פילוח מבוסס למידה עמוקה של עמוד השדרה האנושי הטעון בכוח הכבידה

Hanyu Li; Zejun Liang; Jianrong He; Fanzhuang Rong; Xiaocheng Yu; Zengtong Chen; Han Zheng; Wanlin Peng; Chunchao Xia; Zhenlin Li; Jing Tang

doi:10.3791/67781

מאמר שיטה

פילוח מבוסס למידה עמוקה של עמוד השדרה האנושי הטעון בכוח הכבידה

DOI:

10.3791/67781

⸱

10 ביוני 2025

Hanyu Li^*¹ , Zejun Liang^*² , Jianrong He² , Fanzhuang Rong³ , Xiaocheng Yu³ , Zengtong Chen³ , Han Zheng³ , Wanlin Peng² , Chunchao Xia² , Zhenlin Li² , Jing Tang²

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

במאמר זה

סיכום

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

מאמר זה מציג פרוטוקול לפילוח עמוד השדרה האנושי הטעון בכוח הכבידה בתמונות CBCT נושאות משקל באמצעות רשת עצבית קונבולוציונית תלת מימדית U-Net. השיטה מספקת כלי רב ערך לחקר יישור עמוד השדרה ותומכת בהדפסת תלת מימד ובמחקר ביומכני על עמוד השדרה בתנאים נושאי עומס.

תקציר

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

ניתוח מדויק של יישור עמוד השדרה בתנאים טעוני כוח משיכה חיוני לאבחון וניהול הפרעות שרירים ושלד כגון עקמת ומחלת דיסק ניוונית. טכניקות הדמיה מסורתיות, כגון צילומי רנטגן דו-ממדיים ו-CT או MRI, אינן לוכדות את הגיאומטריה התלת-ממדית המלאה של עמוד השדרה במצב נושא עומס. טומוגרפיה ממוחשבת של קרן חרוט נושאת משקל (CBCT) מספקת תמונות תלת מימד ברזולוציה גבוהה במצב עמידה, ומאפשרת הערכה מדויקת יותר של יישור עמוד השדרה. מחקר זה מציג פרוטוקול מבוסס למידה עמוקה לפילוח תמונות אלו באמצעות רשת עצבית קונבולוציונית U-Net (CNN) עם שכבות קונבולוציוניות תלת מימדיות וחיבורים שיוריים לפילוח גופי החוליות, האגן וראש הירך. הפרוטוקול כולל רכישת תמונות, הערות ידניות, עיבוד מקדים והדרכת מודלים. סגמנטציה מוצלחת של המבנים האנטומיים מאפשרת מדידה מדויקת של פרמטרים רלוונטיים מבחינה קלינית בעמוד השדרה כגון זווית קוב וסיבוב חוליות. בנוסף, ניתן לייצא את דגמי התלת מימד המפולחים בפורמט STL להדפסת תלת מימד, מה שמקל על תכנון כירורגי וחינוך מטופלים. יתר על כן, ניתן להתאים את הפרוטוקול לאימון מודלים של פילוח עבור מבנים אנטומיים אחרים הדורשים הערכה בתנאים טעוני כוח משיכה, כגון הגפה התחתונה. שיטה זו מספקת כלי אמין וניתן להתאמה לפילוח מדויק של עמוד השדרה ומבנים אנטומיים אחרים בתנאים טעוני כוח משיכה, עם יישומים מעשיים הן באבחון קליני והן במחקרים מחקריים.

מבוא

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

ניתוח מדויק של יישור עמוד השדרה בתנאים טעוני כוח הכבידה חיוני לאבחון וניהול הפרעות שרירים ושלד, כולל עקמת, מחלת דיסק ניוונית ועיוותים בעמוד השדרה 1,2,3,4. טכניקות הדמיה מסורתיות, כגון צילומי רנטגן דו-ממדיים, אינן לוכדות את הגיאומטריה התלת-ממדית המלאה של עמוד השדרה. למרות ש-CT ו-MRI קונבנציונליים יכולים לייצר תמונות תלת מימד, שיטות אלה דורשות הדמיה של המטופלים במצב שכיבה. לעומת זאת, טומוגרפיה ממוחשבת של קרן חרוט נושאת משקל (CBCT) מספקת תמונות תלת מימד ברזולוציה גבוהה עם המטופל בעמידה, ומציעה הערכה מפורטת יותר של יישור עמוד השדרה⁵.

פילוח מבנה השלד מהדמיה תלת מימדית הוא חיוני לחילוץ פרמטרים רלוונטיים מבחינה קלינית בעמוד השדרה, כגון זווית קוב, סיבוב חוליות ושכיחות אגן, הנחוצים לאבחון עיוותים בעמוד השדרה ולתכנון ניתוחים⁶. בנוסף, סגמנטציה מאפשרת יצירת מודלים תלת מימדיים של מבנים אנטומיים, התומכים בחינוך המטופל והכנה כירורגית⁷. טכנולוגיות למידה עמוקה, במיוחד רשתות עצביות קונבולוציוניות (CNNs), היו בשימוש נרחב בניתוח הדמיה רפואית, במיוחד בפילוח של מבנים אנטומיים מורכבים מתמונות ^8,9. פילוח מבוסס למידה עמוקה מפחית את עומס העבודה הידני, ממזער את השונות של המפעיל ומשפר את הדיוק והעקביות בהדמיית עמוד השדרה.

מאמר זה מציג פרוטוקול מבוסס למידה עמוקה לפילוח קוצים טעוני כוח משיכה באמצעות CBCT נושא משקל. CNN תלת מימדי U-Net משמש לפילוח אוטומטי של החוליות, האגן וראש הירך בתנאים נושאי עומס. שילוב של שיטה זו עם CBCT נושא משקל שגרתי מספק כלי סטנדרטי וניתן לשחזור להערכות מדויקות יותר של עמוד השדרה, ובכך תומך בשיפור קבלת ההחלטות הקליניות ותוצאות המטופלים. גישה זו ניתנת לשכפול והתאמה לאימון מודלים של פילוח עבור מבנים אנטומיים אחרים הדורשים הערכה בתנאים טעוני כוח משיכה, כגון הגפה התחתונה.

פרוטוקול

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

מחקר זה נערך בהתאם לסטנדרטים האתיים המפורטים בהצהרת הלסינקי ואושר על ידי מועצת הביקורת המוסדית של בית החולים מערב סין, אוניברסיטת סצ'ואן (אישור 834/2021). המשתתפים שנכללו במחקר אובחנו עם עקמת ניוונית או עקמת אידיופטית של מתבגרים (AIS). קריטריוני ההדרה כללו אנשים עם היסטוריה של ניתוחי עמוד שדרה, נוכחות של שתלי עמוד שדרה או כאלה שאינם מסוגלים לשמור על תנוחת עמידה במהלך הליך ההדמיה. כל המשתתפים המעורבים במחקר סיפקו הסכמה מדעת לפני רכישת התמונה והשתתפות במחקר. הפרטיות והסודיות של כל המשתתפים נשמרו בקפדנות לאורך כל המחקר. הציוד והתוכנה ששימשו במחקר זה מפורטים בטבלת החומרים.

1. הדמיה של עמוד השדרה

מערכת הדמיה ומיקום המטופל
1. השתמש במערכת CBCT נושאת המשקל כדי לרכוש את התמונה (איור 1).
2. הנח את המטופל על משטח העמידה. אבטח את המטופל בחגורות למניעת תנועה ונפילות.
3. הנחו את המטופל לשמור על תנוחת עמידה, נשימה יציבה ולמזער תנועה במהלך תהליך הסריקה.
רכישת תמונות
1. בתוכנת מערכת ההדמיה, הגדר את טווח ההדמיה.
  הערה: להדמיה של עמוד שדרה מלא, הטווח צריך לכלול את חוליית צוואר הרחם הראשונה עד לשני ראשי הירך.
2. בחר את פרמטרי החשיפה המתאימים.
  הערה: פרמטרי ברירת המחדל מוצגים בטבלה 1. התאם את הפרמטרים על סמך גודל גופו של המטופל לפי הצורך.
3. לחצו על בלם הרגל כדי להתחיל בחשיפה. המשך עד שהתוכנה תציין שרכישת התמונה הושלמה.
שחזור תמונה
1. לחץ על שחזור כפתור בתוכנה והתאם את פרמטרי השחזור לפי הצורך.
  הערה: פרמטרי השחזור המשמשים במחקר זה מפורטים בטבלה 1.

2. הערות באמצעות ITK-SNAP

הפעלת תוכנה וייבוא תמונות
1. לחץ פעמיים על סמל התוכנה כדי להפעיל את ITK-SNAP, כלי קוד פתוח ורב-פלטפורמות לפילוח והערות תלת מימד של תמונות ביו-רפואיות¹⁰.
2. ייבא את התמונה לביאורים. לחץ על קובץ -> פתח תמונה ראשית -> עיון. בחר את קובץ תמונת היעד ולחץ על פתח כדי לטעון אותו לתוכנה.
ביאור
הערה: מומלץ לקרוא את המדריך ITK-SNAP לפילוח ידני¹¹ כדי להכיר את הכלים והפונקציות הבסיסיות של התוכנה. השלבים החיוניים לניסוי זה מתוארים להלן.
1. כדי לשפר את נראות התמונה, התאם את ניגודיות התמונה על ידי בחירה בכלים -> ניגודיות תמונה -> התאמת ניגודיות -> התאמת ניגודיות תמונה מבוססת עקומה. התאימו את העקומה לפי הצורך כדי לשפר את הניגודיות.
2. יצירת תוויות למבנים אנטומיים: לחץ על כפתור עריכת תוויות בסרגל הכלים. בתיבת הטקסט תיאור , הקלד את שמות קטגוריות הפילוח (לדוגמה, עמוד שדרה, אגן, ראשי עצם הירך). הקצה צבעים לכל קטגוריית פילוח ולחץ על כפתור סגור חלון כדי להחיל את השינויים.
3. פילוח ידני באמצעות כלי ביאור המצולע: ודא שהתווית הנכונה נבחרה מהתפריט הנפתח תווית ציור פעיל בלוח תווית פילוח , התואמת לקטגוריה שאתה עומד לפלח.
4. בחר את כל התוויות בתפריט הנפתח צייר מעל . בחר בכלי מצולע בארגז הכלים IRIS.
5. השתמשו בכלי מצולע כדי לפלח ידנית את המבנים באמצעות ציור ומילוי מצולעים בתמונה. הגדל והזז לפי הצורך כדי להבטיח דיוק.
שמירת הביאור
1. לאחר השלמת הביאור, לחץ על פילוח בשורת התפריטים ולאחר מכן בחר שמור תמונת סגמנטציה.
2. בתיבת הדו-שיח, הגדר את שם קובץ התמונה (למשל, xxx.nii.gz), בחר פורמט קובץ כ- NIfTI, ולחץ על סיום כדי לשמור את הקובץ המבואר.

3. עיבוד מקדים של תמונה

הערה: בפרוטוקול זה, עיבוד מקדים של תמונה עבור תמונת הקלט ונתוני תווית היעד המתאימים מיושם באמצעות PyCharm, סביבת פיתוח משולבת (IDE) עבור Python. השלבים מבוצעים באמצעות קוד Python, המסופק בקובץ משלים 1 כפסאודו-קוד כדי לשפר את הקריאות ולתאר בבירור את שלבי המפתח.

ייבוא ספריות וטעינת תמונות
1. פתח את PyCharm וצור סקריפט Python חדש.
2. ייבא את הספריות הנדרשות לעיבוד תמונה ומניפולציה של נתונים, כולל NumPy, SimpleITK ו-PyTorch (קובץ משלים 1, שורת קוד 1).
3. השתמש ב-SimpleITK כדי לקרוא את התמונה בגווני אפור ואת התווית המתאימה (מסיכת סגמנטציה) מנתיבי הקבצים המתאימים (.nii.gz) (קובץ משלים 1, שורות קוד 2-3).
שינוי גודל תמונה ונורמליזציה
1. הגדר את גודל הקלט עבור ציר z ל-16 פרוסות, מה שמאזן את השימוש בזיכרון ושומר על מידע מבני חיוני לסגמנטציה (קובץ משלים 1, שורת קוד 4).
2. הוסף 1000 לערכי גווני האפור של ערכי התמונה והחיתוך מתחת ל- 0 ומעלה, סף שנקבע באופן דינמי בין 1000 ל- 3000 (קובץ משלים 1, שורת קוד 5).
3. נרמלו את ערכי גווני האפור של התמונה באמצעות חלוקה בסף (קובץ משלים 1, שורת קוד 5).
הגדלת תמונה
1. החל רעש פואסון כדי לדמות רעש בעולם האמיתי בתמונה (קובץ משלים 1, שורת קוד 6).
2. התאם באופן אקראי את הבהירות בפקטור שבין 0.8 ל-1.2 כדי לקחת בחשבון תנאי הדמיה משתנים (קובץ משלים 1, שורת קוד 7).
3. השתמש בגישת חלון הזזה כדי לחלץ פרוסות תלת-ממדיות לאורך ציר z הן עבור התמונה והן עבור תווית היעד המתאימה (קובץ משלים 1, שורות קוד 8-10).
4. שרשר את התמונה ואת פרוסות היעד לאורך ממד האצווה כדי להבטיח שהן מעובדות יחד במהלך ההגדלה (קובץ משלים 1, שורת קוד 11).
5. תרגם את התמונה ואת פרוסות היעד באופן אקראי לאורך צירי x ו- y בערך אקראי (קובץ משלים 1, שורת קוד 12).
6. החל סיבוב אקראי על התמונה המשורשרת ועל פרוסות היעד כדי לדמות כיווני הדמיה שונים (קובץ משלים 1, שורת קוד 13).
החזרת נתונים מעובדים מראש
1. החזר את נתוני התמונה ותווית היעד המעובדים מראש בפורמט torch.tensor לשימוש באימון רשת עצבית (קובץ משלים 1, שורת קוד 14).

4. אימון מודל

ייבוא ספריות והגדרת ארכיטקטורת U-Net
1. ייבא את הספריות הנדרשות לאימון מודלים, כולל PyTorch, torch.utils.data.DataLoader ו- torch.optim.Adam (קובץ משלים 1, שורת קוד 1).
2. השתמש במודל U-Net עם שכבות קונבולוציוניות תלת מימדיות וחיבורים שיוריים (קובץ משלים 1, שורות קוד 2).
אתחול פרמטרי אימון וטעינת נתונים
1. הגדר את פונקציית אובדן הקוביות, אופטימיזציה של אדם והמודל. הגדר את אלפא ל-0.8, את קצב הלמידה ל-1e-5 ואת מספר התקופות ל-500 (קובץ משלים 1, שורות קוד 3).
2. אחזר את הנתונים ואת תוויות היעד המתאימות מ-torch.utils.data.DataLoader עבור כל אצווה.
לולאת אימון ומסירה קדימה
1. הפחת את קצב הלמידה על ידי הכפלתו ב-0.8 כל 100 תקופות כדי להבטיח שהמודל מכוונן את הלמידה שלו לאורך זמן (קובץ משלים 1, שורת קוד 5).
2. אפס את השיפועים של האופטימיזציה לאפס לפני עיבוד כל אצווה כדי להבטיח שהשיפועים הקודמים לא יצטברו (משלים file 1, שורת קוד 7).
3. הזן את אצוות הנתונים למודל כדי ליצור תחזיות לפילוח (קובץ משלים 1, שורת קוד 8).
4. חשב את אובדן הקוביות בארבעה עומקים שונים (loss_0, loss_1, loss_2 loss_3) כדי ללכוד מידע משכבות שונות של הרשת (קובץ משלים 1, שורות קוד 9-12).
אובדן מוחלט, התפשטות לאחור ואופטימיזציה
1. חשב אובדן כולל באמצעות הנוסחה: אובדן כולל = loss_3 + אלפא × (loss_0 + loss_1 + loss_2) (קובץ משלים 1, שורת קוד 13).
2. חשב את השיפועים על ידי ביצוע התפשטות לאחור על האובדן הכולל כדי לעדכן את משקלי הרשת (קובץ משלים 1, שורת קוד 14).
3. עדכן את משקלי המודל באמצעות האופטימיזציה כדי להתאים את פרמטרי הרשת על סמך השיפועים המחושבים (קובץ משלים 1, שורת קוד 15).
התאמות לאלפא
1. כל 30 תקופות, הפחיתו את ערך האלפא על ידי הכפלתו ב-0.8 כדי להפחית את ההשפעה של אובדן שכבה מוקדם יותר ככל שהאימון מתקדם (קובץ משלים 1, שורת קוד 16).

תוצאות

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

תוצאות פילוח
במחקר זה חולקו שלושה מבנים אנטומיים - עמוד השדרה, האגן וראשי הירך. ראשי האגן והירך נכללו מכיוון שפרמטרים מסוימים של עמוד השדרה דורשים ציוני דרך ממבנים אלה למדידה. מערך הנתונים עבור כל מבנה חולק לערכות הדרכה ובדיקה כמתואר בטבלה 2.

ביצועי הפילוח הוערכו באמצעות שלושה מדדים סטנדרטיים, כולל מקדם קוביות, דמיון נפח (VS) וזיכרון:

figure-results-1

figure-results-2

figure-results-3

כאשר TP מציין חיובי אמיתי, FP מציין חיובי מוטעה, FN מציין שלילי מוטעה.

לאחר הכשרת הרשת במשך 500 תקופות, תוצאות הפילוח הוערכו על סמך המדדים. הביצועים עבור כל מבנה אנטומי מוצגים בטבלה 3. תוצאות אלו מדגימות את היעילות של מודל הפילוח המוצע מבוסס U-Net על פני עמוד השדרה, האגן וראשי הירך. איור 2 מציג תוצאת פילוח מייצגת של המבנים האנטומיים.

יישומים לאחר פילוח

מדידת פרמטרים רלוונטיים קלינית בתלת מימד
ניתן להשתמש במודלים התלת מימדיים שנוצרו באמצעות פילוח אוטומטי למדידת מגוון פרמטרים חשובים מבחינה קלינית, כגון זווית קוב, סיבוב חוליות, קיפוזיס בית החזה, לורדוזיס מותני, שכיחות אגן, הטיית אגן ושיפוע קודש. כאן, אנו מציגים את המדידה של פרמטרים אלה באמצעות תוכנה שפותחה בעצמה, המעבדת את הנתונים המפולחים ומספקת מדידות מדויקות ואוטומטיות של עמוד השדרה והמבנים הקשורים אליו (איור 3).

הדפסת תלת מימד
ניתן לייצא את מודל התלת מימד המתקבל על ידי פילוח אוטומטי של AI ועיבוד לאחר מכן לפורמט STL, פורמט קובץ מודל תלת מימד כללי, הנתמך באופן נרחב על ידי תוכנת הדפסת תלת מימד. במחקר זה, מדפסת התלת מימד ששימשה הייתה מדפסת סטריאוליתוגרפיה תעשייתית (SLA), המשתמשת בשרף אולטרה סגול (UV) כחומר ההדפסה. חיבורים יושמו בין החלקים המבודדים של המודל המפולח, מה שמבטיח מבנה מגובש שניתן להדפיס כמודל יחיד ומאוחד. תהליך זה מאפשר שכפול פיזי של האנטומיה של המטופל, שיכול לשמש לתכנון כירורגי, תקשורת עם המטופל וכלים חינוכיים. איור 4 מדגים מודל מודפס בתלת מימד הנגזר מהנתונים המפולחים בינה מלאכותית.

figure-results-4
איור 1: מיקום המטופל עבור הדמיית טומוגרפיה ממוחשבת של קרן חרוט (CBCT) נושאת משקל. המטופל מונח על משטח העמידה ומאובטח בחגורות כדי למנוע תנועה ונפילה במהלך הסריקה. המטופל אוחז בתמיכה העליונה כדי לשמור על מיקום יציב בזמן שמערכת CBCT מצלמת תמונות תלת מימד של עמוד השדרה בתנאים טעוני כוח משיכה. אנא לחץ כאן לצפייה בגרסה גדולה יותר של איור זה.

figure-results-5
איור 2: תוצאות סגמנטציה עבור עמוד השדרה, האגן וראש הירך בתצוגות ציריות, סגיטליות ועטרה. העמודה הראשונה מציגה את תמונות ה-CBCT, ואחריה את האמת הבסיסית, ולאחר מכן את תוצאות הפילוח המתקבלות ממודל הלמידה העמוקה. השכבות האדומות בעמודות השנייה והשלישית מציינות את האזורים המפולחים של גופי החוליות, האגן וראש הירך בכל שלושת התצוגות. התמונות מדגימות את הדיוק הגבוה של המודל בלכידת מבנים אנטומיים, התואמים באופן הדוק את האמת הקרקעית. אנא לחץ כאן לצפייה בגרסה גדולה יותר של איור זה.

figure-results-6
איור 3: מדידת פרמטרים רלוונטיים מבחינה קלינית על מבני עמוד שדרה ואגן מקוטעים. (A) מדידת זווית Cobb (8.9°) בין חוליות T11 ו-L3 במישור העטרה. (B) מדידת קיפוזיס בית החזה (T1-T12: 21.2°) במישור הסגיטלי. (C) מדידת לורדוזיס מותני (L1-L5: 26.4°) במישור הסגיטלי. (D) סיבוב חוליות (VR: 3.3°) של L2 ביחס לאגן במישור הצירי. (E) פרמטרים של האגן, כולל הטיית האגן (PT: 21.0°), שיפוע העצה (SS: 26.1°) ושכיחות האגן (PI: 47.1°), הנמדדים במבט סגיטלי. אנא לחץ כאן לצפייה בגרסה גדולה יותר של איור זה.

figure-results-7
איור 4: מודל STL ומודל פיזי מודפס בתלת מימד של עמוד השדרה והאגן. התמונה משמאל מציגה את המודל התלת-ממדי של עמוד השדרה והאגן בפורמט STL, שהוכן להדפסת תלת-ממד. התמונה מימין מציגה את המודל הפיזי המתאים שהודפס באמצעות טכנולוגיית סטריאוליתוגרפיה (SLA). אנא לחץ כאן לצפייה בגרסה גדולה יותר של איור זה.

פרמטרים	הגדרות ברירת מחדל
מתח צינור	110 קילוואט
זרם צינור	6 mA
קצב פריימים	12 פריימים לשנייה
שחזור FOV	350 מ"מ
עובי פרוסה	2 מ"מ
מרווח בין פרוסות	1 מ"מ

טבלה 1: פרמטרי ברירת מחדל לחשיפה ושחזור. פרמטרי חשיפה ושחזור ברירת מחדל להדמיית טומוגרפיה ממוחשבת של עמוד השדרה המלא.

תווית	מערך נתונים של אימון	בדיקת מערך נתונים
עמוד השדרה	100	20
האגן	57	6
ראש עצם הירך	47	5

טבלה 2: מערך נתונים המשמש להדרכה ובדיקה של מודל תמונה CBCT. הטבלה מציגה את מספר התמונות המשמשות לאימון ובדיקת המודל לפילוח מבני עמוד השדרה, האגן וראש הירך.

תווית	מקדם קוביות	דמיון בנפח	זוכר
עמוד השדרה	0.93	0.954	0.89
האגן	0.925	0.965	0.93
ראש עצם הירך	0.96	0.971	0.959

טבלה 3: ביצועי סגמנטציה של מודל הלמידה העמוקה עבור מבנים אנטומיים שונים (עמוד שדרה, אגן וראש עצם הירך). מדדי הביצועים כוללים מקדם קוביות, דמיון נפח (VS) וזיכרון, כולם נעים בין 0 ל-1, כאשר ערכים קרובים יותר ל-1 מצביעים על דיוק פילוח טוב יותר.

קובץ משלים 1: פסאודו-קודים לעיבוד מקדים של תמונה (שלב 3) ואימון מודל (שלב 4). אנא לחץ כאן להורדת קובץ זה.

דיון

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

פרוטוקול זה מציג שיטה מבוססת למידה עמוקה לפילוח תמונות עמוד שדרה טעונות כוח משיכה באמצעות CBCT נושא משקל. השלבים העיקריים כוללים רכישת תמונה, הערות ידניות, עיבוד מקדים והדרכת מודלים. מיקום וחשיפה נכונים של המטופל הם קריטיים להשגת תמונות באיכות גבוהה. חוסר יישור או מיקום לקוי עלולים להוביל לתמונות לא אופטימליות, מה שמקשה על הרשת העצבית לפלח את המבנים בצורה מדויקת. עיבוד מקדים הוא גם שלב חיוני, ובפרוטוקול זה הוא כולל תוספת רעש, וריאציה של בהירות, סיבוב ותרגום. טכניקות עיבוד מקדים אלו נועדו להכין את התמונות לקלט לרשת העצבית, ולשפר את חוסן המודל על ידי חשיפתו לסוגים שונים של עיוותי תמונה.

הערות ידניות הן מרכיב קריטי נוסף בפרוטוקול. הדיוק של הערות ידניות משפיע ישירות על יכולתו של המודל ללמוד ולפלח מבנים כמו גופי החוליות, האגן וראש הירך. פרוטוקול זה התמקד בפילוח גופי חוליות, המספיק למדידת הפרמטרים הרלוונטיים ביותר מבחינה קלינית כמו זווית קוב וסיבוב החוליות. עבור יישומים הדורשים את החוליה המלאה (כולל למינה, תהליכים רוחביים ותהליכים קוצניים), המודל יזדקק לאימון עם נתונים מסומנים נוספים. בנוסף, שונות בהערות ידניות יכולה גם היא להוות אתגר, מה שעלול להשפיע על יכולת השחזור של התוצאות. כדי להפחית זאת, אנו ממליצים להחזיק מספר מפרשים מנוסים וליישם בדיקות מהימנות בין צופים.

ארכיטקטורת U-Net, עם שכבות קונבולוציה תלת מימדיות וחיבורים שיוריים, מתאימה היטב לטיפול בתמונות תלת מימד 12,13,14. פונקציית האובדן הרב-מפלסית מסייעת בשימור פרטים משכבות עמוקות יותר, ומבטיחה דיוק סגמנטציה. עם זאת, כוונון קפדני של פרמטרי אימון, כגון קצב למידה והגדרות הגדלה, נחוץ כדי למנוע התאמת יתר ולשפר את חוסן המודל. בעוד שמחקרים אחרונים הציעו פילוח עמוד שדרה או מודלים לזיהוי המותאמים למשימות ספציפיות באמצעות רשתות עצביות כגון שנאים או ארכיטקטורות YOLO^15,16, אלה מסתמכים בדרך כלל על תמונות עמוד שדרה CT או MRI. לעומת זאת, פרוטוקול זה מאמץ את ארכיטקטורת U-Net, הנפוצה יותר במשימת פילוח ברמת הפיקסלים¹⁷. חשוב מכך, שיטה זו נועדה לפלח את עמוד השדרה בתנאים טעוני כוח הכבידה באמצעות CBCT זקוף, המאפשר הערכה של עמוד השדרה במצב עמידה או נשיאת משקל. תכונה ייחודית זו מספקת הערכה מציאותית יותר של יישור עמוד השדרה והלחצים המכניים, שהיא חיונית לאבחון עיוותים בעמוד השדרה ולתכנון אסטרטגיות טיפול. יש לציין כי ביצועי המודל, כפי שמודגם על ידי מקדם קוביות של 0.93 בפילוח עמוד השדרה, דומים או אפילו עולים על הביצועים של מודלים אחרים מבוססי למידה עמוקה המשתמשים בנתוני CT ו-MRI לפילוח עמוד השדרה ^9,18,19.

לשיטה זו יש כמה מגבלות. מערך הנתונים ששימש במחקר זה, אמנם מתאים לפילוח גופי החוליות, האגן וראש הירך, אך יועיל מהרחבה כדי לטפל טוב יותר בעיוותים נדירים או מורכבים בעמוד השדרה. מערך נתונים גדול ומגוון יותר יעזור למודל להכליל למגוון רחב יותר של מקרים. מגבלה נוספת היא שהדמיית CBCT רגישה לחפצי מתכת, מה שמקשה על המודל לפלח קוצים לאחר הניתוח עם שתלי מתכת. בנוסף, שיטה זו מוגבלת על ידי הביקוש החישובי הגבוה שלה, הדורשת גישה למעבדים גרפיים רבי עוצמה, שאולי לא יהיו זמינים בכל המסגרות הקליניות והמחקריות. תהליך ההערות הידני גוזל זמן, ובשל כך, לא הצלחנו לערב מספר ביאורים כדי לאמת את דיוק הביאורים באמצעות קונצנזוס. יתר על כן, המודל עדיין לא אומת על מערכי נתונים חיצוניים, מה שמגביל את יכולת ההכללה שלו למסגרות קליניות אחרות.

היכולת לפלח ולמדוד במדויק פרמטרים הקשורים לעמוד השדרה משפרת את האבחון ותכנון הטיפול, במיוחד במקרים כמו עקמת. ליכולת לייצא מודלים בפורמט STL להדפסת תלת מימד יש גם יישומים משמעותיים בתכנון טרום ניתוח, המאפשר למנתחים לתרגל או להתייחס למודלים ספציפיים למטופל. מודלים מוחשיים אלה הם כלים רבי ערך לחינוך המטופלים, המסייעים למטופלים להבין טוב יותר את מצבם ואת הטיפול בהם²⁰. מעבר להדמיית עמוד השדרה, ניתן להתאים פרוטוקול זה גם לפילוח מבנים אנטומיים אחרים טעוני כוח הכבידה, כגון הגפיים התחתונות והמפרקים, שהוא בעל ערך במיוחד במקרים כמו דלקת מפרקים ניוונית בברך או עיוותים בירך. יתר על כן, לפרוטוקול זה יש יישומים פוטנציאליים במחקרי ביומכניקה, כאשר מודלים תלת מימדיים מפורטים של עמוד השדרה או מבנים אחרים בתנאי עומס הם חיוניים לניתוח מכניקה והתפלגות מתח^21,22. זה יכול לספק תובנות חשובות לגבי התקדמות העיוותים ולהנחות את הפיתוח של אסטרטגיות טיפול חדשות.

לסיכום, פרוטוקול זה מציע שיטה אמינה ויעילה לפילוח וניתוח תמונות עמוד השדרה בתנאים טעוני כוח משיכה. אמנם יש כמה מגבלות, אך היישומים הפוטנציאליים שלו באבחון, תכנון כירורגי, מחקרי ביומכניקה וחינוך הופכים אותו לכלי רב ערך בתרחישים קליניים ומחקריים כאחד.

גילויים

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

המחברים מצהירים שאין ניגודי אינטרסים ביחס לעבודה המתוארת בפרוטוקול.

תודות

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

המחקר נתמך על ידי פרויקטי המחקר והפיתוח המרכזיים של מחוז סצ'ואן (2024YFFK0050 ו-2023YFG0126), בית החולים מערב סין של אוניברסיטת סצ'ואן 1.3.5 פרויקט בינה מלאכותית של קרן פיתוח שיא המשמעת (ZYAI24013), ופרויקט 1.3.5 לתוכנית תמיכה בכישרונות מתקדמים (ZYGD23024).

חומרים

רשימת החומרים שנעשה בהם שימוש במאמר זה
שם	חברה	מספר קטלוג	הערות
מדפסת תלת מימד (G1400)	UnionTech, שנחאי, סין	G1400	סטריאוליתוגרפיה תעשייתית (SLA) מדפסת תלת מימד
CUDA גרסה 11.4	NVIDIA	11.4	האצת GPU לאימון מודלים של למידה עמוקה.
ITK-SNAP	קוד פתוח	4.0.2	תוכנה לפילוח והערות של תמונות ביו-רפואיות תלת מימדיות.
ספריית Numpy	קוד פתוח	1.24.4	Python לעיבוד תמונה, אתר אינטרנט: https://numpy.org/about/
PyCharm	JetBrains	2023.2.1	סביבת פיתוח משולבת (IDE) המשמשת לתכנות Python.
Python גרסה 3.8	קוד פתוח	3.8	משמש בשילוב עם PyTorch לפיתוח מודלים של למידה עמוקה.
PyTorch גרסה 1.10	קוד פתוח	1.10	מסגרת למידה עמוקה המשמשת לאימון מודל הפילוח.
SimpleITK	ספריית פיתון בקוד פתוח	2.3.1	לעיבוד תמונה, אתר אינטרנט: https://simpleitk.org/
שרף הניתן לריפוי UV	UnionTech, שנחאי, סין	UV-001	חומר המשמש בתהליך הדפסת תלת מימד SLA.
מערכת CT נושאת משקל (WR3D)	Angell Technology, שנזן, סין	DX6290	משמש לרכישת תמונה של עמוד השדרה המלא במצב טעון כוח הכבידה
מערכת Windows 10 עם מעבד Intel i7-10700	בנייה מותאמת אישית (יצרנים שונים)	Windows 10 Professional, סביבת ריצה 22H2	לאימון מודלים; 32GB RAM, NVIDIA GeForce RTX 3090 (24GB).

מקורות

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

Chiyanika, C., Chu, W. C. W. Weight-bearing imaging in adolescent idiopathic scoliosis. Semin Musculoskelet Radiol. 23 (6), 584-593 (2019).
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).
Lagerstrand, K. M. Weight-bearing MRI for dynamic evaluations of spinal and neural foraminal stenosis. Eur Radiol. 33 (7), 4780-4781 (2023).
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).
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).
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).
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).
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).
Chen, J., et al. SymTC: A symbiotic transformer-CNN net for instance segmentation of lumbar spine MRI. Comput Biol Med. 179, 108795(2024).
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).
ITK-SNAP Tutorial. , ITK-SNAP. http://itksnap.org/docs/viewtutorial.php?chapter=TutorialSectionManualSegmentation (2025).
Jha, N., et al. Fully automated condyle segmentation using 3D convolutional neural networks. Sci Rep. 12 (1), 20590(2022).
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).
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).
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).
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).
Lu, H., et al. Lumbar spine segmentation method based on deep learning. J Appl Clin Med Phys. 24 (6), 13996(2023).
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).
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).
Bai, H., et al. 3D printing model of a patient's specific lumbar vertebra. J Vis Exp. (194), e65093(2023).
Stott, B., Driscoll, M. Biomechanical evaluation of the thoracolumbar spine comparing healthy and irregular thoracic and lumbar curvatures. Comput Biol Med. 160, 106982(2023).
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).

הדפסות חוזרות והרשאות

בקש הרשאה לשימוש חוזר בטקסט או באיורים של מאמר JoVE זה

בקש הרשאה

תגיות

CT Cone Beam CT U Net CNN Cobb Angle

פילוח מבוסס למידה עמוקה של עמוד השדרה האנושי הטעון בכוח הכבידה

במאמר זה

סיכום

תקציר

מבוא

פרוטוקול

תוצאות

דיון

גילויים

תודות

חומרים

מקורות

הדפסות חוזרות והרשאות

תגיות

מאמרים קשורים