Аннотация. 

Представлена разработка программного модуля для автоматического измерения угла Кобба – «золотого стандарта» оценки сколиотической деформации на рентгенограммах позвоночника в прямой проекции. Ключевой особенностью предлагаемого решения является гибридный подход, сочетающий глубокое обучение для семантической сегментации тел позвонков и детерминированные алгоритмы компьютерного зрения для последующего геометрического расчета. Выделение тел позвонков осуществляется на основе искусственной нейронной сети (ИНС) архитектуры U²-Net, обрабатывающей как DICOM-изображения, так и фотографии с негатоскопов (JPG/PNG). Последующий алгоритмический анализ выделенных контуров и аппроксимация поверхностей позвонков позволяют автоматически строить линии Кобба и вычислять угол искривления позвоночника. Разработанная ИНС для сегментации тел позвонков продемонстрировала на тестовом наборе данных коэффициент Dice, равный 0,9859. Модуль интегрирован в медицинскую информационную систему для проспективной оценки точности с участием экспертов.

Ключевые слова: 

компьютерное зрение, глубокое обучение, семантическая сегментация, U2-Net, угол Кобба, сколиоз, рентгенография позвоночника.

DOI: 10.14357/20790279260309

EDN: ERVROZ

Стр. 68-78.

Литература

1. Сарнадский В.Н., Михайловский М.В., Садовая Т.Н., Орлова Т.Н., Кузнецов С.Б. Распространенность структурального сколиоза среди школьников Новосибирска по данным компьютерной топографии // Бюллетень сибирской медицины. 2017. Т. 16. № 1. С. 80-91.

2. Cobb J.R. Outline for the Study of Scoliosis // American Academy of Orthopaedic Surgeons Instructional Course Lectures. 1948. Vol. 5.

3. Tanure M.C., et al. Reliability assessment of Cobb angle measurements using manual and digital methods. Spine J. 2010. Vol. 10. No 9.

4. Леин Г.А., Нечаева Н.С., Мамедова Г.М., и др. Автоматизация анализа рентгенограмм позвоночника для объективизации оценки степени тяжести сколиотической деформации при идиопатическом сколиозе (предварительное сообщение) // Ортопедия, травматология и восстановительная хирургия детского возраста. 2020. Т. 8. Вып. 3. DOI: 10.17816/PTORS34150

5. Гладков А.В., Данилова Ю.Н., Строков И.И. Полуавтоматический анализ параметров позвоночника с использованием программы XRay // MEDTEX. URL: https://medtek.ru/o-nas/polauavtomaticheskij-analiz-parametrov-pozvonochnika-s-ispolizovaniem-programmy-xray.

6. Кассаб Д.Х., Камышанская И.Г., Трухан С.В. Новая интеллектуальная система для автоматической диагностики сколиоза по фронтальным рентгенограммам позвоночника: точность, преимущества и ограничения // Digital Diagnostics. 2024. Т. 5, № 2. С. 243-254. URL: https://jdigitaldiagnostics.com/DD/article/view/630093 – DOI: 10.17816/DD630093.

7. Стаценко М.М. Автоматизация анализа рентгенограмм позвоночника для объективизации оценки степени тяжести сколиотической деформации при идиопатическом сколиозе (предварительное сообщение) // Публикации НИУ ВШЭ. 2023. URL: https://publications.hse.ru/view/796733204.

8. Даскалеску И.В. Параметрическая модель позвоночника, которая может помочь моделировать сколиоз для медицины // Ирисофт. 2023. URL: https://www.irisoft.ru/interesting/parametricheskaya-model-pozvonochnika-kotoraya-mozhet-pomoch-modelirovat-skolioz-dlya-meditsiny.

9. Патент RU2269929C2. Способ определения степени сколиотической деформации. Опубл. 10.04.2004. URL: https://patents.google.com/patent/RU2269929C2/ru.

10. Rigo M.D., Villagrasa M., Gallo D. A specific scoliosis classification correlating with brace treatment: description and reliability // Scoliosis. 2010. Vol. 5. No 1. P. 1. DOI: 10.1186/1748-7161-5-1. PMID: 20205842.

11. Lu L., et al. Deep Learning and Convolutional Neural Networks for Medical Image Computing. Springer; 2017.

12. Картер Д. Сверточные нейросети // Litres. 2023.

13. Szeliski R. Computer Vision: Algorithms and Applications. Springer; 2011.

14. Zhang J., Li H., Wang L. Spine-GFN: A Computer Vision System for Automatic Cobb Angle Measurement using Graph Convolutional Network // Computers in Biology and Medicine. 2022. Vol. 151. Art. no. 105987. DOI: 10.1007/s00586-025-08895-w

15. He K., Gkioxari G., Dollar P., Girshick R. Mask R-CNN // Proceedings of the IEEE International Conference on Computer Vision (ICCV). 2017. P. 2961-2969. – DOI: 10.1109/ICCV.2017.322.

16. Long J., Shelhamer E., Darrell T. Fully Convolutional Networks for Semantic Segmentation // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR). 2015. P. 3431-3440. DOI: 10.1109/CVPR.2015.7298965

17. He K., Zhang X., Ren S., Sun J. Deep Residual Learning for Image Recognition // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR). 2016. P. 770-778. DOI: 10.1109/CVPR.2016.90

18. Liu W., Rabinovich A., Berg A.C. ParseNet: Looking Wider to See Better // CoRR. 2015. Vol. abs/1506.04579.

19. Ronneberger O., Fischer P., Brox T. U-Net: Convolutional Networks for Biomedical Image Segmentation // Medical Image Computing and Computer-Assisted Intervention (MICCAI). Springer. 2015. P. 234-241. DOI: 10.1007/978-3-319-24574-4_28

20. Chen J., Lu Y., Yu Q., Luo X., Adeli E., Wang Y., Lu L., Yuille A.L., Zhou Y. TransUNet: Transformers Make Strong Encoders for Medical Image Segmentation // arXiv preprint. 2021. arXiv:2102.04306.