Segmentación basada en el aprendizaje profundo de la columna vertebral humana cargada por gravedad

Resumen

Este artículo presenta un protocolo para segmentar la columna vertebral humana cargada por gravedad en imágenes CBCT que soportan peso utilizando una red neuronal convolucional U-Net 3D. El método proporciona una herramienta valiosa para estudiar la alineación de la columna vertebral y apoya la impresión 3D y la investigación biomecánica de la columna vertebral en condiciones de carga.

Resumen

El análisis preciso de la alineación de la columna vertebral en condiciones de carga de gravedad es esencial para diagnosticar y tratar trastornos musculoesqueléticos como la escoliosis y la enfermedad degenerativa del disco. Las técnicas de imagen tradicionales, como las radiografías 2D y la tomografía computarizada o la resonancia magnética en decúbito supino, no capturan la geometría 3D completa de la columna vertebral en un estado de carga. La tomografía computarizada de haz cónico (CBCT) con soporte de peso proporciona imágenes 3D de alta resolución en posición de pie, lo que permite una evaluación más precisa de la alineación de la columna. Este estudio presenta un protocolo basado en aprendizaje profundo para segmentar estas imágenes utilizando una red neuronal convolucional U-Net (CNN) con capas convolucionales 3D y conexiones residuales para segmentar los cuerpos vertebrales, la pelvis y la cabeza femoral. El protocolo incluye la adquisición de imágenes, la anotación manual, el preprocesamiento y el entrenamiento del modelo. La segmentación exitosa de las estructuras anatómicas permite una medición precisa de los parámetros espinales clínicamente relevantes, como el ángulo de Cobb y la rotación vertebral. Además, los modelos 3D segmentados se pueden exportar en formato STL para su impresión 3D, lo que facilita la planificación quirúrgica y la educación del paciente. Además, el protocolo se puede adaptar para entrenar modelos de segmentación para otras estructuras anatómicas que requieren evaluación en condiciones de carga gravitatoria, como la extremidad inferior. Este método proporciona una herramienta fiable y adaptable para segmentar con precisión la columna vertebral y otras estructuras anatómicas en condiciones de carga de gravedad, con aplicaciones prácticas tanto en el diagnóstico clínico como en los estudios de investigación.

Introducción

El análisis preciso de la alineación de la columna vertebral en condiciones de carga de gravedad es esencial para el diagnóstico y el tratamiento de los trastornos musculoesqueléticos, como la escoliosis, la enfermedad degenerativa del disco y las deformidades de la columna^vertebral 1,2,3,4. Las técnicas de imagen tradicionales, como las radiografías 2D, no capturan la geometría 3D completa de la columna vertebral. Aunque la TC y la RMN convencionales pueden producir imágenes en 3D, estas modalidades requieren que los pacientes sean visualizados en posición supina. Por el contrario, la tomografía computarizada de haz cónico (CBCT) con soporte de peso proporciona imágenes 3D de alta resolución con el paciente en posición de pie, lo que ofrece una evaluación más detallada de la alineación de la columna^{vertebral 5}.

La segmentación de la estructura esquelética a partir de imágenes 3D es crucial para extraer parámetros de la columna vertebral clínicamente relevantes, como el ángulo de Cobb, la rotación vertebral y la incidencia pélvica, que son necesarios para el diagnóstico de deformidades de la columna vertebral y la planificación de cirugías⁶. Además, la segmentación permite la creación de modelos 3D de estructuras anatómicas, apoyando la educación del paciente y la preparación quirúrgica⁷. Las tecnologías de aprendizaje profundo, en particular las redes neuronales convolucionales (CNN), se han utilizado ampliamente en el análisis de imágenes médicas, especialmente en la segmentación de estructuras anatómicas complejas a partir de imágenes ^8,9. La segmentación basada en el aprendizaje profundo reduce la carga de trabajo manual, minimiza la variabilidad del operador y mejora la precisión y la coherencia en las imágenes de la columna vertebral.

Este artículo presenta un protocolo basado en el aprendizaje profundo para segmentar espinas cargadas por gravedad utilizando CBCT que soporta peso. Se utiliza una CNN U-Net 3D para segmentar automáticamente las vértebras, la pelvis y la cabeza femoral en condiciones de carga. La integración de este método con la CBCT rutinaria con soporte de peso proporciona una herramienta estandarizada y reproducible para evaluaciones de la columna vertebral más precisas, lo que respalda una mejor toma de decisiones clínicas y resultados para los pacientes. Este enfoque es replicable y adaptable para el entrenamiento de modelos de segmentación para otras estructuras anatómicas que requieren evaluación en condiciones de carga de gravedad, como la extremidad inferior.

Protocolo

Este estudio se realizó de acuerdo con los estándares éticos descritos en la Declaración de Helsinki y fue aprobado por la Junta de Revisión Institucional del Hospital de China Occidental de la Universidad de Sichuan (aprobación 834 / 2021). Los participantes incluidos en el estudio fueron diagnosticados con escoliosis degenerativa o escoliosis idiopática adolescente (AIS). Los criterios de exclusión abarcaron a las personas con antecedentes de cirugía de columna, la presencia de implantes espinales o aquellos que no podían mantener una posición de pie durante el procedimiento de imagen. Todos los participantes involucrados en el estudio dieron su consentimiento informado antes de la adquisición de la imagen y la participación en la investigación. La privacidad y confidencialidad de todos los participantes se mantuvieron estrictamente durante todo el estudio. Los equipos y software utilizados en este estudio se enumeran en la Tabla de Materiales.

1. Imágenes de la columna vertebral

1. Sistema de imágenes y posicionamiento del paciente
   1. Utilice el sistema CBCT de soporte de peso para adquirir la imagen (Figura 1).
   2. Coloque al paciente en la plataforma de pie. Asegure al paciente con cinturones para evitar movimientos y caídas.
   3. Indique al paciente que mantenga una posición de pie, una respiración estable y minimice el movimiento durante el proceso de exploración.
2. Adquisición de imágenes
   1. En el software del sistema de imágenes, defina el rango de imágenes.
      NOTA: Para las imágenes de la columna vertebral completa, el rango debe incluir desde la primera vértebra cervical hasta ambas cabezas femorales.
   2. Elija los parámetros de exposición adecuados.
      NOTA: Los parámetros predeterminados se muestran en la Tabla 1. Ajuste los parámetros en función del tamaño corporal del paciente según sea necesario.
   3. Presione el freno de pie para iniciar la exposición. Continúe hasta que el software indique que la adquisición de imágenes se ha completado.
3. Reconstrucción de imagen
   1. Haga clic en el botón Reconstrucción en el software y ajuste los parámetros de reconstrucción según sea necesario.
      NOTA: Los parámetros de reconstrucción utilizados en este estudio se enumeran en la Tabla 1.

2. Anotación mediante ITK-SNAP

1. Lanzamiento de software e importación de imágenes
   1. Haga doble clic en el icono del software para iniciar ITK-SNAP, una herramienta multiplataforma de código abierto para la segmentación y anotación de imágenes biomédicas en 3D¹⁰.
   2. Importe la imagen para la anotación. Haga clic en Archivo -> abrir imagen principal > examinar. Seleccione el archivo de imagen de destino y haga clic en Abrir para cargarlo en el software.
2. Anotación
   NOTA: Se recomienda leer el tutorial de ITK-SNAP para la segmentación manual¹¹ para familiarizarse con las herramientas y funciones básicas del software. Los pasos esenciales para este experimento se describen a continuación.
   1. Para mejorar la visibilidad de la imagen, ajuste el contraste de la imagen seleccionando Herramientas -> Contraste de imagen -> Ajuste de contraste -> Ajuste de contraste de imagen basado en curvas. Ajuste la curva según sea necesario para mejorar el contraste.
   2. Crear etiquetas para estructuras anatómicas: Pulse el botón Editar etiquetas en la barra de herramientas. En el cuadro de texto Descripción , escriba los nombres de las categorías de segmentación (por ejemplo, columna vertebral, pelvis, cabezas femorales). Asigne colores a cada categoría de segmentación y presione el botón Cerrar ventana para aplicar los cambios.
   3. Segmentación manual con la herramienta de anotación de polígonos: asegúrese de que se haya seleccionado la etiqueta correcta en el menú desplegable Etiqueta de dibujo activo en el panel Etiqueta de segmentación , que coincida con la categoría que está a punto de segmentar.
   4. Seleccione Todas las etiquetas en el menú desplegable Dibujar sobre . Seleccione la herramienta Polígono en la caja de herramientas IRIS.
   5. Utilice la herramienta polígono para segmentar manualmente las estructuras dibujando y rellenando polígonos en la imagen. Amplíe y desplácese según sea necesario para garantizar la precisión.
3. Guardar la anotación
   1. Una vez completada la anotación, haga clic en Segmentación en la barra de menú y, a continuación, seleccione Guardar imagen de segmentación.
   2. En el cuadro de diálogo, establezca el nombre de archivo de imagen (por ejemplo, xxx.nii.gz), seleccione Formato de archivo como NIfTI y haga clic en Finalizar para guardar el archivo anotado.

3. Preprocesamiento de imágenes

NOTA: En este protocolo, el preprocesamiento de imágenes para la imagen de entrada y los datos de etiqueta de destino correspondientes se implementa mediante PyCharm, un entorno de desarrollo integrado (IDE) para Python. Los pasos se ejecutan a través de código Python, que se proporciona en el Archivo complementario 1 como pseudocódigo para mejorar la legibilidad y describir claramente los pasos clave.

1. Importar bibliotecas y carga de imágenes
   1. Abra PyCharm y cree un nuevo script de Python.
   2. Importe las bibliotecas necesarias para el procesamiento de imágenes y la manipulación de datos, incluidas NumPy, SimpleITK y PyTorch (archivo complementario 1, línea de código 1).
   3. Utilice SimpleITK para leer la imagen en escala de grises y la etiqueta correspondiente (máscara de segmentación) de sus respectivas rutas de archivo (.nii.gz) (Archivo complementario 1, líneas de código 2-3).
2. Cambio de tamaño y normalización de imágenes
   1. Establezca el tamaño de entrada para el eje z en 16 segmentos, lo que equilibra el uso de memoria y conserva la información estructural esencial para la segmentación (Archivo complementario 1, línea de código 4).
   2. Agregue 1000 a los valores de escala de grises de la imagen y los valores de recorte por debajo de 0 y por encima de un umbral que se establece dinámicamente entre 1000 y 3000 (Archivo complementario 1, línea de código 5).
   3. Normalice los valores de escala de grises de la imagen dividiéndolos por el umbral (Archivo complementario 1, línea de código 5).
3. Aumento de imagen
   1. Aplique el ruido de Poisson para simular el ruido del mundo real en la imagen (Archivo complementario 1, línea de código 6).
   2. Ajuste aleatoriamente el brillo en un factor entre 0,8 y 1,2 para tener en cuenta las diferentes condiciones de imagen (Archivo suplementario 1, línea de código 7).
   3. Utilice un enfoque de ventana deslizante para extraer cortes 3D a lo largo del eje z tanto para la imagen como para la etiqueta de destino correspondiente (Archivo complementario 1, líneas de código 8-10).
   4. Concatene la imagen y los segmentos de destino a lo largo de la dimensión del lote para asegurarse de que se procesan juntos durante el aumento (Archivo complementario 1, línea de código 11).
   5. Transfiera la imagen y los segmentos de destino aleatoriamente a lo largo de los ejes x e y por un valor aleatorio (Archivo complementario 1, línea de código 12).
   6. Aplique una rotación aleatoria en la imagen concatenada y en los segmentos de destino para simular diferentes orientaciones de imagen (Archivo suplementario 1, línea de código 13).
4. Devolución de datos preprocesados
   1. Devuelve la imagen preprocesada y los datos de la etiqueta de destino en formato torch.tensor para su uso en el entrenamiento de redes neuronales (archivo complementario 1, línea de código 14).

4. Entrenamiento de modelos

1. Importar bibliotecas y definir la arquitectura U-Net
   1. Importe las bibliotecas necesarias para el entrenamiento del modelo, incluidas PyTorch, torch.utils.data.DataLoader y torch.optim.Adam (archivo complementario 1, línea de código 1).
   2. Utilice el modelo U-Net con capas convolucionales 3D y conexiones residuales (Archivo complementario 1, líneas de código 2).
2. Inicializar los parámetros de entrenamiento y la carga de datos
   1. Configure la función de pérdida de dados, el optimizador de Adam y el modelo. Establezca alfa en 0,8, la tasa de aprendizaje en 1e-5 y el número de épocas en 500 (Archivo complementario 1, líneas de código 3).
   2. Obtenga los datos y las etiquetas de destino correspondientes de torch.utils.data.DataLoader para cada lote.
3. Bucle de entrenamiento y pase hacia adelante
   1. Disminuya la tasa de aprendizaje multiplicándola por 0,8 cada 100 épocas para garantizar que el modelo ajuste su aprendizaje a lo largo del tiempo (Archivo complementario 1, línea de código 5).
   2. Restablezca los gradientes del optimizador a cero antes de procesar cada lote para asegurarse de que los gradientes anteriores no se acumulen (Archivo complementario 1, línea de código 7).
   3. Introduzca el lote de datos en el modelo para generar predicciones para la segmentación (Archivo complementario 1, línea de código 8).
   4. Calcule la pérdida de dados a cuatro profundidades diferentes (loss_0, loss_1, loss_2, loss_3) para capturar información de diferentes capas de la red (Archivo Suplementario 1, Líneas de código 9-12).
4. Pérdida total, retropropagación y optimización
   1. Calcule la pérdida total utilizando la fórmula: pérdida total = loss_3 × alfa (loss_0 + loss_1 + loss_2) (Archivo complementario 1, línea de código 13).
   2. Calcule los gradientes realizando una retropropagación en la pérdida total para actualizar los pesos de la red (Archivo complementario 1, línea de código 14).
   3. Actualice los pesos del modelo utilizando el optimizador para ajustar los parámetros de red en función de los gradientes calculados (Archivo complementario 1, línea de código 15).
5. Ajustes para alfa
   1. Cada 30 épocas, reduzca el valor de alfa multiplicándolo por 0,8 para reducir la influencia de las pérdidas de capa anteriores a medida que avanza el entrenamiento (Archivo suplementario 1, línea de código 16).

Resultados

Resultados de la segmentación
En este estudio, se segmentaron tres estructuras anatómicas: la columna vertebral, la pelvis y la cabeza femoral. Se incluyeron la pelvis y la cabeza femoral porque ciertos parámetros de la columna vertebral requieren puntos de referencia de estas estructuras para la medición. El conjunto de datos de cada estructura se dividió en conjuntos de entrenamiento y prueba, como se describe en la Tabla 2.

El rendimiento de la segmentación se evaluó utilizando tres métricas estándar, que incluyen el coeficiente de Dice, la similitud de volumen (VS) y la recuperación:

Donde TP denota Verdadero Positivo, FP denota Falso Positivo, FN denota Falso Negativo.

Después de entrenar la red durante 500 épocas, los resultados de la segmentación se evaluaron en función de las métricas. El rendimiento de cada estructura anatómica se presenta en la Tabla 3. Estos resultados demuestran la efectividad del modelo de segmentación propuesto basado en U-Net a través de la columna vertebral, la pelvis y la cabeza femoral. La Figura 2 muestra un resultado representativo de la segmentación de las estructuras anatómicas.

Aplicaciones posteriores a la segmentación

Medición de parámetros 3D clínicamente relevantes
Los modelos 3D generados a través de la segmentación automática se pueden utilizar para medir una serie de parámetros clínicamente importantes, como el ángulo de Cobb, la rotación vertebral, la cifosis torácica, la lordosis lumbar, la incidencia pélvica, la inclinación pélvica y la pendiente sacra. Aquí, mostramos la medición de estos parámetros utilizando un programa de desarrollo propio, que procesa los datos segmentados y proporciona mediciones precisas y automáticas de la columna vertebral y las estructuras asociadas (Figura 3).

Impresión 3D
El modelo 3D obtenido por la segmentación automática y el posprocesamiento de IA se puede exportar a formato STL, un formato de archivo de modelo 3D general, que es ampliamente compatible con el software de impresión 3D. Para este estudio, la impresora 3D utilizada fue una impresora de estereolitografía industrial (SLA), que utiliza resina curable ultravioleta (UV) como material de impresión. Las conexiones se aplicaron entre las partes aisladas del modelo segmentado, lo que garantiza una estructura cohesiva que se puede imprimir como un modelo único y unificado. Este proceso permite la replicación física de la anatomía del paciente, que se puede utilizar para la planificación quirúrgica, la comunicación con el paciente y las herramientas educativas. La Figura 4 muestra un modelo impreso en 3D derivado de los datos segmentados por IA.

Figura 1: Posición del paciente para la toma de imágenes de tomografía computarizada de haz cónico (CBCT) con soporte de peso. El paciente se coloca en la plataforma de pie y se asegura con cinturones para evitar que se mueva y se caiga durante la exploración. El paciente se agarra al soporte superior para mantener una posición estable mientras el sistema CBCT captura imágenes en 3D de la columna vertebral en condiciones de carga de gravedad. Haga clic aquí para ver una versión más grande de esta figura.

Figura 2: Resultados de la segmentación de la columna vertebral, la pelvis y la cabeza femoral en las vistas axial, sagital y coronal. La primera columna muestra las imágenes CBCT, seguidas de la verdad sobre el terreno y, a continuación, los resultados de segmentación obtenidos del modelo de aprendizaje profundo. Las superposiciones rojas en la segunda y tercera columna indican las áreas segmentadas para los cuerpos vertebrales, la pelvis y la cabeza femoral en las tres vistas. Las imágenes demuestran la alta precisión del modelo en la captura de estructuras anatómicas, coincidiendo estrechamente con la realidad del terreno. Haga clic aquí para ver una versión más grande de esta figura.

Figura 3: Medición de parámetros clínicamente relevantes en estructuras segmentadas de la columna vertebral y la pelvis. (A) Medición del ángulo de Cobb (8,9°) entre las vértebras T11 y L3 en el plano coronal. (B) Medición de la cifosis torácica (T1-T12: 21,2°) en el plano sagital. (C) Medición de la lordosis lumbar (L1-L5: 26,4°) en el plano sagital. (D) Rotación vertebral (VR: 3,3°) de L2 con respecto a la pelvis en el plano axial. (E) Parámetros pélvicos, incluyendo la inclinación pélvica (PT: 21.0°), la pendiente sacra (SS: 26.1°) y la incidencia pélvica (PI: 47.1°), medidos en la vista sagital. Haga clic aquí para ver una versión más grande de esta figura.

Figura 4: Modelo STL y modelo físico impreso en 3D de la columna vertebral y la pelvis. La imagen de la izquierda muestra el modelo 3D de la columna vertebral y la pelvis en formato STL, preparado para la impresión 3D. La imagen de la derecha muestra el modelo físico correspondiente impreso con tecnología de estereolitografía (SLA). Haga clic aquí para ver una versión más grande de esta figura.

Parámetros	Configuración predeterminada
Voltaje del tubo	110 kV
Corriente del tubo	6 mA
Velocidad de fotogramas	12 fps
Campo de visión de reconstrucción	350 milímetros
Espesor de la loncha	2 milímetros
Espaciado entre rebanadas	1 milímetro

Tabla 1: Parámetros predeterminados para la exposición y la reconstrucción. Parámetros predeterminados de exposición y reconstrucción para imágenes de tomografía computarizada de haz cónico que soportan peso de la columna vertebral completa.

Etiqueta	Conjunto de datos de entrenamiento	Conjunto de datos de prueba
Espina dorsal	100	20
Pelvis	57	6
Cabeza femoral	47	5

Tabla 2: Conjunto de datos utilizado para el entrenamiento y las pruebas del modelo de imagen CBCT. La tabla muestra el número de imágenes utilizadas para entrenar y probar el modelo para segmentar las estructuras de la columna vertebral, la pelvis y la cabeza femoral.

Etiqueta	Coeficiente de dados	Similitud de volumen	Recordar
Espina dorsal	0.93	0.954	0.89
Pelvis	0.925	0.965	0.93
Cabeza femoral	0.96	0.971	0.959

Tabla 3: Rendimiento de segmentación del modelo de aprendizaje profundo para diferentes estructuras anatómicas (columna vertebral, pelvis y cabeza femoral). Las métricas de rendimiento incluyen el coeficiente de dados, la similitud de volumen (VS) y la recuperación, todas las cuales oscilan entre 0 y 1, donde los valores más cercanos a 1 indican una mejor precisión de segmentación.

Archivo complementario 1: Pseudocódigos para el preprocesamiento de imágenes (paso 3) y el entrenamiento de modelos (paso 4). Haga clic aquí para descargar este archivo.

Discusión

Este protocolo presenta un método basado en el aprendizaje profundo para segmentar imágenes de la columna vertebral cargadas por gravedad mediante CBCT que soporta peso. Los pasos clave incluyen la adquisición de imágenes, la anotación manual, el preprocesamiento y el entrenamiento del modelo. La posición adecuada del paciente y los ajustes de exposición son fundamentales para obtener imágenes de alta calidad. La desalineación o el mal posicionamiento pueden dar lugar a imágenes subóptimas, lo que dificulta que la red neuronal segmente las estructuras con precisión. El preprocesamiento también es un paso esencial y, en este protocolo, incluye la adición de ruido, la variación del brillo, la rotación y la traducción. Estas técnicas de preprocesamiento están diseñadas para preparar las imágenes para su entrada en la red neuronal, mejorando la robustez del modelo al exponerlo a varios tipos de distorsiones de la imagen.

La anotación manual es otro componente crítico del protocolo. La precisión de las anotaciones manuales afecta directamente a la capacidad del modelo para aprender y segmentar estructuras como los cuerpos vertebrales, la pelvis y la cabeza femoral. Este protocolo se centró en la segmentación de los cuerpos vertebrales, que es suficiente para medir la mayoría de los parámetros clínicamente relevantes, como el ángulo de Cobb y la rotación vertebral. Para aplicaciones que requieren la vértebra completa (incluida la lámina, las apófisis transversales y las apófisis espinosas), el modelo necesitaría entrenamiento con datos etiquetados adicionales. Además, la variabilidad de las anotaciones manuales también puede ser un desafío, lo que puede afectar a la reproducibilidad de los resultados. Para mitigar esto, se recomienda contar con varios anotadores experimentados e implementar comprobaciones de confiabilidad entre observadores.

La arquitectura U-Net, con capas convolucionales 3D y conexiones residuales, es muy adecuada para el manejo de imágenes 3D 12,13,14. La función de pérdida multinivel ayuda a preservar los detalles de las capas más profundas, lo que garantiza la precisión de la segmentación. Sin embargo, es necesario un ajuste cuidadoso de los parámetros de entrenamiento, como la velocidad de aprendizaje y la configuración de aumento, para evitar el sobreajuste y mejorar la solidez del modelo. Si bien estudios recientes han propuesto modelos de segmentación o detección de la columna vertebral adaptados a tareas específicas utilizando redes neuronales como transformadores o arquitecturas YOLO^15,16, estos generalmente se basan en imágenes de columna vertebral por TC o RM. Por el contrario, este protocolo adopta la arquitectura U-Net, que se usa más comúnmente en la tarea¹⁷ de segmentación a nivel de píxel. Más importante aún, este método está diseñado para segmentar la columna vertebral en condiciones de carga de gravedad utilizando CBCT vertical, lo que permite una evaluación de la columna vertebral en un estado de pie o de soporte de peso. Esta característica única proporciona una evaluación más realista de la alineación de la columna vertebral y las tensiones mecánicas, lo cual es crucial para diagnosticar deformidades de la columna vertebral y planificar estrategias de tratamiento. En particular, el rendimiento del modelo, como lo demuestra un coeficiente de Dice de 0,93 en la segmentación de la columna vertebral, es comparable o incluso supera el rendimiento de otros modelos basados en el aprendizaje profundo que utilizan datos de TC y RM para la segmentación de la columna^{vertebral 9,18,19}.

Este método tiene algunas limitaciones. El conjunto de datos utilizado en este estudio, si bien es adecuado para segmentar los cuerpos vertebrales, la pelvis y la cabeza femoral, se beneficiaría de la expansión para manejar mejor las deformidades espinales raras o complejas. Un conjunto de datos más grande y diverso ayudaría a que el modelo se generalizara a una gama más amplia de casos. Otra limitación es que las imágenes CBCT son sensibles a los artefactos metálicos, lo que dificulta que el modelo segmente las espinas postoperatorias con implantes metálicos. Además, este método está limitado por su alta demanda computacional, lo que requiere acceso a GPU potentes, que pueden no estar disponibles en todos los entornos clínicos y de investigación. El proceso de anotación manual lleva mucho tiempo y, debido a esto, no pudimos involucrar a varios anotadores para verificar la precisión de las anotaciones por consenso. Además, el modelo aún no ha sido validado en conjuntos de datos externos, lo que limita su generalización a otros entornos clínicos.

La capacidad de segmentar y medir con precisión los parámetros relacionados con la columna vertebral mejora el diagnóstico y la planificación del tratamiento, especialmente en casos como la escoliosis. La capacidad de exportar modelos en formato STL para la impresión 3D también tiene aplicaciones significativas en la planificación preoperatoria, lo que permite a los cirujanos practicar o hacer referencia a modelos específicos del paciente. Estos modelos tangibles son herramientas valiosas para la educación del paciente, ya que ayudan a los pacientes a comprender mejor su condición y tratamiento²⁰. Más allá de la imagen de la columna vertebral, este protocolo también se puede adaptar para segmentar otras estructuras anatómicas cargadas de gravedad, como las extremidades inferiores y las articulaciones, lo que es particularmente valioso en casos como la artrosis de rodilla o las deformidades de la cadera. Además, este protocolo tiene aplicaciones potenciales en estudios de biomecánica, donde los modelos 3D detallados de la columna vertebral u otras estructuras en condiciones de soporte de carga son cruciales para analizar la mecánica y las distribuciones de tensiones^21,22. Esto podría proporcionar información valiosa sobre la progresión de las deformidades y guiar el desarrollo de nuevas estrategias de tratamiento.

En conclusión, este protocolo ofrece un método fiable y eficiente para segmentar y analizar imágenes de la columna vertebral en condiciones de carga gravitatoria. Si bien existen algunas limitaciones, sus posibles aplicaciones en el diagnóstico, la planificación quirúrgica, los estudios biomecánicos y la educación lo convierten en una herramienta valiosa tanto en escenarios clínicos como de investigación.

Materiales

Lista de materiales utilizados en este artículo

Nombre	Empresa	Número de catálogo	Comentarios
Impresora 3D (G1400)	UnionTech, Shanghái, China	G1400	Impresora 3D de estereolitografía industrial (SLA).
CUDA versión 11.4	NVIDIA	11.4	Aceleración de GPU para el entrenamiento de modelos de aprendizaje profundo.
ITK-SNAP	de código abierto	4.0.2	para la segmentación y anotación de imágenes biomédicas en 3D.
Numpy	código abierto	1.24.4	para el procesamiento de imágenes, sitio web: https://numpy.org/about/
PyCharm	JetBrains	2023.2.1	un entorno de desarrollo integrado (IDE) utilizado para la programación de Python.
Python versión 3.8	Código abierto	3.8	Se utiliza en combinación con PyTorch para el desarrollo de modelos de aprendizaje profundo.
PyTorch versión 1.10	abierto	1.10	Marco de aprendizaje profundo utilizado para entrenar el modelo de segmentación.
SimpleITK	2.3.1	código abierto	para el procesamiento de imágenes, sitio web: https://simpleitk.org/
Resina curable UV	UnionTech, Shanghai, China	UV-001	Material utilizado en el proceso de impresión 3D SLA.
Sistema CT de viga cónica que soporta peso  (WR3D)	Angell Technology, Shenzhen, China	DX6290	Se utiliza para la adquisición de imágenes de la columna vertebral completa en condiciones de carga por gravedad
Sistema Windows 10 con CPU Intel i7-10700	Construcción personalizada (varios fabricantes)	Windows 10 Professional, 22H2	Entorno en ejecución para el entrenamiento de modelos; 32 GB de RAM, NVIDIA GeForce RTX 3090 (24 GB).