用于髋部X光片圆形标志物检测的两阶段深度学习方法

《Scientific Reports》：Two-stage deep learning for circular landmark detection in hip radiographs

　　

摘要

本研究针对髋部正侧位X光片开发了一种高分辨率解剖标志点检测方法，旨在提高天然关节和人工关节中股骨头及髋臼定位的准确性。该方法采用两阶段深度学习框架，结合卷积架构与Transformer架构。在全局阶段，U-Net通过降采样后的图像估算出粗略的标志点位置，这些预测结果用于确定高分辨率图像块的范围，随后在局部阶段通过检测Transformer对这些图像块进行处理。与传统基于点的方法不同，该算法将每个标志点视为圆形，直接回归其中心坐标、半径以及状态（天然或人工）。在637张标注过的髋部X光片数据集上，该框架的平均中心定位误差为1.226毫米（±1.410），半径误差为0.968毫米（±1.312）。与单独使用U-Net相比，两阶段模型使髋部中心检测的准确率提高了22%（p＜0.001），同时在骨关节炎或手术改变等复杂的解剖结构条件下仍能保持良好的性能。这些结果表明，所提出的两阶段框架相较于单阶段方法具有更稳定的性能提升效果。该方法能够实现髋部关键标志点的可靠精确定位，为骨科影像中的手术规划、植入物评估、磨损检测以及长期监测等临床工作提供支持。