Segmentazione basata sul deep learning della colonna vertebrale umana caricata per gravità

Sommario

Questo articolo presenta un protocollo per la segmentazione della colonna vertebrale umana caricata dalla gravità in immagini CBCT portanti utilizzando una rete neurale convoluzionale 3D U-Net. Il metodo fornisce uno strumento prezioso per lo studio dell'allineamento spinale e supporta la stampa 3D e la ricerca biomeccanica sulla colonna vertebrale in condizioni di carico.

Abstract

Un'analisi accurata dell'allineamento spinale in condizioni di carico gravitazionale è essenziale per la diagnosi e la gestione di disturbi muscoloscheletrici come la scoliosi e la malattia degenerativa del disco. Le tecniche di imaging tradizionali, come le radiografie 2D e la TC o la risonanza magnetica supina, non catturano l'intera geometria 3D della colonna vertebrale in uno stato portante. La tomografia computerizzata a fascio conico (CBCT) fornisce immagini 3D ad alta risoluzione in posizione eretta, consentendo una valutazione più accurata dell'allineamento spinale. Questo studio presenta un protocollo basato sul deep learning per la segmentazione di queste immagini utilizzando una rete neurale convoluzionale (CNN) U-Net con strati convoluzionali 3D e connessioni residue per segmentare i corpi vertebrali, il bacino e la testa del femore. Il protocollo include l'acquisizione delle immagini, l'annotazione manuale, la pre-elaborazione e l'addestramento del modello. La segmentazione di successo delle strutture anatomiche consente una misurazione accurata di parametri spinali clinicamente rilevanti, come l'angolo di Cobb e la rotazione vertebrale. Inoltre, i modelli 3D segmentati possono essere esportati in formato STL per la stampa 3D, facilitando la pianificazione chirurgica e l'educazione del paziente. Inoltre, il protocollo può essere adattato per addestrare modelli di segmentazione per altre strutture anatomiche che richiedono una valutazione in condizioni di carico gravitazionale, come l'arto inferiore. Questo metodo fornisce uno strumento affidabile e adattabile per segmentare con precisione le strutture spinali e altre strutture anatomiche in condizioni di carico gravitazionale, con applicazioni pratiche sia nella diagnostica clinica che negli studi di ricerca.

Introduzione

Un'analisi accurata dell'allineamento spinale in condizioni di carico gravitazionale è essenziale per la diagnosi e la gestione dei disturbi muscoloscheletrici, tra cui scoliosi, malattia degenerativa del disco e deformità spinali 1,2,3,4. Le tecniche di imaging tradizionali, come le radiografie 2D, non catturano l'intera geometria 3D della colonna vertebrale. Sebbene la TC e la risonanza magnetica convenzionali possano produrre immagini 3D, queste modalità richiedono che i pazienti vengano ripresi in posizione supina. Al contrario, la tomografia computerizzata a fascio conico portante (CBCT) fornisce immagini 3D ad alta risoluzione con il paziente in posizione eretta, offrendo una valutazione più dettagliata dell'allineamento spinale⁵.

La segmentazione della struttura scheletrica dall'imaging 3D è fondamentale per estrarre parametri spinali clinicamente rilevanti, come l'angolo di Cobb, la rotazione vertebrale e l'incidenza pelvica, necessari per diagnosticare le deformità spinali e pianificare gli interventi chirurgici⁶. Inoltre, la segmentazione consente la creazione di modelli 3D di strutture anatomiche, supportando l'educazione del paziente e la preparazione chirurgica⁷. Le tecnologie di deep learning, in particolare le reti neurali convoluzionali (CNN), sono state ampiamente utilizzate nell'analisi dell'imaging medico, in particolare nella segmentazione di strutture anatomiche complesse da immagini ^8,9. La segmentazione basata sul deep learning riduce il carico di lavoro manuale, minimizza la variabilità dell'operatore e migliora l'accuratezza e la coerenza dell'imaging spinale.

Questo articolo presenta un protocollo basato sul deep learning per la segmentazione di spine sottoposte a carico gravitazionale utilizzando la CBCT portante. Una CNN 3D U-Net viene utilizzata per segmentare automaticamente le vertebre, il bacino e la testa del femore in condizioni di carico. L'integrazione di questo metodo con la CBCT di routine fornisce uno strumento standardizzato e riproducibile per valutazioni spinali più accurate, supportando così il miglioramento del processo decisionale clinico e degli esiti dei pazienti. Questo approccio è replicabile e adattabile per l'addestramento di modelli di segmentazione per altre strutture anatomiche che richiedono una valutazione in condizioni di carico gravitazionale, come l'arto inferiore.

Protocollo

Questo studio è stato condotto in conformità con gli standard etici delineati nella Dichiarazione di Helsinki ed è stato approvato dall'Institutional Review Board del West China Hospital, Sichuan University (approvazione 834/2021). Ai partecipanti inclusi nello studio è stata diagnosticata una scoliosi degenerativa o una scoliosi idiopatica adolescenziale (AIS). I criteri di esclusione comprendevano individui con una storia di chirurgia spinale, presenza di impianti spinali o coloro che non erano in grado di mantenere una posizione eretta durante la procedura di imaging. Tutti i partecipanti coinvolti nello studio hanno fornito il consenso informato prima dell'acquisizione dell'immagine e della partecipazione alla ricerca. La privacy e la riservatezza di tutti i partecipanti sono state rigorosamente mantenute durante lo studio. Le attrezzature e i software utilizzati in questo studio sono elencati nella Tabella dei materiali.

1. Imaging della colonna vertebrale

1. Sistema di imaging e posizionamento del paziente
   1. Utilizzare il sistema CBCT portante per acquisire l'immagine (Figura 1).
   2. Posizionare il paziente sulla piattaforma in piedi. Assicurare il paziente con cinture per evitare movimenti e cadute.
   3. Istruire il paziente a mantenere una posizione eretta, una respirazione stabile e ridurre al minimo il movimento durante il processo di scansione.
2. Acquisizione delle immagini
   1. Sul software del sistema di imaging, definire l'intervallo di imaging.
      NOTA: Per l'imaging dell'intera colonna vertebrale, l'intervallo dovrebbe includere la prima vertebra cervicale fino a entrambe le teste del femore.
   2. Scegliere i parametri di esposizione appropriati.
      NOTA: I parametri predefiniti sono riportati nella Tabella 1. Regolare i parametri in base alle dimensioni del corpo del paziente, se necessario.
   3. Premere il pedale del freno per avviare l'esposizione. Continuare fino a quando il software indica che l'acquisizione dell'immagine è completa.
3. Ricostruzione dell'immagine
   1. Fare clic sul pulsante Ricostruzione sul software e regolare i parametri di ricostruzione secondo necessità.
      NOTA: I parametri di ricostruzione utilizzati in questo studio sono elencati nella Tabella 1.

2. Annotazione con ITK-SNAP

1. Avvio del software e importazione delle immagini
   1. Fare doppio clic sull'icona del software per avviare ITK-SNAP, uno strumento multipiattaforma open source per la segmentazione e l'annotazione di immagini biomediche 3D¹⁰.
   2. Importa l'immagine per l'annotazione. Fare clic su File -> Apri immagine principale -> Sfoglia. Seleziona il file immagine di destinazione e fai clic su Apri per caricarlo nel software.
2. Annotazione
   NOTA: Si consiglia di leggere il tutorial ITK-SNAP per la segmentazione manuale¹¹ per familiarizzare con gli strumenti e le funzioni di base del software. I passaggi essenziali per questo esperimento sono descritti di seguito.
   1. Per migliorare la visibilità dell'immagine, regolare il contrasto dell'immagine selezionando Strumenti -> Contrasto immagine -> Regolazione contrasto -> Regolazione contrasto immagine basata su curve. Regolare la curva in base alle esigenze per migliorare il contrasto.
   2. Creare etichette per le strutture anatomiche: premere il pulsante Modifica etichette sulla barra degli strumenti. Nella casella di testo Descrizione , digitare i nomi delle categorie di segmentazione (ad esempio, teste della colonna vertebrale, pelviche, femorali). Assegna i colori a ciascuna categoria di segmentazione e premi il pulsante Chiudi finestra per applicare le modifiche.
   3. Segmentazione manuale utilizzando lo strumento di annotazione poligono: assicurati che sia selezionata l'etichetta corretta dal menu a discesa Etichetta disegno attivo nel pannello Etichetta di segmentazione , corrispondente alla categoria che stai per segmentare.
   4. Seleziona Tutte le etichette nel menu a discesa Disegna. Selezionare lo strumento Poligono nella casella degli strumenti IRIS.
   5. Usa lo strumento poligono per segmentare manualmente le strutture disegnando e riempiendo i poligoni sull'immagine. Ingrandisci e sposta secondo necessità per garantire la precisione.
3. Salvataggio dell'annotazione
   1. Una volta completata l'annotazione, fai clic su Segmentazione nella barra dei menu, quindi seleziona Salva immagine di segmentazione.
   2. Nella finestra di dialogo, impostare il nome del file immagine (ad esempio, xxx.nii.gz), selezionare Formato file come NIfTI e fare clic su Fine per salvare il file annotato.

3. Pre-elaborazione delle immagini

NOTA: In questo protocollo, la pre-elaborazione dell'immagine per l'immagine di input e i dati dell'etichetta di destinazione corrispondenti viene implementata utilizzando PyCharm, un ambiente di sviluppo integrato (IDE) per Python. I passaggi vengono eseguiti tramite codice Python, fornito nel file supplementare 1 come pseudo-codice per migliorare la leggibilità e delineare chiaramente i passaggi chiave.

1. Importazione di librerie e caricamento delle immagini
   1. Apri PyCharm e crea un nuovo script Python.
   2. Importa le librerie necessarie per l'elaborazione delle immagini e la manipolazione dei dati, tra cui NumPy, SimpleITK e PyTorch (File supplementare 1, riga di codice 1).
   3. Utilizzare SimpleITK per leggere l'immagine in scala di grigi e l'etichetta corrispondente (maschera di segmentazione) dai rispettivi percorsi di file (.nii.gz) (File supplementare 1, righe di codice 2-3).
2. Ridimensionamento e normalizzazione delle immagini
   1. Imposta la dimensione di input per l'asse z su 16 sezioni, in modo da bilanciare l'utilizzo della memoria e conservare le informazioni strutturali essenziali per la segmentazione (File supplementare 1, riga di codice 4).
   2. Aggiungete 1000 ai valori della scala di grigi dell'immagine e dei valori di ritaglio inferiori a 0 e superiori a una soglia impostata dinamicamente tra 1000 e 3000 (File supplementare 1, riga di codice 5).
   3. Normalizza i valori della scala di grigi dell'immagine dividendoli per la soglia (File supplementare 1, riga di codice 5).
3. Aumento dell'immagine
   1. Applicare il disturbo di Poisson per simulare il disturbo reale nell'immagine (File supplementare 1, riga di codice 6).
   2. Regolare in modo casuale la luminosità di un fattore compreso tra 0,8 e 1,2 per tenere conto delle diverse condizioni di imaging (File supplementare 1, riga di codice 7).
   3. Utilizzare un approccio a finestra scorrevole per estrarre sezioni 3D lungo l'asse z sia per l'immagine che per l'etichetta di destinazione corrispondente (File supplementare 1, righe di codice 8-10).
   4. Concatenare le sezioni dell'immagine e del target lungo la dimensione batch per assicurarsi che vengano elaborate insieme durante l'aumento (File supplementare 1, riga di codice 11).
   5. Traslate l'immagine e le sezioni di destinazione in modo casuale lungo gli assi x e y in base a un valore casuale (File supplementare 1, riga di codice 12).
   6. Applicare la rotazione casuale sull'immagine concatenata e sulle sezioni di destinazione per simulare diversi orientamenti dell'imaging (File supplementare 1, riga di codice 13).
4. Restituisci dati pre-elaborati
   1. Restituisci l'immagine pre-elaborata e i dati dell'etichetta di destinazione in formato torch.tensor per l'uso nell'addestramento della rete neurale (file supplementare 1, riga di codice 14).

4. Addestramento del modello

1. Importazione delle librerie e definizione dell'architettura U-Net
   1. Importa le librerie necessarie per l'addestramento del modello, tra cui PyTorch, torch.utils.data.DataLoader e torch.optim.Adam (file supplementare 1, riga di codice 1).
   2. Utilizza il modello U-Net con strati convoluzionali 3D e connessioni residue (File supplementare 1, Righe di codice 2).
2. Inizializza i parametri di addestramento e il caricamento dei dati
   1. Imposta la funzione di perdita dei dadi, l'ottimizzatore Adam e il modello. Imposta alfa a 0,8, la velocità di apprendimento a 1e-5 e il numero di epoche a 500 (File supplementare 1, righe di codice 3).
   2. Recuperare i dati e le etichette di destinazione corrispondenti da torch.utils.data.DataLoader per ogni batch.
3. Anello di allenamento e passaggio in avanti
   1. Diminuisci il tasso di apprendimento moltiplicandolo per 0,8 ogni 100 epoche per garantire che il modello ottimizzi il suo apprendimento nel tempo (File supplementare 1, riga di codice 5).
   2. Azzera i gradienti dell'ottimizzatore prima di elaborare ogni batch per assicurarsi che i gradienti precedenti non si accumulino (File supplementare 1, riga di codice 7).
   3. Inserire il batch di dati nel modello per generare previsioni per la segmentazione (File supplementare 1, riga di codice 8).
   4. Calcola la perdita di dadi a quattro diverse profondità (loss_0, loss_1, loss_2, loss_3) per acquisire informazioni da diversi livelli della rete (File supplementare 1, righe di codice 9-12).
4. Perdita totale, retropropagazione e ottimizzazione
   1. Calcola la perdita totale utilizzando la formula: perdita totale = loss_3 + alfa × (loss_0 + loss_1 + loss_2) (File supplementare 1, riga di codice 13).
   2. Calcolare i gradienti eseguendo la retropropagazione sulla perdita totale per aggiornare i pesi della rete (File supplementare 1, riga di codice 14).
   3. Aggiornare i pesi del modello utilizzando l'ottimizzatore per regolare i parametri di rete in base ai gradienti calcolati (File supplementare 1, riga di codice 15).
5. Aggiustamenti per alfa
   1. Ogni 30 epoche, ridurre il valore di alfa moltiplicandolo per 0,8 per ridurre l'influenza delle perdite di strati precedenti man mano che l'addestramento procede (File supplementare 1, riga di codice 16).

Risultati

Risultati della segmentazione
In questo studio, tre strutture anatomiche: la colonna vertebrale, il bacino e le teste del femore, sono state segmentate. Il bacino e le teste del femore sono stati inclusi perché alcuni parametri della colonna vertebrale richiedono punti di riferimento da queste strutture per la misurazione. Il set di dati per ciascuna struttura è stato suddiviso in set di addestramento e test, come descritto nella Tabella 2.

Le prestazioni della segmentazione sono state valutate utilizzando tre metriche standard, tra cui il coefficiente dei dadi, la somiglianza del volume (VS) e il richiamo:

Dove TP denota Vero Positivo, FP denota Falso Positivo, FN denota Falso Negativo.

Dopo aver addestrato la rete per 500 epoche, i risultati della segmentazione sono stati valutati in base alle metriche. Le prestazioni per ciascuna struttura anatomica sono presentate nella Tabella 3. Questi risultati dimostrano l'efficacia del modello di segmentazione basato su U-Net proposto per la colonna vertebrale, il bacino e le teste femorali. La Figura 2 mostra un risultato rappresentativo della segmentazione delle strutture anatomiche.

Applicazioni di post-segmentazione

Misurazione di parametri 3D clinicamente rilevanti
I modelli 3D generati attraverso la segmentazione automatica possono essere utilizzati per misurare una serie di parametri clinicamente importanti, come l'angolo di Cobb, la rotazione vertebrale, la cifosi toracica, la lordosi lombare, l'incidenza pelvica, l'inclinazione pelvica e la pendenza sacrale. Qui, mostriamo la misurazione di questi parametri utilizzando un programma auto-sviluppato, che elabora i dati segmentati e fornisce misurazioni accurate e automatiche della colonna vertebrale e delle strutture associate (Figura 3).

Stampa 3D
Il modello 3D ottenuto dalla segmentazione automatica e dalla post-elaborazione dell'intelligenza artificiale può essere esportato in formato STL, un formato di file di modello 3D generale, ampiamente supportato dai software di stampa 3D. Per questo studio, la stampante 3D utilizzata era una stampante stereolitografica industriale (SLA), che utilizza resina polimerizzabile a raggi ultravioletti (UV) come materiale di stampa. Le connessioni sono state applicate tra le parti isolate del modello segmentato, garantendo una struttura coesa che può essere stampata come un unico modello unificato. Questo processo consente la replica fisica dell'anatomia del paziente, che può essere utilizzata per la pianificazione chirurgica, la comunicazione con il paziente e gli strumenti educativi. La Figura 4 mostra un modello stampato in 3D derivato dai dati segmentati dall'intelligenza artificiale.

Figura 1: Posizionamento del paziente per l'imaging con tomografia computerizzata a fascio conico (CBCT) portante. Il paziente viene posizionato sulla piattaforma di appoggio e fissato con cinture per evitare movimenti e cadute durante la scansione. Il paziente si aggrappa al supporto sopraelevato per mantenere una posizione stabile mentre il sistema CBCT acquisisce immagini 3D della colonna vertebrale in condizioni di carico gravitazionale. Clicca qui per visualizzare una versione più grande di questa figura.

Figura 2: Risultati della segmentazione per colonna vertebrale, bacino e testa del femore in viste assiali, sagittali e coronali. La prima colonna mostra le immagini CBCT, seguite dalla verità di base e quindi i risultati della segmentazione ottenuti dal modello di deep learning. Le sovrapposizioni rosse nella seconda e nella terza colonna indicano le aree segmentate per i corpi vertebrali, il bacino e la testa del femore in tutte e tre le viste. Le immagini dimostrano l'elevata precisione del modello nell'acquisizione delle strutture anatomiche, che corrisponde strettamente alla verità di base. Clicca qui per visualizzare una versione più grande di questa figura.

Figura 3: Misurazione di parametri clinicamente rilevanti su strutture segmentate della colonna vertebrale e del bacino. (A) Misurazione dell'angolo di Cobb (8,9°) tra le vertebre T11 e L3 nel piano coronale. (B) Misurazione della cifosi toracica (T1-T12: 21,2°) nel piano sagittale. (C) Misurazione della lordosi lombare (L1-L5: 26,4°) nel piano sagittale. (D) Rotazione vertebrale (VR: 3,3°) di L2 rispetto al bacino sul piano assiale. (E) Parametri pelvici, tra cui l'inclinazione pelvica (PT: 21,0°), la pendenza sacrale (SS: 26,1°) e l'incidenza pelvica (PI: 47,1°), misurati nella vista sagittale. Clicca qui per visualizzare una versione più grande di questa figura.

Figura 4: Modello STL e modello fisico stampato in 3D della colonna vertebrale e del bacino. L'immagine a sinistra mostra il modello 3D della colonna vertebrale e del bacino in formato STL, preparato per la stampa 3D. L'immagine a destra mostra il modello fisico corrispondente stampato utilizzando la tecnologia stereolitografica (SLA). Clicca qui per visualizzare una versione più grande di questa figura.

Parametri	Impostazioni predefinite
Tensione del tubo	110 kV
Corrente del tubo	6 mA
Frequenza fotogrammi	12 fps
Ricostruzione FOV	350 millimetri
Spessore fetta	2 millimetri
Spaziatura tra le fette	1 millimetro

Tabella 1: Parametri predefiniti per l'esposizione e la ricostruzione. Parametri predefiniti di esposizione e ricostruzione per l'imaging con tomografia computerizzata a fascio conico portante dell'intera colonna vertebrale.

Etichetta	Set di dati di addestramento	Set di dati di test
Spina dorsale	100	20
Bacino	57	6
Testa del femore	47	5

Tabella 2: Set di dati utilizzato per l'addestramento e il test del modello di immagine CBCT. La tabella mostra il numero di immagini utilizzate per addestrare e testare il modello per segmentare le strutture della colonna vertebrale, del bacino e della testa del femore.

Etichetta	Coefficiente dei dadi	Somiglianza del volume	Ricordare
Spina dorsale	0.93	0.954	0.89
Bacino	0.925	0.965	0.93
Testa del femore	0.96	0.971	0.959

Tabella 3: Prestazioni di segmentazione del modello di deep learning per diverse strutture anatomiche (colonna vertebrale, bacino e testa del femore). Le metriche delle prestazioni includono il coefficiente dei dadi, la somiglianza del volume (VS) e il richiamo, che vanno tutti da 0 a 1, dove i valori più vicini a 1 indicano una migliore precisione della segmentazione.

File supplementare 1: Pseudo-codici per la pre-elaborazione delle immagini (passaggio 3) e l'addestramento del modello (passaggio 4). Clicca qui per scaricare questo file.

Discussione

Questo protocollo introduce un metodo basato sul deep learning per la segmentazione di immagini spinali caricate per gravità utilizzando la CBCT portante. I passaggi chiave includono l'acquisizione delle immagini, l'annotazione manuale, la pre-elaborazione e l'addestramento del modello. Il corretto posizionamento del paziente e le impostazioni di esposizione sono fondamentali per ottenere immagini di alta qualità. Il disallineamento o il posizionamento errato possono portare a immagini non ottimali, rendendo difficile per la rete neurale segmentare accuratamente le strutture. Anche la pre-elaborazione è un passaggio essenziale e in questo protocollo include l'aggiunta di rumore, la variazione di luminosità, la rotazione e la traslazione. Queste tecniche di pre-elaborazione sono progettate per preparare le immagini per l'input nella rete neurale, migliorando la robustezza del modello esponendolo a vari tipi di distorsioni dell'immagine.

L'annotazione manuale è un altro componente critico del protocollo. L'accuratezza delle annotazioni manuali influisce direttamente sulla capacità del modello di apprendere e segmentare strutture come i corpi vertebrali, il bacino e la testa del femore. Questo protocollo si è concentrato sulla segmentazione dei corpi vertebrali, che è sufficiente per misurare la maggior parte dei parametri clinicamente rilevanti come l'angolo di Cobb e la rotazione vertebrale. Per le applicazioni che richiedono l'intera vertebra (inclusi lamina, processi trasversali e processi spinosi), il modello avrebbe bisogno di essere addestrato con dati aggiuntivi etichettati. Inoltre, anche la variabilità delle annotazioni manuali può rappresentare una sfida, con un potenziale impatto sulla riproducibilità dei risultati. Per mitigare questo problema, si consiglia di avere più annotatori esperti e di implementare controlli di affidabilità tra osservatori.

L'architettura U-Net, con strati convoluzionali 3D e connessioni residue, è adatta per la gestione di immagini 3D 12,13,14. La funzione di perdita multilivello aiuta a preservare i dettagli dagli strati più profondi, garantendo l'accuratezza della segmentazione. Tuttavia, è necessaria un'attenta regolazione dei parametri di addestramento, come la velocità di apprendimento e le impostazioni di aumento, per prevenire l'overfitting e migliorare la robustezza del modello. Sebbene studi recenti abbiano proposto modelli di segmentazione o rilevamento della colonna vertebrale su misura per compiti specifici utilizzando reti neurali come trasformatori o architetture YOLO^15,16, questi si basano in genere su immagini della colonna vertebrale TC o MRI. Al contrario, questo protocollo adotta l'architettura U-Net, che è più comunemente utilizzata nell'attività di segmentazione a livello di pixel¹⁷. Ancora più importante, questo metodo è progettato per segmentare la colonna vertebrale in condizioni di carico gravitazionale utilizzando la CBCT verticale, consentendo una valutazione della colonna vertebrale in piedi o in stato di carico. Questa caratteristica unica fornisce una valutazione più realistica dell'allineamento della colonna vertebrale e delle sollecitazioni meccaniche, che è fondamentale per diagnosticare le deformità spinali e pianificare le strategie di trattamento. In particolare, le prestazioni del modello, come dimostrato da un coefficiente di Dice di 0,93 nella segmentazione della colonna vertebrale, sono paragonabili o addirittura superiori alle prestazioni di altri modelli basati sul deep learning che utilizzano i dati CT e MRI per la segmentazione spinale ^9,18,19.

Questo metodo presenta alcune limitazioni. Il set di dati utilizzato in questo studio, sebbene adeguato per segmentare i corpi vertebrali, il bacino e la testa del femore, trarrebbe vantaggio dall'espansione per gestire meglio le deformità spinali rare o complesse. Un set di dati più ampio e diversificato aiuterebbe il modello a generalizzare a una gamma più ampia di casi. Un'altra limitazione è che l'imaging CBCT è sensibile agli artefatti metallici, rendendo difficile per il modello segmentare le spine post-operatorie con impianti metallici. Inoltre, questo metodo è limitato dalla sua elevata richiesta computazionale, che richiede l'accesso a potenti GPU, che potrebbero non essere disponibili in tutti i contesti clinici e di ricerca. Il processo di annotazione manuale richiede molto tempo e, per questo motivo, non siamo stati in grado di coinvolgere più annotatori per verificare l'accuratezza delle annotazioni attraverso il consenso. Inoltre, il modello non è ancora stato convalidato su set di dati esterni, il che limita la sua generalizzabilità ad altri contesti clinici.

La capacità di segmentare e misurare con precisione i parametri relativi alla colonna vertebrale migliora la diagnosi e la pianificazione del trattamento, soprattutto in casi come la scoliosi. La capacità di esportare modelli in formato STL per la stampa 3D ha anche applicazioni significative nella pianificazione preoperatoria, consentendo ai chirurghi di esercitarsi o fare riferimento a modelli specifici del paziente. Questi modelli tangibili sono strumenti preziosi per l'educazione dei pazienti, aiutandoli a comprendere meglio la loro condizione e il trattamento²⁰. Oltre all'imaging della colonna vertebrale, questo protocollo può essere adattato anche per segmentare altre strutture anatomiche cariche di gravità, come gli arti inferiori e le articolazioni, il che è particolarmente prezioso in casi come l'artrosi del ginocchio o le deformità dell'anca. Inoltre, questo protocollo ha potenziali applicazioni negli studi di biomeccanica, dove modelli 3D dettagliati della colonna vertebrale o di altre strutture in condizioni di carico sono cruciali per analizzare la meccanica e le distribuzioni delle sollecitazioni^21,22. Ciò potrebbe fornire preziose informazioni sulla progressione delle deformità e guidare lo sviluppo di nuove strategie di trattamento.

In conclusione, questo protocollo offre un metodo affidabile ed efficiente per la segmentazione e l'analisi delle immagini spinali in condizioni di carico gravitazionale. Sebbene ci siano alcune limitazioni, le sue potenziali applicazioni nella diagnosi, nella pianificazione chirurgica, negli studi di biomeccanica e nell'istruzione lo rendono uno strumento prezioso sia in scenari clinici che di ricerca.

Materiali

Elenco dei materiali utilizzati in questo articolo

Nome	Azienda	Numero di catalogo	Commenti
Stampante 3D (G1400)	UnionTech, Shanghai, Cina	G1400	Stampante 3D stereolitografica industriale (SLA).
CUDA versione 11.4	Accelerazione GPU NVIDIA	11.4	per l'addestramento di modelli di deep learning.
ITK-SNAP	Software open source	4.0.2	per la segmentazione e l'annotazione di immagini biomediche 3D.
Numpy	Libreria Python open source	1.24.4	per l'elaborazione delle immagini, sito web: https://numpy.org/about/
PyCharm	JetBrains	2023.2.1	un ambiente di sviluppo integrato (IDE) utilizzato per la programmazione Python.
Python versione 3.8	Open source	3.8	Utilizzato in combinazione con PyTorch per lo sviluppo di modelli di deep learning.
PyTorch versione 1.10	Open source	1.10	Framework di deep learning utilizzato per l'addestramento del modello di segmentazione.
Libreria	open source	2.3.1	per l'elaborazione delle immagini, sito web: https://simpleitk.org/
UV-Curable Resin	UnionTech, Shanghai, Cina	UV-001	Materiale utilizzato nel processo di stampa 3D SLA.
Sistema CT a fascio conico portante  (WR3D)	Angell Technology, Shenzhen, Cina	DX6290	Utilizzato per l'acquisizione di immagini dell'intera colonna vertebrale in condizioni di carico gravitazionale
Sistema Windows 10 con CPU Intel i7-10700	Build personalizzata (vari produttori)	Windows 10 Professional, 22H2	Ambiente di esecuzione per l'addestramento del modello; 32 GB di RAM, NVIDIA GeForce RTX 3090 (24 GB).