基于深度学习的X射线成像无接触患者体位定位系统：23种放射体位与80个解剖标志点的计算机视觉范式

为解决放射技师在X射线摄影中因接触患者导致的感染风险，四川大学华西第四医院团队开发了基于深度学习的RDP（Radiographic position recognition-Detection-Parsing）方法，整合23种临床摄影体位和80个解剖标志点，构建含16,921张图像的数据集。该研究实现了无接触患者体位引导系统，显著提升放射摄影安全性与效率，相关成果发表于《Displays》。

　　

论文解读

在数字化医疗快速发展的今天，X射线摄影（Digital Radiography）仍是临床最常用的疾病筛查技术之一。然而，传统摄影流程中，放射技师需频繁接触患者以调整体位，这不仅耗时耗力，更在COVID-19等传染病流行期间成为交叉感染的高危环节。据统计，一次常规胸部X光检查平均需3-5分钟人工干预，而运动功能障碍患者耗时更长。如何通过技术手段实现无接触精准定位，成为亟待解决的临床痛点。

四川大学华西第四医院联合团队在《Displays》发表的研究中，首次将临床摄影技术规范与计算机视觉深度融合，提出名为RDP的三阶段医学解剖标志点检测范式。该研究创新性地定义了23种放射体位（如腰椎站立位前屈/后伸）和80个解剖标志点（如C-Spine颈椎），并构建了包含16,921张图像、59,510个标注点的专业数据集。通过R（体位识别）-D（标志点检测）-P（目标点解析）流程，系统可自动识别患者体位并定位待拍摄标志点，误差控制在医学允许的σ范围内。

关键技术方法包括：1）采用改进的YOLOv3网络进行患者检测与体位分类（R-procedure）；2）基于HRNet的级联金字塔结构实现多尺度标志点检测（D-procedure）；3）通过位置ID映射解析目标标志点坐标（P-procedure）。实验数据来自医院真实场景，涵盖不同体型、年龄及体位变异的患者。

研究结果

1. 人体标志点检测数据集
   对比FLIC等通用姿态数据集，本研究数据集的标志点数量（80个）远超常规17点骨架模型，且包含肩胛下角等医学特异性标志。统计显示，头颈部标志点检测准确率（AGS=92.3%）显著高于躯干（85.1%），这与临床观察中头部稳定性更高的特性一致。

2. 医学解剖标志点检测方法
   RDP系统在测试集上整体AGS达89.7%。其中腰椎侧位片的髂嵴标志点检测误差仅1.2mm，满足《医用X射线摄影技术规范》要求。值得注意的是，系统对6种腰椎体位变体（如右斜位）的识别准确率达94.5%，验证了复杂体位的适应性。

3. 讨论与结论
   研究首次证实：1）计算机视觉可有效复现放射技师的经验性操作；2）医学特异性标志点检测需独立于常规姿态估计任务；3）体位识别（R-procedure）的精度直接影响最终成像质量。该系统已申请中国发明专利，其无接触特性可使放射技师感染风险降低76%（模拟推算数据）。

这项研究为智能放射科建设提供了关键技术支撑，其范式可扩展至CT/MRI等模态。未来通过纳入更多罕见体位数据，有望实现全自动化医学影像采集。正如作者Wenjian Sun所述："这套系统不是要取代技师，而是让他们能更专注于影像质量把控——就像自动驾驶中的安全员角色。"