《Electronics》：Automated Detection of Lumbar Spinal Stenosis via Semantic Segmentation of the Area Between the Anterior and Posterior Elements in MRI Images
编辑推荐：
本文提出了一种新颖的方法论，旨在帮助临床医生从腰椎磁共振成像（MRI）扫描中自动诊断椎管狭窄（spinal stenosis），这是慢性下背痛（CLBP）的主要病因之一。该方法模仿标准临床实践，即通过手动检查腰椎MRI扫描来诊断椎管狭窄。检测通过分割前后椎体元
本文提出了一种新颖的方法论，旨在帮助临床医生从腰椎磁共振成像（MRI）扫描中自动诊断椎管狭窄（spinal stenosis），这是慢性下背痛（CLBP）的主要病因之一。该方法模仿标准临床实践，即通过手动检查腰椎MRI扫描来诊断椎管狭窄。检测通过分割前后椎体元素间区域（AAP），然后在划定边界内定位关键点来实现。研究人员使用语义分割和精细高斯支持向量机（SVM）进行此划定，分别达到了94%和92%的像素准确率。研究人员使用了包含101名患者的匿名化数据集，并结合每位患者的放射科医生报告，将系统结果与相应报告进行比较。所开发方法实现的最小和最大诊断准确率分别为76.5%和90%。结果表明，所开发方法可以加快慢性下背痛患者的诊断过程，从而节省生命、时间和成本。
论文解读：基于语义分割的腰椎管狭窄自动检测方法研究
**研究背景与问题**
慢性下背痛（CLBP）是全球范围内主要的致残原因之一，给医疗系统带来沉重负担。在美国，约28.1%的成年人受CLBP困扰；在英国，超过250万人遭受持续性下背痛，影响活动能力、生产力和生活质量。腰椎管狭窄（lumbar spinal stenosis）是CLBP的主要结构性诱因，当椎管狭窄导致神经根受压时，会引起疼痛、神经源性跛行和下肢神经症状。目前，狭窄诊断依赖于对腰椎MRI图像的手动逐层检查，临床医生需在轴向视图中逐层滚动以定位最具代表性的椎间盘水平，并手动标记参考点进行测量。这种视觉评估因经验差异引入变异，且在高工作量临床环境中显著增加诊断时间。传统分割算法（如聚类和像素强度方法）难以处理MRI图像中复杂的组织对比和重叠边界，而深度学习语义分割模型虽展示了改进性能，但多数研究聚焦于整体结构（如椎管、椎间盘、硬膜囊），忽略了狭窄最常发生的区域——前后椎体元素间区域（AAP）。该区域容纳神经结构和椎间孔通路，其宽度在不同椎间盘水平及不同人群间存在差异。准确诊断需测量该区域内的三条线性距离：前后径椎管直径及左右椎间孔宽度，这些均依赖于临床医生手动划定的精确组织边界。手动分割和测量耗费大量临床精力并引入观察者间变异，因此亟需自动化解决方案以提高效率、准确性和工作流程整合。本研究旨在开发一种全自动化管道，从轴向腰椎MRI图像中分割AAP区域，计算椎管宽度以支持狭窄诊断，并评估其与放射科医生报告的一致性。
**研究方法**
研究人员从公开数据集（Mendeley Data，https://data.mendeley.com/datasets/k57fr854j2/2）中选取101名患者的轴向腰椎MRI图像，每例患者配有放射科医生报告作为诊断参考标准。主要技术方法包括：①基于语义分割的AAP区域边界划定，使用SegNet（编码器-解码器架构，VGG16预训练权重或随机初始化）和精细高斯支持向量机（SVM）两种分类器；②自动定位关键解剖点并计算椎管宽度（SCW）；③将SCW与椎间盘水平特异性阈值（L3-L4≤13.24 mm，L4-L5≤13.68 mm，L5-S1<14.59 mm）比较，判断狭窄与否。训练采用80:20患者级分割，输入图像统一调整为480×360像素，使用交叉熵损失和随机梯度下降优化，迭代100个epoch，批次大小40。未进行数据增强。
**研究结果**
**1. 分割性能比较**
SegNet在全尺寸MRI图像上达到94%像素准确率，精细高斯SVM在手动裁剪的AAP区域图像上达到92%像素准确率。SegNet的像素准确率略高，但精细高斯SVM在后续测量中表现更优，因其裁剪操作使模型聚焦于感兴趣区域。
**2. 椎管宽度测量与手动测量一致性**
精细高斯SVM自动测量的椎管宽度与手动测量相比，53%的差异小于1 mm，34%差异小于2 mm；SegNet仅21%差异小于1 mm，26%差异小于2 mm。精细高斯SVM在测量精度上更接近手动测量，而SegNet因处理全尺寸图像，定位难度更大，差异分布更分散。
**3. 诊断准确率按椎间盘水平**
- L3-L4水平：精细高斯SVM诊断准确率88%，SegNet为84%。
- L4-L5水平：两者准确率下降，精细高斯SVM为82.4%，SegNet为76.5%，主要因该水平AAP区域分割精度较低。
- L5-S1水平：两者均达到90%的最高准确率。
整体诊断准确率范围为76.5%至90%，表明该方法在自动化狭窄检测中具有临床可行性。
**总结与讨论**
讨论部分指出，本研究与现有技术比较存在一定差距：van der Graaf等使用矢状位MRI和随机森林分类器在更大数据集（186例患者，683个椎间盘水平）上获得0.98的AUC，而本研究系统在101例患者上取得76.5%-90%的诊断准确率。差异可能源于数据集规模、成像平面、评估指标及测量特征丰富性。Bharadwaj等基于轴向MRI的决策树方法（n=200）与本研究管道方法学上接近，未来需在共享数据集上进行直接比较。Hallinan等模型在更大规模评估中与专科放射科医生对中央管狭窄的诊断一致性较强，与本研究准确率水平大致相当。这些比较表明，本系统性能与当前先进方法基本一致，但数据集扩展和更丰富的测量特征是缩小差距的关键方向。
**研究结论**
本文提出并评估了一种全自动检测腰椎管狭窄的管道。该管道从轴向腰椎MRI扫描中分割前后椎体元素间区域（AAP），自动识别相关边界点，并在L3-L4、L4-L5和L5-S1三个椎间盘水平计算前后径椎管宽度，无需临床医生手动输入。评估了两种分割方法：在全尺寸MRI图像上运行的SegNet（像素准确率94%）和在裁剪图像上运行的精细高斯SVM（像素准确率92%）。自动计算的椎管宽度测量值与手动测量宽度进行比较，随后根据已建立的临床狭窄阈值对每个椎间盘水平进行分类。最高的诊断准确率在L5-S1水平均为90%（两种分类器），L3-L4水平精细高斯SVM为88%，SegNet为84%，最低准确率在L4-L5水平使用SegNet时为76.5%。结果表明，以AAP为中心的语义分割为自动化狭窄评估提供了临床上有意义且计算高效的基础，具有减少临床医生工作负荷、最小化观察者间变异并加速腰椎评估中诊断决策的潜力。未来工作将集中于将管道扩展到多中心数据集，纳入椎间孔宽度测量和矢状位成像，并通过PACS集成推进临床部署。
