Segmentação baseada em aprendizado profundo da coluna humana carregada de gravidade

Resumo

Este artigo apresenta um protocolo para segmentar a coluna vertebral humana carregada pela gravidade em imagens CBCT de sustentação de peso usando uma rede neural convolucional 3D U-Net. O método fornece uma ferramenta valiosa para estudar o alinhamento da coluna vertebral e suporta a impressão 3D e a pesquisa biomecânica da coluna vertebral em condições de suporte de carga.

Resumo

A análise precisa do alinhamento da coluna vertebral sob condições de carga de gravidade é essencial para diagnosticar e gerenciar distúrbios musculoesqueléticos, como escoliose e doença degenerativa do disco. As técnicas tradicionais de imagem, como radiografias 2D e tomografia computadorizada ou ressonância magnética em decúbito dorsal, não capturam a geometria 3D completa da coluna vertebral em um estado de suporte de carga. A tomografia computadorizada de feixe cônico (CBCT) de sustentação de peso fornece imagens 3D de alta resolução em pé, permitindo uma avaliação mais precisa do alinhamento da coluna vertebral. Este estudo apresenta um protocolo baseado em aprendizado profundo para segmentar essas imagens usando uma rede neural convolucional U-Net (CNN) com camadas convolucionais 3D e conexões residuais para segmentar os corpos vertebrais, pelve e cabeça femoral. O protocolo inclui aquisição de imagens, anotação manual, pré-processamento e treinamento de modelos. A segmentação bem-sucedida das estruturas anatômicas permite a medição precisa de parâmetros clinicamente relevantes da coluna vertebral, como ângulo de Cobb e rotação vertebral. Além disso, os modelos 3D segmentados podem ser exportados em formato STL para impressão 3D, facilitando o planejamento cirúrgico e a educação do paciente. Além disso, o protocolo pode ser adaptado para treinar modelos de segmentação para outras estruturas anatômicas que requerem avaliação em condições de carga de gravidade, como o membro inferior. Este método fornece uma ferramenta confiável e adaptável para segmentar com precisão a coluna vertebral e outras estruturas anatômicas em condições de carga de gravidade, com aplicações práticas em diagnósticos clínicos e estudos de pesquisa.

Introdução

A análise precisa do alinhamento da coluna vertebral sob condições de carga gravitacional é essencial para diagnosticar e gerenciar distúrbios musculoesqueléticos, incluindo escoliose, doença degenerativa do disco e deformidades da coluna vertebral 1,2,3,4. As técnicas tradicionais de imagem, como radiografias 2D, não capturam a geometria 3D completa da coluna. Embora a TC e a RM convencionais possam produzir imagens 3D, essas modalidades exigem que os pacientes sejam visualizados em decúbito dorsal. Em contraste, a tomografia computadorizada de feixe cônico (TCFC) com sustentação de peso fornece imagens 3D de alta resolução com o paciente em pé, oferecendo uma avaliação mais detalhada do alinhamento da coluna vertebral⁵.

A segmentação da estrutura esquelética a partir de imagens 3D é crucial para extrair parâmetros da coluna vertebral clinicamente relevantes, como o ângulo de Cobb, rotação vertebral e incidência pélvica, que são necessários para o diagnóstico de deformidades da coluna vertebral e planejamento de cirurgias⁶. Além disso, a segmentação permite a criação de modelos 3D de estruturas anatômicas, apoiando a educação do paciente e o preparo cirúrgico⁷. As tecnologias de aprendizado profundo, particularmente as redes neurais convolucionais (CNNs), têm sido amplamente utilizadas na análise de imagens médicas, notadamente na segmentação de estruturas anatômicas complexas a partir de imagens ^8,9. A segmentação baseada em deep learning reduz a carga de trabalho manual, minimiza a variabilidade do operador e melhora a precisão e a consistência na imagem da coluna vertebral.

Este artigo apresenta um protocolo baseado em aprendizado profundo para segmentar espinhos carregados de gravidade usando CBCT de sustentação de peso. Um 3D U-Net CNN é usado para segmentar automaticamente as vértebras, a pelve e a cabeça do fêmur em condições de suporte de carga. A integração deste método com a TCFC de rotina fornece uma ferramenta padronizada e reprodutível para avaliações mais precisas da coluna vertebral, apoiando assim a tomada de decisões clínicas e os resultados dos pacientes. Essa abordagem é replicável e adaptável para treinar modelos de segmentação para outras estruturas anatômicas que requerem avaliação em condições de carga gravitacional, como o membro inferior.

Protocolo

Este estudo foi conduzido de acordo com os padrões éticos descritos na Declaração de Helsinque e foi aprovado pelo Conselho de Revisão Institucional do Hospital da China Ocidental, Universidade de Sichuan (aprovação 834/2021). Os participantes incluídos no estudo foram diagnosticados com escoliose degenerativa ou escoliose idiopática do adolescente (AIS). Os critérios de exclusão abrangeram indivíduos com história de cirurgia da coluna vertebral, presença de implantes espinhais ou incapazes de manter a posição ortostática durante o procedimento de imagem. Todos os participantes envolvidos no estudo forneceram consentimento informado antes da aquisição da imagem e participação na pesquisa. A privacidade e a confidencialidade de todos os participantes foram rigorosamente mantidas durante todo o estudo. Os equipamentos e softwares utilizados neste estudo estão listados na Tabela de Materiais.

1. Imagem da coluna vertebral

1. Sistema de imagem e posicionamento do paciente
   1. Use o sistema CBCT de sustentação de peso para adquirir a imagem (Figura 1).
   2. Coloque o paciente na plataforma de pé. Prenda o paciente com cintos para evitar movimentos e quedas.
   3. Instrua o paciente a manter uma posição ortostática, respiração estável e minimizar o movimento durante o processo de digitalização.
2. Aquisição de imagem
   1. No software do sistema de imagem, defina a faixa de imagem.
      NOTA: Para imagens de coluna completa, o intervalo deve incluir a primeira vértebra cervical até ambas as cabeças femorais.
   2. Escolha os parâmetros de exposição apropriados.
      NOTA: Os parâmetros padrão são mostrados na Tabela 1. Ajuste os parâmetros com base no tamanho do corpo do paciente, conforme necessário.
   3. Pressione o pedal do freio para iniciar a exposição. Continue até que o software indique que a aquisição da imagem foi concluída.
3. Reconstrução de imagem
   1. Clique no botão Reconstrução no software e ajuste os parâmetros de reconstrução conforme necessário.
      NOTA: Os parâmetros de reconstrução utilizados neste estudo estão listados na Tabela 1.

2. Anotação usando ITK-SNAP

1. Lançamento de software e importação de imagens
   1. Clique duas vezes no ícone do software para iniciar o ITK-SNAP, uma ferramenta multiplataforma de código aberto para segmentação e anotação de imagens biomédicas 3D¹⁰.
   2. Importe a imagem para anotação. Clique em Arquivo -> Abrir imagem principal -> Procurar. Selecione o arquivo de imagem de destino e clique em Abrir para carregá-lo no software.
2. Anotação
   NOTA: Recomenda-se ler o tutorial ITK-SNAP para segmentação manual¹¹ para se familiarizar com as ferramentas e funções básicas do software. As etapas essenciais para este experimento são descritas abaixo.
   1. Para melhorar a visibilidade da imagem, ajuste o contraste da imagem selecionando Ferramentas -> Contraste da imagem > Ajuste de contraste -> Ajuste de contraste da imagem baseado em curva. Ajuste a curva conforme necessário para aumentar o contraste.
   2. Criar Rótulos para estruturas anatômicas: Pressione o botão Editar Rótulos na barra de ferramentas. Na caixa de texto Descrição , digite os nomes das categorias de segmentação (por exemplo, coluna, pélvica, cabeças femorais). Atribua cores a cada categoria de segmentação e pressione o botão Fechar janela para aplicar as alterações.
   3. Segmentação manual usando a ferramenta de anotação de polígono: Certifique-se de que a legenda correta esteja selecionada no menu suspenso Legenda de desenho ativo no painel Legenda de segmentação , correspondendo à categoria que você está prestes a segmentar.
   4. Selecione Todos os rótulos no menu suspenso Desenhar sobre . Selecione a ferramenta Polígono na caixa de ferramentas IRIS.
   5. Use a ferramenta de polígono para segmentar manualmente as estruturas desenhando e preenchendo polígonos na imagem. Amplie e desloque conforme necessário para garantir a precisão.
3. Salvando a anotação
   1. Quando a anotação estiver concluída, clique em Segmentação na barra de menus e selecione Salvar imagem de segmentação.
   2. Na caixa de diálogo, defina o Nome do arquivo de imagem (por exemplo, xxx.nii.gz), selecione Formato de arquivo como NIfTI e clique em Concluir para salvar o arquivo anotado.

3. Pré-processamento de imagem

NOTA: Neste protocolo, o pré-processamento de imagem para a imagem de entrada e os dados de rótulo de destino correspondentes é implementado usando o PyCharm, um ambiente de desenvolvimento integrado (IDE) para Python. As etapas são executadas por meio do código Python, que é fornecido no Arquivo Suplementar 1 como pseudocódigo para melhorar a legibilidade e delinear claramente as principais etapas.

1. Importar bibliotecas e carregamento de imagens
   1. Abra o PyCharm e crie um novo script Python.
   2. Importe as bibliotecas necessárias para processamento de imagens e manipulação de dados, incluindo NumPy, SimpleITK e PyTorch (Arquivo Suplementar 1, Linha de Código 1).
   3. Use o SimpleITK para ler a imagem em tons de cinza e o rótulo correspondente (máscara de segmentação) de seus respectivos caminhos de arquivo (.nii.gz) (Arquivo Suplementar 1, Linhas de código 2-3).
2. Redimensionamento e normalização de imagem
   1. Defina o tamanho de entrada para o eixo z como 16 fatias, o que equilibra o uso de memória e retém informações estruturais essenciais para segmentação (Arquivo Suplementar 1, Linha de Código 4).
   2. Adicione 1000 aos valores de escala de cinza da imagem e dos valores de clipe abaixo de 0 e acima de um limite definido dinamicamente entre 1000 e 3000 (Arquivo Suplementar 1, Linha de código 5).
   3. Normalize os valores de escala de cinza da imagem dividindo pelo limite (Arquivo Suplementar 1, Linha de código 5).
3. Aumento de imagem
   1. Aplique o ruído de Poisson para simular o ruído do mundo real na imagem (Arquivo Suplementar 1, Linha de Código 6).
   2. Ajuste aleatoriamente o brilho por um fator entre 0,8 e 1,2 para levar em conta as diferentes condições de imagem (Arquivo Suplementar 1, Linha de código 7).
   3. Use uma abordagem de janela deslizante para extrair fatias 3D ao longo do eixo z para a imagem e o rótulo de destino correspondente (Arquivo Suplementar 1, Linhas de código 8-10).
   4. Concatene a imagem e as fatias de destino ao longo da dimensão do lote para garantir que elas sejam processadas juntas durante o aumento (Arquivo Suplementar 1, Linha de código 11).
   5. Traduza a imagem e as fatias de destino aleatoriamente ao longo dos eixos x e y por um valor aleatório (Arquivo Suplementar 1, Linha de código 12).
   6. Aplique rotação aleatória na imagem concatenada e nas fatias de destino para simular diferentes orientações de imagem (Arquivo Suplementar 1, Linha de código 13).
4. Retornar dados pré-processados
   1. Retorne a imagem pré-processada e os dados do rótulo de destino no formato torch.tensor para uso no treinamento de rede neural (Arquivo Suplementar 1, Linha de código 14).

4. Treinamento de modelo

1. Importar bibliotecas e definir a arquitetura U-Net
   1. Importe as bibliotecas necessárias para treinamento de modelo, incluindo PyTorch, torch.utils.data.DataLoader e torch.optim.Adam (Arquivo suplementar 1, linha de código 1).
   2. Use o modelo U-Net com camadas convolucionais 3D e conexões residuais (Arquivo Suplementar 1, Linhas de código 2).
2. Inicializar parâmetros de treinamento e carregamento de dados
   1. Configure a função de perda de dados, o otimizador Adam e o modelo. Defina alfa como 0,8, a taxa de aprendizado como 1e-5 e o número de épocas como 500 (Arquivo Suplementar 1, Linhas de código 3).
   2. Busque os dados e os rótulos de destino correspondentes do torch.utils.data.DataLoader para cada lote.
3. Loop de treinamento e passe para frente
   1. Diminua a taxa de aprendizado multiplicando-a por 0,8 a cada 100 épocas para garantir que o modelo ajuste seu aprendizado ao longo do tempo (Arquivo Suplementar 1, Linha de Código 5).
   2. Redefina os gradientes do otimizador para zero antes de processar cada lote para garantir que os gradientes anteriores não se acumulem (Arquivo Suplementar 1, Linha de código 7).
   3. Insira o lote de dados no modelo para gerar previsões para segmentação (Arquivo Suplementar 1, Linha de código 8).
   4. Calcule a perda de dados em quatro profundidades diferentes (loss_0, loss_1, loss_2, loss_3) para capturar informações de diferentes camadas da rede (Arquivo Suplementar 1, linhas de código 9-12).
4. Perda total, retropropagação e otimização
   1. Calcule a perda total usando a fórmula: perda total = loss_3 + alfa × (loss_0 + loss_1 + loss_2) (Arquivo Suplementar 1, Linha de Código 13).
   2. Calcule os gradientes executando a retropropagação na perda total para atualizar os pesos da rede (Arquivo Suplementar 1, Linha de Código 14).
   3. Atualize os pesos do modelo usando o otimizador para ajustar os parâmetros de rede com base nos gradientes calculados (Arquivo Suplementar 1, Linha de código 15).
5. Ajustes para alfa
   1. A cada 30 épocas, reduza o valor de alfa multiplicando-o por 0,8 para reduzir a influência das perdas de camada anteriores à medida que o treinamento avança (Arquivo Suplementar 1, Linha de código 16).

Resultados

Resultados da segmentação
Neste estudo, três estruturas anatômicas - coluna, pelve e cabeças femorais - foram segmentadas. A pelve e as cabeças femorais foram incluídas porque certos parâmetros da coluna vertebral requerem pontos de referência dessas estruturas para medição. O conjunto de dados para cada estrutura foi dividido em conjuntos de treinamento e teste, conforme descrito na Tabela 2.

O desempenho da segmentação foi avaliado usando três métricas padrão, incluindo coeficiente de dados, similaridade de volume (VS) e recall:

Onde TP denota Verdadeiro Positivo, FP denota Falso Positivo, FN denota Falso Negativo.

Após treinar a rede por 500 épocas, os resultados da segmentação foram avaliados com base nas métricas. O desempenho para cada estrutura anatômica é apresentado na Tabela 3. Esses resultados demonstram a eficácia do modelo de segmentação baseado em U-Net proposto na coluna, pelve e cabeças femorais. A Figura 2 mostra um resultado de segmentação representativo das estruturas anatômicas.

Aplicações pós-segmentação

Medição de parâmetros 3D clinicamente relevantes
Os modelos 3D gerados por meio da segmentação automática podem ser usados para medir uma variedade de parâmetros clinicamente importantes, como ângulo de Cobb, rotação vertebral, cifose torácica, lordose lombar, incidência pélvica, inclinação pélvica e inclinação sacral. Aqui, exibimos a medição desses parâmetros usando um programa autodesenvolvido, que processa os dados segmentados e fornece medições precisas e automáticas da coluna vertebral e estruturas associadas (Figura 3).

Impressão 3D
O modelo 3D obtido por segmentação automática e pós-processamento de IA pode ser exportado para o formato STL, um formato de arquivo de modelo 3D geral, que é amplamente suportado pelo software de impressão 3D. Para este estudo, a impressora 3D utilizada foi uma impressora de estereolitografia industrial (SLA), que utiliza resina curável por ultravioleta (UV) como material de impressão. As conexões foram aplicadas entre as partes isoladas do modelo segmentado, garantindo uma estrutura coesa que pode ser impressa como um modelo único e unificado. Esse processo permite a replicação física da anatomia do paciente, que pode ser usada para planejamento cirúrgico, comunicação com o paciente e ferramentas educacionais. A Figura 4 demonstra um modelo impresso em 3D derivado dos dados segmentados por IA.

Figura 1: Posicionamento do paciente para tomografia computadorizada de feixe cônico (TCFC) com sustentação de peso. O paciente é colocado na plataforma de pé e preso com cintos para evitar movimentos e quedas durante o exame. O paciente segura o suporte superior para manter uma posição estável enquanto o sistema CBCT captura imagens 3D da coluna sob condições de carga de gravidade. Clique aqui para ver uma versão maior desta figura.

Figura 2: Resultados da segmentação para coluna, pelve e cabeça femoral nas incidências axial, sagital e coronal. A primeira coluna mostra as imagens CBCT, seguidas pela verdade fundamental e, em seguida, os resultados da segmentação obtidos a partir do modelo de aprendizado profundo. As sobreposições vermelhas na segunda e terceira colunas indicam as áreas segmentadas para os corpos vertebrais, pelve e cabeça femoral em todas as três vistas. As imagens demonstram a alta precisão do modelo na captura de estruturas anatômicas, aproximando-se da verdade fundamental. Clique aqui para ver uma versão maior desta figura.

Figura 3: Medição de parâmetros clinicamente relevantes nas estruturas segmentadas da coluna vertebral e da pelve. (A) Medição do ângulo de Cobb (8,9°) entre as vértebras T11 e L3 no plano coronal. (B) Medida da cifose torácica (T1-T12: 21,2°) no plano sagital. (C) Medida da lordose lombar (L1-L5: 26,4°) no plano sagital. (D) Rotação vertebral (VR: 3,3°) de L2 em relação à pelve no plano axial. (E) Parâmetros pélvicos, incluindo inclinação pélvica (PT: 21,0°), inclinação sacral (SS: 26,1°) e incidência pélvica (PI: 47,1°), medidos na visão sagital. Clique aqui para ver uma versão maior desta figura.

Figura 4: Modelo STL e modelo físico impresso em 3D da coluna vertebral e da pelve. A imagem à esquerda mostra o modelo 3D da coluna vertebral e da pelve em formato STL, preparado para impressão 3D. A imagem à direita exibe o modelo físico correspondente impresso usando a tecnologia de estereolitografia (SLA). Clique aqui para ver uma versão maior desta figura.

Parâmetros	Configurações padrão
Tensão do tubo	110 kv
Corrente do tubo	6 mA
Taxa de quadros	12 fps
FOV de reconstrução	350 milímetros
Espessura da fatia	2 milímetros
Espaçamento entre fatias	1 milímetro

Tabela 1: Parâmetros padrão para exposição e reconstrução. Parâmetros padrão de exposição e reconstrução para imagens de tomografia computadorizada de feixe cônico de sustentação de peso de toda a coluna.

Etiqueta	Conjunto de dados de treinamento	Conjunto de dados de teste
Espinha	100	20
Pelve	57	6
Cabeça femoral	47	5

Tabela 2: Conjunto de dados usado para treinamento e teste de modelo de imagem CBCT. A tabela mostra o número de imagens usadas para treinar e testar o modelo para segmentar as estruturas da coluna vertebral, pelve e cabeça femoral.

Etiqueta	Coeficiente de dados	Similaridade de volume	Lembrar
Espinha	0.93	0.954	0.89
Pelve	0.925	0.965	0.93
Cabeça femoral	0.96	0.971	0.959

Tabela 3: Desempenho de segmentação do modelo de deep learning para diferentes estruturas anatômicas (coluna, pelve e cabeça femoral). As métricas de desempenho incluem Coeficiente de dados, Similaridade de volume (VS) e Recall, todos variando de 0 a 1, onde valores mais próximos de 1 indicam melhor precisão de segmentação.

Arquivo Suplementar 1: Pseudocódigos para pré-processamento de imagem (etapa 3) e treinamento de modelo (etapa 4). Clique aqui para baixar este arquivo.

Discussão

Este protocolo apresenta um método baseado em aprendizado profundo para segmentar imagens da coluna vertebral carregadas pela gravidade usando CBCT de sustentação de peso. As principais etapas incluem aquisição de imagens, anotação manual, pré-processamento e treinamento de modelos. O posicionamento adequado do paciente e as configurações de exposição são essenciais para a obtenção de imagens de alta qualidade. O desalinhamento ou mau posicionamento pode levar a imagens abaixo do ideal, dificultando a segmentação precisa das estruturas pela rede neural. O pré-processamento também é uma etapa essencial e, neste protocolo, inclui adição de ruído, variação de brilho, rotação e translação. Essas técnicas de pré-processamento são projetadas para preparar as imagens para entrada na rede neural, aumentando a robustez do modelo, expondo-o a vários tipos de distorções de imagem.

A anotação manual é outro componente crítico do protocolo. A precisão das anotações manuais afeta diretamente a capacidade do modelo de aprender e segmentar estruturas como os corpos vertebrais, a pelve e a cabeça do fêmur. Este protocolo se concentrou na segmentação dos corpos vertebrais, o que é suficiente para medir a maioria dos parâmetros clinicamente relevantes, como o ângulo de Cobb e a rotação vertebral. Para aplicações que exigem a vértebra completa (incluindo lâmina, processos transversos e processos espinhosos), o modelo precisaria de treinamento com dados rotulados adicionais. Além disso, a variabilidade nas anotações manuais também pode ser um desafio, potencialmente impactando a reprodutibilidade dos resultados. Para mitigar isso, recomendamos ter vários anotadores experientes e implementar verificações de confiabilidade entre observadores.

A arquitetura U-Net, com camadas convolucionais 3D e conexões residuais, é adequada para lidar com imagens 3D 12,13,14. A função de perda multinível ajuda a preservar os detalhes de camadas mais profundas, garantindo a precisão da segmentação. No entanto, o ajuste cuidadoso dos parâmetros de treinamento, como taxa de aprendizado e configurações de aumento, é necessário para evitar o sobreajuste e melhorar a robustez do modelo. Embora estudos recentes tenham proposto modelos de segmentação ou detecção da coluna vertebral adaptados a tarefas específicas usando redes neurais, como transformadores ou arquiteturas YOLO^15,16, eles geralmente dependem de imagens de tomografia computadorizada ou ressonância magnética da coluna. Em contraste, este protocolo adota a arquitetura U-Net, que é mais comumente usada na tarefa de segmentação em nível de pixel¹⁷. Mais importante, este método é projetado para segmentar a coluna vertebral sob condições de carga gravitacional usando CBCT vertical, permitindo uma avaliação da coluna vertebral em pé ou em estado de sustentação de peso. Esse recurso exclusivo fornece uma avaliação mais realista do alinhamento da coluna e das tensões mecânicas, o que é crucial para diagnosticar deformidades da coluna vertebral e planejar estratégias de tratamento. Notavelmente, o desempenho do modelo, conforme demonstrado por um coeficiente de Dice de 0,93 na segmentação da coluna, é comparável ou até excede o desempenho de outros modelos baseados em aprendizado profundo que usam dados de TC e RM para segmentação da coluna vertebral ^9,18,19.

Este método tem algumas limitações. O conjunto de dados usado neste estudo, embora adequado para segmentar os corpos vertebrais, pelve e cabeça femoral, se beneficiaria da expansão para lidar melhor com deformidades raras ou complexas da coluna vertebral. Um conjunto de dados maior e mais diversificado ajudaria o modelo a generalizar para uma gama mais ampla de casos. Outra limitação é que a imagem CBCT é sensível a artefatos metálicos, dificultando a segmentação do modelo pós-operatório de colunas com implantes metálicos. Além disso, esse método é limitado por sua alta demanda computacional, exigindo acesso a GPUs poderosas, que podem não estar disponíveis em todos os ambientes clínicos e de pesquisa. O processo de anotação manual é demorado e, devido a isso, não conseguimos envolver vários anotadores para verificar a precisão das anotações por consenso. Além disso, o modelo ainda não foi validado em conjuntos de dados externos, o que limita sua generalização para outros ambientes clínicos.

A capacidade de segmentar e medir com precisão os parâmetros relacionados à coluna melhora o diagnóstico e o planejamento do tratamento, especialmente em casos como escoliose. A capacidade de exportar modelos no formato STL para impressão 3D também tem aplicações significativas no planejamento pré-operatório, permitindo que os cirurgiões pratiquem ou consultem modelos específicos do paciente. Esses modelos tangíveis são ferramentas valiosas para a educação do paciente, ajudando-os a entender melhor sua condição e tratamento²⁰. Além da imagem da coluna, este protocolo também pode ser adaptado para segmentar outras estruturas anatômicas carregadas de gravidade, como os membros inferiores e as articulações, o que é particularmente valioso em casos como osteoartrite do joelho ou deformidades do quadril. Além disso, este protocolo tem aplicações potenciais em estudos biomecânicos, onde modelos 3D detalhados da coluna vertebral ou outras estruturas sob condições de suporte de carga são cruciais para analisar a mecânica e as distribuições de tensões^21,22. Isso pode fornecer informações valiosas sobre a progressão das deformidades e orientar o desenvolvimento de novas estratégias de tratamento.

Em conclusão, este protocolo oferece um método confiável e eficiente para segmentar e analisar imagens da coluna vertebral em condições de carga gravitacional. Embora existam algumas limitações, suas aplicações potenciais em diagnóstico, planejamento cirúrgico, estudos de biomecânica e educação o tornam uma ferramenta valiosa em cenários clínicos e de pesquisa.

Materiais

Lista de materiais utilizados neste artigo

Nome	Empresa	Número de catálogo	Comentários
Impressora 3D (G1400)	UnionTech, Xangai, China	Impressora 3D de estereolitografia industrial (SLA)	G1400
CUDA versão 11.4	Aceleração de GPU NVIDIA	11.4	para treinamento de modelo de aprendizado profundo.
ITK-SNAP	código aberto	4.0.2	para segmentação e anotação de imagens biomédicas 3D.
Numpy	Biblioteca python de código aberto	1.24.4	para processamento de imagens, site: https://numpy.org/about/
PyCharm	JetBrains	2023.2.1	um ambiente de desenvolvimento integrado (IDE) usado para programação Python.
Python versão 3.8	Código aberto	3.8	Usado em combinação com o PyTorch para desenvolvimento de modelos de aprendizado profundo.
PyTorch versão 1.10	Software livre	1.10	Estrutura de aprendizado profundo usada para treinar o modelo de segmentação.
SimpleITK	2.3.1	de código aberto	para processamento de imagens, site: https://simpleitk.org/
Resina curável por UV	UnionTech, Xangai, China	UV-001	Material usado no processo de impressão 3D SLA.
Sistema de TC de feixe cônico de suporte de peso (WR3D)	Angell Technology, Shenzhen, China	DX6290	Usado para aquisição de imagem da coluna vertebral completa em condição de carga de gravidade
Sistema Windows 10 com CPU Intel i7-10700	Construção personalizada (vários fabricantes)	Windows 10 Professional,22H2	Ambiente de execução para treinamento de modelos; 32 GB de RAM, NVIDIA GeForce RTX 3090 (24 GB).