Artykuł metodologiczny

Oparta na głębokim uczeniu segmentacja ludzkiego kręgosłupa obciążonego grawitacją

908 wyświetleń

⸱

DOI:

10.3791/67781

⸱

10 czerwca 2025

 ,  ,  ,  ,  ,  ,  ,  ,  ,  , 
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

W tym artykule

Podsumowanie

Ten artykuł przedstawia protokół segmentacji grawitacyjnie obciążonego ludzkiego kręgosłupa na obciążających obrazach CBCT za pomocą konwolucyjnej sieci neuronowej 3D U-Net. Metoda stanowi cenne narzędzie do badania wyrównania kręgosłupa i wspiera druk 3D oraz badania biomechaniczne kręgosłupa w warunkach nośnych.

Streszczenie

Dokładna analiza ustawienia kręgosłupa w warunkach obciążenia grawitacyjnego jest niezbędna do diagnozowania i leczenia zaburzeń układu mięśniowo-szkieletowego, takich jak skolioza i choroba zwyrodnieniowa dysku. Tradycyjne techniki obrazowania, takie jak zdjęcia rentgenowskie 2D i tomografia komputerowa lub rezonans magnetyczny w pozycji leżącej, nie rejestrują pełnej geometrii 3D kręgosłupa w stanie nośnym. Tomografia komputerowa stożkowo-wiązkowa (CBCT) zapewnia obrazy 3D o wysokiej rozdzielczości w pozycji stojącej, co pozwala na dokładniejszą ocenę wyrównania kręgosłupa. Badanie to przedstawia oparty na głębokim uczeniu protokół segmentacji tych obrazów za pomocą konwolucyjnej sieci neuronowej U-Net (CNN) z warstwami konwolucyjnymi 3D i pozostałościowymi połączeniami w celu segmentacji trzonów kręgów, miednicy i głowy kości udowej. Protokół obejmuje pozyskiwanie obrazów, ręczne adnotacje, wstępne przetwarzanie i trenowanie modelu. Udana segmentacja struktur anatomicznych umożliwia dokładny pomiar klinicznie istotnych parametrów kręgosłupa, takich jak kąt Cobba i rotacja kręgów. Dodatkowo segmentowane modele 3D można eksportować w formacie STL do druku 3D, co ułatwia planowanie operacji i edukację pacjentów. Co więcej, protokół można dostosować do trenowania modeli segmentacji dla innych struktur anatomicznych wymagających oceny w warunkach obciążenia grawitacyjnego, takich jak kończyna dolna. Metoda ta zapewnia niezawodne i elastyczne narzędzie do dokładnej segmentacji kręgosłupa i innych struktur anatomicznych w warunkach obciążenia grawitacyjnego, z praktycznymi zastosowaniami zarówno w diagnostyce klinicznej, jak i badaniach naukowych.

Wprowadzenie

Dokładna analiza ustawienia kręgosłupa w warunkach obciążenia grawitacyjnego jest niezbędna do diagnozowania i leczenia zaburzeń układu mięśniowo-szkieletowego, w tym skoliozy, choroby zwyrodnieniowej dysku i deformacji kręgosłupa1,2,3,4. Tradycyjne techniki obrazowania, takie jak zdjęcia rentgenowskie 2D, nie pozwalają uchwycić pełnej geometrii 3D kręgosłupa. Chociaż konwencjonalne tomografia komputerowa i rezonans magnetyczny mogą generować obrazy 3D, te metody wymagają obrazowania pacjentów w pozycji leżącej. Z kolei tomografia komputerowa stożkowo-wiązkowa (CBCT) zapewnia obrazy 3D o wysokiej rozdzielczości z pacjentem w pozycji stojącej, oferując bardziej szczegółową ocenę wyrównania kręgosłupa5.

Segmentacja struktury szkieletu na podstawie obrazowania 3D jest kluczowa dla wyodrębnienia klinicznie istotnych parametrów kręgosłupa, takich jak kąt Cobba, rotacja kręgów i częstość występowania miednicy, które są niezbędne do diagnozowania deformacji kręgosłupa i planowania operacji6. Dodatkowo segmentacja umożliwia tworzenie modeli 3D struktur anatomicznych, wspierając edukację pacjenta i przygotowanie chirurgiczne7. Technologie głębokiego uczenia, w szczególności konwolucyjne sieci neuronowe (CNN), są szeroko stosowane w analizie obrazowania medycznego, w szczególności w segmentacji złożonych struktur anatomicznych na podstawie obrazów8,9. Segmentacja oparta na głębokim uczeniu zmniejsza obciążenie pracą ręczną, minimalizuje zmienność operatora oraz poprawia dokładność i spójność obrazowania kręgosłupa.

Ten artykuł przedstawia protokół oparty na głębokim uczeniu do segmentacji kręgosłupów obciążonych grawitacyjnie za pomocą CBCT o obciążeniu. 3D U-Net CNN służy do automatycznej segmentacji kręgów, miednicy i głowy kości udowej w warunkach nośnych. Integracja tej metody z rutynową CBCT z obciążeniem zapewnia ustandaryzowane, powtarzalne narzędzie do dokładniejszej oceny kręgosłupa, wspierając w ten sposób lepsze podejmowanie decyzji klinicznych i wyniki pacjentów. Podejście to można powielać i dostosowywać do trenowania modeli segmentacji dla innych struktur anatomicznych, które wymagają oceny w warunkach obciążenia grawitacyjnego, takich jak kończyna dolna.

Protokół

To badanie zostało przeprowadzone zgodnie ze standardami etycznymi określonymi w Deklaracji Helsińskiej i zostało zatwierdzone przez Institutional Review Board of West China Hospital, Sichuan University (zgoda 834 / 2021). U uczestników włączonych do badania zdiagnozowano skoliozę zwyrodnieniową lub młodzieńczą skoliozę idiopatyczną (AIS). Kryteria wykluczenia obejmowały osoby, które przeszły operację kręgosłupa, obecność implantów kręgosłupa lub osoby niezdolne do utrzymania pozycji stojącej podczas zabiegu obrazowania. Wszyscy uczestnicy biorący udział w badaniu wyrazili świadomą zgodę przed uzyskaniem obrazu i udziałem w badaniu. Prywatność i poufność wszystkich uczestników były ściśle przestrzegane przez cały czas trwania badania. Sprzęt i oprogramowanie użyte w tym badaniu są wymienione w Tabeli Materiałów.

1. Obrazowanie kręgosłupa

  1. System obrazowania i pozycjonowania pacjenta
    1. Użyj systemu CBCT o obciążeniu, aby uzyskać obraz (Rysunek 1).
    2. Ułóż pacjenta na podeście stojącym. Zabezpiecz pacjenta pasami, aby zapobiec przemieszczaniu się i upadkom.
    3. Poinstruuj pacjenta, aby utrzymywał pozycję stojącą, stabilny oddech i minimalizował ruch podczas procesu skanowania.
  2. Akwizycja obrazu
    1. W oprogramowaniu systemu obrazowania zdefiniuj zakres obrazowania.
      UWAGA: W przypadku obrazowania całego kręgosłupa zakres powinien obejmować pierwszy kręg szyjny aż do obu głów kości udowej.
    2. Wybierz odpowiednie parametry ekspozycji.
      UWAGA: Parametry domyślne przedstawiono w tabeli 1. W razie potrzeby dostosuj parametry w oparciu o rozmiar ciała pacjenta.
    3. Naciśnij hamulec nożny, aby rozpocząć ekspozycję. Kontynuuj, aż oprogramowanie wskaże, że akwizycja obrazu została zakończona.
  3. Rekonstrukcja obrazu
    1. Kliknij przycisk Rekonstrukcja w oprogramowaniu i dostosuj parametry rekonstrukcji zgodnie z potrzebami.
      UWAGA: Parametry rekonstrukcji wykorzystane w tym badaniu zestawiono w tabeli 1.

2. Adnotacja za pomocą ITK-SNAP

  1. Uruchamianie oprogramowania i importowanie obrazów
    1. Kliknij dwukrotnie ikonę oprogramowania, aby uruchomić ITK-SNAP, wieloplatformowe narzędzie o otwartym kodzie źródłowym do segmentacji i adnotacji obrazów biomedycznych 3D10.
    2. Zaimportuj obraz do adnotacji. Kliknij Plik -> Otwórz główny obraz -> przeglądaj. Wybierz docelowy plik obrazu i kliknij Otwórz, aby załadować go do oprogramowania.
  2. Adnotacja
    UWAGA: Zaleca się zapoznanie się z samouczkiem ITK-SNAP dotyczącym ręcznej segmentacji11 w celu zapoznania się z podstawowymi narzędziami i funkcjami oprogramowania. Podstawowe kroki tego eksperymentu są opisane poniżej.
    1. Aby poprawić widoczność obrazu, dostosuj kontrast obrazu, wybierając Narzędzia -> Kontrast obrazu -> Regulacja kontrastu > Regulacja kontrastu obrazu na podstawie krzywej. Dostosuj krzywą zgodnie z potrzebami, aby zwiększyć kontrast.
    2. Tworzenie etykiet dla struktur anatomicznych: Naciśnij przycisk Edytuj etykiety na pasku narzędzi. W polu tekstowym Opis wpisz nazwy kategorii segmentacji (np. kręgosłup, miednica, głowy kości udowych). Przypisz kolory do każdej kategorii segmentacji i naciśnij przycisk Zamknij okno, aby zastosować zmiany.
    3. Ręczna segmentacja za pomocą narzędzia adnotacji wielokąta: Upewnij się, że z menu rozwijanego Etykieta aktywnego rysunku w panelu Etykieta segmentacji wybrano właściwą etykietę, pasującą do kategorii, którą chcesz podzielić na segmenty.
    4. Wybierz opcję Wszystkie etykiety z menu rozwijanego Draw Over. Wybierz narzędzie Wielokąt w przyborniku IRIS.
    5. Użyj narzędzia Wielokąt, aby ręcznie segmentować struktury, rysując i wypełniając wielokąty na obrazie. Powiększaj i przesuwaj zgodnie z potrzebami, aby zapewnić dokładność.
  3. Zapisywanie adnotacji
    1. Po zakończeniu adnotacji kliknij Segmentacja na pasku menu, a następnie wybierz Zapisz obraz segmentacji.
    2. W oknie dialogowym ustaw nazwę pliku obrazu (np. xxx.nii.gz), wybierz Format pliku jako NIfTI i kliknij Zakończ, aby zapisać plik z adnotacją.

3. Wstępne przetwarzanie obrazu

UWAGA: W tym protokole, wstępne przetwarzanie obrazu dla obrazu wejściowego i odpowiadających mu danych etykiety docelowej jest implementowane przy użyciu PyCharm, zintegrowanego środowiska programistycznego (IDE) dla Pythona. Kroki są wykonywane za pomocą kodu Pythona, który jest dostarczany w pliku uzupełniającym 1 jako pseudokod w celu poprawy czytelności i jasnego nakreślenia kluczowych kroków.

  1. Importowanie bibliotek i wczytywanie obrazów
    1. Otwórz PyCharm i utwórz nowy skrypt Pythona.
    2. Zaimportuj biblioteki wymagane do przetwarzania obrazów i manipulowania danymi, w tym NumPy, SimpleITK i PyTorch (plik uzupełniający 1, wiersz kodu 1).
    3. Użyj SimpleITK, aby odczytać obraz w skali szarości i odpowiadającą mu etykietę (maskę segmentacji) z odpowiednich ścieżek plików (.nii.gz) (Plik uzupełniający 1, wiersze kodu 2-3).
  2. Zmiana rozmiaru i normalizacja obrazu
    1. Ustaw rozmiar wejściowy dla osi z na 16 wycinków, co równoważy zużycie pamięci i zachowuje niezbędne informacje strukturalne do segmentacji (Plik uzupełniający 1, Wiersz kodu 4).
    2. Dodaj wartość 1000 do wartości skali szarości obrazu i wartości przycinania poniżej 0 i powyżej progu, który jest dynamicznie ustawiany w zakresie od 1000 do 3000 (Plik uzupełniający 1, wiersz kodu 5).
    3. Znormalizuj wartości skali szarości obrazu, dzieląc je przez próg (plik uzupełniający 1, wiersz kodu 5).
  3. Powiększanie obrazu
    1. Zastosuj szum Poissona, aby zasymulować rzeczywisty szum na obrazie (plik uzupełniający 1, wiersz kodu 6).
    2. Losowo dostosuj jasność o współczynnik od 0,8 do 1,2, aby uwzględnić różne warunki obrazowania (plik uzupełniający 1, wiersz kodu 7).
    3. Użyj podejścia z przesuwanym oknem, aby wyodrębnić plasterki 3D wzdłuż osi Z zarówno dla obrazu, jak i odpowiadającej mu etykiety docelowej (Plik uzupełniający 1, wiersze kodu 8-10).
    4. Połącz wycinki obrazu i celu wzdłuż wymiaru wsadowego, aby upewnić się, że są one przetwarzane razem podczas powiększania (plik uzupełniający 1, wiersz kodu 11).
    5. Przesuń obraz i wycinki docelowe losowo wzdłuż osi x i y o losową wartość (plik uzupełniający 1, wiersz kodu 12).
    6. Zastosuj losowy obrót na połączonym obrazie i plasterkach docelowych, aby zasymulować różne orientacje obrazowania (plik uzupełniający 1, wiersz kodu 13).
  4. Zwracanie wstępnie przetworzonych danych
    1. Zwróć wstępnie przetworzony obraz i dane etykiety docelowej w formacie torch.tensor do użycia w trenowaniu sieci neuronowych (plik uzupełniający 1, wiersz kodu 14).

4. Trenowanie modelu

  1. Importuj biblioteki i definiuj architekturę U-Net
    1. Zaimportuj biblioteki wymagane do trenowania modelu, w tym PyTorch, torch.utils.data.DataLoader i torch.optim.Adam (plik uzupełniający 1, wiersz kodu 1).
    2. Użyj modelu U-Net z warstwami konwolucyjnymi 3D i połączeniami szczątkowymi (Plik uzupełniający 1, Wiersze kodu 2).
  2. Inicjowanie parametrów trenowania i ładowania danych
    1. Skonfiguruj funkcję straty kości, optymalizator Adama i model. Ustaw wartość alfa na 0,8, współczynnik uczenia się na 1e-5, a liczbę epok na 500 (Plik uzupełniający 1, Wiersze kodu 3).
    2. Pobierz dane i odpowiadające im etykiety docelowe z torch.utils.data.DataLoader dla każdej partii.
  3. Pętla treningowa i przejście do przodu
    1. Zmniejsz współczynnik uczenia się, mnożąc go przez 0,8 co 100 epok, aby upewnić się, że model dostosowuje swoje uczenie się w czasie (plik uzupełniający 1, wiersz kodu 5).
    2. Zresetuj gradienty optymalizatora do zera przed przetworzeniem każdej partii, aby upewnić się, że poprzednie gradienty nie kumulują się (Plik uzupełniający 1, Wiersz kodu 7).
    3. Wprowadź partię danych do modelu, aby wygenerować prognozy dotyczące segmentacji (plik uzupełniający 1, wiersz kodu 8).
    4. Oblicz stratę kości na czterech różnych głębokościach (loss_0, loss_1, loss_2, loss_3), aby przechwycić informacje z różnych warstw sieci (Plik uzupełniający 1, wiersze kodu 9-12).
  4. Całkowita strata, propagacja wsteczna i optymalizacja
    1. Oblicz całkowitą stratę za pomocą wzoru: szkoda całkowita = loss_3 + alfa × (loss_0 + loss_1 + loss_2) (Plik uzupełniający 1, wiersz kodu 13).
    2. Oblicz gradienty, wykonując propagację wsteczną na całkowitej stracie, aby zaktualizować wagi sieci (plik uzupełniający 1, wiersz kodu 14).
    3. Zaktualizuj wagi modelu za pomocą optymalizatora, aby dostosować parametry sieci na podstawie obliczonych gradientów (plik uzupełniający 1, wiersz kodu 15).
  5. Korekty dla alfa
    1. Co 30 epok zmniejszaj wartość alfa, mnożąc ją przez 0,8, aby zmniejszyć wpływ wcześniejszych strat warstw w miarę postępu uczenia (Plik uzupełniający 1, wiersz kodu 16).

Wyniki

Wyniki segmentacji
W niniejszym badaniu poddano segmentacji trzy struktury anatomiczne: kręgosłup, miednicę oraz głowy kości udowych. Miednicę i głowy kości udowych uwzględniono, ponieważ określone parametry kręgosłupa wymagają punktów orientacyjnych z tych struktur do przeprowadzenia pomiarów. Zbiór danych dla każdej struktury został podzielony na zbiory treningowe i testowe, zgodnie z zestawieniem w Tabeli 2.

Wydajność segmentacji oceniono za pomocą trzech standardowych miar, w tym współczynnika Dice'a, podobieństwa objętości (VS) oraz czułości (Recall):

wzór współczynnika Dice'a; TP, FP, FN; równanie w analizie statystycznej i ocenie segmentacji obrazu

Wzór podobieństwa objętości: Równanie \(1 - \frac{|FN - FP|}{2 \times TP + FP + FN}\); analiza statystyczna.

Wzór na czułość (recall), recall=TP/(TP+FN), równanie matematyczne, wskaźnik wydajności w eksperymentach.

Gdzie TP oznacza wynik prawdziwie dodatni, FP oznacza wynik fałszywie dodatni, a FN oznacza wynik fałszywie ujemny.

Po przeszkoleniu sieci przez 500 epok, wyniki segmentacji oceniono na podstawie określonych metryk. Wyniki dla każdej struktury anatomicznej przedstawiono w Tabeli 3. Wyniki te potwierdzają skuteczność proponowanego modelu segmentacji opartego na architekturze U-Net w zakresie kręgosłupa, miednicy oraz głowy kości udowych. Rysunek 2 przedstawia reprezentatywny wynik segmentacji struktur anatomicznych.

Zastosowania po segmentacji

Pomiar klinicznie istotnych parametrów 3D
Modele 3D wygenerowane poprzez automatyczną segmentację mogą być wykorzystane do pomiaru szeregu klinicznie istotnych parametrów, takich jak kąt Cobba, rotacja kręgów, kifoza piersiowa, lordoza lędźwiowa, inklinacja miednicy, pochylenie miednicy oraz kąt nachylenia kości krzyżowej. Tutaj przedstawiamy pomiar tych parametrów z wykorzystaniem autorskiego programu, który przetwarza dane z segmentacji i zapewnia dokładne oraz automatyczne pomiary kręgosłupa i powiązanych z nim struktur (Rycina 3).

Drukowanie 3D
Model 3D uzyskany dzięki automatycznej segmentacji AI i postprocesingowi można wyeksportować do formatu STL, ogólnego formatu plików modeli 3D, który jest szeroko wspierany przez oprogramowanie do druku 3D. W niniejszym badaniu wykorzystano przemysłową drukarkę stereolitograficzną (SLA), która jako materiał druku wykorzystuje żywicę utwardzaną promieniami ultrafioletowymi (UV). Między odseparowanymi częściami posegmentowanego modelu zastosowano połączenia, zapewniając spójną strukturę, którą można wydrukować jako pojedynczy, zunifikowany model. Proces ten umożliwia fizyczną replikację anatomii pacjenta, która może być wykorzystana do planowania chirurgicznego, komunikacji z pacjentem oraz jako narzędzie edukacyjne. Rycina 4 przedstawia wydrukowany w 3D model pochodny z danych posegmentowanych przez AI.

Ustawienie symulatora pozycji MRI w eksperymencie medycznym badającym postawę i pozycjonowanie pacjenta.
Rysunek 1: Pozycjonowanie pacjenta do obrazowania tomografią komputerową w wiązce stożkowej (CBCT) z obciążeniem kończyn dolnych. Pacjent zostaje umieszczony na platformie stojącej i zabezpieczony pasami, aby zapobiec ruchom oraz upadkowi podczas skanowania. Pacjent trzyma się górnego wspornika, aby utrzymać stabilną pozycję, podczas gdy system CBCT wykonuje obrazy 3D kręgosłupa w warunkach obciążenia grawitacyjnego. Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.

Proces segmentacji tomografii komputerowej, widoki osiowy/strzałkowy/czołowy, porównanie kręgosłupa-miednicy-głowki kości udowej.
Rysunek 2: Wyniki segmentacji kręgosłupa, miednicy i głowki kości udowej w widokach osiowym, strzałkowym i czołowym. Pierwsza kolumna przedstawia obrazy CBCT, następnie prawdę obiektywną (ground truth), a potem wyniki segmentacji uzyskane z modelu głębokiego uczenia. Czerwone nakładki w drugiej i trzeciej kolumnie wskazują obszary segmentacji trzonów kręgów, miednicy i głowki kości udowej we wszystkich trzech widokach. Obrazy demonstrują wysoką dokładność modelu w odwzorowaniu struktur anatomicznych, ściśle odpowiadającą prawdzie obiektywnej. Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.

Schemat kątów zakrzywienia kręgosłupa; pomiary: Cobb 8,9°, T1-T12 21,2°, L1-L5 26,4°, VR 3,3°.
Rycina 3: Pomiar parametrów klinicznie istotnych na posegmentowanych strukturach kręgosłupa i miednicy. (A) Pomiar kąta Cobba (8,9°) między kręgami T11 a L3 w płaszczyźnie czołowej. (B) Pomiar kifozy piersiowej (T1-T12: 21,2°) w płaszczyźnie strzałkowej. (C) Pomiar lordozy lędźwiowej (L1-L5: 26,4°) w płaszczyźnie strzałkowej. (D) Rotacja kręgu (VR: 3,3°) L2 względem miednicy w płaszczyźnie osiowej. (E) Parametry miednicy, w tym nachylenie miednicy (PT: 21,0°), kąt nachylenia kości krzyżowej (SS: 26,1°) oraz incydencja miednicy (PI: 47,1°), zmierzone w rzucie strzałkowym. Kliknij tutaj, aby wyświetlić większą wersję tej ryciny.

Porównanie modelu 3D kręgosłupa i miednicy; schemat rekonstrukcji cyfrowej, fizyczny model wydrukowany w 3D.
Rysunek 4: Model STL i fizyczny model 3D kręgosłupa i miednicy. Obraz po lewej stronie przedstawia model 3D kręgosłupa i miednicy w formacie STL, przygotowany do druku 3D. Obraz po prawej stronie przedstawia odpowiadający mu fizyczny model wydrukowany w technologii stereolitografii (SLA). Prosimy kliknąć tutaj, aby wyświetlić powiększoną wersję tego rysunku.

ParametryUstawienia domyślne
Napięcie lampy110 kV
Prąd lampy6 mA
Częstotliwość klatek12 kl./s
Pole widzenia rekonstrukcji350 mm
Grubość warstwy2 mm
Odstępy między przekrojami1 mm

Tabela 1: Domyślne parametry ekspozycji i rekonstrukcji. Domyślne parametry ekspozycji i rekonstrukcji dla obrazowania całego kręgosłupa metodą tomografii komputerowej wiązki stożkowej z obciążeniem.

EtykietaZbiór danych treningowychZbiór danych testowych
Kręgosłup10020
Miednica576
Głowia kości udowej475

Tabela 2: Zbiór danych wykorzystany do trenowania i testowania modelu obrazowania CBCT. Tabela przedstawia liczbę obrazów użytych do trenowania i testowania modelu segmentacji struktur kręgosłupa, miednicy i głowy kości udowej.

EtykietaWspółczynnik Dice’aPodobieństwo objętościPrzywołanie
Kręgosłup0.930.9540.89
Miednica0.9250.9650.93
Głowa kości udowej0.960.9710.959

Tabela 3: Wydajność segmentacji modelu głębokiego uczenia dla różnych struktur anatomicznych (kręgosłupa, miednicy i głowy kości udowej). Metryki wydajności obejmują współczynnik Dice (Dice Coefficient), podobieństwo objętości (Volume Similarity, VS) oraz czułość (Recall); wszystkie one przyjmują wartości z zakresu od 0 do 1, gdzie wartości bliższe 1 wskazują na lepszą dokładność segmentacji.

Plik uzupełniający 1: Pseudokody dla wstępnego przetwarzania obrazów (krok 3) i trenowania modelu (krok 4). Kliknij tutaj, aby pobrać ten plik.

Dyskusja

Protokół ten wprowadza opartą na głębokim uczeniu metodę segmentacji obrazów kręgosłupa obciążonych grawitacją za pomocą CBCT z obciążeniem. Kluczowe kroki obejmują pozyskiwanie obrazu, ręczne adnotacje, wstępne przetwarzanie i trenowanie modelu. Prawidłowe ustawienie pacjenta i ustawienia ekspozycji mają kluczowe znaczenie dla uzyskania wysokiej jakości obrazów. Niewspółosiowość lub złe pozycjonowanie może prowadzić do nieoptymalnych obrazów, utrudniając sieci neuronowej dokładną segmentację struktur. Przetwarzanie wstępne jest również niezbędnym krokiem, a w tym protokole obejmuje dodawanie szumów, zmianę jasności, obrót i translację. Te techniki wstępnego przetwarzania mają na celu przygotowanie obrazów do wprowadzenia do sieci neuronowej, zwiększając niezawodność modelu poprzez wystawienie go na różnego rodzaju zniekształcenia obrazu.

Ręczne adnotacje to kolejny krytyczny element protokołu. Dokładność ręcznych adnotacji ma bezpośredni wpływ na zdolność modelu do uczenia się i segmentacji struktur, takich jak trzony kręgów, miednica i głowa kości udowej. Protokół ten koncentrował się na segmentacji trzonów kręgów, co jest wystarczające do pomiaru większości klinicznie istotnych parametrów, takich jak kąt Cobba i rotacja kręgów. W przypadku zastosowań wymagających pełnego kręgu (w tym blaszki, wyrostków poprzecznych i wyrostków kolczystych) model wymagałby trenowania z dodatkowymi oznaczonymi danymi. Ponadto wyzwaniem może być również zmienność adnotacji ręcznych, co może mieć wpływ na odtwarzalność wyników. Aby temu zaradzić, zalecamy korzystanie z wielu doświadczonych adnotatorów i wdrożenie kontroli niezawodności między obserwatorami.

Architektura U-Net, z warstwami konwolucyjnymi 3D i szczątkowymi połączeniami, doskonale nadaje się do obsługi obrazów 3D 12,13,14. Funkcja wielopoziomowej utraty pomaga zachować szczegóły z głębszych warstw, zapewniając dokładność segmentacji. Jednak staranne dostrajanie parametrów trenowania, takich jak szybkość uczenia się i ustawienia rozszerzenia, jest konieczne, aby zapobiec nadmiernemu dopasowaniu i poprawić niezawodność modelu. Podczas gdy ostatnie badania zaproponowały segmentację kręgosłupa lub modele detekcji dostosowane do konkretnych zadań przy użyciu sieci neuronowych, takich jak transformatory lub architektury YOLO15,16, zazwyczaj opierają się one na obrazach kręgosłupa z tomografii komputerowej lub rezonansu magnetycznego. W przeciwieństwie do tego, ten protokół przyjmuje architekturę U-Net, która jest częściej używana w zadaniu segmentacji na poziomie pikseli17. Co ważniejsze, metoda ta ma na celu segmentację kręgosłupa w warunkach obciążenia grawitacyjnego przy użyciu pionowej CBCT, co pozwala na ocenę kręgosłupa w stanie stojącym lub z obciążeniem. Ta unikalna cecha zapewnia bardziej realistyczną ocenę ustawienia kręgosłupa i naprężeń mechanicznych, co ma kluczowe znaczenie dla diagnozowania deformacji kręgosłupa i planowania strategii leczenia. Warto zauważyć, że wydajność modelu, o czym świadczy współczynnik Dice wynoszący 0,93 w segmentacji kręgosłupa, jest porównywalna, a nawet przewyższa wydajność innych modeli opartych na głębokim uczeniu, które wykorzystują dane CT i MRI do segmentacji kręgosłupa 9,18,19.

Ta metoda ma pewne ograniczenia. Zestaw danych wykorzystany w tym badaniu, choć odpowiedni do segmentacji trzonów kręgów, miednicy i głowy kości udowej, skorzystałby na rozszerzeniu, aby lepiej radzić sobie z rzadkimi lub złożonymi deformacjami kręgosłupa. Większy, bardziej zróżnicowany zestaw danych pomógłby modelowi uogólnić się na szerszy zakres przypadków. Innym ograniczeniem jest to, że obrazowanie CBCT jest wrażliwe na artefakty metalowe, co utrudnia modelowi segmentację pooperacyjnych kręgosłupów za pomocą metalowych implantów. Ponadto metoda ta jest ograniczona wysokim zapotrzebowaniem obliczeniowym, wymagającym dostępu do wydajnych procesorów graficznych, które mogą nie być dostępne we wszystkich warunkach klinicznych i badawczych. Proces ręcznego dodawania adnotacji jest czasochłonny i z tego powodu nie byliśmy w stanie zaangażować wielu adnotatorów w celu zweryfikowania dokładności adnotacji w drodze konsensusu. Co więcej, model nie został jeszcze zwalidowany na zewnętrznych zestawach danych, co ogranicza możliwość jego uogólnienia na inne warunki kliniczne.

Możliwość dokładnej segmentacji i pomiaru parametrów związanych z kręgosłupem usprawnia diagnostykę i planowanie leczenia, szczególnie w przypadkach takich jak skolioza. Możliwość eksportu modeli w formacie STL do druku 3D ma również znaczące zastosowanie w planowaniu przedoperacyjnym, umożliwiając chirurgom ćwiczenie lub odwoływanie się do modeli specyficznych dla pacjenta. Te namacalne modele są cennymi narzędziami edukacji pacjentów, pomagając im lepiej zrozumieć ich stan i leczenie20. Poza obrazowaniem kręgosłupa, protokół ten można również dostosować do segmentacji innych struktur anatomicznych obciążonych grawitacją, takich jak kończyny dolne i stawy, co jest szczególnie cenne w przypadkach takich jak choroba zwyrodnieniowa stawu kolanowego lub deformacje stawu biodrowego. Co więcej, protokół ten ma potencjalne zastosowania w badaniach biomechanicznych, gdzie szczegółowe modele 3D kręgosłupa lub innych struktur w warunkach nośnych mają kluczowe znaczenie dla analizy mechaniki i rozkładów naprężeń21,22. Może to dostarczyć cennych informacji na temat postępu deformacji i pomóc w opracowaniu nowych strategii leczenia.

Podsumowując, protokół ten oferuje niezawodną i wydajną metodę segmentacji i analizy obrazów kręgosłupa w warunkach obciążenia grawitacyjnego. Chociaż istnieją pewne ograniczenia, jego potencjalne zastosowania w diagnostyce, planowaniu chirurgicznym, badaniach biomechanicznych i edukacji sprawiają, że jest cennym narzędziem zarówno w scenariuszach klinicznych, jak i badawczych.

Oświadczenia

Autorzy deklarują brak konkurencyjnych interesów w stosunku do utworu opisanego w protokole.

Podziękowania

Badanie było wspierane przez kluczowe projekty badawczo-rozwojowe prowincji Syczuan (2024YFFK0050 i 2023YFG0126), Zachodniochiński Szpital Uniwersytetu Sichuan 1·3·5 Project Peak Discipline Development Fund Artificial Intelligence Project (ZYAI24013) oraz 1·3·5 projekt dla High-end Talent Support Program (ZYGD23024).

Materiały

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
Drukarka 3D (G1400)UnionTech, Szanghaj, ChinyG1400Przemysłowa stereolitografia (SLA) Drukarka 3D.
CUDA w wersji 11.411.4do trenowania modelu głębokiego uczenia.
ITK-SNAPOpen4.0.2Oprogramowanie do segmentacji i adnotacji obrazów biomedycznych 3D.
NumpyBibliotekaOpen source 1.24.4do przetwarzania obrazów, strona internetowa: https://numpy.org/about/
PyCharmJetBrains2023.2.1zintegrowane środowisko programistyczne (IDE) używane do programowania w Pythonie.
Python w wersji 3.8Open source3.8Używany w połączeniu z platformą PyTorch do tworzenia modeli uczenia głębokiego.
PyTorch w wersji 1.10Open source1.10Struktura uczenia głębokiego używana do trenowania modelu segmentacji.
Biblioteka Python SimpleITKOpen source2.3.1do przetwarzania obrazu, strona internetowa: https://simpleitk.org/
Żywica utwardzana promieniami UVUnionTech, Szanghaj, ChinyUV-001Materiał używany w procesie druku 3D SLA.
System CT z nośną belką stożkową  (WR3D)Angell Technology, Shenzhen, ChinyDX6290Służy do akwizycji obrazu całego kręgosłupa w warunkach obciążenia grawitacyjnego
Windows 10 z procesorem Intel i7-10700Niestandardowa kompilacja (różni producenci)Windows 10 Professional, 22H2Środowisko uruchomieniowe do trenowania modeli; 32 GB pamięci RAM, NVIDIA GeForce RTX 3090 (24 GB).
Akceleracja procesora GPU NVIDIA source Pythona System

Bibliografia

  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).

Przedruki i uprawnienia

Tagi

Segmentacja g bokakr gos up obci ony grawitacyjnietomografia komputerowa w wi zce sto kowej CBCTustawienie kr gos upasie CNN U Netsegmentacja kr g wobrazowanie 3D kr gos upaobrazowanie w obci eniupomiar k ta Cobbaeksport modelu 3D
Film wkrótce dostępny
Skontaktuj się z nami
Poleć bibliotece

Prywatność

Warunki Korzystania

Zasady

Copyright © 2026 MyJoVE Corporation. Wszelkie prawa zastrzeżone.