方法論記事

重力負荷を受けたヒト脊椎の深層学習に基づくセグメンテーション

DOI：

10.3791/67781

⸱

2025年6月10日

 ,  ,  ,  ,  ,  ,  ,  ,  ,  , 
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

この記事について

サマリー

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

この記事では、3D U-Net畳み込みニューラルネットワークを使用して、体重負荷CBCT画像で重力負荷を受けた人間の脊椎をセグメント化するためのプロトコルを紹介します。この方法は、脊椎のアライメントを研究するための貴重なツールを提供し、耐荷重条件下での脊椎の3Dプリンティングと生体力学の研究をサポートします。

要約

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

脊柱側弯症や変性椎間板疾患などの筋骨格系疾患の診断と管理には、重力負荷条件下での脊椎のアライメントの正確な分析が不可欠です。2DX線写真や仰臥位のCTやMRIなどの従来のイメージング技術では、荷重を受けた状態の脊椎の完全な3D形状をキャプチャすることはできません。体重を支えるコーンビームコンピュータ断層撮影法(CBCT)は、立った状態で高解像度の3D画像を提供し、脊椎のアライメントをより正確に評価することができます。この研究では、3D 畳み込み層と残留接続を備えた U-Net 畳み込みニューラル ネットワーク (CNN) を使用してこれらの画像をセグメント化するためのディープラーニング ベースのプロトコルを提示します。このプロトコルには、画像取得、手動アノテーション、前処理、およびモデルトレーニングが含まれます。解剖学的構造のセグメンテーションが成功することで、コブ角や椎体の回転など、臨床的に関連する脊椎パラメータを正確に測定することができます。さらに、セグメント化された3Dモデルは、3Dプリント用にSTL形式でエクスポートできるため、手術計画や患者教育が容易になります。さらに、このプロトコルは、下肢など、重力負荷条件下で評価が必要な他の解剖学的構造のセグメンテーションモデルのトレーニングに適合させることができます。この方法は、重力負荷がかかる条件下で脊椎やその他の解剖学的構造を正確にセグメンテーションするための信頼性と適応性のあるツールを提供し、臨床診断と調査研究の両方で実用化できます。

概要

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

脊柱側弯症、変性椎間板疾患、脊椎変形などの筋骨格系障害の診断と管理には、重力負荷条件下での脊椎のアライメントの正確な分析が不可欠です1,2,3,4。2Dレントゲン写真などの従来のイメージング技術では、脊椎の完全な3D形状をキャプチャすることはできません。従来のCTやMRIでは3D画像を生成することができますが、これらのモダリティでは患者を仰臥位で画像化する必要があります。対照的に、体重を支えるコーンビームコンピュータ断層撮影法(CBCT)は、患者が立った状態で高解像度の3D画像を提供し、脊椎のアライメント5をより詳細に評価することができます。

3Dイメージングによる骨格構造のセグメンテーションは、脊椎変形の診断や手術の計画に必要な、コブ角、椎体回転、骨盤発生率など、臨床的に関連性のある脊椎パラメータを抽出するために重要です6。さらに、セグメンテーションにより、解剖学的構造の3Dモデルの作成が可能になり、患者教育と手術準備がサポートされます7。ディープラーニング技術、特に畳み込みニューラルネットワーク(CNN)は、医用画像解析、特に画像からの複雑な解剖学的構造のセグメンテーションに広く使用されています8,9。ディープラーニングベースのセグメンテーションにより、手作業の負荷が軽減され、オペレーターのばらつきが最小限に抑えられ、脊椎イメージングの精度と一貫性が向上します。

この記事では、体重負荷CBCTを使用して重力負荷スパインをセグメント化するためのディープラーニングベースのプロトコルを紹介します。3D U-Net CNNは、耐荷重条件下で椎骨、骨盤、大腿骨頭を自動的にセグメント化するために使用されます。この方法を日常的な体重負荷CBCTと統合することで、より正確な脊椎評価のための標準化された再現性のあるツールが提供され、それによって臨床的意思決定と患者の転帰の改善をサポートします。このアプローチは、重力負荷を受けた下肢などの評価が必要な他の解剖学的構造のセグメンテーションモデルのトレーニングに複製可能で適応可能です。

プロトコル

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

この研究は、ヘルシンキ宣言に概説されている倫理基準に従って実施され、四川大学西中国病院の治験審査委員会によって承認されました (承認 834 / 2021)。この研究に参加した参加者は、退行性脊柱側弯症または青年期特発性脊柱側弯症(AIS)と診断されました。除外基準には、脊椎手術の既往歴のある人、脊椎インプラントの存在、または画像診断中に立位を維持できない人が含まれていました。研究に関与したすべての参加者は、画像の取得と研究への参加に先立って、インフォームド コンセントを提供しました。すべての参加者のプライバシーと機密性は、研究全体を通じて厳格に維持されました。この調査で使用した機器とソフトウェアは、 資料表に記載されています。

1.脊椎のイメージング

  1. イメージングシステムと患者のポジショニング
    1. 重量負荷CBCTシステムを使用して画像を取得します(図1)。
    2. 患者を立っているプラットフォームに置きます。.動きや転倒を防ぐために、患者をベルトで固定します。
    3. スキャンプロセス中、立位を維持し、安定した呼吸をし、動きを最小限に抑えるように患者に指示します。
  2. 画像取得
    1. イメージングシステムのソフトウェアで、イメージング範囲を定義します。
      注:フルスパインイメージングの場合、範囲には最初の頸椎から両方の大腿骨頭までを含める必要があります。
    2. 適切な露出パラメータを選択します。
      メモ: デフォルトのパラメータを 表 1 に示します。必要に応じて、患者の体の大きさに基づいてパラメータを調整します。
    3. フットブレーキを押すと、露出が開始されます。ソフトウェアが画像取得の完了を示すまで続けます。
  3. 画像の再構成
    1. ソフトウェアの[ 再構築 ]ボタンをクリックし、必要に応じて再構築パラメータを調整します。
      注:この研究で使用した再構成パラメータを 表1に示します。

2. ITK-SNAPによるアノテーション

  1. ソフトウェアの起動と画像のインポート
    1. ソフトウェアアイコンをダブルクリックすると、3D生物医学画像のセグメンテーションとアノテーション10のためのオープンソースのマルチプラットフォームツールであるITK-SNAPが起動します。
    2. 注釈用の画像をインポートします。 「ファイル」>「メイン画像を開く」>「参照」をクリックします。ターゲットイメージファイルを選択し、[ 開く ]をクリックしてソフトウェアにロードします。
  2. 注釈
    注:ソフトウェアの基本的なツールと機能に慣れるために、手動セグメンテーション11 のITK-SNAPチュートリアルを読むことをお勧めします。この実験の基本的な手順の概要を以下に示します。
    1. 画像の視認性を向上させるには、[ ツール] > [イメージ コントラスト] -> [コントラスト調整] -> [カーブベースのイメージ コントラスト調整] を選択して、イメージのコントラストを調整します。コントラストを高めるために、必要に応じてカーブを調整します。
    2. 解剖学的構造のラベルを作成する: ツールバーの「 ラベルを編集 」ボタンを押します。 [説明 ] テキスト ボックスに、セグメンテーション カテゴリの名前 (脊椎、骨盤、大腿骨頭など) を入力します。各セグメンテーションカテゴリに色を割り当て、 ウィンドウを閉じる ボタンを押して変更を適用します。
    3. ポリゴン注釈ツールを使用した手動セグメンテーション: セグメンテーション ラベル パネルの [アクティブな描画ラベル] ドロップダウン メニューから、セグメント化するカテゴリに一致する正しいラベルが選択されていることを確認します。
    4. [Draw Over] ドロップダウン メニューで [All labels] を選択します。IRIS ツールボックスの [ポリゴン ツール] を選択します。
    5. ポリゴン ツールを使用して、画像上にポリゴンを描画して塗りつぶすことで、構造物を手動でセグメント化します。必要に応じてズームとパンを行い、精度を確保します。
  3. 注釈の保存
    1. 注釈が完了したら、メニューバーの 「セグメンテーション 」をクリックし、「 セグメンテーション画像を保存」を選択します。
    2. ダイアログボックスで、 画像ファイル名 (xxx.nii.gzなど)を設定し、[ ファイル形式 ]を NIfTIとして選択し、[ 完了 ]をクリックして注釈付きファイルを保存します。

3. 画像の前処理

注:このプロトコルでは、入力画像と対応するターゲットラベルデータの画像前処理は、Pythonの統合開発環境(IDE)である PyCharmを使用して実装されます。ステップは、読みやすさを向上させ、主要なステップを明確に概説するために 、補足ファイル 1 に擬似コードとして提供されている Python コードを介して実行されます。

  1. ライブラリのインポートと画像の読み込み
    1. PyCharm を開き、新しい Python スクリプトを作成します。
    2. NumPy、SimpleITK、PyTorch など、画像処理とデータ操作に必要なライブラリをインポートします (補足ファイル 1、コード行 1)。
    3. SimpleITKを使用して、グレースケール画像と対応するラベル(セグメンテーションマスク)をそれぞれのファイルパス(.nii.gz)(補足ファイル1、コード行2-3)から読み取ります。
  2. 画像のサイズ変更と正規化
    1. Z 軸の入力サイズを 16 スライスに設定すると、メモリ使用量のバランスが取れ、セグメンテーションに不可欠な構造情報が保持されます (補足ファイル 1、コード行 4)。
    2. 画像のグレースケール値に 1000 を加算し、0 より小さく、1000 から 3000 の間で動的に設定されたしきい値を超えるクリップ値を設定します (補足ファイル 1、コード行 5)。
    3. 画像のグレースケール値をしきい値で割って正規化します (補足ファイル 1、コード行 5)。
  3. 画像オーグメンテーション
    1. ポアソンノイズを適用して、画像内の実際のノイズをシミュレートします(補足ファイル1、コード行6)。
    2. さまざまなイメージング条件を考慮して、明るさを0.8〜1.2の係数でランダムに調整します(補足ファイル1、コードライン7)。
    3. スライディング ウィンドウ アプローチを使用して、画像と対応するターゲット ラベルの両方の z 軸に沿って 3D スライスを抽出します (補足ファイル 1、コード行 8-10)。
    4. 画像スライスとターゲットスライスをバッチ次元に沿って連結し、オーグメンテーション中にそれらが一緒に処理されるようにします(補足ファイル1、コード行11)。
    5. 画像とターゲットのスライスを x 軸と y 軸に沿ってランダムな値でランダムに変換します (補足ファイル 1、コード行 12)。
    6. 連結された画像とターゲットスライスにランダムな回転を適用して、異なるイメージング向きをシミュレートします(補足ファイル1、コード行13)。
  4. 前処理されたデータを返す
    1. ニューラルネットワークの学習で使用するために、前処理された画像とターゲットラベルデータを torch.tensor 形式で返します (補足ファイル 1、コード行 14)。

4. モデルトレーニング

  1. ライブラリをインポートし、U-Net アーキテクチャを定義する
    1. PyTorch、torch.utils.data.DataLoader、torch.optim.Adam など、モデルのトレーニングに必要なライブラリをインポートします (補足ファイル 1、コード行 1)。
    2. 3D畳み込み層と残差接続を備えたU-Netモデルを使用します(補足ファイル1、コード行2)。
  2. トレーニングパラメータとデータ読み込みの初期化
    1. Dice 損失関数、Adam オプティマイザー、およびモデルを設定します。alphaを0.8、学習率を1e-5、エポック数を500に設定します(Supplementary File 1、Code lines 3)。
    2. 各バッチの torch.utils.data.DataLoader からデータと対応するターゲット ラベルをフェッチします。
  3. トレーニングループとフォワードパス
    1. 学習率を 100 エポックごとに 0.8 を掛けて減らし、モデルが時間の経過と共に学習を微調整するようにします (補足ファイル 1、コード行 5)。
    2. 各バッチを処理する前にオプティマイザーの勾配をゼロにリセットして、前の勾配が蓄積しないようにします (補足ファイル 1、コード行 7)。
    3. データ バッチをモデルに入力して、セグメンテーションの予測を生成します (補足ファイル 1、コード行 8)。
    4. 4 つの異なる深さ (loss_0、loss_1、loss_2、loss_3) でのサイコロ損失を計算して、ネットワークの異なるレイヤーから情報を取得します (補足ファイル 1、コード行 9-12)。
  4. トータルロス、バックプロパゲーション、最適化
    1. 総損失は、総損失 = loss_3 + alpha × (loss_0 + loss_1 + loss_2) (補足ファイル 1、コード行 13) の式を使用して計算します。
    2. 総損失に対してバックプロパゲーションを実行してネットワークの重みを更新することにより、勾配を計算します (補足ファイル 1、コード行 14)。
    3. オプティマイザーを使用してモデルの重みを更新し、計算された勾配に基づいてネットワーク パラメーターを調整します (補足ファイル 1、コード行 15)。
  5. アルファの調整
    1. 30エポックごとに、アルファの値を0.8を掛けて値を小さくし、学習の進行に伴う以前の層損失の影響を減らします(補足ファイル1、コード行16)。

結果

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

セグメンテーションの結果
この研究では、脊椎、骨盤、大腿骨頭の3つの解剖学的構造をセグメント化しました。骨盤と大腿骨頭が含まれていたのは、特定の脊椎パラメータが測定のためにこれらの構造からのランドマークを必要とするためです。各構造のデータセットは、 表 2 に示すように、トレーニング セットとテスト セットに分割されました。

セグメンテーションのパフォーマンスは、Dice 係数、ボリューム類似性 (VS)、再現率 (Recall) の 3 つの標準メトリックを使用して評価されました。

figure-results-1

figure-results-2

figure-results-3

ここで、TP は真陽性、FP は偽陽性、FN は偽陰性を示します。

ネットワークを 500 エポックで学習させた後、セグメンテーションの結果はメトリクスに基づいて評価されました。各解剖学的構造の性能を 表3に示します。これらの結果は、提案されたU-Netベースのセグメンテーションモデルが脊椎、骨盤、および大腿骨頭全体にわたって有効性を示しています。 図 2 は、解剖学的構造の代表的なセグメンテーション結果を示しています。

セグメンテーション後のアプリケーション

臨床的に関連性のある3Dパラメータの測定
自動セグメンテーションによって生成された3Dモデルは、コブ角、椎体回転、胸部後弯症、腰椎前弯症、骨盤発生率、骨盤傾斜、仙骨傾斜など、臨床的に重要なさまざまなパラメータを測定するために使用できます。ここでは、セグメント化されたデータを処理し、脊椎と関連構造の正確かつ自動的な測定を提供する自社開発のプログラムを使用して、これらのパラメータの測定値を表示します(図3)。

3Dプリンティング
AIの自動セグメンテーションと後処理で取得した3Dモデルは、3Dプリントソフトで広く対応している一般的な3Dモデルファイル形式であるSTL形式にエクスポートすることができます。本研究では、紫外線(UV)硬化型樹脂を印刷材料として用いた産業用光造形(SLA)プリンターを使用しました。セグメント化されたモデルの分離された部分間で接続が適用され、単一の統一モデルとして印刷できるまとまりのある構造が確保されました。このプロセスにより、患者の解剖学的構造の物理的な複製が可能になり、手術計画、患者とのコミュニケーション、教育ツールに使用できます。 図4 は、AIでセグメント化されたデータから導き出された3Dプリントモデルを示しています。

figure-results-4
図1:体重負荷コーンビームコンピュータ断層撮影(CBCT)イメージングのための患者のポジショニング。 患者は立っているプラットフォームに座り、スキャン中の動きや転倒を防ぐためにベルトで固定されます。患者はオーバーヘッドサポートをつかんで安定した位置を維持し、CBCTシステムが重力負荷条件下で脊椎の3D画像をキャプチャします。 この図の拡大版を表示するには、ここをクリックしてください。

figure-results-5
図2:脊椎、骨盤、大腿骨頭の軸方向、矢状方向、冠状方向の図でのセグメンテーション結果。 最初の列には CBCT 画像が表示され、その後にグラウンド トゥルース、ディープ ラーニング モデルから取得したセグメンテーション結果が表示されます。2列目と3列目の赤いオーバーレイは、3つのビューすべてで椎体、骨盤、大腿骨頭のセグメント化された領域を示しています。画像は、解剖学的構造をキャプチャするモデルの精度が高く、グラウンドトゥルースと密接に一致することを示しています。 この図の拡大版を表示するには、ここをクリックしてください。

figure-results-6
図3:セグメント化された脊椎と骨盤の構造に関する臨床的に関連するパラメータの測定 (A)冠状面の椎骨T11とL3の間のコブ角(8.9°)の測定。(B)矢状面における胸部後弯症(T1-T12:21.2°)の測定。(C)矢状面における腰椎前弯症(L1-L5:26.4°)の測定。(D)軸面の骨盤に対するL2の椎骨回転(VR:3.3°)。(E) 矢状図で測定された骨盤傾斜 (PT: 21.0°)、仙骨傾斜 (SS: 26.1°)、骨盤発生率 (PI: 47.1°) を含む骨盤パラメータ。 この図の拡大版を表示するには、ここをクリックしてください。

figure-results-7
図4:脊椎と骨盤のSTLモデルと3Dプリントされた物理モデル。 左の画像は、3Dプリント用に準備されたSTL形式の脊椎と骨盤の3Dモデルを示しています。右の画像は、光造形(SLA)技術を使用して印刷された対応する物理モデルを示しています。 この図の拡大版を表示するには、ここをクリックしてください。

パラメーターデフォルト設定
チューブ電圧110キロワット
チューブ電流6 mA
フレームレート12コマ/秒
再構築FOV350ミリメートル
スライスの厚さ2ミリメートル
スライス間の間隔1ミリメートル

表 1: 露出と再構成のデフォルト パラメーター。脊椎全体の体重を支えるコーンビームコンピューター断層撮影イメージングのデフォルトの露出および再構成パラメータ。

ラベルトレーニングデータセットデータセットのテスト
背骨10020
骨盤576
大腿骨頭475

表 2: CBCT 画像モデルのトレーニングとテストに使用されるデータセット。この表は、脊椎、骨盤、大腿骨頭の構造をセグメント化するためのモデルのトレーニングとテストに使用された画像の数を示しています。

ラベルサイコロ係数ボリュームの類似性思い出す
背骨0.930.9540.89
骨盤0.9250.9650.93
大腿骨頭0.960.9710.959

表3:さまざまな解剖学的構造(脊椎、骨盤、大腿骨頭)に対する深層学習モデルのセグメンテーションパフォーマンス。パフォーマンスメトリクスには、Dice Coefficient、Volume Similarity (VS)、Recallがあり、これらはすべて0から1の範囲で、1に近い値はセグメンテーションの精度が高いことを示します。

補足ファイル1:画像前処理(ステップ3)とモデルトレーニング(ステップ4)の擬似コード。このファイルをダウンロードするには、ここをクリックしてください。

ディスカッション

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

このプロトコルでは、体重負荷CBCTを使用して重力負荷を受けた脊椎画像をセグメント化するためのディープラーニングベースの方法を導入しています。主な手順には、画像取得、手動注釈付け、前処理、モデルトレーニングが含まれます。患者の適切なポジショニングと露出設定は、高品質の画像を得るために重要です。位置ずれや不適切な配置は、最適でない画像につながる可能性があり、ニューラルネットワークが構造を正確にセグメント化することが困難になります。前処理も重要なステップであり、このプロトコルでは、ノイズの追加、明るさの変動、回転、および変換が含まれます。これらの前処理手法は、ニューラルネットワークに入力する画像を準備するように設計されており、さまざまなタイプの画像歪みにさらされることでモデルのロバスト性を高めます。

手動アノテーションは、プロトコルのもう1つの重要な要素です。手動アノテーションの精度は、脊椎体、骨盤、大腿骨頭などの構造を学習してセグメント化するモデルの能力に直接影響します。このプロトコルは、椎体のセグメンテーションに焦点を当てており、コブ角や椎体の回転など、臨床的に最も重要なパラメーターを測定するのに十分です。完全な椎骨 (椎弓板、横突起、棘突起など) を必要とするアプリケーションの場合、モデルは追加のラベル付きデータを使用してトレーニングする必要があります。さらに、手動アノテーションのばらつきも課題となる可能性があり、結果の再現性に影響を与える可能性があります。これを軽減するには、経験豊富な複数のアノテーターを配置し、オブザーバー間の信頼性チェックを実装することをお勧めします。

U-Netアーキテクチャは、3D畳み込み層と残留接続を備えており、3D画像12,13,14の処理に適しています。マルチレベル損失機能は、より深いレイヤーからの詳細を保持し、セグメンテーションの精度を確保するのに役立ちます。ただし、学習率や拡張設定などの学習パラメーターを慎重に調整するには、過適合を防ぎ、モデルのロバスト性を向上させる必要があります。最近の研究では、トランスフォーマーやYOLOアーキテクチャ15,16などのニューラルネットワークを使用して、特定のタスクに合わせた脊椎セグメンテーションまたは検出モデルが提案されていますが、これらは通常、CTまたはMRI脊椎画像に依存しています。対照的に、このプロトコルは、ピクセルレベルのセグメンテーションタスク17でより一般的に使用されるU-Netアーキテクチャを採用している。さらに重要なことに、この方法は、直立CBCTを使用して重力負荷条件下で脊椎をセグメント化するように設計されており、立った状態または体重負荷状態の脊椎の評価を可能にします。このユニークな機能により、脊椎の変形を診断し、治療戦略を計画するために重要な、脊椎のアライメントと機械的ストレスをより現実的に評価できます。特に、脊椎セグメンテーションにおけるダイス係数0.93で示されているように、モデルのパフォーマンスは、脊椎セグメンテーション9,18,19にCTおよびMRIデータを使用する他のディープラーニングベースのモデルのパフォーマンスと同等またはそれを超えています。

この方法にはいくつかの制限があります。この研究で使用されたデータセットは、椎体、骨盤、および大腿骨頭をセグメント化するのに適していますが、まれまたは複雑な脊椎変形をより適切に処理するための拡張の恩恵を受けます。データセットが大規模で多様であればあるほど、モデルをより広範なケースに一般化するのに役立ちます。また、CBCTイメージングは金属アーチファクトに敏感であるため、術後の脊椎を金属インプラントでセグメント化するのが難しいという制約もあります。さらに、この方法は計算量が多いため、強力なGPUへのアクセスが必要であり、すべての臨床および研究環境で利用できるわけではありません。手作業によるアノテーション処理は時間がかかり、そのため、アノテーションの精度をコンセンサスで検証するために複数のアノテーターを巻き込むことができませんでした。さらに、このモデルはまだ外部データセットで検証されていないため、他の臨床環境への一般化可能性は限られています。

脊椎関連のパラメータを正確にセグメント化して測定する能力は、特に脊柱側弯症のような症例において、診断と治療計画を強化します。モデルをSTL形式でエクスポートして3Dプリントする機能は、術前計画にも大きな応用があり、外科医は患者固有のモデルを練習したり参照したりできます。これらの具体的なモデルは、患者教育のための貴重なツールであり、患者が自分の状態と治療をよりよく理解するのに役立ちます20。脊椎イメージング以外にも、このプロトコルは、下肢や関節など、重力負荷を受ける他の解剖学的構造のセグメンテーションにも適応でき、変形性膝関節症や股関節変形などの場合に特に価値があります。さらに、このプロトコルは、荷重負荷条件下での脊椎または他の構造の詳細な3Dモデルが力学および応力分布の分析に重要であるバイオメカニクス研究に潜在的に応用できる可能性がある21,22。これにより、奇形の進行に関する貴重な洞察が得られ、新しい治療戦略の開発を導くことができます。

結論として、このプロトコルは、重力負荷条件下で脊椎画像をセグメント化および分析するための信頼性と効率的な方法を提供します。いくつかの制限がありますが、診断、外科計画、バイオメカニクス研究、教育への応用が期待できるため、臨床と研究の両方のシナリオで貴重なツールとなります。

開示事項

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

著者らは、議定書に記載されている作業に関連して競合する利益を宣言しない。

謝辞

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

この研究は、四川省の主要な研究開発プロジェクト(2024YFFK0050および2023YFG0126)、四川大学西中国病院の1.3.5プロジェクトピーク規律開発基金人工知能プロジェクト(ZYAI24013)、およびハイエンド人材サポートプログラムの1.3.5プロジェクト(ZYGD23024)の支援を受けました。

材料

この記事で使用された材料の一覧
名前会社カタログ番号コメント
3Dプリンター(G1400)UnionTech、上海、中国G1400産業用光造形(SLA)3Dプリンター。
ディープラーニング モデルのトレーニングのためのCUDA バージョン 11.4NVIDIA11.4
ITK-SNAP3D生物医学画像のセグメンテーションとアノテーションのためのオープンソース4.0.2
Numpy画像1.24.4python ライブラリ、Web サイト: https://numpy.org/about/
PyCharmJetBrains2023.2.1Python プログラミングに使用される統合開発環境 (IDE)。
Pythonバージョン3.83.8ラーニングモデル開発のためにPyTorchと組み合わせて使用します。
PyTorch バージョン 1.10オープンソース1.10セグメンテーションモデルのトレーニングに使用されるディープラーニングフレームワーク。
SimpleITK画像2.3.1Pythonライブラリ、Webサイト:https://simpleitk.org/
UV-Curable ResinUnionTech、上海、中国UV-001SLA3D印刷プロセスで使用される材料。
重量ベアリングコーンビームCTシステム (WR3Dの)Angell Technology, Shenzhen, ChinaDX6290重力負荷状態での背骨全体の画像取得に使用
Intel i7-10700 CPU搭載Windows 10システムカスタムビルド (Various Manufacturer)Windows 10 Professional,22H2モデルトレーニング用実行環境; 32GB RAM, NVIDIA GeForce RTX 3090 (24GB).
GPU アクセラレーション。ソフトウェア。処理用のオープンソース オープンソースディープ処理用のオープンソース

参考文献

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Chiyanika, C., Chu, W. C. W. Weight-bearing imaging in adolescent idiopathic scoliosis. Semin Musculoskelet Radiol. 23 (6), 584-593 (2019).
  2. 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).
  3. Lagerstrand, K. M. Weight-bearing MRI for dynamic evaluations of spinal and neural foraminal stenosis. Eur Radiol. 33 (7), 4780-4781 (2023).
  4. 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).
  5. 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).
  6. 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).
  7. 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).
  8. 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).
  9. Chen, J., et al. SymTC: A symbiotic transformer-CNN net for instance segmentation of lumbar spine MRI. Comput Biol Med. 179, 108795(2024).
  10. 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).
  11. ITK-SNAP Tutorial. , ITK-SNAP. http://itksnap.org/docs/viewtutorial.php?chapter=TutorialSectionManualSegmentation (2025).
  12. Jha, N., et al. Fully automated condyle segmentation using 3D convolutional neural networks. Sci Rep. 12 (1), 20590(2022).
  13. 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).
  14. 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).
  15. 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).
  16. 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).
  17. Lu, H., et al. Lumbar spine segmentation method based on deep learning. J Appl Clin Med Phys. 24 (6), 13996(2023).
  18. 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).
  19. 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).
  20. Bai, H., et al. 3D printing model of a patient's specific lumbar vertebra. J Vis Exp. (194), e65093(2023).
  21. Stott, B., Driscoll, M. Biomechanical evaluation of the thoracolumbar spine comparing healthy and irregular thoracic and lumbar curvatures. Comput Biol Med. 160, 106982(2023).
  22. 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).

再版と許可

このJoVE記事のテキストまたは図の再利用許可をリクエスト

許可をリクエスト

タグ

CTU Net CNN3D3D
動画は近日公開

関連記事