방법 논문

딥 러닝을 기반으로 중력이 가해진 인간 척추의 세분화

DOI:

10.3791/67781

⸱

2025년 6월 10일

 ,  ,  ,  ,  ,  ,  ,  ,  ,  , 
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

이 논문에서

요약

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

이 기사에서는 3D U-Net 컨볼루션 신경망을 사용하여 체중을 지탱하는 CBCT 이미지에서 중력이 가해진 인간의 척추를 분할하는 프로토콜을 제시합니다. 이 방법은 척추 정렬을 연구하기 위한 유용한 도구를 제공하고 하중을 견디는 조건에서 척추에 대한 3D 프린팅 및 생체 역학 연구를 지원합니다.

초록

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

중력이 가해진 조건에서 척추 정렬을 정확하게 분석하는 것은 척추측만증 및 퇴행성 디스크 질환과 같은 근골격계 질환을 진단하고 관리하는 데 필수적입니다. 2D 방사선 사진 및 앙와위 CT 또는 MRI와 같은 기존 이미징 기술은 하중을 견디는 상태에서 척추의 전체 3D 형상을 캡처하지 못합니다. 체중 부하 콘 빔 컴퓨터 단층 촬영(CBCT)은 서 있는 자세에서 고해상도 3D 이미지를 제공하여 척추 정렬을 보다 정확하게 평가할 수 있습니다. 이 연구는 척추체, 골반 및 대퇴골두를 분할하기 위해 3D 컨볼루션 레이어와 잔여 연결이 있는 U-Net CNN(Convolutional Neural Network)을 사용하여 이러한 이미지를 분할하기 위한 딥 러닝 기반 프로토콜을 제시합니다. 이 프로토콜에는 이미지 획득, 수동 주석, 전처리 및 모델 학습이 포함됩니다. 해부학적 구조의 성공적인 분할을 통해 Cobb 각도 및 척추 회전과 같은 임상적으로 관련된 척추 매개변수를 정확하게 측정할 수 있습니다. 또한 세그먼트화된 3D 모델을 3D 프린팅을 위해 STL 형식으로 내보낼 수 있어 수술 계획 및 환자 교육을 용이하게 할 수 있습니다. 또한, 이 프로토콜은 하지와 같은 중력 하중 조건에서 평가가 필요한 다른 해부학적 구조에 대한 분할 모델을 훈련하도록 조정할 수 있습니다. 이 방법은 중력이 가해진 조건에서 척추 및 기타 해부학적 구조를 정확하게 분할할 수 있는 신뢰할 수 있고 적응 가능한 도구를 제공하며 임상 진단 및 연구 연구 모두에서 실용적인 응용 프로그램을 제공합니다.

서론

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

중력이 가해진 조건에서 척추 정렬을 정확하게 분석하는 것은 척추측만증, 퇴행성 디스크 질환 및 척추 기형을 포함한 근골격계 질환을 진단하고 관리하는 데 필수적입니다 1,2,3,4. 2D 방사선 사진과 같은 기존 이미징 기술은 척추의 전체 3D 형상을 캡처하지 못합니다. 기존의 CT 및 MRI는 3D 이미지를 생성할 수 있지만, 이러한 방식에서는 환자를 앙와위 자세로 이미지화해야 합니다. 이와는 대조적으로, 체중 부하 원뿔형 컴퓨터 단층촬영(CBCT)은 환자가 서 있는 자세의 고해상도 3D 이미지를 제공하여 척추 정렬에 대한 보다 상세한 평가를 제공합니다5.

3D 이미징에서 골격 구조를 세분화하는 것은 척추 기형을 진단하고 수술을 계획하는 데 필요한 콥 각도(Cobb angle), 척추 회전 및 골반 발생률(pelvic incidence)과 같은 임상적으로 관련된 척추 매개변수를 추출하는 데 매우 중요합니다6. 또한 세분화를 통해 해부학적 구조의 3D 모델을 생성할 수 있어 환자 교육 및 수술 준비를 지원할 수 있습니다7. 딥 러닝 기술, 특히 컨볼루션 신경망(CNN)은 의료 영상 분석, 특히 이미지 8,9에서 복잡한 해부학적 구조를 세분화하는 데 널리 사용되었습니다. 딥 러닝 기반 세분화는 수동 작업량을 줄이고, 작업자 변동성을 최소화하며, 척추 영상의 정확성과 일관성을 개선합니다.

이 기사에서는 체중 지지 CBCT를 사용하여 중력 하중 척추를 분할하기 위한 딥 러닝 기반 프로토콜을 제시합니다. 3D U-Net CNN은 하중을 견디는 조건에서 척추, 골반 및 대퇴골두를 자동으로 분할하는 데 사용됩니다. 이 방법을 일상적인 체중 부하 CBCT와 통합하면 보다 정확한 척추 평가를 위한 표준화되고 재현 가능한 도구를 제공하여 향상된 임상 의사 결정 및 환자 결과를 지원합니다. 이 접근 방식은 복제 가능하며 하지 (上者)와 같은 중력 하중 조건에서 평가가 필요한 다른 해부학 적 구조에 대한 세분화 모델을 훈련하는 데 적용 할 수 있습니다.

프로토콜

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

이 연구는 헬싱키 선언에 명시된 윤리 기준에 따라 수행되었으며 쓰촨 대학교 West China Hospital의 기관 검토 위원회(승인 834/2021)의 승인을 받았습니다. 연구에 포함된 참가자들은 퇴행성 척추측만증 또는 청소년 특발성 척추측만증(AIS) 진단을 받았습니다. 제외 기준은 척추 수술 병력이 있는 개인, 척추 임플란트의 존재 또는 영상 촬영 절차 중에 서 있는 자세를 유지할 수 없는 개인을 포함했습니다. 연구에 참여한 모든 참가자는 이미지 획득 및 연구 참여 전에 정보에 입각한 동의를 제공했습니다. 모든 참가자의 개인 정보 보호 및 기밀은 연구 기간 동안 엄격하게 유지되었습니다. 이 연구에 사용된 장비 및 소프트웨어는 재료 표에 나열되어 있습니다.

1. 척추 이미징

  1. 이미징 시스템 및 환자 포지셔닝
    1. 체중 부하 CBCT 시스템을 사용하여 이미지를 획득합니다(그림 1).
    2. 환자를 스탠딩 플랫폼에 놓습니다. 움직임과 넘어짐을 방지하기 위해 벨트로 환자를 고정하십시오.
    3. 스캔 과정에서 환자에게 서 있는 자세, 안정적인 호흡, 움직임을 최소화하도록 지시합니다.
  2. 이미지 획득
    1. 이미징 시스템의 소프트웨어에서 이미징 범위를 정의합니다.
      참고: 전체 척추 영상의 경우, 범위에는 첫 번째 경추부터 양쪽 대퇴골두까지 포함되어야 합니다.
    2. 적절한 노출 매개변수를 선택합니다.
      참고: 기본 매개변수는 표 1에 나와 있습니다. 필요에 따라 환자의 신체 크기에 따라 매개변수를 조정합니다.
    3. 풋 브레이크를 눌러 노출을 시작합니다. 소프트웨어에서 이미지 획득이 완료되었다고 표시될 때까지 계속합니다.
  3. 이미지 재구성
    1. 소프트웨어에서 재구성 버튼을 클릭하고 필요에 따라 재구성 매개변수를 조정합니다.
      참고: 이 연구에 사용된 재구성 매개변수는 표 1에 나열되어 있습니다.

2. ITK-SNAP을 이용한 주석

  1. 소프트웨어 실행 및 이미지 가져오기
    1. 소프트웨어 아이콘을 두 번 클릭하면 3D 생체 의학 이미지 세분화 및 주석10을 위한 오픈 소스 다중 플랫폼 도구인 ITK-SNAP이 시작됩니다.
    2. 주석에 사용할 이미지를 가져옵니다. 파일 -> 기본 이미지 열기 -> 찾아보기를 클릭합니다. 대상 이미지 파일을 선택하고 열기 를 클릭하여 소프트웨어에 로드합니다.
  2. 주석
    참고: 소프트웨어의 기본 도구 및 기능에 익숙해지기 위해 수동 세분화11 에 대한 ITK-SNAP 자습서를 읽는 것이 좋습니다. 이 실험의 필수 단계는 다음과 같습니다.
    1. 이미지 가시성을 향상시키려면 도구 -> 이미지 대비 -> 대비 조정 -> 곡선 기반 이미지 대비 조정을 선택하여 이미지 대비를 조정합니다. 대비를 향상시키기 위해 필요에 따라 곡선을 조정합니다.
    2. Create Labels for anatomical structures: 툴바에서 Edit Labels 버튼을 누릅니다. Description( 설명 ) 텍스트 상자에 세분화 범주의 이름(예: spine, pelvic, femoral heads)을 입력합니다. 각 세분화 범주에 색상을 할당하고 Close Window 버튼을 눌러 변경 사항을 적용합니다.
    3. 폴리곤 주석 도구를 사용한 수동 세분화: 세분화 레이블 패널의 활성 도면 레이블 드롭다운 메뉴에서 세그먼트화하려는 범주와 일치하는 올바른 레이블이 선택되었는지 확인합니다.
    4. Draw Over 드롭다운 메뉴에서 All labels(모든 레이블)를 선택합니다. IRIS 도구 상자에서 다각형 도구를 선택합니다.
    5. polygon 도구를 사용하여 이미지에 다각형을 그리고 채워 구조를 수동으로 분할합니다. 정확성을 보장하기 위해 필요에 따라 확대/축소 및 이동합니다.
  3. 주석 저장
    1. 주석이 완료되면 메뉴 표시줄에서 Segmentation 을 클릭한 다음 Save Segmentation Image를 선택합니다.
    2. 대화 상자에서 이미지 파일 이름 (예: xxx.nii.gz)을 설정하고 파일 형식을 NIfTI로 선택한 다음 마침 을 클릭하여 주석이 추가된 파일을 저장합니다.

3. 이미지 전처리

참고: 이 프로토콜에서 입력 이미지 및 해당 대상 레이블 데이터에 대한 이미지 전처리는 Python용 통합 개발 환경(IDE)인 PyCharm을 사용하여 구현됩니다. 단계는 가독성을 높이고 주요 단계를 명확하게 설명하기 위해 보충 파일 1 에 의사 코드로 제공되는 Python 코드를 통해 실행됩니다.

  1. Import libraries 및 이미지 로딩Import libraries and image loading
    1. PyCharm을 열고 새 Python 스크립트를 만듭니다.
    2. NumPy, SimpleITK 및 PyTorch(보충 파일 1, 코드 줄 1)를 포함하여 이미지 처리 및 데이터 조작에 필요한 라이브러리를 가져옵니다.
    3. SimpleITK를 사용하여 해당 파일 경로(.nii.gz)(보충 파일 1, 코드 라인 2-3)에서 회색조 이미지와 해당 레이블(분할 마스크)을 읽습니다.
  2. 이미지 크기 조정 및 정규화
    1. z축의 입력 크기를 16개 슬라이스로 설정하여 메모리 사용량의 균형을 맞추고 세분화를 위한 필수 구조 정보를 유지합니다(보충 파일 1, 코드 줄 4).
    2. 이미지의 회색 음영 값에 1000을 더하고 0 미만 및 1000에서 3000 사이의 임계값(보충 파일 1, 코드 라인 5)보다 높은 값을 자릅니다.
    3. 임계값으로 나누어 이미지의 회색조 값을 정규화합니다(Supplementary File 1, Code line 5).
  3. 이미지 증강
    1. 푸아송 노이즈를 적용하여 이미지의 실제 노이즈를 시뮬레이션합니다(보충 파일 1, 코드 라인 6).
    2. 다양한 이미징 조건을 고려하여 0.8에서 1.2 사이의 계수로 밝기를 무작위로 조정합니다(보충 파일 1, 코드 라인 7).
    3. 슬라이딩 윈도우 접근 방식을 사용하여 이미지와 해당 대상 레이블(보충 파일 1, 코드 라인 8-10) 모두에 대해 z축을 따라 3D 슬라이스를 추출합니다.
    4. 배치 차원을 따라 이미지와 타겟 슬라이스를 결합하여 증강 중에 함께 처리되도록 합니다(보충 파일 1, 코드 라인 11).
    5. x축과 y축을 따라 이미지와 대상 슬라이스를 임의의 값으로 무작위로 평행 이동합니다(보충 파일 1, 코드 라인 12).
    6. 연결된 이미지와 타겟 슬라이스에 무작위 회전을 적용하여 서로 다른 이미징 방향을 시뮬레이션합니다(보충 파일 1, 코드 라인 13).
  4. 전처리된 데이터 반환
    1. 신경망 훈련에 사용하기 위해 전처리된 이미지와 대상 레이블 데이터를 torch.tensor 형식으로 반환합니다(보충 파일 1, 코드 라인 14).

4. 모델 교육

  1. Import libraries 및 U-Net 아키텍처 정의
    1. PyTorch, torch.utils.data.DataLoader 및 torch.optim.Adam(보충 파일 1, 코드 줄 1)을 포함하여 모델 학습에 필요한 라이브러리를 가져옵니다.
    2. 3D 컨볼루션 레이어 및 잔차 연결(보충 파일 1, 코드 라인 2)이 있는 U-Net 모델을 사용합니다.
  2. 학습 매개 변수 및 데이터 로딩 초기화
    1. Dice loss 함수, Adam 최적화 함수 및 모델을 설정합니다. alpha를 0.8로, 학습률을 1e-5로, Epoch 수를 500으로 설정합니다(Supplementary File 1, Code lines 3).
    2. 각 배치에 대해 torch.utils.data.DataLoader 에서 데이터 및 해당 대상 레이블을 가져옵니다.
  3. 훈련 루프 및 포워드 패스
    1. 100 epoch마다 0.8을 곱하여 학습률을 줄여 모델이 시간이 지남에 따라 학습을 미세 조정하도록 합니다(보충 파일 1, 코드 줄 5).
    2. 이전 그래디언트가 누적되지 않도록 각 배치를 처리하기 전에 옵티마이저의 그래디언트를 0으로 재설정합니다(보충 파일 1, 코드 라인 7).
    3. 데이터 배치를 모델에 입력하여 세분화에 대한 예측을 생성합니다(보충 파일 1, 코드 라인 8).
    4. 4개의 서로 다른 깊이(loss_0, loss_1, loss_2, loss_3)에서 주사위 손실을 계산하여 네트워크의 서로 다른 계층(보충 파일 1, 코드 라인 9-12)에서 정보를 캡처합니다.
  4. 총 손실, 역전파 및 최적화
    1. 다음 공식을 사용하여 총 손실을 계산합니다: total loss = loss_3 + alpha × (loss_0 + loss_1 + loss_2) (보충 파일 1, 코드 라인 13).
    2. 총 손실에 대해 역전파를 수행하여 신경망의 가중치를 업데이트하여 기울기를 계산합니다(Supplementary File 1, Code line 14).
    3. 계산된 그래디언트를 기반으로 네트워크 파라미터를 조정하기 위해 옵티마이저를 사용하여 모델 가중치를 업데이트합니다(보충 파일 1, 코드 라인 15).
  5. 알파 조정
    1. 30 Epoch마다 알파 값에 0.8을 곱하여 알파 값을 줄여 훈련이 진행됨에 따라 이전 레이어 손실의 영향을 줄입니다(보충 파일 1, 코드 라인 16).

결과

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

세분화 결과
이 연구에서는 척추, 골반, 대퇴골두의 세 가지 해부학적 구조를 세분화했습니다. 골반두와 대퇴골두가 포함된 이유는 특정 척추 매개변수가 측정을 위해 이러한 구조의 랜드마크를 필요로 하기 때문입니다. 각 구조에 대한 데이터 세트는 표 2에 설명된 대로 학습 및 테스트 세트로 나뉩니다.

세분화 성능은 Dice coefficient, Volume Similarity(VS) 및 Recall을 포함한 세 가지 표준 메트릭을 사용하여 평가되었습니다.

figure-results-1

figure-results-2

figure-results-3

여기서 TP는 참 긍정, FP 는 거짓 긍정, FN 은 거짓 부정을 나타냅니다.

500 epoch 동안 네트워크를 훈련시킨 후, 메트릭을 기반으로 세분화 결과를 평가했습니다. 각 해부학적 구조에 대한 성능은 표 3에 나와 있습니다. 이러한 결과는 척추, 골반 및 대퇴골두에 걸쳐 제안된 U-Net 기반 분할 모델의 효과를 보여줍니다. 도 2 는 해부학적 구조의 대표적인 분할 결과를 보여준다.

Post-segmentation 애플리케이션

임상적으로 관련된 3D 파라미터 측정
자동 분할을 통해 생성된 3D 모델은 콥 각도, 척추 회전, 흉부 후만증, 요추 전만증, 골반 발생, 골반 기울기 및 천골 경사와 같은 임상적으로 중요한 다양한 매개변수를 측정하는 데 사용할 수 있습니다. 여기에서는 분할된 데이터를 처리하고 척추 및 관련 구조를 정확하고 자동으로 측정하는 자체 개발 프로그램을 사용하여 이러한 매개변수의 측정값을 표시합니다(그림 3).

3D 프린팅
AI 자동 분할 및 후처리로 얻은 3D 모델은 3D 프린팅 소프트웨어에서 널리 지원되는 일반 3D 모델 파일 형식인 STL 형식으로 내보낼 수 있습니다. 본 연구를 위해 사용된 3D 프린터는 자외선(UV) 경화 수지를 인쇄 재료로 사용하는 산업용 광조형(SLA) 프린터였습니다. 분할된 모델의 고립된 부분 사이에 연결이 적용되어 하나의 통합 모델로 인쇄할 수 있는 응집력 있는 구조를 보장했습니다. 이 프로세스를 통해 환자의 해부학적 구조를 물리적으로 복제할 수 있으며, 이는 수술 계획, 환자 커뮤니케이션 및 교육 도구에 사용할 수 있습니다. 그림 4 는 AI 세그먼트 데이터에서 파생된 3D 프린팅 모델을 보여줍니다.

figure-results-4
그림 1: 체중 부하 원뿔형 컴퓨터 단층 촬영(CBCT) 이미징을 위한 환자 포지셔닝. 환자는 스탠딩 플랫폼에 눕히고 벨트로 고정되어 스캔 중 움직임과 넘어짐을 방지합니다. 환자는 CBCT 시스템이 중력 하중 조건에서 척추의 3D 이미지를 캡처하는 동안 안정적인 자세를 유지하기 위해 머리 위 지지대를 잡고 있습니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

figure-results-5
그림 2: 척추, 골반 및 대퇴골두에 대한 축방향, 시상골 및 관상골 관점에서의 세분화 결과. 첫 번째 열에는 CBCT 이미지, 실측 자료, 딥 러닝 모델에서 얻은 세분화 결과가 차례로 표시됩니다. 두 번째와 세 번째 열의 빨간색 오버레이는 세 가지 보기 모두에서 척추체, 골반 및 대퇴골두의 분할된 영역을 나타냅니다. 이미지는 해부학적 구조를 캡처하는 모델의 높은 정확도를 보여주며, 이는 실측 자료와 밀접하게 일치합니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

figure-results-6
그림 3: 분절된 척추 및 골반 구조에서 임상적으로 관련된 매개변수 측정. (A) 관상동맥 평면에서 척추 T11과 L3 사이의 콥 각도(8.9°) 측정. (B) 시상면에서의 흉추후만증(T1-T12: 21.2°) 측정. (C) 시상면에서의 요추 전만(L1-L5: 26.4°) 측정. (D) 축면에서 골반을 기준으로 한 L2의 척추 회전(VR: 3.3°). (E) 시상면에서 측정한 골반 기울기(PT: 21.0°), 천골 경사(SS: 26.1°) 및 골반 입사(PI: 47.1°)를 포함한 골반 매개변수. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

figure-results-7
그림 4: 척추와 골반의 STL 모델 및 3D 프린팅 물리적 모델. 왼쪽 이미지는 3D 프린팅을 위해 준비된 척추와 골반의 3D 모델을 STL 형식으로 보여줍니다. 오른쪽 이미지는 SLA(Stereolithography) 기술을 사용하여 인쇄된 해당 물리적 모델을 보여줍니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

매개 변수기본 설정
튜브 전압110 킬로와트
튜브 전류6 mA
프레임 속도12의 FPS
재구성 FOV350의 mm
슬라이스 두께2의 mm
슬라이스 사이의 간격1의 mm

표 1: 노출 및 재구성을 위한 기본 매개변수. 전체 척추의 체중을 지탱하는 원뿔-빔 컴퓨터 단층 촬영 이미징을 위한 기본 노출 및 재구성 매개변수.

레이블학습 데이터셋테스트 데이터 세트
척주10020
골반576
대퇴골두475

표 2: CBCT 이미지 모델 교육 및 테스트에 사용되는 데이터 세트. 이 표는 척추, 골반 및 대퇴골두 구조를 분할하기 위해 모델을 훈련하고 테스트하는 데 사용되는 이미지의 수를 보여줍니다.

레이블주사위 계수볼륨 유사성기억
척주0.930.9540.89
골반0.9250.9650.93
대퇴골두0.960.9710.959

표 3: 다양한 해부학적 구조(척추, 골반 및 대퇴골두)에 대한 딥 러닝 모델의 세분화 성능. 성능 지표에는 Dice Coefficient, Volume Similarity(VS) 및 재현율이 포함되며, 모두 0에서 1 사이이며 값이 1에 가까울수록 세분화 정확도가 더 우수함을 나타냅니다.

보충 파일 1: 이미지 전처리(3단계) 및 모델 학습(4단계)을 위한 의사 코드. 이 파일을 다운로드하려면 여기를 클릭하십시오.

토론

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

이 프로토콜은 체중 부하 CBCT를 사용하여 중력 하중 척추 이미지를 분할하기 위한 딥 러닝 기반 방법을 소개합니다. 주요 단계에는 이미지 획득, 수동 주석, 전처리 및 모델 교육이 포함됩니다. 적절한 환자 위치 및 노출 설정은 고품질 이미지를 얻는 데 매우 중요합니다. 정렬 불량 또는 잘못된 위치 지정은 최적이 아닌 이미지로 이어져 신경망이 구조를 정확하게 분할하기 어렵게 만들 수 있습니다. 전처리도 필수 단계이며 이 프로토콜에는 노이즈 추가, 밝기 변화, 회전 및 변환이 포함됩니다. 이러한 전처리 기술은 신경망에 입력할 이미지를 준비하도록 설계되었으며, 다양한 유형의 이미지 왜곡에 노출시켜 모델의 견고성을 향상시킵니다.

수동 주석은 프로토콜의 또 다른 중요한 구성 요소입니다. 수동 주석의 정확성은 척추체, 골반 및 대퇴골두와 같은 구조를 학습하고 분할하는 모델의 능력에 직접적인 영향을 미칩니다. 이 프로토콜은 척추체를 분할하는 데 중점을 두었으며, 이는 Cobb angle 및 vertebral rotation과 같은 가장 임상적으로 관련된 매개변수를 측정하기에 충분합니다. 전체 척추뼈가 필요한 응용 프로그램(얇은 판, 횡돌기 및 척추 돌기 포함)의 경우 모델은 레이블이 지정된 추가 데이터로 훈련해야 합니다. 또한 수동 주석의 가변성도 문제가 될 수 있으며, 잠재적으로 결과의 재현성에 영향을 미칠 수 있습니다. 이 문제를 완화하려면 경험이 풍부한 어노테이터를 여러 명 확보하고 관찰자 간 신뢰성 검사를 구현하는 것이 좋습니다.

3D 컨볼루션 레이어와 잔차 연결을 가진 U-Net 아키텍처는 3D 이미지를 처리하는 데 적합합니다 12,13,14. 다단계 손실 기능은 더 깊은 레이어의 세부 정보를 보존하여 세분화 정확도를 보장하는 데 도움이 됩니다. 그러나 학습 속도 및 증강 설정과 같은 학습 매개 변수를 신중하게 조정하면 과적합을 방지하고 모델 견고성을 개선할 수 있습니다. 최근 연구에서는 트랜스포머 또는 YOLO 아키텍처와 같은 신경망을 사용하여 특정 작업에 맞춘 척추 분할 또는 감지 모델을 제안했지만, 15,16 이는 일반적으로 CT 또는 MRI 척추 이미지에 의존합니다. 대조적으로, 이 프로토콜은 픽셀 수준 분할 작업(17)에서 더 일반적으로 사용되는 U-Net 아키텍처를 채택합니다. 더 중요한 것은 이 방법이 직립 CBCT를 사용하여 중력 하중 조건에서 척추를 분할하도록 설계되어 서 있거나 체중을 지탱하는 상태에서 척추를 평가할 수 있다는 것입니다. 이 독특한 기능은 척추의 정렬 및 기계적 응력에 대한 보다 현실적인 평가를 제공하며, 이는 척추 기형을 진단하고 치료 전략을 계획하는 데 매우 중요합니다. 특히, 척추 분할에서 0.93의 주사위 계수로 입증된 모델의 성능은 척추 분할을 위해 CT 및 MRI 데이터를 사용하는 다른 딥 러닝 기반 모델의 성능과 비슷하거나 심지어 능가합니다 9,18,19.

이 방법에는 몇 가지 제한 사항이 있습니다. 이 연구에 사용된 데이터 세트는 척추체, 골반 및 대퇴골두를 분할하는 데 적합하지만 희귀하거나 복잡한 척추 기형을 더 잘 처리하기 위해 확장의 이점을 얻을 수 있습니다. 더 크고 다양한 데이터 세트는 모델을 더 넓은 범위의 사례로 일반화하는 데 도움이 됩니다. 또 다른 한계는 CBCT 이미징이 금속 인공물에 민감하여 모델이 금속 임플란트로 수술 후 척추를 분할하기 어렵다는 것입니다. 또한 이 방법은 높은 컴퓨팅 수요로 인해 제한되므로 모든 임상 및 연구 환경에서 사용할 수 없는 강력한 GPU에 액세스해야 합니다. 수동 주석 프로세스는 시간이 많이 걸리며, 이로 인해 합의를 통해 주석의 정확성을 확인하기 위해 여러 주석자를 참여시킬 수 없었습니다. 또한 이 모델은 아직 외부 데이터 세트에서 검증되지 않았으므로 다른 임상 환경에 대한 일반화 가능성이 제한됩니다.

척추 관련 매개변수를 정확하게 분류하고 측정할 수 있는 능력은 특히 척추측만증과 같은 경우에 진단 및 치료 계획을 향상시킵니다. 3D 프린팅을 위해 모델을 STL 형식으로 내보내는 기능은 수술 전 계획에도 중요한 응용 분야가 있어 외과의가 환자별 모델을 연습하거나 참조할 수 있습니다. 이러한 유형의 모델은 환자 교육을 위한 유용한 도구이며, 환자가 자신의 상태와 치료를 더 잘 이해할 수 있도록 돕는다20. 척추 이미징 외에도 이 프로토콜은 하지 및 관절과 같은 중력이 가해진 다른 해부학적 구조를 분할하는 데에도 적용할 수 있으며, 이는 무릎 골관절염 또는 고관절 기형과 같은 경우에 특히 유용합니다. 또한, 이 프로토콜은 생체 역학 연구에 잠재적으로 응용될 수 있으며, 하중 지지 조건에서 척추 또는 기타 구조물의 상세한 3D 모델은 역학 및 응력 분포를 분석하는 데 매우 중요합니다21,22. 이는 기형의 진행에 대한 귀중한 통찰력을 제공하고 새로운 치료 전략의 개발을 안내할 수 있습니다.

결론적으로, 이 프로토콜은 중력이 가해진 조건에서 척추 이미지를 분할하고 분석하기 위한 신뢰할 수 있고 효율적인 방법을 제공합니다. 몇 가지 제한 사항이 있지만 진단, 수술 계획, 생체 역학 연구 및 교육에 잠재적으로 적용할 수 있는 응용 분야는 임상 및 연구 시나리오 모두에서 유용한 도구입니다.

공개 사항

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

저자는 의정서에 기술된 연구와 관련하여 어떠한 경쟁 이해관계도 선언하지 않는다.

감사의 글

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

이 연구는 쓰촨성의 핵심 연구 개발 프로젝트(2024YFFK0050 및 2023YFG0126), 쓰촨성 서중국 병원 1·3·5 프로젝트 최고 분야 개발 기금 인공 지능 프로젝트(ZYAI24013) 및 고급 인재 지원 프로그램(ZYGD23024)을 위한 1·3·5 프로젝트의 지원을 받았습니다.

재료

이 논문에 사용된 재료 목록
이름회사카탈로그 번호댓글
3D 프린터 (G1400)UnionTech, 상하이, 중국G1400산업용 광 조형 (SLA) 3D 프린터.
CUDA 버전 11.4딥 러닝 모델 훈련을 위한NVIDIA11.4
ITK-SNAP3D 생체 의학 이미지 세분화 및 주석을 위한오픈 소스4.0.2
Numpy오픈 소스1.24.4파이썬 라이브러리, 웹사이트: https://numpy.org/about/
PyCharmJetBrains2023.2.1은 Python 프로그래밍에 사용되는 통합 개발 환경(IDE)입니다.
Python 버전 3.8오픈 소스3.8딥 러닝 모델 개발을 위해 PyTorch와 함께 사용됩니다.
PyTorch 버전 1.10오픈 소스1.10세분화 모델 학습에 사용되는 딥 러닝 프레임워크입니다.
SimpleITK오픈 소스2.3.1파이썬 라이브러리, 웹사이트: https://simpleitk.org/
UV-Curable ResinUnionTech, Shanghai, ChinaUV-001SLA 3D 프린팅 프로세스에 사용되는 재료.
무게 지지 콘-빔 CT 시스템  (WR3D)Angell Technology, Shenzhen, ChinaDX6290중력 부하 상태에서 전체 척추의 이미지 획득에 사용됨
Intel i7-10700 CPU가 탑재된 Windows 10 시스템사용자 정의 빌드(다양한 제조업체)Windows 10 Professional, 22H2모델 훈련을 위한 실행 환경; 32GB RAM, NVIDIA GeForce RTX 3090(24GB).
: GPU 가속. 소프트웨어.이미지 처리를 위한 이미지 처리용

참고문헌

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

재인쇄 및 허가

이 JoVE 논문의 텍스트 또는 그림 재사용 허가 요청

허가 요청

태그

CTU Net CNN3DCobb3D
동영상 곧 제공

관련 논문