Op deep learning gebaseerde segmentatie van door zwaartekracht belaste menselijke wervelkolom

Samenvatting

Dit artikel presenteert een protocol voor het segmenteren van de door zwaartekracht belaste menselijke wervelkolom in gewichtdragende CBCT-beelden met behulp van een 3D U-Net convolutioneel neuraal netwerk. De methode biedt een waardevol hulpmiddel voor het bestuderen van de uitlijning van de wervelkolom en ondersteunt 3D-printen en biomechanisch onderzoek naar de wervelkolom onder dragende omstandigheden.

Samenvatting

Nauwkeurige analyse van de uitlijning van de wervelkolom onder omstandigheden met zwaartekracht is essentieel voor het diagnosticeren en behandelen van musculoskeletale aandoeningen zoals scoliose en degeneratieve schijfaandoeningen. Traditionele beeldvormingstechnieken, zoals 2D-röntgenfoto's en CT of MRI in rugligging, leggen niet de volledige 3D-geometrie van de wervelkolom vast in een dragende toestand. Gewichtdragende cone-beam computertomografie (CBCT) biedt 3D-beelden met een hoge resolutie in een staande positie, waardoor een nauwkeurigere evaluatie van de uitlijning van de wervelkolom mogelijk is. Deze studie presenteert een op deep learning gebaseerd protocol voor het segmenteren van deze beelden met behulp van een U-Net convolutioneel neuraal netwerk (CNN) met 3D convolutionele lagen en restverbindingen om de wervellichamen, het bekken en de heupkop te segmenteren. Het protocol omvat beeldacquisitie, handmatige annotatie, voorbewerking en modeltraining. Succesvolle segmentatie van de anatomische structuren maakt een nauwkeurige meting mogelijk van klinisch relevante spinale parameters zoals Cobb-hoek en wervelrotatie. Bovendien kunnen de gesegmenteerde 3D-modellen worden geëxporteerd in STL-formaat voor 3D-printen, wat de chirurgische planning en patiëntenvoorlichting vergemakkelijkt. Bovendien kan het protocol worden aangepast om segmentatiemodellen te trainen voor andere anatomische structuren die moeten worden beoordeeld onder omstandigheden met zwaartekrachtbelasting, zoals de onderste ledematen. Deze methode biedt een betrouwbaar en aanpasbaar hulpmiddel voor het nauwkeurig segmenteren van spinale en andere anatomische structuren in omstandigheden met zwaartekrachtbelasting, met praktische toepassingen in zowel klinische diagnostiek als onderzoeksstudies.

Inleiding

Nauwkeurige analyse van de uitlijning van de wervelkolom onder omstandigheden met zwaartekracht is essentieel voor het diagnosticeren en behandelen van aandoeningen van het bewegingsapparaat, waaronder scoliose, degeneratieve schijfaandoeningen en misvormingen^van de wervelkolom 1,2,3,4. Traditionele beeldvormingstechnieken, zoals 2D-röntgenfoto's, leggen niet de volledige 3D-geometrie van de wervelkolom vast. Hoewel conventionele CT en MRI 3D-beelden kunnen produceren, vereisen deze modaliteiten dat patiënten in rugligging worden afgebeeld. Daarentegen biedt cone-beam computertomografie (CBCT) met een hoge resolutie 3D-beelden met de patiënt in een staande positie, wat een meer gedetailleerde evaluatie van de uitlijning van de wervelkolom biedt⁵.

Segmentatie van de skeletstructuur uit 3D-beeldvorming is cruciaal voor het extraheren van klinisch relevante spinale parameters, zoals de Cobb-hoek, wervelrotatie en bekkenincidentie, die nodig zijn voor het diagnosticeren van spinale misvormingen en het plannen van operaties⁶. Bovendien maakt segmentatie het mogelijk om 3D-modellen van anatomische structuren te maken, ter ondersteuning van patiëntenvoorlichting en chirurgische voorbereiding⁷. Deep learning-technologieën, met name convolutionele neurale netwerken (CNN's), zijn op grote schaal gebruikt bij de analyse van medische beeldvorming, met name bij de segmentatie van complexe anatomische structuren op basis van afbeeldingen ^8,9. Segmentatie op basis van deep learning vermindert de handmatige werklast, minimaliseert de variabiliteit van de operator en verbetert de nauwkeurigheid en consistentie in beeldvorming van de wervelkolom.

Dit artikel presenteert een op deep learning gebaseerd protocol voor het segmenteren van door zwaartekracht belaste stekels met behulp van gewichtdragende CBCT. Een 3D U-Net CNN wordt gebruikt om de wervels, het bekken en de heupkop automatisch te segmenteren onder dragende omstandigheden. Integratie van deze methode met routinematige dragende CBCT biedt een gestandaardiseerd, reproduceerbaar hulpmiddel voor nauwkeurigere beoordelingen van de wervelkolom, waardoor verbeterde klinische besluitvorming en patiëntresultaten worden ondersteund. Deze aanpak is repliceerbaar en aanpasbaar voor het trainen van segmentatiemodellen voor andere anatomische structuren die moeten worden beoordeeld onder omstandigheden met zwaartekracht, zoals de onderste ledematen.

Protocol

Deze studie werd uitgevoerd in overeenstemming met de ethische normen die zijn uiteengezet in de Verklaring van Helsinki en werd goedgekeurd door de Institutional Review Board van het West China Hospital, Sichuan University (goedkeuring 834 / 2021). Deelnemers aan het onderzoek werden gediagnosticeerd met degeneratieve scoliose of idiopathische scoliose bij adolescenten (AIS). Uitsluitingscriteria omvatten personen met een voorgeschiedenis van spinale chirurgie, de aanwezigheid van spinale implantaten of degenen die niet in staat zijn om tijdens de beeldvormingsprocedure een staande positie aan te nemen. Alle deelnemers die bij het onderzoek betrokken waren, gaven geïnformeerde toestemming voorafgaand aan het verkrijgen van beelden en deelname aan het onderzoek. De privacy en vertrouwelijkheid van alle deelnemers werden tijdens het onderzoek strikt gehandhaafd. De apparatuur en software die in dit onderzoek zijn gebruikt, staan vermeld in de materiaaltabel.

1. Beeldvorming van de wervelkolom

1. Beeldvormingssysteem en positionering van de patiënt
   1. Gebruik het dragende CBCT-systeem om het beeld te verkrijgen (Afbeelding 1).
   2. Plaats de patiënt op het staplatform. Zet de patiënt vast met riemen om beweging en vallen te voorkomen.
   3. Instrueer de patiënt om een staande positie en stabiele ademhaling te behouden en beweging tijdens het scanproces te minimaliseren.
2. Acquisitie van afbeeldingen
   1. Definieer in de software van het beeldvormingssysteem het beeldvormingsbereik.
      OPMERKING: Voor beeldvorming van de volledige wervelkolom moet het bereik de eerste halswervel tot aan beide heupkoppen omvatten.
   2. Kies de juiste belichtingsparameters.
      OPMERKING: De standaardparameters worden weergegeven in Tabel 1. Pas de parameters indien nodig aan op basis van de lichaamsgrootte van de patiënt.
   3. Druk op de voetrem om de belichting te starten. Ga door totdat de software aangeeft dat de beeldacquisitie is voltooid.
3. Reconstructie van het beeld
   1. Klik op de knop Reconstructie op de software en pas de reconstructieparameters indien nodig aan.
      OPMERKING: De reconstructieparameters die in dit onderzoek zijn gebruikt, staan vermeld in tabel 1.

2. Annotatie met behulp van ITK-SNAP

1. Software starten en importeren van afbeeldingen
   1. Dubbelklik op het softwarepictogram om ITK-SNAP te starten, een open-source, multi-platform tool voor 3D biomedische beeldsegmentatie en annotatie¹⁰.
   2. Importeer de afbeelding voor annotatie. Klik op Bestand -> Open hoofdafbeelding -> blader. Selecteer het doelafbeeldingsbestand en klik op Openen om het in de software te laden.
2. Aantekening
   OPMERKING: Het wordt aanbevolen om de ITK-SNAP-tutorial voor handmatige segmentatie¹¹ te lezen om vertrouwd te raken met de basistools en functies van de software. De essentiële stappen voor dit experiment worden hieronder beschreven.
   1. Als u de zichtbaarheid van afbeeldingen wilt verbeteren, past u het beeldcontrast aan door Extra -> Beeldcontrast -> Contrastaanpassing -> Aanpassing van het beeldcontrast op basis van curve te selecteren. Pas de curve naar behoefte aan om het contrast te verbeteren.
   2. Labels maken voor anatomische structuren: Druk op de knop Labels bewerken op de werkbalk. Typ in het tekstvak Beschrijving de namen van de segmentatiecategorieën (bijv. wervelkolom, bekken, heupkoppen). Wijs kleuren toe aan elke segmentatiecategorie en druk op de knop Venster sluiten om de wijzigingen toe te passen.
   3. Handmatige segmentatie met behulp van de tool voor polygoonannotatie: zorg ervoor dat het juiste label is geselecteerd in het vervolgkeuzemenu Actieve tekening-label in het deelvenster Segmentatielabel , dat overeenkomt met de categorie die u gaat segmenteren.
   4. Selecteer Alle labels in het vervolgkeuzemenu Tekenen over . Selecteer de Polygoon Tool in de IRIS-gereedschapskist.
   5. Gebruik het gereedschap 'Veelhoek' om de structuren handmatig te segmenteren door veelhoeken op de afbeelding te tekenen en te vullen. Zoom en pan indien nodig om nauwkeurigheid te garanderen.
3. De annotatie opslaan
   1. Zodra de annotatie is voltooid, klikt u op Segmentatie in de menubalk en selecteert u vervolgens Segmentatieafbeelding opslaan.
   2. Stel in het dialoogvenster de bestandsnaam van de afbeelding in (bijv. xxx.nii.gz), selecteer Bestandsindeling als NIfTI en klik op Voltooien om het geannoteerde bestand op te slaan.

3. Voorbewerking van afbeeldingen

OPMERKING: In dit protocol wordt de voorverwerking van afbeeldingen voor de invoerafbeelding en de bijbehorende doellabelgegevens geïmplementeerd met behulp van PyCharm, een geïntegreerde ontwikkelomgeving (IDE) voor Python. De stappen worden uitgevoerd via Python-code, die in aanvullend bestand 1 wordt geleverd als pseudo-code om de leesbaarheid te verbeteren en de belangrijkste stappen duidelijk te schetsen.

1. Bibliotheken importeren en afbeeldingen laden
   1. Open PyCharm en maak een nieuw Python-script.
   2. Importeer de benodigde bibliotheken voor beeldverwerking en gegevensbewerking, waaronder NumPy, SimpleITK en PyTorch (aanvullend bestand 1, coderegel 1).
   3. Gebruik SimpleITK om de grijswaardenafbeelding en het bijbehorende label (segmentatiemasker) te lezen van hun respectievelijke bestandspaden (.nii.gz) (aanvullend bestand 1, coderegels 2-3).
2. Formaat en normalisatie van afbeeldingen wijzigen
   1. Stel de invoergrootte voor de z-as in op 16 segmenten, waardoor het geheugengebruik in evenwicht wordt gebracht en essentiële structurele informatie voor segmentatie behouden blijft (aanvullend bestand 1, coderegel 4).
   2. Voeg 1000 toe aan de grijswaardenwaarden van de afbeelding en knip waarden onder 0 en boven een drempelwaarde die dynamisch wordt ingesteld tussen 1000 en 3000 (aanvullend bestand 1, coderegel 5).
   3. Normaliseer de grijswaardenwaarden van de afbeelding door te delen door de drempelwaarde (aanvullend bestand 1, coderegel 5).
3. Vergroting van afbeeldingen
   1. Pas Poisson-ruis toe om echte ruis in het beeld te simuleren (aanvullend bestand 1, coderegel 6).
   2. Pas de helderheid willekeurig aan met een factor tussen 0,8 en 1,2 om rekening te houden met variërende beeldomstandigheden (aanvullend bestand 1, coderegel 7).
   3. Gebruik een schuifvensterbenadering om 3D-segmenten langs de z-as te extraheren voor zowel de afbeelding als het bijbehorende doellabel (aanvullend bestand 1, coderegels 8-10).
   4. Consecuteer de afbeelding en doelsegmenten langs de batchdimensie om ervoor te zorgen dat ze tijdens de vergroting samen worden verwerkt (aanvullend bestand 1, coderegel 11).
   5. Vertaal de afbeelding en doelsegmenten willekeurig langs de x- en y-as met een willekeurige waarde (aanvullend bestand 1, coderegel 12).
   6. Pas willekeurige rotatie toe op de aaneengeschakelde afbeelding en doelsegmenten om verschillende beeldrichtingen te simuleren (aanvullend bestand 1, coderegel 13).
4. Voorbewerkte gegevens retourneren
   1. Retourneer de voorbewerkte afbeeldings- en doellabelgegevens in torch.tensor-indeling voor gebruik bij het trainen van neurale netwerken (aanvullend bestand 1, coderegel 14).

4. Model training

1. Bibliotheken importeren en U-Net-architectuur definiëren
   1. Importeer de vereiste bibliotheken voor modeltraining, waaronder PyTorch, torch.utils.data.DataLoader en torch.optim.Adam (aanvullend bestand 1, coderegel 1).
   2. Gebruik het U-Net-model met 3D convolutionele lagen en restverbindingen (aanvullend bestand 1, coderegels 2).
2. Trainingsparameters en het laden van gegevens initialiseren
   1. Stel de functie voor dobbelsteenverlies, de Adam-optimizer en het model in. Stel alpha in op 0,8, de leersnelheid op 1e-5 en het aantal epochs op 500 (aanvullend bestand 1, coderegel 3).
   2. Haal de gegevens en de bijbehorende doellabels op uit de torch.utils.data.DataLoader voor elke batch.
3. Trainingslus en voorwaartse pass
   1. Verlaag de leersnelheid door deze elke 100 epochs met 0,8 te vermenigvuldigen om ervoor te zorgen dat het model het leerproces in de loop van de tijd verfijnt (aanvullend bestand 1, coderegel 5).
   2. Zet de verlopen van de optimizer op nul voordat u elke batch verwerkt om ervoor te zorgen dat eerdere verlopen zich niet opstapelen (aanvullend bestand 1, coderegel 7).
   3. Voer de gegevensbatch in het model in om voorspellingen voor segmentatie te genereren (aanvullend bestand 1, coderegel 8).
   4. Bereken het dobbelsteenverlies op vier verschillende dieptes (loss_0, loss_1, loss_2, loss_3) om informatie uit verschillende lagen van het netwerk vast te leggen (aanvullend bestand 1, coderegels 9-12).
4. Totaal verlies, backpropagatie en optimalisatie
   1. Bereken het totale verlies met behulp van de formule: totaal verlies = loss_3 + alpha × (loss_0 + loss_1 + loss_2) (Aanvullend bestand 1, coderegel 13).
   2. Bereken de gradiënten door backpropagatie uit te voeren op het totale verlies om de gewichten van het netwerk bij te werken (aanvullend bestand 1, coderegel 14).
   3. Werk de modelgewichten bij met behulp van de optimizer om de netwerkparameters aan te passen op basis van de berekende gradiënten (aanvullend bestand 1, coderegel 15).
5. Aanpassingen voor alfa
   1. Verminder elke 30 epochs de waarde van alfa door deze met 0,8 te vermenigvuldigen om de invloed van eerdere laagverliezen naarmate de training vordert te verminderen (Aanvullend bestand 1, Coderegel 16).

Resultaten

Segmentatie resultaten
In deze studie werden drie anatomische structuren - de wervelkolom, het bekken en de heupkoppen - gesegmenteerd. Het bekken en de heupkoppen werden opgenomen omdat bepaalde parameters van de wervelkolom oriëntatiepunten van deze structuren vereisen voor meting. De dataset voor elke structuur werd onderverdeeld in trainings- en testsets, zoals beschreven in tabel 2.

De segmentatieprestaties werden geëvalueerd aan de hand van drie standaardstatistieken, waaronder dobbelsteencoëfficiënt, volumegelijkenis (VS) en terugroepen:

Waar TP staat voor True Positive, FP voor False Positive, FN voor False Negative.

Na het trainen van het netwerk gedurende 500 tijdperken, werden de segmentatieresultaten geëvalueerd op basis van de statistieken. De prestaties voor elke anatomische structuur worden weergegeven in Tabel 3. Deze resultaten tonen de effectiviteit aan van het voorgestelde op U-Net gebaseerde segmentatiemodel over de wervelkolom, het bekken en de heupkoppen. Figuur 2 toont een representatief segmentatieresultaat van de anatomische structuren.

Toepassingen na segmentatie

Meting van 3D klinisch relevante parameters
De 3D-modellen die door automatische segmentatie worden gegenereerd, kunnen worden gebruikt om een reeks klinisch belangrijke parameters te meten, zoals de Cobb-hoek, wervelrotatie, thoracale kyfose, lumbale lordose, bekkenincidentie, bekkenkanteling en sacrale helling. Hier geven we de meting van deze parameters weer met behulp van een zelf ontwikkeld programma, dat de gesegmenteerde gegevens verwerkt en nauwkeurige en automatische metingen van de wervelkolom en bijbehorende structuren levert (Figuur 3).

3D-printen
Het 3D-model dat is verkregen door automatische segmentatie en nabewerking van AI, kan worden geëxporteerd naar het STL-formaat, een algemeen 3D-modelbestandsformaat dat breed wordt ondersteund door 3D-printsoftware. Voor deze studie werd een industriële stereolithografie (SLA) printer gebruikt, die ultraviolette (UV)-uithardende hars als printmateriaal gebruikt. Er werden verbindingen aangebracht tussen de geïsoleerde delen van het gesegmenteerde model, wat zorgde voor een samenhangende structuur die als één enkel, uniform model kan worden geprint. Dit proces maakt de fysieke replicatie van de anatomie van de patiënt mogelijk, die kan worden gebruikt voor chirurgische planning, patiëntcommunicatie en educatieve hulpmiddelen. Figuur 4 toont een 3D-geprint model dat is afgeleid van de AI-gesegmenteerde gegevens.

Figuur 1: Positionering van de patiënt voor gewichtdragende cone-beam computertomografie (CBCT) beeldvorming. De patiënt wordt op het staplatform geplaatst en vastgezet met riemen om beweging en vallen tijdens de scan te voorkomen. De patiënt houdt zich vast aan de steun boven het hoofd om een stabiele positie te behouden, terwijl het CBCT-systeem 3D-beelden van de wervelkolom vastlegt onder omstandigheden die door de zwaartekracht worden belast. Klik hier om een grotere versie van deze figuur te bekijken.

Figuur 2: Segmentatieresultaten voor wervelkolom, bekken en heupkop in axiale, sagittale en coronale weergaven. De eerste kolom toont de CBCT-afbeeldingen, gevolgd door de ground truth en vervolgens de segmentatieresultaten die zijn verkregen uit het deep learning-model. De rode overlays in de tweede en derde kolom geven de gesegmenteerde gebieden voor de wervellichamen, het bekken en de heupkop aan in alle drie de aanzichten. De beelden tonen de hoge nauwkeurigheid van het model bij het vastleggen van anatomische structuren, die nauw aansluiten bij de grondwaarheid. Klik hier om een grotere versie van deze figuur te bekijken.

Figuur 3: Meting van klinisch relevante parameters op gesegmenteerde wervelkolom- en bekkenstructuren. (A) Meting van de Cobb-hoek (8,9°) tussen wervels T11 en L3 in het coronale vlak. (B) Meting van thoracale kyfose (T1-T12: 21,2°) in het sagittale vlak. (C) Meting van lumbale lordose (L1-L5: 26,4°) in het sagittale vlak. (D) Wervelrotatie (VR: 3,3°) van L2 ten opzichte van het bekken in het axiale vlak. (E) Bekkenparameters, waaronder bekkenkanteling (PT: 21,0°), sacrale helling (SS: 26,1°) en bekkenincidentie (PI: 47,1°), gemeten op de sagittale weergave. Klik hier om een grotere versie van deze figuur te bekijken.

Figuur 4: STL-model en 3D-geprint fysiek model van de wervelkolom en het bekken. De afbeelding links toont het 3D-model van de wervelkolom en het bekken in STL-formaat, voorbereid voor 3D-printen. De afbeelding aan de rechterkant toont het bijbehorende fysieke model dat is geprint met behulp van stereolithografie (SLA) -technologie. Klik hier om een grotere versie van deze figuur te bekijken.

Parameters	Standaardinstellingen
Buis spanning	110 kv
Buis stroom	6 mA
Framesnelheid	12 fps
Reconstructie FOV	350 mm
Dikte van de plak	2 mm dik
Afstand tussen plakjes	1 mm

Tabel 1: Standaardparameters voor belichting en reconstructie. Standaard belichtings- en reconstructieparameters voor gewichtdragende kegelbundel computertomografiebeeldvorming van de volledige wervelkolom.

Etiket	Dataset voor training	Dataset testen
Wervelkolom	100	20
Bekken	57	6
Dijbeen kop	47	5

Tabel 2: Dataset gebruikt voor het trainen en testen van CBCT-beeldmodellen. De tabel toont het aantal afbeeldingen dat is gebruikt om het model te trainen en te testen voor het segmenteren van de wervelkolom, het bekken en de femurkopstructuren.

Etiket	Dobbelsteencoëfficiënt	Volume gelijkenis	Herinneren
Wervelkolom	0.93	0.954	0.89
Bekken	0.925	0.965	0.93
Dijbeen kop	0.96	0.971	0.959

Tabel 3: Segmentatieprestaties van het deep learning-model voor verschillende anatomische structuren (wervelkolom, bekken en heupkop). Prestatiestatistieken zijn onder meer dobbelsteencoëfficiënt, volumegelijkenis (VS) en terugroepen, die allemaal variëren van 0 tot 1, waarbij waarden dichter bij 1 duiden op een betere segmentatienauwkeurigheid.

Aanvullend Dossier 1: Pseudo-codes voor Image preprocessing (stap 3) en Model training (stap 4). Klik hier om dit bestand te downloaden.

Discussie

Dit protocol introduceert een op deep learning gebaseerde methode voor het segmenteren van door zwaartekracht belaste spinale beelden met behulp van gewichtdragende CBCT. Belangrijke stappen zijn onder meer beeldacquisitie, handmatige annotatie, voorbewerking en modeltraining. De juiste positionering en belichtingsinstellingen van de patiënt zijn van cruciaal belang voor het verkrijgen van beelden van hoge kwaliteit. Verkeerde uitlijning of slechte positionering kan leiden tot suboptimale beelden, waardoor het voor het neurale netwerk moeilijk wordt om de structuren nauwkeurig te segmenteren. Voorbewerking is ook een essentiële stap, en in dit protocol omvat het toevoeging van ruis, helderheidsvariatie, rotatie en vertaling. Deze voorverwerkingstechnieken zijn ontworpen om de beelden voor te bereiden op invoer in het neurale netwerk, waardoor de robuustheid van het model wordt vergroot door het bloot te stellen aan verschillende soorten beeldvervormingen.

Handmatige annotatie is een ander cruciaal onderdeel van het protocol. De nauwkeurigheid van handmatige annotaties heeft een directe invloed op het vermogen van het model om structuren zoals de wervellichamen, het bekken en de heupkop te leren en te segmenteren. Dit protocol was gericht op het segmenteren van wervellichamen, wat voldoende is voor het meten van de meeste klinisch relevante parameters zoals de Cobb-hoek en wervelrotatie. Voor toepassingen die de volledige wervel vereisen (inclusief lamina, transversale processen en processus spinosus), zou het model moeten worden getraind met aanvullende gelabelde gegevens. Bovendien kan variabiliteit in handmatige annotaties ook een uitdaging zijn, wat mogelijk van invloed kan zijn op de reproduceerbaarheid van resultaten. Om dit te beperken, raden we aan om meerdere ervaren annotators te hebben en betrouwbaarheidscontroles tussen waarnemers uit te voeren.

De U-Net-architectuur, met 3D-convolutionele lagen en restverbindingen, is zeer geschikt voor het verwerken van 3D-beelden 12,13,14. De verliesfunctie op meerdere niveaus helpt details uit diepere lagen te behouden, waardoor segmentatienauwkeurigheid wordt gegarandeerd. Een zorgvuldige afstemming van trainingsparameters, zoals leersnelheid en augmentatie-instellingen, is echter noodzakelijk om overfitting te voorkomen en de robuustheid van het model te verbeteren. Hoewel recente studies segmentatie- of detectiemodellen voor de wervelkolom hebben voorgesteld die zijn afgestemd op specifieke taken met behulp van neurale netwerken zoals transformatoren of YOLO-architecturen^15,16, zijn deze meestal gebaseerd op CT- of MRI-wervelkolombeelden. Dit protocol maakt daarentegen gebruik van de U-Net-architectuur, die vaker wordt gebruikt in segmentatietaak¹⁷ op pixelniveau. Wat nog belangrijker is, deze methode is ontworpen om de wervelkolom te segmenteren onder omstandigheden met behulp van rechtopstaande CBCT, waardoor een beoordeling van de wervelkolom in een staande of dragende toestand mogelijk is. Deze unieke functie zorgt voor een meer realistische evaluatie van de uitlijning en mechanische spanningen van de wervelkolom, wat cruciaal is voor het diagnosticeren van misvormingen van de wervelkolom en het plannen van behandelingsstrategieën. Met name de prestaties van het model, zoals aangetoond door een dobbelsteencoëfficiënt van 0,93 in wervelkolomsegmentatie, zijn vergelijkbaar met of overtreffen zelfs de prestaties van andere op deep learning gebaseerde modellen die CT- en MRI-gegevens gebruiken voor spinale segmentatie ^9,18,19.

Deze methode heeft enkele beperkingen. De dataset die in deze studie is gebruikt, is weliswaar geschikt voor het segmenteren van de wervellichamen, het bekken en de heupkop, maar zou baat hebben bij uitbreiding om zeldzame of complexe misvormingen van de wervelkolom beter aan te pakken. Een grotere, meer diverse dataset zou het model helpen generaliseren naar een breder scala aan gevallen. Een andere beperking is dat CBCT-beeldvorming gevoelig is voor metalen artefacten, waardoor het voor het model moeilijk is om postoperatieve stekels met metalen implantaten te segmenteren. Bovendien wordt deze methode beperkt door de hoge rekenvraag, waardoor toegang tot krachtige GPU's nodig is, die mogelijk niet in alle klinische en onderzoeksomgevingen beschikbaar zijn. Het handmatige annotatieproces is tijdrovend en daarom konden we niet meerdere annotators betrekken om de juistheid van de annotaties te verifiëren door middel van consensus. Bovendien is het model nog niet gevalideerd op externe datasets, waardoor de generaliseerbaarheid naar andere klinische settings beperkt is.

De mogelijkheid om wervelkolomgerelateerde parameters nauwkeurig te segmenteren en te meten, verbetert de diagnose en behandelplanning, vooral in gevallen zoals scoliose. De mogelijkheid om modellen in STL-formaat te exporteren voor 3D-printen heeft ook belangrijke toepassingen in preoperatieve planning, waardoor chirurgen patiëntspecifieke modellen kunnen oefenen of ernaar kunnen verwijzen. Deze tastbare modellen zijn waardevolle hulpmiddelen voor patiëntenvoorlichting, waardoor patiënten hun aandoening en behandeling beter kunnen begrijpen²⁰. Naast beeldvorming van de wervelkolom kan dit protocol ook worden aangepast om andere door zwaartekracht belaste anatomische structuren te segmenteren, zoals de onderste ledematen en gewrichten, wat vooral waardevol is in gevallen zoals artrose van de knie of heupmisvormingen. Bovendien heeft dit protocol potentiële toepassingen in biomechanische studies, waar gedetailleerde 3D-modellen van de wervelkolom of andere structuren onder dragende omstandigheden cruciaal zijn voor het analyseren van mechanica en spanningsverdelingen^21,22. Dit kan waardevolle inzichten opleveren in de progressie van misvormingen en als leidraad dienen voor de ontwikkeling van nieuwe behandelingsstrategieën.

Kortom, dit protocol biedt een betrouwbare en efficiënte methode voor het segmenteren en analyseren van spinale beelden in omstandigheden met zwaartekracht. Hoewel er enkele beperkingen zijn, maken de potentiële toepassingen in diagnose, chirurgische planning, biomechanica-studies en onderwijs het een waardevol hulpmiddel in zowel klinische als onderzoeksscenario's.

Materialen

Lijst van materialen gebruikt in dit artikel

Naam	Bedrijf	Catalogusnummer	Opmerkingen
3D Printer (G1400)	UnionTech, Shanghai, China	G1400	Industriële stereolithographie (SLA) 3D-printer.
CUDA versie 11.4	NVIDIA	11.4	GPU-versnelling voor het trainen van deep learning-modellen.
ITK-SNAP	Open source	4.0.2	Software voor 3D biomedische beeldsegmentatie en annotatie.
Numpy	Open source	1.24.4	Python-bibliotheek voor beeldverwerking, website: https://numpy.org/about/
PyCharm	JetBrains	2023.2.1	een geïntegreerde ontwikkelomgeving (IDE) gebruikt voor Python-programmering.
Python versie 3.8	Open source	3.8	Gebruikt in combinatie met PyTorch voor deep learning-modelontwikkeling.
PyTorch versie 1.10	Open source	1.10	Deep learning-framework gebruikt voor het trainen van het segmentatiemodel.
SimpleITK	Open source	2.3.1	Python-bibliotheek voor beeldverwerking, website: https://simpleitk.org/
UV-Curable Resin	UnionTech, Shanghai, China	UV-001	Materiaal gebruikt in het SLA 3D-printproces.
Weight-bearing cone-beam CT-systeem  (WR3D)	Angell Technology, Shenzhen, China	DX6290	Gebruikt voor beeldacquisitie van de volledige wervelkolom in zwaartekracht-belast toestand
Windows 10 Systeem met Intel i7-10700 CPU	Aangepaste build (Verschillende fabrikanten)	Windows 10 Professional, 22H2	Uitvoeringsmilieu voor modeltraining; 32GB RAM, NVIDIA GeForce RTX 3090 (24GB).