Методическая статья

Сегментация позвоночника человека под действием силы тяжести на основе глубокого обучения

DOI:

10.3791/67781

⸱

10 июня 2025 г.

 ,  ,  ,  ,  ,  ,  ,  ,  ,  , 
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

В этой статье

Краткое содержание

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

В данной статье представлен протокол сегментации нагруженного гравитацией позвоночника человека на изображениях КЛКТ с нагрузкой с использованием сверточной нейронной сети 3D U-Net. Этот метод является ценным инструментом для изучения выравнивания позвоночника и поддерживает 3D-печать и биомеханические исследования позвоночника в условиях нагрузки.

Аннотация

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

Точный анализ выравнивания позвоночника в условиях гравитационной нагрузки имеет важное значение для диагностики и лечения заболеваний опорно-двигательного аппарата, таких как сколиоз и дегенеративное заболевание межпозвоночных дисков. Традиционные методы визуализации, такие как 2D-рентгенограммы и КТ или МРТ в положении лежа, не позволяют получить полную 3D-геометрию позвоночника в состоянии нагрузки. Конусно-лучевая компьютерная томография (КЛКТ) с нагрузкой позволяет получать 3D-изображения с высоким разрешением в положении стоя, что позволяет более точно оценить выравнивание позвоночника. В этом исследовании представлен основанный на глубоком обучении протокол для сегментации этих изображений с использованием сверточной нейронной сети U-Net (CNN) с 3D-сверточными слоями и остаточными соединениями для сегментации тел позвонков, таза и головки бедренной кости. Протокол включает в себя получение изображений, ручное аннотирование, предварительную обработку и обучение модели. Успешная сегментация анатомических структур позволяет точно измерить клинически значимые параметры позвоночника, такие как угол Кобба и вращение позвонка. Кроме того, сегментированные 3D-модели могут быть экспортированы в формате STL для 3D-печати, что облегчает хирургическое планирование и обучение пациентов. Кроме того, протокол может быть адаптирован для обучения моделей сегментации других анатомических структур, требующих оценки в условиях гравитационной нагрузки, таких как нижняя конечность. Этот метод обеспечивает надежный и адаптируемый инструмент для точной сегментации позвоночных и других анатомических структур в условиях гравитационной нагрузки, с практическим применением как в клинической диагностике, так и в научных исследованиях.

Введение

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

Точный анализ выравнивания позвоночника в условиях гравитационной нагрузки имеет важное значение для диагностики и лечения заболеваний опорно-двигательного аппарата, включая сколиоз, дегенеративное заболевание межпозвоночных дисков и деформации позвоночника 1,2,3,4. Традиционные методы визуализации, такие как 2D-рентгенограммы, не позволяют получить полную 3D-геометрию позвоночника. Несмотря на то, что с помощью обычных КТ и МРТ можно получить 3D-изображения, эти методы требуют, чтобы пациенты получали изображение в положении лежа на спине. В отличие от этого, конусно-лучевая компьютерная томография (КЛКТ) с весовой нагрузкой позволяет получать 3D-изображения с высоким разрешением, когда пациент находится в положении стоя, что позволяет более детально оценить выравнивание позвоночника5.

Сегментация скелетной структуры с помощью 3D-визуализации имеет решающее значение для извлечения клинически значимых параметров позвоночника, таких как угол Кобба, вращение позвонков и тазовая частота, которые необходимы для диагностики деформаций позвоночника и планирования операций6. Кроме того, сегментация позволяет создавать 3D-модели анатомических структур, поддерживая обучение пациентов и подготовку к хирургическим операциям7. Технологии глубокого обучения, в частности сверточные нейронные сети (СНС), широко используются в анализе медицинской визуализации, в частности, при сегментации сложных анатомических структур по изображениям 8,9. Сегментация на основе глубокого обучения снижает ручную нагрузку, сводит к минимуму вариативность работы оператора и повышает точность и согласованность визуализации позвоночника.

В данной статье представлен основанный на глубоком обучении протокол сегментации позвоночников под действием силы тяжести с помощью КЛКТ с нагрузкой. Система 3D U-Net CNN используется для автоматического сегментирования позвонков, таза и головки бедренной кости в условиях нагрузки. Интеграция этого метода с рутинной КЛКТ с нагрузкой обеспечивает стандартизированный, воспроизводимый инструмент для более точной оценки позвоночника, тем самым способствуя улучшению принятия клинических решений и результатов лечения пациентов. Этот подход является воспроизводимым и адаптируемым для обучения моделей сегментации для других анатомических структур, требующих оценки в условиях гравитационной нагрузки, таких как нижняя конечность.

Протокол

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

Данное исследование было проведено в соответствии с этическими нормами, изложенными в Хельсинкской декларации, и было одобрено Институциональным наблюдательным советом Западно-Китайской больницы Сычуаньского университета (одобрение 834/2021). У участников, включенных в исследование, был диагностирован либо дегенеративный сколиоз, либо подростковый идиопатический сколиоз (АИС). Критерии исключения включали лиц с историей операций на позвоночнике, наличием спинальных имплантатов или теми, кто не мог сохранять положение стоя во время процедуры визуализации. Все участники, участвующие в исследовании, дали информированное согласие до получения изображения и участия в исследовании. Неприкосновенность частной жизни и конфиденциальность всех участников строго соблюдались на протяжении всего исследования. Оборудование и программное обеспечение, использованные в данном исследовании, перечислены в Таблице материалов.

1. Визуализация позвоночника

  1. Система визуализации и позиционирование пациента
    1. Используйте несущую систему КЛКТ для получения изображения (рисунок 1).
    2. Положите пациента на платформу для стояния. Закрепите пациента ремнями, чтобы предотвратить движение и падения.
    3. Проинструктируйте пациента о необходимости сохранять положение стоя, стабильное дыхание и свести к минимуму движения в процессе сканирования.
  2. Получение изображений
    1. В программном обеспечении системы обработки изображений определите диапазон визуализации.
      ПРИМЕЧАНИЕ: Для визуализации всего позвоночника диапазон должен включать первый шейный позвонок до обеих головок бедренной кости.
    2. Выберите подходящие параметры экспозиции.
      ПРИМЕЧАНИЕ: Параметры по умолчанию показаны в таблице 1. При необходимости отрегулируйте параметры в зависимости от размера тела пациента.
    3. Нажмите на ножной тормоз, чтобы начать контакт. Продолжайте до тех пор, пока программное обеспечение не укажет, что получение изображения завершено.
  3. Реконструкция изображения
    1. Нажмите кнопку «Реконструкция » в программном обеспечении и при необходимости отрегулируйте параметры реконструкции.
      ПРИМЕЧАНИЕ: Параметры реконструкции, использованные в данном исследовании, перечислены в таблице 1.

2. Аннотация с помощью ITK-SNAP

  1. Запуск программного обеспечения и импорт изображений
    1. Дважды щелкните значок программного обеспечения, чтобы запустить ITK-SNAP, мультиплатформенный инструмент с открытым исходным кодом для сегментации и аннотации 3D-биомедицинских изображений10.
    2. Импортируйте изображение для аннотации. Нажмите Файл -> Открыть главное изображение -> Обзор. Выберите целевой файл изображения и нажмите « Открыть », чтобы загрузить его в программу.
  2. Аннотация
    ПРИМЕЧАНИЕ: Рекомендуется прочитать учебное пособие ITK-SNAP по ручной сегментации11 , чтобы ознакомиться с основными инструментами и функциями программного обеспечения. Основные шаги для этого эксперимента описаны ниже.
    1. Чтобы улучшить видимость изображения, отрегулируйте контрастность изображения, выбрав Инструменты -> Контрастность изображения -> Регулировка контраста -> Регулировка контраста изображения на основе кривой. При необходимости отрегулируйте кривую для повышения контрастности.
    2. Создание меток для анатомических структур: Нажмите кнопку Редактировать метки на панели инструментов. В текстовом поле Описание введите названия категорий сегментации (например, позвоночник, таз, головки бедренных костей). Назначьте цвета для каждой категории сегментации и нажмите кнопку «Закрыть окно », чтобы применить изменения.
    3. Ручная сегментация с помощью инструмента аннотации полигонов: Убедитесь, что в ниспадающем меню Метка активного рисования на панели Метка сегментации выбрана правильная метка, соответствующая категории, которую вы собираетесь сегментировать.
    4. Выберите «Все метки» в раскрывающемся меню «Нарисовать над». Выберите инструмент «Многоугольник» на наборе инструментов IRIS.
    5. Используйте инструмент полигон для ручной сегментации структур путем рисования и заливки полигонов на изображении. При необходимости изменяйте масштаб и панорамирование, чтобы обеспечить точность.
  3. Сохранение аннотации
    1. После завершения аннотации нажмите « Сегментация » в строке меню, затем выберите «Сохранить изображение сегментации».
    2. В диалоговом окне задайте имя файла изображения (например, xxx.nii.gz), выберите формат файла как NIfTI и нажмите кнопку «Готово », чтобы сохранить аннотированный файл.

3. Предварительная обработка изображений

ПРИМЕЧАНИЕ: В этом протоколе предварительная обработка входного изображения и соответствующих данных целевой метки реализуется с помощью PyCharm, интегрированной среды разработки (IDE) для Python. Шаги выполняются с помощью кода Python, который представлен в дополнительном файле 1 в виде псевдокода для улучшения читаемости и четкого обозначения ключевых шагов.

  1. Импорт библиотек и загрузка изображений
    1. Откройте PyCharm и создайте новый скрипт на Python.
    2. Импортируйте необходимые библиотеки для обработки изображений и обработки данных, включая NumPy, SimpleITK и PyTorch (дополнительный файл 1, строка кода 1).
    3. Используйте SimpleITK для чтения изображения в оттенках серого и соответствующей метки (маски сегментации) из соответствующих путей к файлам (.nii.gz) (Дополнительный файл 1, строки кода 2-3).
  2. Изменение размера изображения и нормализация
    1. Установите размер входных данных для оси Z равным 16 срезам, чтобы сбалансировать использование памяти и сохранить важную структурную информацию для сегментации (дополнительный файл 1, строка кода 4).
    2. Добавьте 1000 к значениям оттенков серого изображения и клипа ниже 0 и выше порогового значения, которое динамически устанавливается в диапазоне от 1000 до 3000 (дополнительный файл 1, строка кода 5).
    3. Нормализуйте значения оттенков серого изображения, разделив на пороговое значение (Дополнительный файл 1, строка кода 5).
  3. Увеличение изображения
    1. Примените шум Пуассона для имитации реального шума на изображении (дополнительный файл 1, строка кода 6).
    2. Произвольно регулируйте яркость в диапазоне от 0,8 до 1,2 в зависимости от изменяющихся условий изображения (Дополнительный файл 1, строка кода 7).
    3. Используйте подход со скользящим окном для извлечения 3D-срезов вдоль оси z как для изображения, так и для соответствующей целевой метки (дополнительный файл 1, строки кода 8-10).
    4. Объедините изображение и целевые срезы по размеру пакета, чтобы обеспечить их совместную обработку во время аугментации (дополнительный файл 1, строка кода 11).
    5. Переместите изображение и целевые срезы случайным образом по осям x и y на случайное значение (Дополнительный файл 1, строка кода 12).
    6. Примените случайное вращение к объединенному изображению и целевым срезам для имитации различных ориентаций изображения (дополнительный файл 1, строка кода 13).
  4. Возврат предварительно обработанных данных
    1. Верните предварительно обработанное изображение и данные метки цели в формате torch.tensor для использования в обучении нейронной сети (дополнительный файл 1, строка кода 14).

4. Обучение модели

  1. Импорт библиотек и определение архитектуры U-Net
    1. Импортируйте необходимые библиотеки для обучения модели, включая PyTorch, torch.utils.data.DataLoader и torch.optim.Adam (дополнительный файл 1, строка кода 1).
    2. Используйте модель U-Net с 3D-сверточными слоями и остаточными соединениями (Дополнительный файл 1, строки кода 2).
  2. Инициализация параметров обучения и загрузка данных
    1. Настройте функцию потерь Dice, оптимизатор Адама и модель. Установите альфа на 0,8, скорость обучения на 1e-5 и количество эпох на 500 (Дополнительный файл 1, строки кода 3).
    2. Извлеките данные и соответствующие целевые метки из torch.utils.data.DataLoader для каждого пакета.
  3. Тренировочный цикл и проход вперед
    1. Уменьшите скорость обучения, умножая ее на 0,8 каждые 100 эпох, чтобы модель точно настраивала свое обучение с течением времени (дополнительный файл 1, строка кода 5).
    2. Сбрасывайте градиенты оптимизатора до нуля перед обработкой каждой партии, чтобы гарантировать, что предыдущие градиенты не накапливаются (Дополнительный файл 1, строка кода 7).
    3. Введите пакет данных в модель для создания прогнозов для сегментации (дополнительный файл 1, строка кода 8).
    4. Рассчитайте потери на кубиках на четырех разных глубинах (loss_0, loss_1, loss_2, loss_3) для сбора информации с разных уровней сети (Дополнительный файл 1, строки кода 9-12).
  4. Полные потери, обратное распространение и оптимизация
    1. Рассчитайте общий убыток по формуле: общий убыток = loss_3 + альфа × (loss_0 + loss_1 + loss_2) (Дополнительный файл 1, строка кода 13).
    2. Вычисление градиентов путем обратного распространения общей потери для обновления весов сети (дополнительный файл 1, строка кода 14).
    3. Обновите веса модели с помощью оптимизатора для корректировки параметров сети на основе вычисленных градиентов (Дополнительный файл 1, строка кода 15).
  5. Корректировки для альфа-версии
    1. Каждые 30 эпох уменьшайте значение альфа, умножая его на 0,8, чтобы уменьшить влияние потерь более ранних слоев по мере обучения (Дополнительный файл 1, строка кода 16).

Результаты

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

Результаты сегментации
В этом исследовании были сегментированы три анатомические структуры - позвоночник, таз и головки бедренных костей. Головки таза и бедренной кости были включены, потому что определенные параметры позвоночника требуют ориентиров от этих структур для измерения. Набор данных для каждой структуры был разделен на обучающий и тестовый наборы, как показано в таблице 2.

Эффективность сегментации оценивалась с помощью трех стандартных показателей, включая коэффициент Dice, сходство объема (VS) и полноту:

figure-results-1

figure-results-2

figure-results-3

Где TP обозначает True Positive, FP обозначает False Positive, FN обозначает False Negative.

После обучения сети в течение 500 эпох на основе метрик оценивались результаты сегментации. Показатели для каждой анатомической структуры представлены в таблице 3. Эти результаты демонстрируют эффективность предложенной модели сегментации на основе U-NET по позвоночнику, тазу и головкам бедренных костей. На рисунке 2 показан репрезентативный результат сегментации анатомических структур.

Приложения для постсегментации

Измерение 3D клинически значимых параметров
3D-модели, созданные с помощью автоматической сегментации, могут быть использованы для измерения ряда клинически важных параметров, таких как угол Кобба, вращение позвонка, грудной кифоз, поясничный лордоз, тазовая заболеваемость, наклон таза и крестцовый наклон. Здесь мы отображаем измерение этих параметров с помощью самостоятельно разработанной программы, которая обрабатывает сегментированные данные и обеспечивает точные и автоматические измерения позвоночника и связанных с ним структур (рис. 3).

3D-печать
3D-модель, полученная с помощью автоматической сегментации и постобработки искусственного интеллекта, может быть экспортирована в формат STL, общий формат файла 3D-модели, который широко поддерживается программным обеспечением для 3D-печати. Для этого исследования использовался промышленный стереолитографический принтер (SLA), в котором в качестве материала для печати используется ультрафиолетовая (УФ) смола. Соединения были применены между изолированными частями сегментированной модели, обеспечив целостную структуру, которую можно напечатать как единую унифицированную модель. Этот процесс позволяет физически воспроизвести анатомию пациента, которая может быть использована для хирургического планирования, общения с пациентом и образовательных инструментов. На рисунке 4 показана 3D-печатная модель, полученная на основе данных, сегментированных искусственным интеллектом.

figure-results-4
Рисунок 1: Позиционирование пациента для визуализации конусно-лучевой компьютерной томографии (КЛКТ) с нагрузкой. Пациента помещают на стоячую платформу и фиксируют ремнями для предотвращения движения и падения во время сканирования. Пациент держится за опору над головой для поддержания стабильного положения, в то время как система КЛКТ делает 3D-изображения позвоночника в условиях гравитационной нагрузки. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этой цифры.

figure-results-5
Рисунок 2: Результаты сегментации позвоночника, таза и головки бедренной кости в осевой, сагиттальной и корональной проекциях. В первом столбце отображаются изображения КЛКТ, за которыми следуют наземные данные, а затем результаты сегментации, полученные с помощью модели глубокого обучения. Красными накладками во втором и третьем столбцах обозначены сегментированные области для тел позвонков, таза и головки бедренной кости на всех трех видах. Изображения демонстрируют высокую точность модели в захвате анатомических структур, что близко соответствует истинным данным. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этой цифры.

figure-results-6
Рисунок 3: Измерение клинически значимых параметров сегментированных структур позвоночника и таза. (A) Измерение угла Кобба (8,9°) между позвонками T11 и L3 в корональной плоскости. (B) Измерение грудного кифоза (T1-T12: 21,2°) в сагиттальной плоскости. (C) Измерение поясничного лордоза (L1-L5: 26,4°) в сагиттальной плоскости. (D) Вращение позвонков (VR: 3,3°) L2 относительно таза в осевой плоскости. (E) Параметры таза, включая наклон таза (PT: 21,0°), крестцовый наклон (SS: 26,1°) и тазовую частоту (PI: 47,1°), измеренные на сагиттальной проекции. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этой цифры.

figure-results-7
Рисунок 4: STL-модель и 3D-печатная физическая модель позвоночника и таза. На изображении слева представлена 3D-модель позвоночника и таза в формате STL, подготовленная к 3D-печати. На изображении справа показана соответствующая физическая модель, напечатанная с использованием технологии стереолитографии (SLA). Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этой цифры.

ПараметрыНастройки по умолчанию
Напряжение в трубке110 кВ
Ток в трубке6 мА
Частота кадров12 кадров в секунду (fps)
Реконструкция поля зрения350 мм
Толщина ломтика2 мм
Интервалы между срезами1 мм

Таблица 1: Стандартные параметры для экспозиции и реконструкции. Стандартные параметры экспозиции и реконструкции для конусно-лучевой компьютерной томографической визуализации всего позвоночника с несущей нагрузкой.

ЯрлыкОбучающий набор данныхТестовый набор данных
Позвоночник10020
Таз576
Головка бедренной кости475

Таблица 2: Набор данных, используемый для обучения и тестирования модели изображений КЛКТ. В таблице показано количество изображений, использованных для тренировки и тестирования модели на сегментацию позвоночника, таза и головки бедренной кости.

ЯрлыкКоэффициент игральных костейОбъемное сходствоВспоминать
Позвоночник0.930.9540.89
Таз0.9250.9650.93
Головка бедренной кости0.960.9710.959

Таблица 3: Производительность сегментации модели глубокого обучения для различных анатомических структур (позвоночника, таза и головки бедренной кости). Метрики производительности включают коэффициент Dice, сходство объема (VS) и запоминаемость, все из которых варьируются от 0 до 1, где значения ближе к 1 указывают на лучшую точность сегментации.

Дополнительный файл 1: Псевдокоды для предварительной обработки изображений (шаг 3) и обучения модели (шаг 4). Пожалуйста, нажмите здесь, чтобы загрузить этот файл.

Обсуждение

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

Этот протокол представляет собой основанный на глубоком обучении метод сегментации изображений позвоночника под действием силы тяжести с помощью КЛКТ с нагрузкой. Ключевые этапы включают получение изображений, ручное аннотирование, предварительную обработку и обучение модели. Правильное позиционирование пациента и настройки экспозиции имеют решающее значение для получения высококачественных изображений. Смещение или плохое позиционирование могут привести к неоптимальным изображениям, что затрудняет точную сегментацию структур нейронной сетью. Предварительная обработка также является важным этапом, и в этом протоколе она включает добавление шума, изменение яркости, вращение и трансляцию. Эти методы предварительной обработки предназначены для подготовки изображений к вводу в нейронную сеть, повышая надежность модели за счет воздействия на нее различных типов искажений изображения.

Ручное аннотирование является еще одним важным компонентом протокола. Точность ручных аннотаций напрямую влияет на способность модели обучаться и сегментировать такие структуры, как тела позвонков, таз и головка бедренной кости. Этот протокол был сосредоточен на сегментации тел позвонков, что достаточно для измерения большинства клинически значимых параметров, таких как угол Кобба и вращение позвонков. Для приложений, требующих полного позвонка (включая пластинку, поперечные отростки и остистые отростки), модель потребуется обучить с помощью дополнительных размеченных данных. Кроме того, вариативность ручных аннотаций также может быть проблемой, что может повлиять на воспроизводимость результатов. Чтобы решить эту проблему, мы рекомендуем использовать несколько опытных аннотаторов и внедрить проверки надежности между наблюдателями.

Архитектура U-Net с 3D-сверточными слоями и остаточными соединениями хорошо подходит для работы с 3D-изображениями 12,13,14. Многоуровневая функция потерь помогает сохранить детали из более глубоких слоев, обеспечивая точность сегментации. Тем не менее, тщательная настройка параметров обучения, таких как скорость обучения и настройки аугментации, необходима для предотвращения переобучения и повышения надежности модели. В то время как в недавних исследованиях были предложены модели сегментации позвоночника или обнаружения, адаптированные к конкретным задачам с использованием нейронных сетей, таких как трансформаторы или архитектуры YOLO15,16, они обычно полагаются на изображения позвоночника с помощью компьютерной томографии или МРТ. В отличие от этого, этот протокол использует архитектуру U-Net, которая чаще используется в задаче сегментации на уровне пикселей17. Что еще более важно, этот метод предназначен для сегментации позвоночника в условиях гравитационной нагрузки с использованием вертикальной КЛКТ, что позволяет оценить позвоночник в стоячем или несущем состоянии. Эта уникальная функция обеспечивает более реалистичную оценку выравнивания позвоночника и механических нагрузок, что имеет решающее значение для диагностики деформаций позвоночника и планирования стратегии лечения. Примечательно, что производительность модели, как показывает коэффициент Дайса 0,93 при сегментации позвоночника, сопоставима или даже превосходит производительность других моделей на основе глубокого обучения, которые используют данные КТ и МРТ для сегментации позвоночника 9,18,19.

Этот метод имеет некоторые ограничения. Набор данных, использованный в этом исследовании, хотя и достаточен для сегментации тел позвонков, таза и головки бедренной кости, выиграет от расширения, чтобы лучше справляться с редкими или сложными деформациями позвоночника. Более крупный и разнообразный набор данных помог бы модели обобщить ее на более широкий диапазон случаев. Еще одним ограничением является то, что КЛКТ чувствительна к металлическим артефактам, что затрудняет сегментацию послеоперационных позвоночников металлическими имплантатами. Кроме того, этот метод ограничен высокой вычислительной нагрузкой, требующей доступа к мощным графическим процессорам, которые могут быть доступны не во всех клинических и исследовательских условиях. Процесс ручного аннотирования занимает много времени, и из-за этого мы не смогли привлечь несколько аннотаторов для проверки точности аннотаций на основе консенсуса. Кроме того, модель еще не была проверена на внешних наборах данных, что ограничивает ее возможность обобщения на другие клинические условия.

Возможность точного сегментирования и измерения параметров, связанных с позвоночником, улучшает диагностику и планирование лечения, особенно в таких случаях, как сколиоз. Возможность экспорта моделей в формате STL для 3D-печати также широко применяется в предоперационном планировании, позволяя хирургам практиковаться или ссылаться на модели, специфичные для пациента. Эти осязаемые модели являются ценными инструментами для обучения пациентов, помогая им лучше понять свое состояние и лечение. Помимо визуализации позвоночника, этот протокол также может быть адаптирован для сегментации других анатомических структур, подверженных гравитационной нагрузке, таких как нижние конечности и суставы, что особенно ценно в таких случаях, как остеоартрит коленного сустава или деформация тазобедренного сустава. Кроме того, этот протокол имеет потенциальное применение в исследованиях биомеханики, где подробные 3D-модели позвоночника или других структур в условиях нагрузки имеют решающее значение для анализа механики и распределениянапряжений. Это может дать ценную информацию о прогрессировании деформаций и помочь в разработке новых стратегий лечения.

В заключение следует отметить, что этот протокол предлагает надежный и эффективный метод сегментации и анализа изображений позвоночника в условиях гравитационной нагрузки. Несмотря на некоторые ограничения, его потенциальное применение в диагностике, хирургическом планировании, биомеханических исследованиях и образовании делает его ценным инструментом как в клинических, так и в исследовательских сценариях.

Раскрытие информации

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

Авторы заявляют об отсутствии конкурирующих интересов в отношении работы, описанной в протоколе.

Благодарности

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

Исследование было поддержано Ключевыми проектами исследований и разработок провинции Сычуань (2024YFFK0050 и 2023YFG0126), Западно-китайской больницей Сычуаньского университета 1·3·5 Проектом искусственного интеллекта Фонда развития пиковых дисциплин (ZYAI24013) и проектом 1·3·5 для Программы поддержки талантов высокого класса (ZYGD23024).

Материалы

Список материалов, использованных в этой статье
ИмяКомпанияКаталожный номерКомментарии
3D-принтер (G1400)UnionTech, Шанхай, КитайG1400Промышленный стереолитографический (SLA) 3D-принтер.
CUDA версии 11.4NVIDIA11.4GPU ускорение для обучения моделей глубокого обучения.
ITK-SNAPоткрытым исходным кодом4.0.2для сегментации и аннотирования 3D биомедицинских изображений.
Numpyс открытым исходным кодом1.24.4библиотека python для обработки изображений, веб-сайт: https://numpy.org/about/
PyCharmJetBrains2023.2.1интегрированная среда разработки (IDE), используемая для программирования на Python.
Python версии 3.8Открытый исходный код3.8Используется в сочетании с PyTorch для разработки моделей глубокого обучения.
PyTorch версии 1.10с открытым исходным кодом1.10Платформа глубокого обучения, используемая для обучения модели сегментации.
SimpleITKоткрытым исходным кодом2.3.1для обработки изображений, веб-сайт: https://simpleitk.org/
UV-Curable ResinUnionTech, Шанхай, КитайUV-001Материал, используемый в процессе 3D-печати SLA.
Несущая конусно-лучевая система КТ  (WR3D)Angell Technology, Шэньчжэнь, КитайDX6290Используется для получения изображений всего позвоночника в условиях гравитационной нагрузки
Система Windows 10 с процессором Intel i7-10700Custom Build (различные производители)Windows 10 Professional, 22H2Рабочая среда для обучения модели; 32 ГБ оперативной памяти, NVIDIA GeForce RTX 3090 (24 ГБ).
Программное обеспечение с Библиотека Python с

Ссылки

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Chiyanika, C., Chu, W. C. W. Weight-bearing imaging in adolescent idiopathic scoliosis. Semin Musculoskelet Radiol. 23 (6), 584-593 (2019).
  2. Winn, N., Kaur, S., Cassar-Pullicino, V., Ockendon, M. A novel use of cone beam CT: Flexion and extension weight-bearing imaging to assess spinal stability. Eur Spine J. 31 (7), 1667-1681 (2022).
  3. Lagerstrand, K. M. Weight-bearing MRI for dynamic evaluations of spinal and neural foraminal stenosis. Eur Radiol. 33 (7), 4780-4781 (2023).
  4. Mauch, F., Jung, C., Huth, J., Bauer, G. Changes in the lumbar spine of athletes from supine to the true-standing position in magnetic resonance imaging. Spine. 35 (9), 1002-1007 (2010).
  5. Liang, Z., et al. Weight-bearing cone-beam CT with extensive coverage for volumetric imaging in adolescent idiopathic scoliosis: system implementation and initial validation. Phys Eng Sci Med. 46 (4), 1467-1474 (2023).
  6. Liang, Z., et al. From 2D to 3D: Automatic measurement of the Cobb angle in adolescent idiopathic scoliosis with the weight-bearing 3D imaging. Spine J. S1529-9430 (24), 00159-00161 (2024).
  7. Marro, A., Bandukwala, T., Mak, W. Three-dimensional printing and medical imaging: A review of the methods and applications. Curr Probl Diagn Radiol. 45 (1), 2-9 (2016).
  8. Tang, S., et al. A CNN-based method to reconstruct 3-D spine surfaces from US images in vivo. Med Image Anal. 74, 102221(2021).
  9. Chen, J., et al. SymTC: A symbiotic transformer-CNN net for instance segmentation of lumbar spine MRI. Comput Biol Med. 179, 108795(2024).
  10. Yushkevich, P. A., et al. User-guided 3D active contour segmentation of anatomical structures: Significantly improved efficiency and reliability. Neuroimage. 31 (3), 1116-1128 (2006).
  11. ITK-SNAP Tutorial. , ITK-SNAP. http://itksnap.org/docs/viewtutorial.php?chapter=TutorialSectionManualSegmentation (2025).
  12. Jha, N., et al. Fully automated condyle segmentation using 3D convolutional neural networks. Sci Rep. 12 (1), 20590(2022).
  13. Isensee, F., Kickingereder, P., Wick, W., Bendszus, M., Maier-Hein, K. H. Brain tumor segmentation and radiomics survival prediction: Contribution to the BRATS 2017 challenge. arXiv. , http://arxiv.org/abs/1802.10508 (2018).
  14. He, K., Zhang, X., Ren, S., Sun, J. Deep residual learning for image recognition. Proc IEEE Conf Comput Vis Pattern Recognit (CVPR). , 770-778 (2016).
  15. Mushtaq, M., Akram, M. U., Alghamdi, N. S., Fatima, J., Masood, R. F. Localization and edge-based segmentation of lumbar spine vertebrae to identify the deformities using deep learning models. Sensors (Basel). 22 (4), 1547(2022).
  16. Tao, R., Liu, W., Zheng, G. Spine-transformers: Vertebra labeling and segmentation in arbitrary field-of-view spine CTs via 3D transformers. Med Image Anal. 75, 102258(2022).
  17. Lu, H., et al. Lumbar spine segmentation method based on deep learning. J Appl Clin Med Phys. 24 (6), 13996(2023).
  18. Soydan, Z., et al. An automatized deep segmentation and classification model for lumbar disk degeneration and clarification of its impact on clinical decisions. Glob Spine J. 15 (2), 554-563 (2025).
  19. Xiong, X., Graves, S. A., Gross, B. A., Buatti, J. M., Beichel, R. R. Lumbar and thoracic vertebrae segmentation in CT scans using a 3D multi-object localization and segmentation CNN. Tomography. 10 (5), 738-760 (2024).
  20. Bai, H., et al. 3D printing model of a patient's specific lumbar vertebra. J Vis Exp. (194), e65093(2023).
  21. Stott, B., Driscoll, M. Biomechanical evaluation of the thoracolumbar spine comparing healthy and irregular thoracic and lumbar curvatures. Comput Biol Med. 160, 106982(2023).
  22. Stott, B., Driscoll, M. Development and evaluation of sex-specific thoracolumbar spine finite element models to study spine biomechanics. Med Biol Eng Comput. 62 (4), 1191-1199 (2024).

Перепечатки и разрешения

Запросить разрешение на повторное использование текста или иллюстраций этой статьи JoVE

Запросить разрешение

Теги

U Net3D3D
Видео скоро будет доступно

Похожие статьи