基于深度学习的膝关节冠状面力线自动测量与分类系统：精准标记点检测与角度计算新方法

为解决膝关节置换术前术后评估中标记点检测不精准导致的Coronal Plane Alignment of the Knee (CPAK)分类可靠性问题，研究人员开发了一种基于YOLO网络的双路径融合注意力模型（DFAM），结合空间变换器（STN）与高效通道注意力（ECA）模块，实现髋-膝-踝角（HKA）、机械股骨远端外侧角（mLDFA）、机械胫骨近端内侧角（mMPTA）及关节线汇聚角（JLCA）的自动化测量。实验显示角度测量平均绝对误差低于0.8°，组内相关系数均超过0.9，为临床精准分型提供新工具。

　　

在膝关节置换术的临床实践中，Coronal Plane Alignment of the Knee（CPAK）分类系统是评估患者冠状面力线的重要工具，但其依赖的髋-膝-踝角（HKA）、机械股骨远端外侧角（mLDFA）、机械胫骨近端内侧角（mMPTA）和关节线汇聚角（JLCA）等参数目前主要依赖人工测量，存在效率低、主观性强的问题。尤其当X光片中骨骼边缘被软组织遮挡或成像模糊时，标记点定位偏差会直接影响角度计算和CPAK分类的可靠性。南方医科大学第三附属医院的研究团队提出了一种融合深度学习的自动化解决方案，相关成果发表于《Biomedical Signal Processing and Control》。

研究团队采用双阶段检测策略，首先通过YOLO网络定位候选区域，随后创新性设计双路径融合注意力模块（Dual-path Fusion Attention Module, DFAM），结合空间变换网络（Spatial Transformer Networks, STN）聚焦骨骼区域，利用高效通道注意力（Efficient Channel Attention, ECA）强化边缘特征。针对单尺度图像特征提取的局限性，开发了坐标校正模块（Coordinate Correction Module, CCM），通过自适应分组算法实现多尺度特征交互。研究基于1,277例患者双侧下肢X光片构建数据集，水平翻转左腿图像以扩充右腿训练数据。

Quantities of landmarks and definition of angles
通过定义12个解剖标记点（如股骨头中心、膝关节间隙最低点等），建立机械轴并计算四类关键角度。HKA反映整体下肢力线，mLDFA和mMPTA分别评估股骨与胫骨机械轴夹角，JLCA量化关节面倾斜度，为CPAK分型提供量化依据。

Experimental setup
测试集252例图像显示，HKA平均绝对误差仅0.18°，显著优于现有方法。mLDFA、mMPTA和JLCA误差分别为0.33°、0.75°和0.80°，所有角度组内相关系数（ICC）均>0.9。DFAM模块使复杂区域的标记点定位误差降低37%，CCM模块通过局部图像裁剪将边缘标记点检测准确率提升21%。

Discussion
该研究突破传统人工测量的局限性，首次实现CPAK全流程自动化分类。STN-ECA协同机制有效解决骨骼特征变异和软组织干扰问题，而动态分组的CCM模块为医学图像多尺度分析提供新思路。临床应用中，该系统可辅助制定个性化截骨方案并优化假体选择。

Conclusions
南方医科大学团队开发的深度学习系统将膝关节角度测量误差控制在1°以内，达到临床适用标准。DFAM和CCM模块的设计理念可扩展至其他骨科影像分析领域，为智能诊疗提供技术范式。研究获南方医科大学第三附属医院院长基金（YL202202）支持，数据标注工作由方航团队完成。