Segmentation basée sur l’apprentissage profond de la colonne vertébrale humaine chargée par gravité

Résumé

Cet article présente un protocole de segmentation de la colonne vertébrale humaine chargée de gravité dans des images CBCT portant du poids à l’aide d’un réseau neuronal convolutif 3D U-Net. La méthode fournit un outil précieux pour étudier l’alignement de la colonne vertébrale et soutient l’impression 3D et la recherche en biomécanique sur la colonne vertébrale dans des conditions de charge.

Résumé

Une analyse précise de l’alignement de la colonne vertébrale dans des conditions de charge gravitaire est essentielle pour diagnostiquer et gérer les troubles musculo-squelettiques tels que la scoliose et la discopathie dégénérative. Les techniques d’imagerie traditionnelles, telles que les radiographies 2D et la tomodensitométrie ou l’IRM en décubitus dorsal, ne capturent pas la géométrie 3D complète de la colonne vertébrale dans un état portant. La tomodensitométrie à faisceau conique porteur (CBCT) fournit des images 3D haute résolution en position debout, ce qui permet une évaluation plus précise de l’alignement de la colonne vertébrale. Cette étude présente un protocole basé sur l’apprentissage profond pour segmenter ces images à l’aide d’un réseau neuronal convolutif (CNN) U-Net avec des couches convolutives 3D et des connexions résiduelles pour segmenter les corps vertébraux, le bassin et la tête fémorale. Le protocole comprend l’acquisition d’images, l’annotation manuelle, le prétraitement et l’entraînement du modèle. Une segmentation réussie des structures anatomiques permet une mesure précise des paramètres de la colonne vertébrale cliniquement pertinents tels que l’angle de Cobb et la rotation vertébrale. De plus, les modèles 3D segmentés peuvent être exportés au format STL pour l’impression 3D, ce qui facilite la planification chirurgicale et l’éducation des patients. De plus, le protocole peut être adapté pour entraîner des modèles de segmentation pour d’autres structures anatomiques nécessitant une évaluation dans des conditions de charge gravitaire, telles que le membre inférieur. Cette méthode fournit un outil fiable et adaptable pour segmenter avec précision la colonne vertébrale et d’autres structures anatomiques dans des conditions de charge gravitaire, avec des applications pratiques à la fois dans les diagnostics cliniques et les études de recherche.

Introduction

Une analyse précise de l’alignement de la colonne vertébrale dans des conditions de charge gravitaire est essentielle pour diagnostiquer et gérer les troubles musculo-squelettiques, y compris la scoliose, la discopathie dégénérative et les déformations de la colonne vertébrale 1,2,3,4. Les techniques d’imagerie traditionnelles, telles que les radiographies 2D, ne capturent pas la géométrie 3D complète de la colonne vertébrale. Bien que la tomodensitométrie et l’IRM conventionnelles puissent produire des images 3D, ces modalités nécessitent que les patients soient imagés en position couchée. En revanche, la tomodensitométrie à faisceau conique porteur (CBCT) fournit des images 3D à haute résolution avec le patient en position debout, offrant une évaluation plus détaillée de l’alignement de la colonne vertébrale⁵.

La segmentation de la structure squelettique à partir de l’imagerie 3D est cruciale pour extraire des paramètres rachidiens cliniquement pertinents, tels que l’angle de Cobb, la rotation vertébrale et l’incidence pelvienne, qui sont nécessaires pour diagnostiquer les déformations de la colonne vertébrale et planifier des interventions chirurgicales⁶. De plus, la segmentation permet de créer des modèles 3D de structures anatomiques, ce qui facilite l’éducation des patients et la préparation chirurgicale⁷. Les technologies d’apprentissage profond, en particulier les réseaux de neurones convolutifs (CNN), ont été largement utilisées dans l’analyse de l’imagerie médicale, notamment dans la segmentation de structures anatomiques complexes à partir d’images ^8,9. La segmentation basée sur le deep learning réduit la charge de travail manuelle, minimise la variabilité de l’opérateur et améliore la précision et la cohérence de l’imagerie vertébrale.

Cet article présente un protocole basé sur l’apprentissage profond pour segmenter les épines chargées par gravité à l’aide de CBCT portant. Un CNN 3D U-Net est utilisé pour segmenter automatiquement les vertèbres, le bassin et la tête fémorale dans des conditions de charge. L’intégration de cette méthode avec la CBCT de routine fournit un outil standardisé et reproductible pour des évaluations plus précises de la colonne vertébrale, favorisant ainsi l’amélioration de la prise de décision clinique et des résultats pour les patients. Cette approche est reproductible et adaptable pour l’entraînement de modèles de segmentation pour d’autres structures anatomiques qui nécessitent une évaluation dans des conditions de charge gravitaire, telles que le membre inférieur.

Protocole

Cette étude a été menée conformément aux normes éthiques décrites dans la Déclaration d’Helsinki et a été approuvée par le Conseil d’examen institutionnel de l’hôpital de Chine occidentale de l’Université du Sichuan (approbation 834 / 2021). Les participants inclus dans l’étude ont été diagnostiqués avec une scoliose dégénérative ou une scoliose idiopathique de l’adolescent (SIA). Les critères d’exclusion englobaient les personnes ayant des antécédents de chirurgie de la colonne vertébrale, la présence d’implants rachidiens ou celles incapables de maintenir une position debout pendant la procédure d’imagerie. Tous les participants à l’étude ont donné leur consentement éclairé avant l’acquisition de l’image et la participation à la recherche. La vie privée et la confidentialité de tous les participants ont été strictement respectées tout au long de l’étude. L’équipement et les logiciels utilisés dans cette étude sont énumérés dans la table des matériaux.

1. Imagerie de la colonne vertébrale

1. Système d’imagerie et positionnement du patient
   1. Utilisez le système CBCT porteur pour acquérir l’image (Figure 1).
   2. Placez le patient sur la plate-forme debout. Sécurisez le patient avec des ceintures pour éviter les mouvements et les chutes.
   3. Demandez au patient de maintenir une position debout, une respiration stable et de minimiser les mouvements pendant le processus de balayage.
2. Acquisition d’images
   1. Sur le logiciel du système d’imagerie, définissez la plage d’imagerie.
      REMARQUE : Pour l’imagerie de la colonne vertébrale complète, la plage doit inclure la première vertèbre cervicale jusqu’aux deux têtes fémorales.
   2. Choisissez les paramètres d’exposition appropriés.
      REMARQUE : Les paramètres par défaut sont indiqués dans le Tableau 1. Ajustez les paramètres en fonction de la taille du corps du patient si nécessaire.
   3. Appuyez sur le frein à pied pour initier l’exposition. Continuez jusqu’à ce que le logiciel indique que l’acquisition de l’image est terminée.
3. Reconstruction d’image
   1. Cliquez sur le bouton Reconstruction du logiciel et ajustez les paramètres de reconstruction si nécessaire.
      REMARQUE : Les paramètres de reconstruction utilisés dans cette étude sont énumérés dans le tableau 1.

2. Annotation à l’aide d’ITK-SNAP

1. Lancement de logiciels et importation d’images
   1. Double-cliquez sur l’icône du logiciel pour lancer ITK-SNAP, un outil open source et multiplateforme pour la segmentation et l’annotation d’images biomédicales^{3D 10}.
   2. Importez l’image pour l’annotation. Cliquez sur Fichier > Ouvrir l’image principale > Parcourir. Sélectionnez le fichier image cible et cliquez sur Ouvrir pour le charger dans le logiciel.
2. Annotation
   REMARQUE : Il est recommandé de lire le tutoriel ITK-SNAP pour la segmentation manuelle¹¹ afin de vous familiariser avec les outils et fonctions de base du logiciel. Les étapes essentielles de cette expérience sont décrites ci-dessous.
   1. Pour améliorer la visibilité de l’image, ajustez le contraste de l’image en sélectionnant Outils -> Contraste de l’image -> Réglage du contraste -> Réglage du contraste de l’image basé sur la courbe. Ajustez la courbe au besoin pour améliorer le contraste.
   2. Pour créer des étiquettes pour les structures anatomiques : Appuyez sur le bouton Modifier les étiquettes dans la barre d’outils. Dans la zone de texte Description , tapez les noms des catégories de segmentation (par exemple, colonne vertébrale, pelvien, têtes fémorales). Attribuez des couleurs à chaque catégorie de segmentation et appuyez sur le bouton Fermer la fenêtre pour appliquer les modifications.
   3. Segmentation manuelle à l’aide de l’outil d’annotation de polygone : assurez-vous que l’étiquette correcte est sélectionnée dans le menu déroulant Étiquette de dessin actif du panneau Étiquette de segmentation , correspondant à la catégorie que vous êtes sur le point de segmenter.
   4. Sélectionnez Toutes les étiquettes dans le menu déroulant Dessiner au-dessus . Sélectionnez l’outil Polygone dans la boîte à outils IRIS.
   5. Utilisez l’outil polygone pour segmenter manuellement les structures en dessinant et en remplissant des polygones sur l’image. Zoomez et déplacez au besoin pour assurer la précision.
3. Enregistrement de l’annotation
   1. Une fois l’annotation terminée, cliquez sur Segmentation dans la barre de menus, puis sélectionnez Enregistrer l’image de segmentation.
   2. Dans la boîte de dialogue, définissez le nom du fichier image (par exemple, xxx.nii.gz), sélectionnez Format de fichier NIfTI et cliquez sur Terminer pour enregistrer le fichier annoté.

3. Prétraitement de l’image

REMARQUE : Dans ce protocole, le prétraitement de l’image d’entrée et des données d’étiquette cible correspondantes est implémenté à l’aide de PyCharm, un environnement de développement intégré (IDE) pour Python. Les étapes sont exécutées à l’aide de code Python, qui est fourni dans le fichier supplémentaire 1 sous forme de pseudo-code pour améliorer la lisibilité et décrire clairement les étapes clés.

1. Importer des bibliothèques et charger des images
   1. Ouvrez PyCharm et créez un nouveau script Python.
   2. Importez les bibliothèques requises pour le traitement d’images et la manipulation de données, y compris NumPy, SimpleITK et PyTorch (Fichier supplémentaire 1, Ligne de code 1).
   3. Utilisez SimpleITK pour lire l’image en niveaux de gris et l’étiquette correspondante (masque de segmentation) à partir de leurs chemins de fichiers respectifs (.nii.gz) (Fichier supplémentaire 1, Lignes de code 2-3).
2. Redimensionnement et normalisation des images
   1. Définissez la taille d’entrée de l’axe z sur 16 tranches, ce qui équilibre l’utilisation de la mémoire et conserve les informations structurelles essentielles pour la segmentation (Fichier supplémentaire 1, Ligne de code 4).
   2. Ajoutez 1000 aux valeurs de niveaux de gris de l’image et aux valeurs de clip inférieures à 0 et supérieures à un seuil défini dynamiquement entre 1000 et 3000 (Fichier supplémentaire 1, ligne de code 5).
   3. Normalisez les valeurs en niveaux de gris de l’image en divisant par le seuil (Fichier supplémentaire 1, Ligne de code 5).
3. Augmentation d’image
   1. Appliquez le bruit de Poisson pour simuler le bruit réel dans l’image (Fichier supplémentaire 1, ligne de code 6).
   2. Ajustez la luminosité de manière aléatoire d’un facteur compris entre 0,8 et 1,2 pour tenir compte des différentes conditions d’imagerie (fichier supplémentaire 1, ligne de code 7).
   3. Utilisez une approche de fenêtre glissante pour extraire des tranches 3D le long de l’axe z pour l’image et l’étiquette cible correspondante (Fichier supplémentaire 1, lignes de code 8-10).
   4. Concaténez les tranches d’image et de cible le long de la dimension du lot pour vous assurer qu’elles sont traitées ensemble lors de l’augmentation (Fichier supplémentaire 1, Ligne de code 11).
   5. Déplacez l’image et les tranches cibles de manière aléatoire le long des axes x et y d’une valeur aléatoire (Fichier supplémentaire 1, Ligne de code 12).
   6. Appliquez une rotation aléatoire sur l’image concaténée et les tranches cibles pour simuler différentes orientations d’imagerie (Fichier supplémentaire 1, Ligne de code 13).
4. Retourner les données prétraitées
   1. Renvoie l’image prétraitée et les données de l’étiquette cible au format torch.tensor pour une utilisation dans l’entraînement du réseau neuronal (Fichier supplémentaire 1, Ligne de code 14).

4. Formation du modèle

1. Importer des bibliothèques et définir l’architecture U-Net
   1. Importez les bibliothèques requises pour l’entraînement du modèle, notamment PyTorch, torch.utils.data.DataLoader et torch.optim.Adam (fichier supplémentaire 1, ligne de code 1).
   2. Utilisez le modèle U-Net avec des couches convolutives 3D et des connexions résiduelles (Fichier supplémentaire 1, Lignes de code 2).
2. Initialiser les paramètres d’entraînement et le chargement des données
   1. Configurez la fonction de perte de dés, l’optimiseur Adam et le modèle. Fixez alpha à 0,8, le taux d’apprentissage à 1e-5 et le nombre d’époques à 500 (Fichier supplémentaire 1, lignes de code 3).
   2. Récupérez les données et les étiquettes cibles correspondantes à partir du torch.utils.data.DataLoader pour chaque lot.
3. Boucle d’entraînement et passe avant
   1. Diminuer le taux d’apprentissage en le multipliant par 0,8 toutes les 100 époques pour s’assurer que le modèle affine son apprentissage au fil du temps (Fichier supplémentaire 1, Ligne de code 5).
   2. Remettre à zéro les dégradés de l’optimiseur avant de traiter chaque lot pour s’assurer que les dégradés précédents ne s’accumulent pas (Fichier supplémentaire 1, Ligne de code 7).
   3. Entrez le lot de données dans le modèle pour générer des prédictions pour la segmentation (Fichier supplémentaire 1, Ligne de code 8).
   4. Calculez la perte de dés à quatre profondeurs différentes (loss_0, loss_1, loss_2, loss_3) pour capturer des informations provenant de différentes couches du réseau (Fichier supplémentaire 1, lignes de code 9-12).
4. Perte totale, rétropropagation et optimisation
   1. Calculez la perte totale à l’aide de la formule suivante : perte totale = loss_3 + × alpha (loss_0 + loss_1 + loss_2) (Fichier supplémentaire 1, ligne de code 13).
   2. Calculer les gradients en effectuant une rétropropagation sur la perte totale pour mettre à jour les poids du réseau (Fichier supplémentaire 1, Ligne de code 14).
   3. Mettez à jour les poids du modèle à l’aide de l’optimiseur pour ajuster les paramètres du réseau en fonction des gradients calculés (Fichier supplémentaire 1, Ligne de code 15).
5. Ajustements pour l’alpha
   1. Toutes les 30 époques, réduisez la valeur de alpha en la multipliant par 0,8 pour réduire l’influence des pertes de couches précédentes au fur et à mesure que l’entraînement progresse (Fichier supplémentaire 1, Ligne de code 16).

Résultats

Résultats de la segmentation
Dans cette étude, trois structures anatomiques - la colonne vertébrale, le bassin et la tête fémorale - ont été segmentées. Le bassin et les têtes fémorales ont été inclus parce que certains paramètres de la colonne vertébrale nécessitent des points de repère de ces structures pour la mesure. L’ensemble de données de chaque structure a été divisé en ensembles d’entraînement et de test, comme indiqué dans le tableau 2.

Les performances de segmentation ont été évaluées à l’aide de trois mesures standard, notamment le coefficient de Dice, la similarité de volume (VS) et Recall :

Où TP signifie Vrai Positif, FP Faux Positif, FN Faux Négatif.

Après avoir entraîné le réseau pour 500 époques, les résultats de la segmentation ont été évalués sur la base des métriques. Les performances de chaque structure anatomique sont présentées dans le tableau 3. Ces résultats démontrent l’efficacité du modèle de segmentation basé sur U-Net proposé pour la colonne vertébrale, le bassin et la tête fémorale. La figure 2 présente un résultat de segmentation représentatif des structures anatomiques.

Applications de post-segmentation

Mesure de paramètres 3D cliniquement pertinents
Les modèles 3D générés par la segmentation automatique peuvent être utilisés pour mesurer une gamme de paramètres cliniquement importants, tels que l’angle de Cobb, la rotation vertébrale, la cyphose thoracique, la lordose lombaire, l’incidence pelvienne, l’inclinaison pelvienne et la pente sacrée. Ici, nous affichons la mesure de ces paramètres à l’aide d’un programme développé par nos soins, qui traite les données segmentées et fournit des mesures précises et automatiques de la colonne vertébrale et des structures associées (Figure 3).

Impression 3D
Le modèle 3D obtenu par segmentation automatique et post-traitement par l’IA peut être exporté au format STL, un format de fichier de modèle 3D général, qui est largement pris en charge par les logiciels d’impression 3D. Pour cette étude, l’imprimante 3D utilisée était une imprimante stéréolithographique industrielle (SLA), qui utilise de la résine durcissable aux ultraviolets (UV) comme matériau d’impression. Des connexions ont été appliquées entre les parties isolées du modèle segmenté, assurant une structure cohérente qui peut être imprimée comme un modèle unique et unifié. Ce processus permet la reproduction physique de l’anatomie du patient, qui peut être utilisée pour la planification chirurgicale, la communication avec le patient et les outils éducatifs. La figure 4 présente un modèle imprimé en 3D dérivé des données segmentées par l’IA.

Figure 1 : Positionnement du patient pour l’imagerie par tomodensitométrie à faisceau conique (CBCT). Le patient est placé sur la plate-forme debout et sécurisé avec des ceintures pour éviter tout mouvement et chute pendant l’examen. Le patient s’agrippe au support supérieur pour maintenir une position stable tandis que le système CBCT capture des images 3D de la colonne vertébrale dans des conditions de charge gravitaire. Veuillez cliquer ici pour voir une version agrandie de cette figure.

Figure 2 : Résultats de segmentation de la colonne vertébrale, du bassin et de la tête fémorale en vues axiale, sagittale et coronale. La première colonne présente les images CBCT, suivies de la vérité terrain, puis des résultats de segmentation obtenus à partir du modèle d’apprentissage profond. Les superpositions rouges dans les deuxième et troisième colonnes indiquent les zones segmentées pour les corps vertébraux, le bassin et la tête fémorale dans les trois vues. Les images démontrent la grande précision du modèle dans la capture des structures anatomiques, ce qui correspond le plus à la réalité du terrain. Veuillez cliquer ici pour voir une version agrandie de cette figure.

Figure 3 : Mesure de paramètres cliniquement pertinents sur les structures segmentées de la colonne vertébrale et du bassin. (A) Mesure de l’angle de Cobb (8,9°) entre les vertèbres T11 et L3 dans le plan coronal. (B) Mesure de la cyphose thoracique (T1-T12 : 21,2°) dans le plan sagittal. (C) Mesure de la lordose lombaire (L1-L5 : 26,4°) dans le plan sagittal. (D) Rotation vertébrale (VR : 3,3°) de L2 par rapport au bassin dans le plan axial. (E) Paramètres pelviens, y compris l’inclinaison pelvienne (PT : 21,0°), la pente sacrée (SS : 26,1°) et l’incidence pelvienne (IP : 47,1°), mesurés sur la vue sagittale. Veuillez cliquer ici pour voir une version agrandie de cette figure.

Figure 4 : Modèle STL et modèle physique imprimé en 3D de la colonne vertébrale et du bassin. L’image de gauche montre le modèle 3D de la colonne vertébrale et du bassin au format STL, préparé pour l’impression 3D. L’image de droite montre le modèle physique correspondant imprimé à l’aide de la technologie de stéréolithographie (SLA). Veuillez cliquer ici pour voir une version agrandie de cette figure.

Paramètres	Paramètres par défaut
Tension du tube	110 kV
Courant du tube	6 mA
Fréquence d’images	12 images par seconde
Reconstruction du champ de vision	350 millimètre
Épaisseur de la tranche	2 millimètres
Espacement entre les tranches	1 millimètre

Tableau 1 : Paramètres par défaut pour l’exposition et la reconstruction. Paramètres d’exposition et de reconstruction par défaut pour l’imagerie par tomodensitométrie à faisceau conique porteur de la colonne vertébrale entière.

Étiquette	Jeu de données d’entraînement	Jeu de données de test
Colonne vertébrale	100	20
Bassin	57	6
Tête fémorale	47	5

Tableau 2 : Ensemble de données utilisé pour l’entraînement et la mise à l’essai du modèle d’image CBCT. Le tableau montre le nombre d’images utilisées pour entraîner et tester le modèle de segmentation de la colonne vertébrale, du bassin et de la tête fémorale.

Étiquette	Coefficient de dés	Similitude de volume	Rappeler
Colonne vertébrale	0.93	0.954	0.89
Bassin	0.925	0.965	0.93
Tête fémorale	0.96	0.971	0.959

Tableau 3 : Performance de segmentation du modèle d’apprentissage profond pour différentes structures anatomiques (colonne vertébrale, bassin et tête fémorale). Les indicateurs de performance incluent le coefficient de dés, la similarité de volume (VS) et le rappel, qui vont tous de 0 à 1, tandis que les valeurs plus proches de 1 indiquent une meilleure précision de segmentation.

Fichier supplémentaire 1 : Pseudo-codes pour le prétraitement d’images (étape 3) et l’entraînement du modèle (étape 4). Veuillez cliquer ici pour télécharger ce fichier.

Discussion

Ce protocole introduit une méthode basée sur l’apprentissage profond pour segmenter les images vertébrales chargées par gravité à l’aide de CBCT avec poids. Les étapes clés comprennent l’acquisition d’images, l’annotation manuelle, le prétraitement et l’entraînement du modèle. Le positionnement du patient et les paramètres d’exposition appropriés sont essentiels pour obtenir des images de haute qualité. Un mauvais alignement ou un mauvais positionnement peut conduire à des images sous-optimales, ce qui rend difficile pour le réseau neuronal de segmenter les structures avec précision. Le prétraitement est également une étape essentielle, et dans ce protocole, il comprend l’ajout de bruit, la variation de la luminosité, la rotation et la translation. Ces techniques de prétraitement sont conçues pour préparer les images à l’entrée dans le réseau neuronal, améliorant ainsi la robustesse du modèle en l’exposant à divers types de distorsions d’image.

L’annotation manuelle est un autre élément essentiel du protocole. La précision des annotations manuelles a un impact direct sur la capacité du modèle à apprendre et à segmenter des structures telles que les corps vertébraux, le bassin et la tête fémorale. Ce protocole s’est concentré sur la segmentation des corps vertébraux, ce qui est suffisant pour mesurer la plupart des paramètres cliniquement pertinents comme l’angle de Cobb et la rotation vertébrale. Pour les applications nécessitant la vertèbre complète (y compris les lames, les apophyses transverses et les apophyses épineuses), le modèle aurait besoin d’un entraînement avec des données marquées supplémentaires. De plus, la variabilité des annotations manuelles peut également être un défi, ce qui peut avoir un impact sur la reproductibilité des résultats. Pour atténuer ce problème, nous vous recommandons de faire appel à plusieurs annotateurs expérimentés et de mettre en œuvre des contrôles de fiabilité entre observateurs.

L’architecture U-Net, avec des couches convolutives 3D et des connexions résiduelles, est bien adaptée à la gestion d’images 3D 12,13,14. La fonction de perte à plusieurs niveaux permet de préserver les détails des couches plus profondes, garantissant ainsi la précision de la segmentation. Cependant, un réglage minutieux des paramètres d’entraînement, tels que le taux d’apprentissage et les paramètres d’augmentation, est nécessaire pour éviter le surajustement et améliorer la robustesse du modèle. Bien que des études récentes aient proposé des modèles de segmentation ou de détection de la colonne vertébrale adaptés à des tâches spécifiques à l’aide de réseaux neuronaux tels que des transformateurs ou des architectures YOLO^15,16, ceux-ci reposent généralement sur des images de la colonne vertébrale par tomodensitométrie ou IRM. En revanche, ce protocole adopte l’architecture U-Net, qui est plus couramment utilisée dans la tâche de segmentation au niveau des pixels¹⁷. Plus important encore, cette méthode est conçue pour segmenter la colonne vertébrale dans des conditions de charge gravitaire à l’aide d’un CBCT vertical, permettant une évaluation de la colonne vertébrale en position debout ou en charge. Cette caractéristique unique fournit une évaluation plus réaliste de l’alignement de la colonne vertébrale et des contraintes mécaniques, ce qui est crucial pour diagnostiquer les déformations de la colonne vertébrale et planifier des stratégies de traitement. Notamment, les performances du modèle, comme le démontre un coefficient de dés de 0,93 dans la segmentation de la colonne vertébrale, sont comparables, voire supérieures, aux performances d’autres modèles basés sur l’apprentissage profond qui utilisent des données de tomodensitométrie et d’IRM pour la segmentation de la colonne vertébrale ^9,18,19.

Cette méthode présente certaines limites. L’ensemble de données utilisé dans cette étude, bien qu’adéquat pour segmenter les corps vertébraux, le bassin et la tête fémorale, bénéficierait d’une expansion pour mieux gérer les déformations vertébrales rares ou complexes. Un ensemble de données plus vaste et plus diversifié aiderait le modèle à se généraliser à un plus large éventail de cas. Une autre limitation est que l’imagerie CBCT est sensible aux artefacts métalliques, ce qui rend difficile pour le modèle de segmenter les épines postopératoires avec des implants métalliques. De plus, cette méthode est limitée par sa forte demande de calcul, nécessitant l’accès à des GPU puissants, qui peuvent ne pas être disponibles dans tous les contextes cliniques et de recherche. Le processus d’annotation manuelle prend beaucoup de temps et, de ce fait, nous n’avons pas été en mesure d’impliquer plusieurs annotateurs pour vérifier l’exactitude des annotations par consensus. De plus, le modèle n’a pas encore été validé sur des ensembles de données externes, ce qui limite sa généralisabilité à d’autres contextes cliniques.

La capacité de segmenter et de mesurer avec précision les paramètres liés à la colonne vertébrale améliore le diagnostic et la planification du traitement, en particulier dans des cas comme la scoliose. La possibilité d’exporter des modèles au format STL pour l’impression 3D a également des applications importantes dans la planification préopératoire, permettant aux chirurgiens de pratiquer ou de référencer des modèles spécifiques au patient. Ces modèles tangibles sont des outils précieux pour l’éducation des patients, qui les aident à mieux comprendre leur maladie et leur traitement²⁰. Au-delà de l’imagerie de la colonne vertébrale, ce protocole peut également être adapté pour segmenter d’autres structures anatomiques chargées par gravité, telles que les membres inférieurs et les articulations, ce qui est particulièrement précieux dans des cas tels que l’arthrose du genou ou les déformations de la hanche. De plus, ce protocole a des applications potentielles dans les études biomécaniques, où des modèles 3D détaillés de la colonne vertébrale ou d’autres structures dans des conditions de charge sont cruciaux pour l’analyse de la mécanique et des distributions de contraintes^21,22. Cela pourrait fournir des informations précieuses sur la progression des difformités et guider le développement de nouvelles stratégies de traitement.

En conclusion, ce protocole offre une méthode fiable et efficace pour segmenter et analyser les images vertébrales dans des conditions de charge gravitaire. Bien qu’il y ait certaines limites, ses applications potentielles dans le diagnostic, la planification chirurgicale, les études biomécaniques et l’éducation en font un outil précieux dans les scénarios cliniques et de recherche.

Matériaux

Liste des matériaux utilisés dans cet article

Nom	Entreprise	Numéro de catalogue	Commentaires
Imprimante 3D (G1400)	UnionTech, Shanghai, Chine	Imprimante 3D stéréolithographie industrielle (SLA)	G1400
CUDA version 11.4	NVIDIA	11.4	pour l’entraînement de modèles d’apprentissage en profondeur.
ITK-SNAP	Logiciel open source	4.0.2	pour la segmentation et l’annotation d’images biomédicales 3D.
Numpy	Bibliothèque python open source	1.24.4	pour le traitement d’images, site web : https://numpy.org/about/
PyCharm	JetBrains	2023.2.1	un environnement de développement intégré (IDE) utilisé pour la programmation Python.
Python version 3.8	Open source	3.8	Utilisé en combinaison avec PyTorch pour le développement de modèles d’apprentissage en profondeur.
PyTorch version 1.10	Open source	1.10	Cadre d’apprentissage profond utilisé pour l’entraînement du modèle de segmentation.
SimpleITK	Open source	2.3.1	python library for image processing, site web :
https://simpleitk.org/ UV-Curable Resin	UnionTech, Shanghai, China	UV-001	Matériau utilisé dans le processus d’impression 3D SLA.
Système de tomodensitométrie à faisceau conique porteur (WR3D)	Angell Technology, Shenzhen, Chine	DX6290	Utilisé pour l’acquisition d’images de la colonne vertébrale entière dans des conditions de charge
par gravité Système Windows 10 avec processeur Intel i7-10700	Construction personnalisée (divers fabricants)	Windows 10 Professionnel, 22H2	Environnement d’exécution pour l’entraînement des modèles ; 32 Go de RAM, NVIDIA GeForce RTX 3090 (24 Go).