基于深度学习的腰椎稳定性自动诊断工具的研发及验证

目的 基于深度学习研发腰椎稳定性自动诊断工具,并验证其诊断精度。方法 收集153例腰椎疾病患者术前腰椎过屈、过伸位X线片,由3名骨科医师标注5个关键点,分别为L4后下角、前下角以及L5后上角、前上角、后下角,共获得3套标注结果。将306张腰椎X线片按照3∶1∶2比例随机分为训练集(n=156)、验证集(n=50)和测试集(n=100)。提出一种新的神经网络结构Swin-PGNet,使用已标注的X线片图像对其进行训练,使其能自动定位腰椎椎体关键点,并通过关键点测算L4、5椎间Cobb角和L4椎体滑移距离。对于关键点定位、Cobb角测量和椎体滑移距离测量,以平均误差、组内相关系数(intra-class correlation coefficient,ICC)比较医师标注与Swin-PGNet之间的差异。椎间Cobb角变化超过11°作为腰椎不稳判断标准,腰椎滑移距离超过3 mm作为腰椎滑脱判断标准,比较医师和Swin-PGNet判断腰椎稳定性的准确率。结果 (1) Swin-PGNet关键点定位平均误差为(1.407±0.939)mm,医师间平均误差为(3.034±2.612)mm。(2) Cobb角标注:Swin-PGNet平均误差为(2.062±1.352)°,医师间平均误差为(3.580±2.338)°;Swin-PGNet与3名医师间误差比较,差异均无统计学意义(P>0.05),但不同医师间误差比较差异有统计学意义(P<0.05)。(3)椎体滑移距离:Swin-PGNet平均误差为(1.656±0.878)mm,医师标注平均误差为(1.884±1.612)mm;Swin-PGNet与3名医师间误差比较以及不同医师间误差比较,差异均无统计学意义(P>0.05)。Swin-PGNet腰椎不稳判断准确率为84.0%、医师为75.3%,腰椎滑脱判断准确率分别为71.3%、70.7%,Swin-PGNet与3名医师间误差比较以及不同医师间误差比较,差异均无统计学意义(P>0.05)。(4)腰椎稳定性判定一致性分析:3名医师标注椎间Cobb角的ICC为0.913 [95%CI(0.898,0.934)](P<0.05),椎体滑移距离为0.741 [95%CI(0.729,0.796)](P<0.05),说明3名医师间标注具有一致性。SwinPGNet-所有医师间椎间Cobb角ICC为0.922 [95%CI(0.891,0.938)](P<0.05),椎体滑移距离为0.748 [95%CI(0.726,0.783)](P<0.05),说明Swin-PGNet与医师标注具有一致性。结论 基于深度学习构建的腰椎稳定性自动诊断工具Swin-PGNet实现了腰椎不稳与滑脱的准确、便捷自动识别,可辅助临床进行诊断。

嵌入卷积增强型Transformer的头影解剖关键点检测

目的准确可靠的头像分析在正畸诊断、术前规划以及治疗评估中起着重要作用,其常依赖于解剖关键点间的相互关联。然而,人工注释往往受限于速率与准确性,并且不同位置的结构可能共享相似的图像信息,这使得基于卷积神经网络的方法难有较高的精度。Transformer在长期依赖性建模方面具有优势,这对确认关键点的位置信息有所帮助,因此开发一种结合Transformer的头影关键点自动检测算法具有重要意义。方法本文提出一种基于卷积增强型Transformer的U型架构用于侧位头影关键点定位,并将其命名为CETransNet(convolutional enhanced Transformer network)。通过改进Transformer模块并将其引入至U型结构中,在建立全局上下文连接的同时也保留了卷积神经网络获取局部信息的能力。此外,为更好地回归预测热图,提出了一种指数加权损失函数,使得监督学习过程中关键点附近像素的损失值能得到更多关注,并抑制远处像素的损失。结果在2个测试集上,CETransNet分别实现了1.09 mm和1.39 mm的定位误差值,并且2 mm内精度达到了87.19%和76.08%。此外,测试集1中共有9个标志点达到了100%的4 mm检测精度,同时多达12个点获得了90%以上的2 mm检测精度;测试集2中,尽管只有9个点满足90%的2 mm检测精度,但4 mm范围内有10个点被完全检测。结论CETransNet能够快速、准确且具备鲁棒性地检测出解剖点的位置,性能优于目前先进方法,并展示出一定的临床应用价值。