Deep-Learning-basierte Segmentierung der schwerkraftbelasteten menschlichen Wirbelsäule

Zusammenfassung

In diesem Artikel wird ein Protokoll zur Segmentierung der durch Schwerkraft belasteten menschlichen Wirbelsäule in gewichtstragenden DVT-Bildern unter Verwendung eines 3D-U-Net-Faltungsneuronalen Netzwerks vorgestellt. Die Methode stellt ein wertvolles Werkzeug zur Untersuchung der Wirbelsäulenausrichtung dar und unterstützt den 3D-Druck und die biomechanische Forschung an der Wirbelsäule unter belastungsfähigen Bedingungen.

Zusammenfassung

Eine genaue Analyse der Ausrichtung der Wirbelsäule unter schwerkraftbelasteten Bedingungen ist für die Diagnose und Behandlung von Muskel-Skelett-Erkrankungen wie Skoliose und degenerativen Bandscheibenerkrankungen unerlässlich. Herkömmliche bildgebende Verfahren wie 2D-Röntgenaufnahmen und CT oder MRT in Rückenlage erfassen nicht die vollständige 3D-Geometrie der Wirbelsäule im tragenden Zustand. Die gewichtstragende Cone-Beam-Computertomographie (DVT) liefert hochauflösende 3D-Bilder im Stehen und ermöglicht so eine genauere Beurteilung der Ausrichtung der Wirbelsäule. In dieser Studie wird ein Deep-Learning-basiertes Protokoll zur Segmentierung dieser Bilder unter Verwendung eines U-Net Convolutional Neural Network (CNN) mit 3D-Faltungsschichten und Restverbindungen zur Segmentierung der Wirbelkörper, des Beckens und des Hüftkopfes vorgestellt. Das Protokoll umfasst Bilderfassung, manuelle Annotation, Vorverarbeitung und Modelltraining. Die erfolgreiche Segmentierung der anatomischen Strukturen ermöglicht die genaue Messung klinisch relevanter Wirbelsäulenparameter wie Cobb-Winkel und Wirbelrotation. Darüber hinaus können die segmentierten 3D-Modelle für den 3D-Druck im STL-Format exportiert werden, was die chirurgische Planung und Patientenaufklärung erleichtert. Darüber hinaus kann das Protokoll angepasst werden, um Segmentierungsmodelle für andere anatomische Strukturen zu trainieren, die unter schwerkraftbelasteten Bedingungen bewertet werden müssen, wie z. B. die untere Extremität. Diese Methode bietet ein zuverlässiges und anpassungsfähiges Werkzeug für die genaue Segmentierung von Wirbelsäulen- und anderen anatomischen Strukturen unter schwerkraftbelasteten Bedingungen, mit praktischen Anwendungen sowohl in der klinischen Diagnostik als auch in Forschungsstudien.

Einleitung

Eine genaue Analyse der Ausrichtung der Wirbelsäule unter schwerkraftbelasteten Bedingungen ist für die Diagnose und Behandlung von Muskel-Skelett-Erkrankungen, einschließlich Skoliose, degenerativer Bandscheibenerkrankungen und Wirbelsäulendeformitäten, unerlässlich 1,2,3,4. Herkömmliche bildgebende Verfahren, wie z. B. 2D-Röntgenaufnahmen, erfassen nicht die vollständige 3D-Geometrie der Wirbelsäule. Obwohl herkömmliche CT und MRT 3D-Bilder erzeugen können, erfordern diese Modalitäten, dass Patienten in Rückenlage abgebildet werden. Im Gegensatz dazu liefert die gewichtstragende Cone-Beam-Computertomographie (DVT) hochauflösende 3D-Bilder mit dem Patienten in stehender Position und ermöglicht so eine detailliertere Beurteilung der Wirbelsäulenausrichtung⁵.

Die Segmentierung der Skelettstruktur aus der 3D-Bildgebung ist entscheidend für die Extraktion klinisch relevanter Wirbelsäulenparameter wie Cobb-Winkel, Wirbelrotation und Beckeninzidenz, die für die Diagnose von Wirbelsäulendeformitäten und die Planung von Operationen erforderlich sind⁶. Darüber hinaus ermöglicht die Segmentierung die Erstellung von 3D-Modellen anatomischer Strukturen, die die Patientenaufklärung und die chirurgische Vorbereitung unterstützen⁷. Deep-Learning-Technologien, insbesondere Convolutional Neural Networks (CNNs), sind in der medizinischen Bildgebungsanalyse weit verbreitet, insbesondere bei der Segmentierung komplexer anatomischer Strukturen aus Bildern ^8,9. Die auf Deep Learning basierende Segmentierung reduziert den manuellen Arbeitsaufwand, minimiert die Variabilität des Bedieners und verbessert die Genauigkeit und Konsistenz bei der Bildgebung der Wirbelsäule.

In diesem Artikel wird ein Deep-Learning-basiertes Protokoll für die Segmentierung schwerkraftbelasteter Wirbelsäulen mittels belastungsbezogener DVT vorgestellt. Ein 3D-U-Net CNN wird verwendet, um Wirbel, Becken und Hüftkopf unter belastungsfähigen Bedingungen automatisch zu segmentieren. Die Integration dieser Methode in die routinemäßige DVT mit Gewichtsbelastung bietet ein standardisiertes, reproduzierbares Werkzeug für genauere Wirbelsäulenbeurteilungen und unterstützt so eine verbesserte klinische Entscheidungsfindung und Patientenergebnisse. Dieser Ansatz ist replizierbar und anpassbar für das Training von Segmentierungsmodellen für andere anatomische Strukturen, die unter schwerkraftbelasteten Bedingungen bewertet werden müssen, wie z. B. die untere Extremität.

Protokoll

Diese Studie wurde in Übereinstimmung mit den ethischen Standards durchgeführt, die in der Deklaration von Helsinki festgelegt sind, und vom Institutional Review Board des West China Hospital der Sichuan University genehmigt (Genehmigung 834 / 2021). Bei den in die Studie eingeschlossenen Teilnehmern wurde entweder eine degenerative Skoliose oder eine adoleszente idiopathische Skoliose (AIS) diagnostiziert. Zu den Ausschlusskriterien gehörten Personen mit einer Vorgeschichte von Wirbelsäulenoperationen, dem Vorhandensein von Wirbelsäulenimplantaten oder Personen, die während des bildgebenden Verfahrens keine stehende Position einnehmen konnten. Alle an der Studie beteiligten Teilnehmer gaben vor der Bildaufnahme und der Teilnahme an der Studie eine Einverständniserklärung ab. Die Privatsphäre und Vertraulichkeit aller Teilnehmer wurden während der gesamten Studie streng gewahrt. Die in dieser Studie verwendeten Geräte und Software sind in der Materialtabelle aufgeführt.

1. Bildgebung der Wirbelsäule

1. Bildgebendes System und Patientenpositionierung
   1. Verwenden Sie das DVT-System mit Gewichtsbelastung, um das Bild aufzunehmen (Abbildung 1).
   2. Setzen Sie den Patienten auf die Stehplattform. Sichern Sie den Patienten mit Gurten, um Bewegungen und Stürze zu verhindern.
   3. Weisen Sie den Patienten an, eine stehende Position einzunehmen, stabil zu atmen und Bewegungen während des Scanvorgangs zu minimieren.
2. Bilderfassung
   1. Definieren Sie in der Software des Bildgebungssystems den Bildgebungsbereich.
      HINWEIS: Für die Bildgebung der gesamten Wirbelsäule sollte der Bereich den ersten Halswirbel bis hinunter zu beiden Hüftköpfen umfassen.
   2. Wählen Sie die entsprechenden Belichtungsparameter.
      HINWEIS: Die Standardparameter sind in Tabelle 1 aufgeführt. Passen Sie die Parameter bei Bedarf an die Körpergröße des Patienten an.
   3. Drücken Sie die Fußbremse, um die Belichtung zu starten. Fahren Sie fort, bis die Software anzeigt, dass die Bildaufnahme abgeschlossen ist.
3. Bildrekonstruktion
   1. Klicken Sie in der Software auf die Schaltfläche Rekonstruktion und passen Sie die Rekonstruktionsparameter nach Bedarf an.
      HINWEIS: Die in dieser Studie verwendeten Rekonstruktionsparameter sind in Tabelle 1 aufgeführt.

2. Annotation mit ITK-SNAP

1. Starten von Software und Importieren von Bildern
   1. Doppelklicken Sie auf das Software-Symbol, um ITK-SNAP zu starten, ein plattformübergreifendes Open-Source-Tool für die biomedizinische Bildsegmentierung und -annotation in 3D¹⁰.
   2. Importieren Sie das Bild für die Beschriftung. Klicken Sie auf Datei -> Hauptbild öffnen -> Durchsuchen. Wählen Sie die Zielbilddatei aus und klicken Sie auf Öffnen , um sie in die Software zu laden.
2. Anmerkung
   HINWEIS: Es wird empfohlen, das ITK-SNAP-Tutorial zur manuellen Segmentierung¹¹ zu lesen, um sich mit den grundlegenden Werkzeugen und Funktionen der Software vertraut zu machen. Die wesentlichen Schritte für dieses Experiment sind im Folgenden beschrieben.
   1. Um die Bildsichtbarkeit zu verbessern, passen Sie den Bildkontrast an, indem Sie Extras -> Bildkontrast -> Kontrastanpassung -> Kurvenbasierte Bildkontrastanpassung auswählen. Passen Sie die Kurve nach Bedarf an, um den Kontrast zu verbessern.
   2. Beschriftungen für anatomische Strukturen erstellen: Klicken Sie auf die Schaltfläche Beschriftungen bearbeiten in der Symbolleiste. Geben Sie im Textfeld Beschreibung die Namen der Segmentierungskategorien ein (z. B. Wirbelsäule, Becken, Hüftköpfe). Weisen Sie jeder Segmentierungskategorie Farben zu und klicken Sie auf die Schaltfläche Fenster schließen , um die Änderungen zu übernehmen.
   3. Manuelle Segmentierung mit dem Werkzeug Polygon-Anmerkungen: Stellen Sie sicher, dass die richtige Beschriftung aus dem Dropdown-Menü Beschriftung der aktiven Zeichnung im Bereich Segmentierungsbeschriftung ausgewählt ist, die der Kategorie entspricht, die Sie segmentieren möchten.
   4. Wählen Sie Alle Beschriftungen im Dropdown-Menü Überziehen aus. Wählen Sie das Polygon-Werkzeug in der IRIS-Toolbox aus.
   5. Verwenden Sie das Polygon-Werkzeug, um die Strukturen manuell zu segmentieren, indem Sie Polygone auf dem Bild zeichnen und füllen. Zoomen und schwenken Sie nach Bedarf, um die Genauigkeit zu gewährleisten.
3. Speichern der Anmerkung
   1. Sobald die Anmerkung abgeschlossen ist, klicken Sie in der Menüleiste auf Segmentierung und wählen Sie dann Segmentierungsbild speichern.
   2. Legen Sie im Dialogfeld den Namen der Bilddatei fest (z. B. xxx.nii.gz), wählen Sie Dateiformat als NIfTI und klicken Sie auf Fertigstellen , um die kommentierte Datei zu speichern.

3. Bildvorverarbeitung

HINWEIS: In diesem Protokoll wird die Bildvorverarbeitung für das Eingabebild und die entsprechenden Zieletikettendaten mit PyCharm, einer integrierten Entwicklungsumgebung (IDE) für Python, implementiert. Die Schritte werden durch Python-Code ausgeführt, der in der Ergänzungsdatei 1 als Pseudocode bereitgestellt wird, um die Lesbarkeit zu verbessern und die wichtigsten Schritte klar zu umreißen.

1. Importieren von Bibliotheken und Laden von Bildern
   1. Öffnen Sie PyCharm , und erstellen Sie ein neues Python-Skript.
   2. Importieren Sie die erforderlichen Bibliotheken für die Bildverarbeitung und Datenbearbeitung, einschließlich NumPy, SimpleITK und PyTorch (Ergänzungsdatei 1, Codezeile 1).
   3. Verwenden Sie SimpleITK, um das Graustufenbild und die entsprechende Beschriftung (Segmentierungsmaske) aus den jeweiligen Dateipfaden (.nii.gz) auszulesen (Ergänzungsdatei 1, Codezeilen 2-3).
2. Größenänderung und Normalisierung von Bildern
   1. Legen Sie die Eingabegröße für die Z-Achse auf 16 Slices fest, wodurch die Speicherauslastung ausgeglichen wird und wichtige Strukturinformationen für die Segmentierung erhalten bleiben (Ergänzende Datei 1, Codezeile 4).
   2. Addieren Sie 1000 zu den Graustufenwerten des Bildes und schneiden Sie Werte unter 0 und über einem Schwellenwert ab, der dynamisch zwischen 1000 und 3000 festgelegt wird (Ergänzungsdatei 1, Codezeile 5).
   3. Normalisieren Sie die Graustufenwerte des Bildes, indem Sie sie durch den Schwellenwert dividieren (Ergänzungsdatei 1, Codezeile 5).
3. Bilderweiterung
   1. Wenden Sie Poisson-Rauschen an, um reales Rauschen im Bild zu simulieren (Ergänzende Datei 1, Codezeile 6).
   2. Passen Sie die Helligkeit nach dem Zufallsprinzip um einen Faktor zwischen 0,8 und 1,2 an, um unterschiedliche Bildbedingungen zu berücksichtigen (Zusatzdatei 1, Codezeile 7).
   3. Verwenden Sie einen Schiebefensteransatz, um 3D-Slices entlang der z-Achse sowohl für das Bild als auch für die entsprechende Zielbeschriftung zu extrahieren (Ergänzende Datei 1, Codezeilen 8-10).
   4. Verketten Sie das Bild- und die Ziel-Slices entlang der Batch-Dimension, um sicherzustellen, dass sie während der Augmentation zusammen verarbeitet werden (Ergänzende Datei 1, Codezeile 11).
   5. Verschieben Sie das Bild und die Ziel-Slices zufällig entlang der x- und y-Achse um einen Zufallswert (Ergänzungsdatei 1, Codezeile 12).
   6. Wenden Sie eine zufällige Drehung auf das verkettete Bild und die Ziel-Slices an, um unterschiedliche Bildausrichtungen zu simulieren (Zusatzdatei 1, Codezeile 13).
4. Vorverarbeitete Daten zurückgeben
   1. Rückgabe der vorverarbeiteten Bild- und Zielbeschriftungsdaten im torch.tensor-Format zur Verwendung im Training neuronaler Netze (Ergänzende Datei 1, Codezeile 14).

4. Modell-Training

1. Importieren von Bibliotheken und Definieren der U-Net-Architektur
   1. Importieren Sie die erforderlichen Bibliotheken für das Modelltraining, einschließlich PyTorch, torch.utils.data.DataLoader und torch.optim.Adam (Ergänzende Datei 1, Codezeile 1).
   2. Verwenden Sie das U-Net-Modell mit 3D-Faltungsschichten und Restverbindungen (Ergänzungsdatei 1, Codezeilen 2).
2. Initialisieren von Trainingsparametern und Laden von Daten
   1. Richten Sie die Würfelverlustfunktion, den Adam-Optimierer und das Modell ein. Setzen Sie Alpha auf 0,8, die Lernrate auf 1e-5 und die Anzahl der Epochen auf 500 (Ergänzungsdatei 1, Codezeilen 3).
   2. Rufen Sie die Daten und die entsprechenden Zielbeschriftungen für jeden Stapel aus dem torch.utils.data.DataLoader ab.
3. Trainingsschlaufe und Vorwärtspass
   1. Verringern Sie die Lernrate, indem Sie sie alle 100 Epochen mit 0,8 multiplizieren, um sicherzustellen, dass das Modell sein Lernen im Laufe der Zeit verfeinert (Ergänzende Datei 1, Codezeile 5).
   2. Setzen Sie die Gradienten des Optimierers vor der Verarbeitung jeder Charge auf Null zurück, um sicherzustellen, dass sich vorherige Gradienten nicht ansammeln (Ergänzungsdatei 1, Codezeile 7).
   3. Geben Sie den Datenbatch in das Modell ein, um Vorhersagen für die Segmentierung zu generieren (Ergänzende Datei 1, Codezeile 8).
   4. Berechnen Sie den Würfelverlust in vier verschiedenen Tiefen (loss_0, loss_1, loss_2 loss_3), um Informationen aus verschiedenen Schichten des Netzwerks zu erfassen (Ergänzungsdatei 1, Codezeilen 9-12).
4. Totalverlust, Backpropagation und Optimierung
   1. Berechnen Sie den Totalverlust nach der Formel: Totalverlust = loss_3 + Alpha × (loss_0 + loss_1 + loss_2) (Ergänzungsdatei 1, Codezeile 13).
   2. Berechnen Sie die Gradienten, indem Sie eine Backpropagation für den Gesamtverlust durchführen, um die Gewichtungen des Netzwerks zu aktualisieren (Ergänzende Datei 1, Codezeile 14).
   3. Aktualisieren Sie die Modellgewichtungen mit dem Optimierer, um die Netzwerkparameter basierend auf den berechneten Gradienten anzupassen (Ergänzende Datei 1, Codezeile 15).
5. Anpassungen für Alpha
   1. Reduzieren Sie alle 30 Epochen den Wert von alpha, indem Sie ihn mit 0,8 multiplizieren, um den Einfluss früherer Schichtverluste im Laufe des Trainings zu verringern (Ergänzungsdatei 1, Codezeile 16).

Ergebnisse

Ergebnisse der Segmentierung
In dieser Studie wurden drei anatomische Strukturen - die Wirbelsäule, das Becken und die Hüftköpfe - segmentiert. Das Becken und die Hüftköpfe wurden einbezogen, da bestimmte Wirbelsäulenparameter für die Messung Landmarken von diesen Strukturen erfordern. Der Datensatz für jede Struktur wurde in Trainings- und Testsätze unterteilt, wie in Tabelle 2 dargestellt.

Die Segmentierungsleistung wurde anhand von drei Standardmetriken bewertet, darunter Würfelkoeffizient, Volumenähnlichkeit (VS) und Erinnerung:

Dabei steht TP für True Positive, FP für False Positive, FN für False Negative.

Nachdem das Netzwerk über 500 Epochen trainiert wurde, wurden die Segmentierungsergebnisse anhand der Metriken ausgewertet. Die Leistung für jede anatomische Struktur ist in Tabelle 3 dargestellt. Diese Ergebnisse zeigen die Wirksamkeit des vorgeschlagenen U-Net-basierten Segmentierungsmodells über die Wirbelsäule, das Becken und den Femurköpfe hinweg. Abbildung 2 zeigt ein repräsentatives Segmentierungsergebnis der anatomischen Strukturen.

Anwendungen nach der Segmentierung

Messung klinisch relevanter 3D-Parameter
Die durch die automatische Segmentierung generierten 3D-Modelle können zur Messung einer Reihe klinisch wichtiger Parameter verwendet werden, wie z. B. des Cobb-Winkels, der Wirbelrotation, der thorakalen Kyphose, der Lendenlordose, der Beckeninzidenz, der Beckenneigung und der Sakralneigung. Hier stellen wir die Messung dieser Parameter mit einem selbst entwickelten Programm dar, das die segmentierten Daten verarbeitet und genaue und automatische Messungen der Wirbelsäule und der zugehörigen Strukturen liefert (Abbildung 3).

3D-Druck
Das 3D-Modell, das durch automatische Segmentierung und Nachbearbeitung durch KI erhalten wird, kann in das STL-Format exportiert werden, ein allgemeines 3D-Modelldateiformat, das von 3D-Drucksoftware weitgehend unterstützt wird. Für diese Studie wurde als 3D-Drucker ein industrieller Stereolithografie-Drucker (SLA) verwendet, der ultraviolett (UV)-härtendes Harz als Druckmaterial verwendet. Zwischen den isolierten Teilen des segmentierten Modells wurden Verbindungen angebracht, um eine zusammenhängende Struktur zu gewährleisten, die als einzelnes, einheitliches Modell gedruckt werden kann. Dieser Prozess ermöglicht die physische Nachbildung der Anatomie des Patienten, die für die Operationsplanung, die Patientenkommunikation und Schulungsinstrumente verwendet werden kann. Abbildung 4 zeigt ein 3D-gedrucktes Modell, das aus den KI-segmentierten Daten abgeleitet wurde.

Abbildung 1: Patientenpositionierung für die Bildgebung der gewichtstragenden Cone-Beam-Computertomographie (DVT). Der Patient wird auf die Standplattform gelegt und mit Gurten gesichert, um Bewegungen und Stürze während des Scans zu verhindern. Der Patient hält sich an der Überkopfstütze fest, um eine stabile Position zu halten, während das DVT-System 3D-Bilder der Wirbelsäule unter schwerkraftbelasteten Bedingungen aufnimmt. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

Abbildung 2: Segmentierungsergebnisse für Wirbelsäule, Becken und Hüftkopf in axialer, sagittaler und koronaler Ansicht. Die erste Spalte zeigt die DVT-Bilder, gefolgt von der Grundwahrheit und dann den Segmentierungsergebnissen aus dem Deep-Learning-Modell. Die roten Überlagerungen in der zweiten und dritten Spalte zeigen die segmentierten Bereiche für die Wirbelkörper, das Becken und den Hüftkopf in allen drei Ansichten. Die Bilder zeigen die hohe Genauigkeit des Modells bei der Erfassung anatomischer Strukturen, die der Grundwahrheit sehr nahe kommen. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

Abbildung 3: Messung klinisch relevanter Parameter an segmentierten Wirbelsäulen- und Beckenstrukturen. (A) Messung des Cobb-Winkels (8,9°) zwischen den Wirbeln T11 und L3 in der koronalen Ebene. (B) Messung der thorakalen Kyphose (T1-T12: 21,2°) in der Sagittalebene. (C) Messung der lumbalen Lordose (L1-L5: 26,4°) in der Sagittalebene. (D) Wirbeldrehung (VR: 3,3°) von L2 relativ zum Becken in der Axialebene. (E) Beckenparameter, einschließlich Beckenneigung (PT: 21,0°), Sakralneigung (SS: 26,1°) und Beckeninzidenz (PI: 47,1°), gemessen in der sagittalen Ansicht. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

Abbildung 4: STL-Modell und 3D-gedrucktes physisches Modell der Wirbelsäule und des Beckens. Das Bild links zeigt das 3D-Modell der Wirbelsäule und des Beckens im STL-Format, vorbereitet für den 3D-Druck. Das Bild auf der rechten Seite zeigt das entsprechende physikalische Modell, das mit der Stereolithographie (SLA)-Technologie gedruckt wurde. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

Parameter	Standardeinstellungen
Röhren-Spannung	110 kV
Röhrenstrom	6 mA
Bildrate	12 Bilder pro Sekunde
Rekonstruktion FOV	350 mm
Dicke der Scheibe	ca. 2 mm
Abstand zwischen den Scheiben	1 mm

Tabelle 1: Standardparameter für Exposition und Rekonstruktion. Standard-Belichtungs- und Rekonstruktionsparameter für die gewichtstragende Cone-Beam-Computertomographie der gesamten Wirbelsäule.

Etikett	Trainings-Datensatz	Testen des Datensatzes
Wirbelsäule	100	20
Becken	57	6
Hüftkopf	47	5

Tabelle 2: Datensatz, der für das Training und Testen von DVT-Bildmodellen verwendet wurde. Die Tabelle zeigt die Anzahl der Bilder, die zum Trainieren und Testen des Modells zur Segmentierung der Wirbelsäulen-, Becken- und Hüftkopfstrukturen verwendet wurden.

Etikett	Würfelkoeffizient	Ähnlichkeit des Volumens	Rückruf
Wirbelsäule	0.93	0.954	0.89
Becken	0.925	0.965	0.93
Hüftkopf	0.96	0.971	0.959

Tabelle 3: Segmentierungsleistung des Deep-Learning-Modells für verschiedene anatomische Strukturen (Wirbelsäule, Becken und Hüftkopf). Zu den Leistungsmetriken gehören der Würfelkoeffizient, die Volumenähnlichkeit (VS) und der Abruf, die alle von 0 bis 1 reichen, wobei Werte näher an 1 eine bessere Segmentierungsgenauigkeit anzeigen.

Ergänzende Datei 1: Pseudocodes für die Bildvorverarbeitung (Schritt 3) und das Modelltraining (Schritt 4). Bitte klicken Sie hier, um diese Datei herunterzuladen.

Diskussion

Dieses Protokoll führt eine Deep-Learning-basierte Methode zur Segmentierung von schwerkraftbelasteten Wirbelsäulenbildern mittels belastungsbezogener DVT ein. Zu den wichtigsten Schritten gehören die Bilderfassung, die manuelle Annotation, die Vorverarbeitung und das Modelltraining. Die richtige Positionierung und Belichtungseinstellung des Patienten ist entscheidend für die Erzielung hochwertiger Bilder. Fehlausrichtung oder schlechte Positionierung können zu suboptimalen Bildern führen, was es dem neuronalen Netz erschwert, die Strukturen genau zu segmentieren. Die Vorverarbeitung ist ebenfalls ein wesentlicher Schritt, und in diesem Protokoll umfasst sie Rauschaddition, Helligkeitsvariation, Drehung und Translation. Diese Vorverarbeitungstechniken sind darauf ausgelegt, die Bilder für die Eingabe in das neuronale Netz vorzubereiten und die Robustheit des Modells zu verbessern, indem es verschiedenen Arten von Bildverzerrungen ausgesetzt wird.

Die manuelle Annotation ist eine weitere wichtige Komponente des Protokolls. Die Genauigkeit manueller Annotationen wirkt sich direkt auf die Fähigkeit des Modells aus, Strukturen wie Wirbelkörper, Becken und Hüftkopf zu lernen und zu segmentieren. Dieses Protokoll konzentrierte sich auf die Segmentierung von Wirbelkörpern, was für die Messung der meisten klinisch relevanten Parameter wie des Cobb-Winkels und der Wirbelrotation ausreicht. Für Anwendungen, die den gesamten Wirbel erfordern (einschließlich Lamina, Querfortsätze und Dornfortsätze), müsste das Modell mit zusätzlichen markierten Daten trainiert werden. Darüber hinaus kann die Variabilität manueller Annotationen eine Herausforderung darstellen, die sich möglicherweise auf die Reproduzierbarkeit der Ergebnisse auswirkt. Um dies zu vermeiden, empfehlen wir, mehrere erfahrene Annotatoren zu haben und Zuverlässigkeitsprüfungen zwischen den Beobachtern zu implementieren.

Die U-Net-Architektur mit 3D-Faltungsschichten und Restverbindungen eignet sich gut für die Verarbeitung von 3D-Bildern 12,13,14. Die mehrstufige Verlustfunktion trägt dazu bei, Details aus tieferen Schichten zu erhalten und so die Genauigkeit der Segmentierung zu gewährleisten. Eine sorgfältige Abstimmung der Trainingsparameter, wie z. B. Lernrate und Augmentationseinstellungen, ist jedoch erforderlich, um eine Überanpassung zu verhindern und die Robustheit des Modells zu verbessern. Während neuere Studien Spine-Segmentierungs- oder Detektionsmodelle vorgeschlagen haben, die auf spezifische Aufgaben zugeschnitten sind, indem neuronale Netze wie Transformatoren oder YOLO-Architekturen^{verwendet werden 15,16}, stützen sich diese in der Regel auf CT- oder MRT-Spine-Bilder. Im Gegensatz dazu übernimmt dieses Protokoll die U-Net-Architektur, die häufiger in der Segmentierungsaufgabe¹⁷ auf Pixelebene verwendet wird. Noch wichtiger ist, dass diese Methode so konzipiert ist, dass die Wirbelsäule unter schwerkraftbelasteten Bedingungen mit Hilfe einer aufrechten DVT segmentiert werden kann, was eine Beurteilung der Wirbelsäule im stehenden oder gewichtstragenden Zustand ermöglicht. Diese einzigartige Funktion ermöglicht eine realistischere Beurteilung der Ausrichtung und der mechanischen Belastungen der Wirbelsäule, was für die Diagnose von Wirbelsäulendeformitäten und die Planung von Behandlungsstrategien von entscheidender Bedeutung ist. Bemerkenswert ist, dass die Leistung des Modells, wie ein Würfelkoeffizient von 0,93 in der Wirbelsäulensegmentierung zeigt, mit der Leistung anderer Deep-Learning-basierter Modelle, die CT- und MRT-Daten für die Segmentierung der Wirbelsäule verwenden, vergleichbar ist oder diese sogar übertrifft ^9,18,19.

Diese Methode hat einige Einschränkungen. Der in dieser Studie verwendete Datensatz ist zwar für die Segmentierung der Wirbelkörper, des Beckens und des Hüftkopfes geeignet, würde aber von einer Erweiterung profitieren, um seltene oder komplexe Wirbelsäulendeformitäten besser behandeln zu können. Ein größerer, vielfältigerer Datensatz würde dazu beitragen, das Modell auf ein breiteres Spektrum von Fällen zu verallgemeinern. Eine weitere Einschränkung besteht darin, dass die DVT-Bildgebung empfindlich auf Metallartefakte reagiert, was es für das Modell schwierig macht, postoperative Wirbelsäulen mit Metallimplantaten zu segmentieren. Darüber hinaus ist diese Methode durch ihren hohen Rechenaufwand eingeschränkt und erfordert den Zugriff auf leistungsstarke GPUs, die möglicherweise nicht in allen klinischen und Forschungsumgebungen verfügbar sind. Der manuelle Annotationsprozess ist zeitaufwändig, und aus diesem Grund waren wir nicht in der Lage, mehrere Annotatoren einzubeziehen, um die Richtigkeit der Annotationen im Konsens zu überprüfen. Darüber hinaus wurde das Modell noch nicht an externen Datensätzen validiert, was seine Verallgemeinerbarkeit auf andere klinische Umgebungen einschränkt.

Die Möglichkeit, wirbelsäulenbezogene Parameter genau zu segmentieren und zu messen, verbessert die Diagnose und Behandlungsplanung, insbesondere bei Fällen wie Skoliose. Die Möglichkeit, Modelle im STL-Format für den 3D-Druck zu exportieren, hat auch bedeutende Anwendungen in der präoperativen Planung, da sie es Chirurgen ermöglicht, patientenspezifische Modelle zu üben oder zu referenzieren. Diese greifbaren Modelle sind wertvolle Instrumente für die Patientenaufklärung und helfen den Patienten, ihren Zustand und ihre Behandlung besser zu verstehen²⁰. Über die Bildgebung der Wirbelsäule hinaus kann dieses Protokoll auch angepasst werden, um andere durch Schwerkraft belastete anatomische Strukturen, wie z. B. die unteren Gliedmaßen und Gelenke, zu segmentieren, was besonders in Fällen wie Kniearthrose oder Hüftdeformitäten wertvoll ist. Darüber hinaus hat dieses Protokoll potenzielle Anwendungen in biomechanischen Studien, wo detaillierte 3D-Modelle der Wirbelsäule oder anderer Strukturen unter Belastungsbedingungen für die Analyse der Mechanik und der Spannungsverteilungen entscheidend sind ^21,22. Dies könnte wertvolle Erkenntnisse über das Fortschreiten von Deformitäten liefern und die Entwicklung neuer Behandlungsstrategien leiten.

Zusammenfassend lässt sich sagen, dass dieses Protokoll eine zuverlässige und effiziente Methode zur Segmentierung und Analyse von Wirbelsäulenbildern unter schwerkraftbelasteten Bedingungen bietet. Es gibt zwar einige Einschränkungen, aber seine potenziellen Anwendungen in der Diagnose, Operationsplanung, Biomechanik-Studien und Ausbildung machen es zu einem wertvollen Werkzeug sowohl in klinischen als auch in Forschungsszenarien.

Materialien

Liste der in diesem Artikel verwendeten Materialien

Name	Unternehmen	Katalognummer	Kommentare
3D-Drucker (G1400)	UnionTech, Shanghai, China	G1400	Industrieller Stereolithographie (SLA) 3D-Drucker.
CUDA Version 11.4	NVIDIA	11.4	GPU-Beschleunigung für das Training von Deep-Learning-Modellen.
ITK-SNAP	Open Source	4.0.2	Software für biomedizinische 3D-Bildsegmentierung und -annotation.
Numpy	Open Source	1.24.4	Python-Bibliothek für die Bildverarbeitung, Website: https://numpy.org/about/
PyCharm	JetBrains	2023.2.1	eine integrierte Entwicklungsumgebung (IDE), die für die Python-Programmierung verwendet wird.
Python Version 3.8	Open Source	3.8	Wird in Kombination mit PyTorch für die Entwicklung von Deep-Learning-Modellen verwendet.
PyTorch Version 1.10	Open Source	1.10	Deep-Learning-Framework zum Trainieren des Segmentierungsmodells.
SimpleITK	Open Source	2.3.1	Python-Bibliothek für die Bildverarbeitung, Website: https://simpleitk.org/
UV-härtendes Harz	UnionTech, Shanghai, China	UV-001	Material, das im SLA-3D-Druckprozess verwendet wird.
Tragendes Kegel-Strahl-CT-System  (WR3D)	Angell Technology, Shenzhen, China	DX6290	Wird für die Bildaufnahme der gesamten Wirbelsäule im schwerkraftbelasteten Zustand verwendet
Windows 10 System mit Intel i7-10700 CPU	Kundenspezifischer Build (verschiedene Hersteller)	Windows 10 Professional, 22H2	Laufende Umgebung für Modelltraining; 32 GB RAM, NVIDIA GeForce RTX 3090 (24 GB).