Oparta na głębokim uczeniu segmentacja ludzkiego kręgosłupa obciążonego grawitacją

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 kręgosłupa^1,2,3,4. 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 obrazów^8,9. 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 tym badaniu trzy struktury anatomiczne - kręgosłup, miednica i głowy kości udowej - zostały podzielone na segmenty. Uwzględniono miednicę i głowy kości udowej, ponieważ niektóre parametry kręgosłupa wymagają punktów orientacyjnych z tych struktur do pomiaru. Zbiór danych dla każdej struktury został podzielony na zestawy treningowe i testowe, jak przedstawiono w tabeli 2.

Skuteczność segmentacji została oceniona za pomocą trzech standardowych wskaźników, w tym współczynnika kości, podobieństwa wolumenu (VS) i zapamiętania:

Gdzie TP oznacza True Positive, FP oznacza False Positive, FN oznacza False Negative.

Po przeszkoleniu sieci przez 500 epok, wyniki segmentacji zostały ocenione na podstawie metryk. Wyniki dla każdej struktury anatomicznej przedstawiono w tabeli 3. Wyniki te pokazują skuteczność proponowanego modelu segmentacji opartego na U-Net w obrębie kręgosłupa, miednicy i głów kości udowych. Rysunek 2 przedstawia reprezentatywny wynik segmentacji struktur anatomicznych.

Aplikacje po segmentacji

Pomiar klinicznie istotnych parametrów 3D
Modele 3D wygenerowane za pomocą automatycznej segmentacji mogą być wykorzystywane do pomiaru szeregu klinicznie ważnych parametrów, takich jak kąt Cobba, rotacja kręgów, kifoza piersiowa, lordoza lędźwiowa, częstość występowania miednicy, pochylenie miednicy i nachylenie krzyżowe. Tutaj wyświetlamy pomiar tych parametrów za pomocą samodzielnie opracowanego programu, który przetwarza dane podzielone na segmenty i zapewnia dokładne i automatyczne pomiary kręgosłupa i powiązanych struktur (Rysunek 3).

Druk 3D
Model 3D uzyskany przez automatyczną segmentację i przetwarzanie końcowe AI można wyeksportować do formatu STL, ogólnego formatu pliku modelu 3D, który jest szeroko obsługiwany przez oprogramowanie do drukowania 3D. W tym badaniu użyta drukarka 3D była przemysłową drukarką stereolitograficzną (SLA), która wykorzystuje żywicę utwardzaną ultrafioletem (UV) jako materiał drukarski. Zastosowano połączenia między izolowanymi częściami segmentowanego modelu, zapewniając spójną strukturę, którą można wydrukować jako pojedynczy, ujednolicony model. Proces ten umożliwia fizyczną replikację anatomii pacjenta, która może być wykorzystana do planowania chirurgicznego, komunikacji z pacjentem i narzędzi edukacyjnych. Rysunek 4 przedstawia model wydrukowany w 3D na podstawie danych podzielonych na segmenty przez sztuczną inteligencję.

Rysunek 1: Ułożenie pacjenta do obrazowania tomografii komputerowej stożkowej (CBCT) z obciążeniem. Pacjent jest umieszczany na stojącej platformie i zabezpieczany pasami zabezpieczającymi przed przemieszczaniem się i upadkiem podczas skanowania. Pacjent trzyma się podparcia nad głową, aby utrzymać stabilną pozycję, podczas gdy system CBCT rejestruje obrazy 3D kręgosłupa w warunkach obciążenia grawitacyjnego. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

Rysunek 2: Wyniki segmentacji kręgosłupa, miednicy i głowy kości udowej w widoku osiowym, strzałkowym i koronalnym. Pierwsza kolumna przedstawia obrazy CBCT, następnie prawdę podstawową, a następnie wyniki segmentacji uzyskane z modelu głębokiego uczenia. Czerwone nakładki w drugiej i trzeciej kolumnie wskazują segmentowane obszary trzonów kręgów, miednicy i głowy kości udowej we wszystkich trzech widokach. Obrazy pokazują wysoką dokładność modelu w uchwyceniu struktur anatomicznych, ściśle odwzorowujących prawdę podstawową. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

Rysunek 3: Pomiar klinicznie istotnych parametrów segmentowych struktur kręgosłupa i miednicy. (A) Pomiar kąta Cobba (8,9°) między kręgami T11 i 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 kręgów (VR: 3,3°) L2 względem miednicy w płaszczyźnie osiowej. (E) Parametry miednicy, w tym pochylenie miednicy (PT: 21,0°), nachylenie kości krzyżowej (SS: 26,1°) i częstość występowania miednicy (PI: 47,1°), mierzone w widoku strzałkowym. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

Rysunek 4: Model STL i wydrukowany w 3D model fizyczny kręgosłupa i miednicy. Zdjęcie po lewej stronie przedstawia model 3D kręgosłupa i miednicy w formacie STL, przygotowany do druku 3D. Obraz po prawej stronie przedstawia odpowiedni model fizyczny wydrukowany przy użyciu technologii stereolitografii (SLA). Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

Parametry	Ustawienia domyślne
Napięcie lampy	110 kV
Prąd lampy	6 mA
Klatek	12 kl./s
Pole widzenia rekonstrukcji	350 milimetr
Grubość plastra	2 mm
Odstępy między plasterkami	1 mm

Tabela 1: Domyślne parametry ekspozycji i rekonstrukcji. Domyślne parametry ekspozycji i rekonstrukcji dla obrazowania tomografii komputerowej całego kręgosłupa za pomocą stożkowej belki nośnej.

szt.

etykieta	Zestaw danych treningowych	Testowanie zestawu danych
kręgosłup	100	20
miednica	57	6
Głowa kości udowej	Rozdział 47	5

Tabela 2: Zestaw danych używany do trenowania i testowania modelu obrazu CBCT. Tabela przedstawia liczbę obrazów wykorzystanych do trenowania i testowania modelu do segmentacji struktur kręgosłupa, miednicy i głowy kości udowej.

pkt. pkt. pkt. pkt. pkt. pkt. pkt. pkt. pkt.

etykieta	Współczynnik kości	Podobieństwo objętości	pamiętać
kręgosłup	0,93	0,954	0,89
miednica	0,925	0,965	0,93
Głowa kości udowej	0,96	0,971	0,959

Tabela 3: Wydajność segmentacji modelu głębokiego uczenia dla różnych struktur anatomicznych (kręgosłup, miednica i głowa kości udowej). Wskaźniki wydajności obejmują współczynnik kości, podobieństwo wolumenu (VS) i zapamiętanie, z których wszystkie mieszczą się w zakresie od 0 do 1, gdzie wartości bliższe 1 wskazują na lepszą dokładność segmentacji.

Plik uzupełniający 1: Pseudokody do wstępnego przetwarzania obrazu (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 YOLO^15,16, 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 naprężeń^21,22. 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.

Materiały

Lista materiałów użytych w tym artykule

Nazwa	Firma	Numer katalogowy	Komentarze
Drukarka 3D (G1400)	UnionTech, Szanghaj, Chiny	G1400	Przemysłowa stereolitografia (SLA) Drukarka 3D.
CUDA w wersji 11.4		11.4	do trenowania modelu głębokiego uczenia.
ITK-SNAP	Open	4.0.2	Oprogramowanie do segmentacji i adnotacji obrazów biomedycznych 3D.
Numpy	Biblioteka	Open source 1.24.4	do przetwarzania obrazów, strona internetowa: https://numpy.org/about/
PyCharm	JetBrains	2023.2.1	zintegrowane środowisko programistyczne (IDE) używane do programowania w Pythonie.
Python w wersji 3.8	Open source	3.8	Używany w połączeniu z platformą PyTorch do tworzenia modeli uczenia głębokiego.
PyTorch w wersji 1.10	Open source	1.10	Struktura uczenia głębokiego używana do trenowania modelu segmentacji.
Biblioteka Python SimpleITK	Open source	2.3.1	do przetwarzania obrazu, strona internetowa: https://simpleitk.org/
Żywica utwardzana promieniami UV	UnionTech, Szanghaj, Chiny	UV-001	Materiał używany w procesie druku 3D SLA.
System CT z nośną belką stożkową  (WR3D)	Angell Technology, Shenzhen, Chiny	DX6290	Służy do akwizycji obrazu całego kręgosłupa w warunkach obciążenia grawitacyjnego
Windows 10 z procesorem Intel i7-10700	Niestandardowa kompilacja (różni producenci)	Windows 10 Professional, 22H2	Środowisko uruchomieniowe do trenowania modeli; 32 GB pamięci RAM, NVIDIA GeForce RTX 3090 (24 GB).