,22。这可为畸形进展过程提供有价值的科学见解，并指导新型治疗策略的开发。

综上所述，本方案提供了一种在重力负荷条件下对脊柱图像进行分割和分析的可靠且高效的方法。尽管存在一些局限性，但其在诊断、手术规划、生物力学研究和教育中的潜在应用，使其成为临床和科研场景中一种有价值的工具。

披露

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

作者声明，不存在与本方案中所述工作相关的利益冲突。

致谢

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

本研究由四川省重点研发项目（2024YFFK0050 和 2023YFG0126）、四川大学华西医院“1·3·5”工程高峰学科发展基金人工智能项目（ZYAI24013）以及高端人才支持计划“1·3·5”项目（ZYGD23024）资助。

材料

本文使用的材料清单
姓名公司目录编号评论
3D 打印机 (G1400)UnionTech, 上海, 中国G1400工业级立体光刻（SLA）3D 打印机。
CUDA 版本 11.4NVIDIA11.4用于深度学习模型训练的 GPU 加速。
ITK-SNAP开源4.0.2用于三维生物医学图像分割与标注的软件。
Numpy开源1.24.4用于图像处理的 Python 库，网站：https://numpy.org/about/
PyCharmJetBrains2023.2.1用于 Python 编程的集成开发环境（IDE）。
Python 版本 3.8开源3.8与 PyTorch 结合用于深度学习模型开发。
PyTorch 版本 1.10开源1.10用于训练分割模型的深度学习框架。
SimpleITK开源2.3.1用于图像处理的 Python 库，网站：https://simpleitk.org/
紫外光固化树脂UnionTech, 上海, 中国UV-001用于 SLA 3D 打印过程的材料。
负重锥形束 CT 系统  (WR3D)Angell Technology, 深圳, 中国DX6290用于在重力负荷条件下获取全脊柱图像
搭载 Intel i7-10700 CPU 的 Windows 10 系统定制组装（多家厂商）Windows 10 专业版, 22H2模型训练的运行环境；32GB 内存，NVIDIA GeForce RTX 3090（24GB）。

参考文献

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

重印与许可

申请许可以重复使用本 JoVE 文章的文本或图表

申请许可

标签

CT U Net Cobb
视频即将推出

相关文章