SpineScan：一种用于腰椎MRI标注和Pfirrmann分级评估的深度学习模型

《European Spine Journal》：SpineScan: a deep learning model for lumbar spine MRI annotation and Pfirrmann grading assessment

开发并验证基于YOLOv8x的卷积神经网络模型用于自动化腰椎间盘退变（IDD）Pfirrmann分级，整合俄罗斯 curated RuDDS数据集与开源数据集，共484例MRI扫描，结果显示模型在I-V级分级中表现与专家相当，精度0.75，召回0.808，并开发开源Web应用SpineScan实现DICOM/MRI图像分级。

　　

摘要

目的

尽管深度学习的最新进展使得椎间盘退变（IDD）的自动化Pfirrmann分级系统成为可能，但由于专利限制，许多模型仍然无法使用。本研究旨在开发并验证一个基于卷积神经网络（CNN）的自动化Pfirrmann分级系统，使用多样化的临床数据集来评估我们模型的性能，并与先前发表的结果进行比较。同时，我们创建了一个开源的网络应用程序，该应用程序具有图形用户界面，能够对DICOM研究以及以图像文件形式提供的单个MRI切片进行分级。

方法

我们使用YOLOv8x架构在两个数据集上训练了一个基于CNN的模型：一个精心整理的俄罗斯椎间盘退变研究（RuDDS）队列和一个开放访问的数据集，共包含484份腰椎MRI扫描图像。真实分级结果由专家放射科医生提供。该模型被设计为能够同时检测椎间盘并从单个MRI切片中分类退变等级。性能评估采用了标准指标，包括精确度、召回率和平均精度（mAP），涵盖了Pfirrmann等级I到V。

结果

我们的模型在不同腰椎水平的预测准确率在0.78到0.82之间。对于IV级椎间盘，模型的性能最佳（mAP50 = 0.872），而V级椎间盘的性能较低（mAP50-95 = 0.525），这可能是由于高度退化的椎间盘对比度差且边界不明显所致。总体而言，模型的精确度为0.75，召回率为0.808。与以往的研究相比，我们的结果与专家水平的表现一致。所开发的模型构成了一个专门的网络应用程序SpineScan的基础，该应用程序使用Streamlit框架实现。

结论

所开发的模型在腰椎间盘退变的自动化分级方面显示出强大的潜力，在大多数情况下其性能可与专家放射科医生相媲美。我们的发现支持SpineScan在AI辅助Pfirrmann分级中的潜在应用价值。