变压器增强的脊椎细分和从CT图像上的解剖变异识别
Chao Yang1, Lianghua Huang2,3, Wiraphong Sucharit4
1Department of Human Movement Sciences, Faculty of Physical Education and Health, Gan Nan Normal University, Ganzhou, 341000, China.
Scientific reports
|October 2, 2025
概括
这项研究引入了一种混合AI框架,用于准确的脊柱CT分析,使用视觉变压器和患者数据改进脊椎识别和异常检测. 该模型增强了针对脊柱疾病的个性化诊断和手术规划.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 人体解剖学 解剖学 解剖学
背景情况:
- 在脊椎CT扫描中精确的脊椎细分和分类对于临床应用至关重要.
- 挑战包括解剖变异性,退行性变化和罕见异常,使自动化分析复杂化.
研究的目的:
- 开发一种混合框架,用于精确的脊椎识别和脊柱CT扫描中异常检测.
- 通过整合患者特定的元数据来提高脊椎类型的准确性和个性化性.
主要方法:
- 开发了一个混合框架,结合了WNet细分骨干和基于Vision Transformer (ViT) 的分类模块.
- 纳入了基于注意力的解剖变异模块和患者元数据 (年龄,性别,脊椎分布).
- 该模型在VerSe 2019和2020数据集上进行了评估.
主要成果:
- 拟议的框架在脊椎识别和异常检测方面超过了nnUNet和SwinUNet等最先进的方法.
- 在检测过渡性脊椎 (例如T13,L6) 和建模形态多样性方面观察到卓越的性能.
- 该系统证明了对切片跳过,噪声和扫描器变化的稳定性,通过注意力热图提供可解释性.
结论:
- 将解剖学先验和人口背景集成到基于变压器的管道中,是智能脊柱图像分析的一个有希望的方法.
- 开发的混合框架为临床诊断,手术规划和疾病监测提供了个性化和准确的解决方案.
- 这项工作推动了脊柱CT扫描的自动化分析,解决了复杂的解剖变异和异常.
