通过深度学习驱动的计算机断层扫描进行青少年特异性脊椎病的三维自动细分:一项回顾性研究
Yong Ji1, Xiajin Mei2, Rong Tan1
1Department of Spine II, The Ninth Medical Center, Chinese PLA General Hospital, Beijing, China.
Medicine
|May 29, 2025
概括
像U-Net这样的深度学习模型在青少年异常脊椎病 (AIS) CT 扫描中有效地细分脊椎. 注意U-Net在AIS患者中显示出复杂的胸椎脊椎解剖学的前景.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 脊柱外科手术 脊柱外科手术
背景情况:
- 准确的脊椎细分对于手术规划和技术至关重要.
- 深度学习为医疗图像细分任务提供先进的工具.
- 青少年异常学脊椎病 (AIS) 对脊柱成像分析提出了独特的挑战.
研究的目的:
- 评估AIS患者CT图像中脊椎细分的深度学习方法.
- 为了比较U-Net和Attention U-Net对于这个特定应用的性能.
- 评估受AIS影响的具有挑战性的脊柱区域的细分精度.
主要方法:
- 一组31个AIS患者CT扫描的数据集进行了策划,涵盖了宫到腰部区域.
- 用U-Net和注意力U-Net模型进行自动脊椎细分.
- 使用子系数得分和豪斯多夫距离量化表现.
主要成果:
- 无论是U-Net还是Attention U-Net,都表现出高整体细分性能.
- U-Net实现了92.2%的子系数和9.80毫米的HD.
- 注意U-Net实现了92.3%的子系数和8.67毫米的HD.
- 注意力U-Net在中胸部区域显示出明显更好的豪斯多夫距离 (P = .027).
结论:
- 基于U-Net的神经网络对于AIS患者的自动脊椎细分是有效的.
- 注意力U-Net显示,受脊椎病影响的关键胸部区域的性能有所提高.
- 这些深度学习方法适用于临床3DCT数据和复杂的脊柱解剖学.


