基于注意力机制UNet的胸腰椎压缩骨折角度自动测量系统UANV：提升脊柱畸形诊断效率的深度学习新方法

针对传统Cobb角测量方法耗时费力、存在观察者间差异的问题，韩国大学医院团队开发了基于注意力机制UNet的胸腰椎压缩骨折角度自动测量系统（UANV）。该研究通过1,349例脊柱X光图像数据集，结合注意力模块优化椎体边缘检测，实现椎体分割Dice系数达0.8865、角度测量MSE仅0.02321，为脊柱畸形诊断提供了高效精准的计算机辅助工具。

　　

脊柱作为人体承重与神经保护的核心结构，其畸形病变如脊柱侧凸（scoliosis）和后凸（kyphosis）严重影响患者生活质量。临床诊断中，椎体角度（vertebral angle）测量是评估畸形程度的关键指标，但传统手工测量方法存在三大痛点：需在X光片上手动绘制上下终板垂直线，耗时长达数分钟；不同医师测量结果差异显著（interobserver variability）；同一医师多次测量也存在波动（intraobserver variability）。这些局限性促使韩国大学医院联合团队在《Scientific Reports》发表突破性研究，开发出基于深度学习的全自动测量系统UANV（UNet-based Attention Network for thoracolumbar Vertebral compression fracture angle measurement）。

研究团队采用多学科协作模式，整合了脑认知工程、计算机科学、放射科和神经外科的专业力量。核心技术路线包含三大创新：1）构建1,349例韩国成人脊柱X光数据集，经CLAHE（Contrast Limited Adaptive Histogram Equalization）对比度增强预处理；2）在UNet架构中嵌入空间注意力模块，通过3×3卷积层与全局池化协同定位椎体关键区域；3）开发多边形转化算法，自动提取椎体四角坐标（V_TL
/V_TR
/V_BL
/V_BR
）并计算终板夹角θ=|θ_top
-θ_bottom
|。实验采用8:1:1数据划分策略，以Adam优化器（β₁
=0.9, β₂
=0.999）训练50个epoch。

主要研究结果

模型性能对比
在相同测试集上，UANV以Dice系数0.8865和MSE 0.02321显著超越传统UNet（0.8771/0.03237）和FPN（0.8815/0.03502），尤其对L4椎体分割精度达0.9151。注意力机制使椎体边缘识别误差降低41.2%，验证了空间注意力门（attention gates）对特征选择的有效性。

椎体特异性分析
T12椎体表现最优（Dice 0.9174，MSE 0.0413），而L5椎体因解剖变异导致精度最低（Dice 0.8326）。研究指出，下腰椎椎间盘退变导致的终板不规则是主要干扰因素，未来需通过对抗生成网络（GAN）增强此类样本训练。

可视化验证
如图2所示，系统实现端到端处理流程：左图显示UNet分割的椎体轮廓，中图彩色点标记边缘检测关键点，右图通过色标关联计算各椎体θ角。这种可视化方案使临床医师能直观验证算法可靠性。

结论与展望

该研究首次将注意力机制与UNet结合应用于脊柱角度测量，其创新性体现在三方面：1）通过1,349例临床数据集验证了深度学习替代人工测量的可行性；2）注意力模块使模型聚焦终板解剖特征，克服了传统UNet对骨折椎体的识别局限；3）开源代码（GitHub: YurimALee/UANV）促进多中心验证。

局限性包括数据集仅含韩国成人病例，需扩展至儿童及其他族裔群体；当前预处理仍需半自动操作。作者计划联合国际脊柱研究联盟（Spine Study Group）开展多中心试验，并探索Transformer架构提升小样本泛化能力。这项技术不仅可应用于骨质疏松性骨折评估，未来还可整合入手术导航系统，为个性化脊柱矫形方案提供量化依据。