《Journal of Biomechanics》：Quantifying digital volume correlation strain uncertainty at the bone-pedicle screw interface: an ex-vivo zero-strain analysis
编辑推荐：
摘要椎弓根螺钉在脊柱融合术后的结构稳定性中至关重要。然而，螺钉松动仍然是一个常见的临床并发症，这通常与过度的载荷有关，这种载荷会导致椎弓根螺钉周围的 trabecular bone（小梁骨）受到损伤。为了改进椎弓根螺钉固定的临床前评估，本研究结合了微CT成像、U-Net深度学习分
摘要
椎弓根螺钉在脊柱融合术后的结构稳定性中至关重要。然而，螺钉松动仍然是一个常见的临床并发症，这通常与过度的载荷有关，这种载荷会导致椎弓根螺钉周围的 trabecular bone（小梁骨）受到损伤。为了改进椎弓根螺钉固定的临床前评估，本研究结合了微CT成像、U-Net深度学习分割和数字体积相关（DVC）技术，以量化在标称零应变条件下测量螺钉-骨界面的全场应变时出现的误差。椎弓根螺钉被手术植入六个人体腰椎标本中。每个标本都进行了微CT成像。对于其中三个标本，使用标准的DVC不确定性工作流程获取并分析了配对的无载荷扫描结果。为了减少局部骨-金属伪影，采用U-Net模型进行骨分割，并使用S?rensen-Dice相似性系数来量化分割精度。U-Net模型能够高保真地再现手动分割结果（平均Dice值=0.94±0.01）。DVC的准确性和精确度取决于应变测量的空间分辨率；在1.8毫米的空间分辨率下，螺钉周围的应变估计具有较低的误差（准确性=387±110微埃；精确度=222±82微埃）。本研究证明了基于微CT的DVC工作流程的可行性，并通过零应变分析表征了椎弓根螺钉周围小梁骨的应变测量误差。该工作流程为涉及加载测试的未来研究、进一步优化分割以抑制伪影以及在更大样本量和不同植入物设计中的验证奠定了基础。
引言
后路固定技术常用于治疗多种脊柱疾病，包括脊柱侧弯和退行性椎间盘病变（Odland等人，2025年）。该技术的核心是使用椎弓根螺钉，这些螺钉被固定在椎体的椎弓根上，并通过 rods（棒）连接起来以稳定受影响的脊柱节段。椎弓根螺钉结构有助于恢复脊柱的对齐和稳定性，同时促进骨融合（Galbusera等人，2015年）。尽管在临床应用中广泛使用，但螺钉松动仍然是一个问题，据报道术后第一年的发生率为30%（Zou等人，2020年）。螺钉-骨界面处的过度机械应力会导致局部小梁骨损伤，进而导致螺钉松动，影响固定效果，使患者持续疼痛，生活质量下降，并可能需要进行矫正性手术（Odland等人，2025年）。
随着脊柱外科领域的不断发展，强大的临床前测试在识别和减轻如螺钉松动等并发症方面发挥着关键作用，尤其是在这些并发症在临床上出现之前。标准的椎弓根螺钉固定临床前评估通常依赖于拔出测试和切换测试，分别施加静态和循环载荷来评估结构固定情况（Aycan等人，2018年；Frigelli等人，2025年；Liu等人，2025年；Mehmanparast等人，2014年）。虽然这些测试提供了比较不同椎弓根螺钉设计及其抗松动能力的实用方法，但它们仅限于整体测量，无法直接量化模拟机械载荷下螺钉-骨界面的载荷传递或局部小梁骨损伤（Kueny等人，2014年；Le Cann等人，2020年）。有限元建模为螺钉-骨界面的载荷传递提供了有价值的见解；然而，这类模型依赖于一系列假设，并且在没有直接实验对比物的情况下难以验证（Jones和Wilcox，2008年；Kim等人，2026年；Sensale等人，2021年；Zhang等人，2025b年）。
最近对骨科植入物的实验机械评估开始采用数字体积相关（DVC）技术进行体积测量。通过将传统的机械测试与高分辨率成像（最常见的是微计算机断层扫描（micro-CT）相结合，DVC能够直接在骨-植入物界面进行全场应变测量（Tozzi和Dall’Ara，2025年）。DVC技术已应用于多种骨科骨-植入物界面，包括全膝关节和全髋关节置换组件、骨折固定螺钉和盂唇钉（Boulanaache等人，2020年；Le Cann等人，2017年；Seemala等人，2025年；Targosinski等人，2025年；Wearne等人，2022年）；然而，将DVC应用于评估椎弓根螺钉周围的骨-植入物界面仍处于起步阶段。尽管DVC在骨科应用中具有广泛潜力，但金属植入物的存在为体积成像模式（尤其是微CT成像）中的测量带来了显著复杂性，主要是因为金属伪影的产生（Barrett和Keat，2004年；Boas和Fleischmann，2012年；Le Cann等人，2020年）。这些伪影会在重建的体积中产生条纹、束硬化和信号饱和现象，可能影响DVC测量结果，掩盖小梁骨结构，使得在骨-植入物界面的准确分割变得既具有挑战性又耗时。
基于深度学习的分割方法提供了一种分离小梁骨的方法，虽然不是DVC的先决条件，但可以将其应用于将配准限制在可靠识别的骨组织上，从而可能改善受金属伪影影响区域的测量结果。卷积神经网络（CNN）已被证明能够有效学习微CT和高分辨率QCT（HR-pQCT）中小梁骨形态的复杂强度模式（David等人，2026年），这为在均匀强度阈值无法有效区分骨骼和周围伪影的情况下提供了机会。特别是在生物可降解的骨-植入物界面处，U-Net架构成功地分割了骨骼，大大加速了这一原本耗时的任务（Baltruschat等人，2021年；Lopes Marinho等人，2024年）。CNN也被应用于包含金属植入物的临床扫描中，用于术后椎弓根螺钉的评估（Nyg?rd等人，2026年）。然而，据作者所知，尚未有研究使用基于CNN的分割方法来处理微CT图像中受金属伪影影响的数据，以进行椎弓根螺钉的DVC评估。优化分割流程和DVC测量方法在骨-金属界面上的应用，为理解椎弓根螺钉并发症的机制并为未来设备设计提供信息提供了有希望的途径。
本研究是更大型研究的一部分，旨在量化植入金属椎弓根螺钉的尸体椎骨内部的应变分布（即在仪器状态下的情况）。然而，在解释这些测量结果之前，必须首先确定DVC工作流程的可行性和性能。因此，本研究的目的是表征在椎弓根螺钉-骨界面应用的深度学习分割和DVC工作流程的测量不确定性。确定了两个具体目标：（1）评估U-Net深度学习模型在存在金属伪影的微CT图像中对小梁骨分割的准确性；（2）直接在植入椎弓根螺钉的尸体椎骨的螺钉-骨界面下，在零应变条件下评估DVC的准确性和精确度。
章节片段
标本获取、准备和扫描
腰椎标本来自4名年龄在65至78岁之间的男性尸体捐赠者。在获取标本之前已获得机构伦理批准。将标本从脊柱中分离出来并清除周围的软组织。从4名捐赠者中随机选择了6个腰椎（L1 4个和L2 2个）进行体积成像（表1）。在预测试CT成像过程中包括了一个密度模型，以计算每个椎骨的骨矿物质密度（BMD）（
U-Net模型评估
U-Net模型的平均Dice系数为94.0%（范围：92.7%至95.5%）（表2）。与用于U-Net训练的椎骨（椎骨标本1至4，平均Dice值=93.9%）以及未用于训练的椎骨（椎骨标本5和6，平均Dice值=94.3%）相比，该深度学习模型实现了高分割精度。
DVC不确定性分析结果
DVC的准确性和精确度随应变测量的空间分辨率而变化，遵循之前确定的幂律关系
讨论
最近的脊柱后路固定技术创新趋向于个性化解决方案，这得益于术前规划和增材制造的进步，使得椎弓根螺钉可以根据个体的解剖结构和骨质量进行定制（Kim等人，2026年；Lei等人，2025年）。与此同时，在临床发布前对设备性能进行可靠的临床前测试同样重要，以确保安全和有效性
结论
本研究表征了在标称零应变条件下，应用于椎弓根螺钉-骨界面的深度学习分割和DVC工作流程的测量不确定性。U-Net模型在所有标本中都很好地再现了手动标注的结果（Dice值>90%），从而能够分割包含金属伪影的整个微CT体积。重复扫描分析显示，在1.8毫米的空间分辨率下，准确性和精确度低于700微埃，定义了不确定性范围
CRediT作者贡献声明
Léa Slive：撰写——原始草稿、方法论、研究、数据分析、概念化。Ye Young Shin：撰写——审稿与编辑、方法论、研究、数据分析、概念化。Martine McGregor：撰写——审稿与编辑、监督、资金争取、概念化。Stewart McLachlin：撰写——审稿与编辑、监督、资金争取、概念化。Jonathan Kusins：概念化。
利益冲突声明
作者声明他们没有已知的可能会影响本文所述工作的财务利益或个人关系。
致谢
Lea Slive部分得到了加拿大自然科学及工程委员会提供的本科生研究奖学金的支持。
Léa Slive|Ye Young Shin|Martine McGregor|Stewart McLachlin|Jonathan Kusins
