《Pattern Recognition》：Spinal Segment Landmark Localization Method Under Arbitrary View
编辑推荐：
张永红|耿宝多|朱圆圆|纪旭全|胡雷|薛雨梅北京航空航天大学数学科学学院，中国北京102206摘要脊柱外科手术机器人有助于提高脊柱手术的安全性，并有望解决各地区医疗资源发展不均衡的问题。在CT图像中定位脊柱解剖标志点是实现手术机器人路径自主规划的重要基础。手动选择脊柱解剖标志点往
张永红|耿宝多|朱圆圆|纪旭全|胡雷|薛雨梅
北京航空航天大学数学科学学院，中国北京102206
摘要
脊柱外科手术机器人有助于提高脊柱手术的安全性，并有望解决各地区医疗资源发展不均衡的问题。在CT图像中定位脊柱解剖标志点是实现手术机器人路径自主规划的重要基础。手动选择脊柱解剖标志点往往存在较大的主观性，经验不足的医生往往难以确保标志点选择的准确性。本文提出了一种两阶段方法，在任意视图下定位CT图像中的脊柱节段解剖标志点。首先，基于3D MFS-Net精确定位CT图像中每个脊柱节段的空间区域。在此基础上，使用3D MSH-Net精确确定每个脊柱节段的解剖标志点。3D MFS-Net对脊柱节段空间区域的平均3D IOU可达0.91，3D MSH-Net对解剖标志点的平均定位误差仅为0.537毫米。3D MFS-Net和3D MSH-Net都采用了轻量级设计，分别能够以38.41FPS和10.28FPS的速度进行快速推理。
引言
脊柱复杂的解剖结构及其靠近神经等关键组织的特点，使得外科手术极具挑战性，要求外科医生具备高度的专业知识[1]。然而，即使是经验丰富的医生也很难将他们对脊柱解剖结构的空间理解转化为精确、可复制的坐标值。脊柱外科手术机器人可以有效提高手术安全性，并减少对丰富经验的依赖[2]。由解剖标志点定位辅助的手术路径规划是确保机器人手术安全性的关键基础。Costa等人证明，螺钉放置偏差超过2毫米会导致固定强度降低20%以上[3]，而Li等人表示，基于脊柱标志点定位的自主路径规划系统的成功率可高达97%[4]。因此，高精度和鲁棒的解剖标志点定位对于生成安全的手术路径至关重要。
早期的标志点定位方法主要依赖于传统的机器学习技术，如回归森林[5]、随机森林[6]和马尔可夫随机场[7]；然而，这些方法的准确性较低且鲁棒性较差。例如，Dabbah等人使用决策森林定位了127个标志点，但平均误差高达13.45毫米，使其不适用于临床应用[8]。近年来，深度学习技术在这一领域取得了显著进展。Payer等人提出了空间配置网络来平衡准确性和鲁棒性[9]；Wang等人引入了基于3D U-Net的热图回归方法[10]；Yeh等人使用级联金字塔网络实现了X射线标志点定位[11]；Zhang等人开发了Dcor-VLDet来测量脊柱Cobb角度[12]；Reddy等人提出了深度外观-上下文网络用于标志点定位[13]。此外，还出现了专门的方法，包括针对颈椎的PoseNet[14]、针对腰椎的两阶段算法[15]、用于鼻中隔评估的NSD-Net[16]、基于强化学习的主动脉夹层定位方法[17]以及用于口腔和颌面应用的3D V-Ne方法[18]。尽管这些算法比传统方法有所改进，但它们依赖于预定义的图像扫描区域，并且难以适应临床实践中遇到的动态变化视野。
在临床环境中，CT扫描区域通常存在较大的不确定性。自主规划脊柱手术路径首先需要识别相应的脊柱节段。现有的医学图像3D物体检测算法（如Faster R-CNN变体[19]、YOLO变体[20]、PiaNet[21]、多标签网络[22]和U-VQVAE-CTLesionNet[23]）缺乏足够的鲁棒性来定位脊柱节段。
在脊柱节段定位任务方面，早期的方法主要依赖于机器学习方法，如概率模型[24]、随机森林[25]和监督分类森林[26]，这些方法严重依赖先验知识且鲁棒性较差。近年来出现了基于深度学习的研究，包括3D CNN[27]、YOLOv7变体[28]、Mask R-CNN变体[29]和V-Net变体[30]。然而，这些方法的准确性仍然不足，计算成本较高。我们之前的工作也提出了基于特征融合的椎骨定位方法[31]和3D Swin Transformers[32]，它们同样面临计算复杂性问题。
为了解决这些挑战，我们提出了一种两阶段方法，在任意视图中精确定位CT图像中的脊柱解剖标志点。该方法包括一个3D多尺度特征空间区域定位网络（3D MFS-Net）和一个3D多尺度特征热图回归网络（3D MSH-Net）。首先使用3D MFS-Net准确识别椎骨空间区域，然后使用3D MSH-Net实现精确的标志点定位。我们的方法在准确性、鲁棒性和计算效率方面优于现有解决方案。我们的主要贡献如下：
(1) 我们提出了一种多视图模块，该模块融合了不同感受野的特征，以提高算法的定位准确性和鲁棒性。此外，该模块也是本文提出的两个算法模型的基础特征提取模块。
(2) 我们提出了3D MFS-Net，一种轻量级的3D物体检测算法，能够在單一步骤中精确定位椎骨空间区域。
(3) 我们提出了3D MSH-Net，一种新颖的3D空间标志点定位算法，能够实现脊柱解剖标志点的精确定位。
片段
方法
我们提出了一种两阶段技术，用于在任意视图中定位CT图像中每个脊柱节段的解剖标志点，这可以为各种自主手术路径规划任务提供通用的处理方法。在第一阶段，使用3D MFS-Net精确定位CT图像中每个脊柱节段的空间区域。在此基础上，根据不同需求选择特定模型以实现精确的
实验
我们在VerSe 2020挑战数据集上训练和测试了3D MFS-Net和3D MSH-Net。我们没有直接使用该数据集，而是进行了一些过滤。过滤后的数据集包含394组CT图像和5,422个脊柱节段。3D MFS-Net训练所需的每个脊柱节段的空间区域信息来自数据集中的体素级分割[32]。3D MSH-Net训练所需的脊柱解剖标志点的坐标信息则是手动获取的
讨论
脊柱的解剖结构复杂，且靠近神经等关键组织，因此手术风险较高。机器人辅助手术有助于提高手术的安全性和准确性。手术路径规划是确保机器人手术安全有效的重要前提，而脊柱解剖标志点的自动定位是自主路径生成的基础。
为了解决这个问题，我们提出了一种两阶段的全自主方法用于脊柱解剖
结论
本文提出了一种轻量级的3D物体检测算法3D MFS-Net和3D空间标志点定位算法3D MSH-Net，能够在任意视图中实现脊柱解剖标志点的完全自动和精确定位，为脊柱机器人的自主手术路径规划奠定了重要基础。该方法采用两阶段策略：首先，3D MFS-Net在任意视野的CT图像中精确定位脊柱节段；然后，3D MSH-Net
CRediT作者贡献声明
张永红：软件、项目管理、方法论、数据分析、概念化。耿宝多：数据管理。朱圆圆：撰写——初稿、可视化。纪旭全：资金获取。胡雷：验证、资源协调。薛雨梅：撰写——审稿与编辑、项目管理、调查、资金获取。
利益冲突声明
经过全面和彻底的审查和自我评估，我确认在与该项目相关的任何事项上都没有实际或潜在的利益冲突。这包括财务方面、个人或职业关系，或其他可能影响我的客观性、独立性或公正性的因素。我是自愿做出这一声明的，并承担相应的法律责任，我也了解其含义。
