《Computer Methods in Biomechanics and Biomedical Engineering: Imaging & Visualization》:Deep learning-based spine vertebrae and pedicle screw segmentation from postoperative CT images: a feasibility study using limited data
编辑推荐:
目的:术后影像上椎弓根螺钉(pedicle screw)置入位置的客观验证对于患者安全以及评估脊柱构造的生物力学完整性至关重要。螺钉定位不准确可能会损害稳定性并增加神经损伤的风险。深度学习为自动化分割植入物及周围解剖结构提供了机会,从而实现植入物与解剖结构关系
目的:术后影像上椎弓根螺钉(pedicle screw)置入位置的客观验证对于患者安全以及评估脊柱构造的生物力学完整性至关重要。螺钉定位不准确可能会损害稳定性并增加神经损伤的风险。深度学习为自动化分割植入物及周围解剖结构提供了机会,从而实现植入物与解剖结构关系的客观且可重复性评估。本研究评估了在有限数据集和使用基于2D切片的分割条件下,训练现成的卷积神经网络(CNN)以分割术后胸腰椎CT图像中的椎体、椎管(spinal canal)和椎弓根螺钉的可行性。研究纳入了来自20例接受后路固定术患者的100张手动标注的术后CT轴位切片,并在两种数据划分方式下分为训练集、验证集和测试集。训练了四种CNN架构:YOLOv8、DeepLabv3+、U-net和Attention U-net,用于多类分割。使用类级Dice相似系数(Dice Similarity Coefficient, DSC)评估模型性能。在两种划分方式中,分割精度因模型和解剖类别而异,平均DSC为0.62–0.90,反映了各类别和模型间的差异。DeepLabv3+实现了最高的整体性能,平均DSC分别为0.83和0.78。YOLOv8在不同划分中表现出稳定的结果,特别是对于螺钉分割。U-net和Attention U-net在第一种划分中对椎管和螺钉头(screw-head)分割表现相当,但在第二种划分中性能有所下降。定性评估确认所有模型均能识别关键解剖结构和植入物,尽管金属伪影影响了性能。作为一项可行性演示,研究表明DeepLabv3+和YOLOv8提供了最一致的结果,表明即使在有限的临床数据下,也可以实现稳健的自动化螺钉-椎管评估。
论文解读:基于深度学习的术后CT图像脊柱椎体与椎弓根螺钉分割的可行性研究
研究背景与意义
在脊柱外科领域,基于椎弓根螺钉(pedicle screw)的固定技术是基石,自Roy-Camille等人于1970年首次描述以来,一直是脊柱稳定的基本方法。尽管技术已从传统徒手置入发展到图像引导和导航系统(包括计算机辅助导航、增强现实和机器人平台),但椎弓根螺钉置入的验证仍然是关键步骤。螺钉的正确空间位置对于脊柱构造的生物力学完整性至关重要,因为螺钉轨迹的偏差或与神经结构的接近程度可能会损害载荷传递、构造稳定性及神经安全性。术后计算机断层扫描(CT)仍是评估椎弓根螺钉置入的金标准,特别是在出现神经系统症状、构造失败或对植入物位置存疑的情况下。近年来,人工智能(AI)在骨科应用中显示出巨大潜力,但大多数现有研究集中在椎体分割或术前计划,较少涉及术后CT影像中植入物及相邻神经结构的自动化分割。术后影像面临独特挑战,包括金属引起的伪影和改变的解剖结构,这可能会掩盖关键结构并降低分割可靠性。因此,研究人员开展了此项可行性研究,旨在评估使用现成卷积神经网络(CNN)架构,在有限且异质的临床数据集上,对术后胸腰椎CT图像中的椎体、椎管(spinal canal)和椎弓根螺钉进行分割的可行性。该研究为自动化、客观评估植入物与解剖结构关系(这是量化分析植入物位置、固定安全性和生物力学评估的前提)提供了方法论基础。论文发表于《Computer Methods in Biomechanics and Biomedical Engineering: Imaging》。
主要关键技术方法
研究人员回顾性收集了2019年至2022年间在Ume? University Hospital接受后路固定手术的患者的术后脊柱CT扫描(DICOM格式),纳入成年患者(≥18岁),排除脊柱畸形病例,最终选取20例患者的100张轴位切片(层厚0.6-1.0 mm,像素间距0.4-0.6 mm)。由两名资深脊柱外科医生使用LabelMe软件独立进行手动标注,涵盖椎体、椎管、螺钉和螺钉头(screw head)四类,分歧通过联合审查达成共识,标注者间可靠性近完美。数据按受试者层面划分为训练集(61张,14例)、验证集(22张,3例)和测试集(17张,3例),并采用两种划分方式以评估稳健性。图像统一调整至400×400像素并归一化至[0, 1],仅训练集进行数据增强(YOLOv8使用默认增强,U-net和Attention U-net采用±15°旋转、水平翻转和±10%缩放)。训练了四种CNN架构:YOLOv8(实例分割)、DeepLabv3+(Matlab实现)、U-net和Attention U-net(Python 3.9/PyTorch),使用NVIDIA RTX A6000 GPU,采用早期停止防止过拟合,以类级Dice相似系数(DSC)为主要评估指标,并进行了螺钉与椎管空间关系的后处理分析(重叠分析与不确定性图)。
研究结果
数据集特征(Dataset characteristics)
研究共纳入20例患者的100张术后CT图像,包含椎体、椎管、螺钉和螺钉头四类标注。标注过程由两名经验丰富的脊柱外科医生手动完成,标注者间可靠性测试显示Cohen’s κ值为0.95至0.99,证实手动标注的一致性和准确性。患者和放射学特征总结显示,数据集来自多台扫描仪和标准临床成像协议,影像协议的异质性反映了常规临床实践的典型变异性,并被有意保留以评估真实条件下的模型稳健性。
模型训练与验证(Model training and validation)
四种CNN架构(DeepLabv3+、YOLOv8、U-net和Attention U-net)均使用相同的两种数据划分进行训练,每种划分约含60张训练图像、20张验证图像和20张测试图像(每集±1–2张)。所有模型均达到稳定收敛,早期停止有效防止了过拟合。其中,Attention U-net收敛最快,而YOLOv8由于其实例分割组件需要较长的训练时间。
分割性能(Segmentation performance)
在两种数据划分中,四种CNN架构在分割术后胸腰椎解剖结构时表现出不同的性能特征。所有模型均能识别主要解剖结构和硬件组件,但分割精度因类别和划分而异。在数据划分1(Data Split 1)中,DeepLabv3+总体表现最强,在大多数类别中达成最高平均DSC,包括螺钉头分割DSC为0.90±0.04,螺钉分割DSC为0.83±0.05;YOLOv8表现同样稳定,尤其螺钉分割DSC为0.78±0.06,椎管描绘DSC为0.73±0.07;U-net和Attention U-net在椎管(0.84±0.05–0.06)和螺钉头(0.84–0.85±0.05)分割上具有竞争力,但在椎体及螺钉上准确度较低。在数据划分2(Data Split 2)中,所有模型整体性能下降,但相对排名一致;DeepLabv3+再次获得最高DSC值,包括螺钉头分割0.89±0.02;YOLOv8在大多数类别保持稳定运行,而U-net和Attention U-net性能下降更显著,尤其在椎体和椎管分割上。综上,DeepLabv3+和YOLOv8在两种划分中提供了最稳健且可重现的性能,而U-net和Attention U-net对数据集变异性更敏感。尽管如此,所有模型均能捕获术后评估所需的关键解剖结构和植入物。
定性结果(Qualitative results)
代表性定性分割示例显示,YOLOv8能清晰描绘椎管边界,DeepLabv3+生成了解剖一致的分割轮廓(尤其螺钉体和椎管)。U-net和Attention U-net生成了解剖连贯的椎体掩膜,其中Attention U-net因注意力门机制增强了对椎管等关键区域的聚焦。分割不准确最常见于严重金属伪影或部分容积效应区域附近。
螺钉–椎管关系分析(Screw–canal relationship analysis)
对于实例分割模型(YOLOv8),研究人员在切片水平上识别了分割的椎弓根螺钉与椎管掩膜的空间重叠,并可视化重叠区域以指示两者相交处。对于语义分割模型(DeepLabv3+和U-net),利用类别概率图生成了“螺钉”与“椎管”类别界面处的不确定性图,在两类空间紧密接近的区域观察到不确定性增加。未应用定量距离或侵犯指标,因为该分析目的是证明可行性而非临床分类。
讨论与结论
讨论部分指出,本研究探索了在有限、异质临床数据集和基于2D切片的分割条件下,训练和应用现成CNN以实现术后脊柱CT图像中脊柱椎体及椎弓根螺钉自动分割的可行性。所有模型均达成了具有临床意义的分割性能,表明无需大规模数据集或大量预处理即可实现可靠分割。结果与先前证明CNN方法在脊柱影像和手术计划中潜力的研究一致,但本研究专门解决术后CT影像(受金属伪影、改变的解剖结构和异质采集协议影响)的分割问题,这具有临床相关性,因为术后影像仍是评估椎弓根螺钉置入和植入物相关并发症的金标准。DeepLabv3+和YOLOv8表现出最稳健和可重现的性能,尤其对于螺钉和螺钉头分割;YOLOv8的实例分割能力使其在多层固定构造中区分单个螺钉具有关键优势。U-net和Attention U-net对解剖结构(如椎体和椎管)分割相对更好,但对数据集变异性更敏感。尽管螺钉分割的DSC值(约0.83)令人鼓舞,但可能不足以用于临床可靠的定量评估(如螺钉–椎管距离测量或侵犯分类),此类应用可能需要DSC≥0.90–0.95及更高的边界精度,故当前结果应视为概念验证而非临床部署解决方案。研究还展示了如何利用分割输出进行植入物–解剖结构关系的影像评估,并通过后处理分析说明了实例重叠分析和不确定性制图两种互补方法。金属伪影被观察到负面影响分割性能,未来工作应研究金属伪影减少(MAR)预处理与伪影感知训练策略的结合。从临床角度看,自动化术后分割可减少观察者间变异性、提供螺钉置入的客观质量控制,并支持关联植入物位置与临床或生物力学结果的大规模分析。
结论(Conclusions)
该可行性研究表明,使用现成的CNN和有限的临床数据,可以实现从术后CT图像中自动分割椎体、椎管和椎弓根螺钉,其中DeepLabv3+和YOLOv8表现出最强的性能。