[论文解读] SpineNetV2: Automated Detection, Labelling and Radiological Grading Of Clinical MR Scans

Rhydian Windsor, Amir Jamaludin+2 more|arXiv (Cornell University)|May 3, 2022

Medical Imaging and Analysis被引用 7

一句话总结

SpineNetV2 是一种用于临床脊柱 MR 扫描中自动检测、标注和放射学分级椎体及椎间盘的深度学习框架。与 SpineNetV1 相比，它采用基于深度学习的向量场回归方法，在多个视野（腰椎、颈椎、全脊柱）中实现了更快、更鲁棒的椎体检测，同时通过 ResNet34 主干网络提升了放射学分级性能，支持多分类中央椎管狭窄、侧隐窝狭窄和椎间盘突出——在 GPU 上实现每例腰椎扫描约 5 秒的推理速度，相较原始版本提升了 60 倍。

ABSTRACT

This technical report presents SpineNetV2, an automated tool which: (i) detects and labels vertebral bodies in clinical spinal magnetic resonance (MR) scans across a range of commonly used sequences; and (ii) performs radiological grading of lumbar intervertebral discs in T2-weighted scans for a range of common degenerative changes. SpineNetV2 improves over the original SpineNet software in two ways: (1) The vertebral body detection stage is significantly faster, more accurate and works across a range of fields-of-view (as opposed to just lumbar scans). (2) Radiological grading adopts a more powerful architecture, adding several new grading schemes without loss in performance. A demo of the software is available at the project website: http://zeus.robots.ox.ac.uk/spinenet2/.

研究动机与目标

• 开发一种更快、更鲁棒且可泛化的系统，用于在多种解剖视野（腰椎、颈椎、胸椎、全脊柱）下自动检测和标注临床脊柱 MR 扫描中的椎体。
• 通过扩展分级方案数量，提升 T2 加权 MR 扫描中椎间盘的放射学分级性能，包括多分类中央椎管狭窄、侧隐窝狭窄和椎间盘突出，超越原始 SpineNetV1 的能力。
• 用基于深度学习的方法替代 SpineNetV1 中计算成本高昂的 HOG 检测流程，以提升推理速度并增强与开源框架的兼容性。
• 通过从 MATLAB 迁移到开源 Python 库（如 PyTorch、PyDicom），实现向更广泛硬件平台的部署，提升可访问性和可复现性。
• 提供从原始 DICOM 文件到结构化输出（CSV/JSON）的全自动端到端流程，支持临床研究和放射学评估。

提出的方法

• 采用基于深度学习的向量场回归（VFR）模型进行椎体检测，替代 SpineNetV1 中的 HOG 方法，实现跨多种扫描视野的更快、更精确检测。
• 应用卷积神经网络（CNN）进行椎体节段标注，基于空间上下文和强度模式为检测到的椎体分配解剖标签（如 L1、L2）。
• 通过计算相邻标注椎体之间的区域，提取椎间盘体积（IVVs），实现对每个椎间盘的局部放射学分级。
• 在放射学分级头中采用 ResNet34 主干网络进行特征提取，替代 SpineNetV1 中的 VGG-F，以提升在复杂退行性改变上的性能与泛化能力。
• 使用多头分类头同时预测多个分级方案：Pfirrmann（5类）、椎间隙狭窄（4类）、终板缺陷（2类）、骨髓改变（2类）、滑脱（2类）、中央椎管狭窄（4类）、单侧侧隐窝狭窄（每侧2类）和椎间盘突出（2类）。
• 通过将大尺寸扫描分割为重叠的图像块进行独立处理，再合并重建以实现全视野覆盖的检测与标注。

实验结果

研究问题

• RQ1 基于深度学习的椎体检测系统是否能在多种脊柱 MR 扫描视野中实现比传统 HOG 方法更高的准确率和更快的速度？
• RQ2 统一的端到端深度学习流程是否能可靠地检测和标注不同解剖区域（如颈椎、腰椎、全脊柱）的矢状位 MR 扫描，而无需针对特定区域进行调优？
• RQ3 将 VGG-F 主干网络替换为更深的 ResNet34 架构是否能显著提升对复杂退行性改变（如多分类中央椎管狭窄和侧隐窝狭窄）的放射学分级性能？
• RQ4 与 SpineNetV1 相比，新架构在保持或提升分级准确率的同时，是否显著降低了推理时间？
• RQ5 该系统是否能通过开源软件和标准硬件（包括 CPU 和 GPU）在真实临床研究环境中高效部署？

主要发现

• SpineNetV2 将单例腰椎扫描的推理时间从 SpineNetV1 的约 5 分钟缩短至 GPU 上的约 5 秒，处理时间提升 60 倍。
• 基于 VFR 的新椎体检测系统在所有视野（腰椎、颈椎、胸椎、全脊柱）中均实现更快、更准确的检测，且相比 SpineNetV1 仅聚焦腰椎的方案更具鲁棒性。
• 在 Genodisc 数据集上的放射学分级性能与 SpineNetV1 相当或略有提升：SpineNetV2 在滑脱（二分类）上达到 95.0% 准确率，在中央椎管狭窄（二分类）上达到 93.2%，与 SpineNetV1 在原有任务上的表现持平或更优。
• SpineNetV2 首次成功引入新分级方案：多分类中央椎管狭窄（4类，F1 64.9%）、左右侧隐窝狭窄（左侧 F1 84.8%，右侧 F1 82.4%）和椎间盘突出（F1 80.4%），这些在 SpineNetV1 中未被支持。
• GPU 上峰值显存使用量为腰椎扫描 1.6GB，全脊柱扫描 2.5GB，表明内存利用高效，适合临床部署。
• 在 CPU 上，腰椎扫描处理时间为 25 秒，全脊柱扫描为 120 秒，表明即使无 GPU 加速，系统仍可使用，尽管速度降低。