基于扩张TransUNet的颈椎后纵韧带骨化症K线状态自动化诊断框架

本研究针对颈椎后纵韧带骨化症（OPLL）患者K线状态评估的临床难题，开发了融合扩张卷积与Transformer模块的Dilated TransUNet框架。该研究通过精准识别C2/C7椎体边缘标志点（准确率98.49%），结合动态阈值判别算法实现K线±分类（准确率97.8%），为手术决策提供了客观量化标准，显著提升了OPLL诊疗的自动化水平。

　　

颈椎后纵韧带骨化症（OPLL）是一种导致脊髓压迫的严重脊柱疾病，其手术方案选择高度依赖K线状态的判断——这条连接C2与C7椎体中点的虚拟线，决定着是否需要采用创伤更大的前路手术。然而传统依赖医生目测判断K线状态的方式，不仅耗时费力，更因椎体边缘模糊、相邻结构形态相似等问题存在高达20%的误判率。天津医科大学总医院的研究团队在《Biomedical Signal Processing and Control》发表的研究，为这一临床困境带来了突破性解决方案。

研究团队创新性地构建了Dilated TransUNet架构，通过三个关键技术实现突破：首先采用扩张卷积（Dilated Convolution）扩大感受野以捕捉椎体细微特征；其次引入Transformer模块建立长程依赖关系，解决C7与相邻胸椎的形态混淆问题；最后开发基于动态阈值的判别算法，精准区分骨化区域与正常椎体组织。实验数据来自120例正常颈椎和20例OPLL患者的侧位CT序列，通过分层采样构建训练集。

【Landmark detection results compared with different methods】
与ASM、FCN等传统方法相比，Dilated TransUNet将标志点检测平均绝对误差（MAE）降低至0.87mm，关键点识别准确率达98.49%。其独特的特征融合机制使C7椎体下缘的定位误差减少62%。

【Conclusion】
该框架首次实现OPLL患者K线状态的自动化分类，图像级分类准确率97.8%。通过量化骨化区域与K线的空间关系，为前路/后路手术选择提供客观依据。Transformer模块的注意力热图显示，模型能自主聚焦于椎体终板等解剖关键区域，与临床认知高度吻合。

这项研究的核心价值在于将主观经验驱动的诊疗模式转变为数据驱动的标准化流程。Dilated TransUNet对椎体标志点的亚毫米级定位精度，不仅适用于OPLL诊疗，更为脊柱退行性疾病的智能诊断开辟了新路径。作者团队特别指出，该模型在少量OPLL样本（仅20例）下表现优异，证明其具有临床推广的可行性。未来通过多中心验证，有望成为脊柱外科决策支持系统的核心组件。