[论文解读] Automatic detection and segmentation of lumbar vertebra from X-ray images for compression fracture evaluation

Kang Cheol Kim, Hyun Cheol Cho+3 more|arXiv (Cornell University)|Apr 16, 2019

Medical Imaging and Analysis被引用 5

一句话总结

本论文提出一种分层深度学习与水平集方法，用于在侧位X光片中自动检测和分割腰椎，解决了因解剖结构重叠和边界不清晰带来的挑战。该方法采用姿态驱动学习进行椎体定位，使用M-net进行初始分割，并通过水平集方法进行精细化处理，临床数据上的平均Dice分数达到91.60% ± 2.22%，中心点检测误差为25.35 ± 10.86像素。

ABSTRACT

For compression fracture detection and evaluation, an automatic X-ray image segmentation technique that combines deep-learning and level-set methods is proposed. Automatic segmentation is much more difficult for X-ray images than for CT or MRI images because they contain overlapping shadows of thoracoabdominal structures including lungs, bowel gases, and other bony structures such as ribs. Additional difficulties include unclear object boundaries, the complex shape of the vertebra, inter-patient variability, and variations in image contrast. Accordingly, a structured hierarchical segmentation method is presented that combines the advantages of two deep-learning methods. Pose-driven learning is used to selectively identify the five lumbar vertebra in an accurate and robust manner. With knowledge of the vertebral positions, M-net is employed to segment the individual vertebra. Finally, fine-tuning segmentation is applied by combining the level-set method with the previously obtained segmentation results. The performance of the proposed method was validated using clinical data, resulting in center position detection error of $25.35\\pm10.86$ and a mean Dice similarity metric of $91.60\\pm2.22\\%$.

研究动机与目标

• 解决由于软组织与骨骼结构重叠导致的侧位X光片中腰椎自动分割的挑战。
• 提升在低对比度、复杂解剖环境（典型于侧位X光片）下的分割精度与鲁棒性。
• 减轻人工分割负担，支持更快、更准确的压缩性骨折诊断。
• 将深度学习与水平集方法相结合，实现对前部及上下椎板等结构的精细边界优化。
• 实现对脊柱疾病（如压缩性骨折、椎间隙狭窄、滑椎症）的自动化、定量评估。

提出的方法

• 通过自适应直方图均衡化进行预处理，以增强图像对比度并提高特征可见性。
• 采用姿态驱动的深度学习网络（Pose-net）高精度定位五个腰椎的中心点。
• 使用M-net架构在定位后对单个椎体进行实例级分割，利用多尺度上下文特征。
• 应用水平集方法进行后处理优化，以深度学习输出作为初始化，提升边界勾勒精度。
• 分层处理流程：定位 → 分割 → 边缘优化，模拟临床决策过程。
• 结合深度学习的鲁棒性与水平集方法在捕捉平滑、连续边界方面的能力，尤其适用于前部及上下椎板。

实验结果

研究问题

• RQ1 在存在解剖结构重叠的情况下，基于姿态驱动的深度学习方法是否能在侧位X光片中实现对五个腰椎的准确且鲁棒的定位？
• RQ2 能否通过先前的椎体定位有效引导M-net分割，以提升实例级分割性能？
• RQ3 将深度学习分割与水平集优化相结合，是否能显著提升边界精度，特别是在前部及上下椎板等具有清晰边缘的结构上？
• RQ4 与基线网络（如原始U-net、M-net）相比，所提出方法在Dice分数与定位误差方面表现如何？
• RQ5 该分层方法在多大程度上减少了假阳性及误定位现象，如将胸椎误分割或遗漏L5椎体？

主要发现

• 所提方法的平均中心点检测误差为25.35 ± 10.86像素，表明定位精度较高。
• 五个腰椎的平均Dice相似系数达到91.60 ± 2.22%，显示出优异的分割性能。
• Pose-net + M-net + 水平集的处理流程在Dice分数与敏感性方面均优于基线模型（包括原始U-net与M-net）。
• 水平集优化显著减少了假阳性，通过改善前部及上下椎板的边界定义提升了分割质量。
• 该方法成功分割了L5椎体，而标准M-net常因对比度低与解剖复杂性而遗漏该结构。
• 在可视化对比中，该方法正确排除了胸椎结构，有效防止了将T12误判为腰椎的错误。