摘要
目前我国受脊柱侧弯问题困扰的人越来越多，这些人中主要为青少年儿童。青少年特发性脊柱侧弯(adolescent idiopathic scoliosis,AIS)占到了所有脊柱侧弯比例的八成，在青少年儿童中的发病率已经高达1.5%-3%。AIS不仅会使人的体态受到影响，严重时还会对身体的各项机能造成影响，使得患者无法进行正常的生活。当严重到需要手术干预进行治疗时，不仅治疗费用非常昂贵，而且手术难度极大，也容易术后产生后续的并发症，对患者的身体和心理都会造成巨大的负担，所以尽早发现并及时进行干预治疗是遏制AIS肆意发展的关键。 脊柱侧弯通常会根据分型来制定具体的手术或者治疗计划。常用的脊柱侧弯分型包括King分型和Lenke分型，而分型系统的主要参考依据为Cobb角。Cobb角度由专业经验的医生在脊柱X光片上手动绘制椎块的上下边缘切线，作为测量的上下终板，通过上下终板的夹角确定Cobb角大小。由于传统Cobb角是基于人工来进行测量，容易产生测量误差，这会导致最后的分型结果不一致、可靠性不高。此外，在面对复杂的分型时，需要测量多张X光片的Cobb角，也大大增加了医生的工作负担。而基于图像技术和深度学习算法的方式则能够有效解决工作量大、结果不一致和重复性问题。因此，本课题以乐山市一所艺术培训学校的脊足健康普查活动的筛查结果作为数据基础，设计了一套可以帮助医生自动测量Cobb角并完成分型的辅助诊断方案，并通过与传统方法进行对比，进一步验证此方案进行Cobb角测量和分型的可行性，为其临床应用研究提供支撑。 本文的主要工作内容如下： (1)使用深度学习模型对脊柱X光图像进行分割。通过全脊柱冠状位X光片对分割模型进行训练，并使用测试集对模型性能进行评估，将测试集的脊柱分割结果作为后续操作的数据基础。 (2)基于分割结果设计Cobb角自动测量算法。通过凸包算法找到位于椎块区域上的角点，并从端点的附近区域寻找合适的角点作为端点以确定椎块区域的上下边缘，然后对上下边缘的点集进行直线拟合得到上下终板，进而使用Cobb自动测量算法计算Cobb角。 (3)应用Cobb角测量结果和分割结果设计两种不同的分型算法。通过分析两种分型方式和目前已有的病例数实现不同的分型算法，其中基于分型规则和分割结果来设计King分型算法，而Lenke分型则使用已经完成分型的病例和分型的规则通过CART决策树来建立分型算法,同时结合分割实验中所得的分割结果以及Cobb角测量结果判断最终的分型是否达到预期，以此来判定此辅助诊断方式的可行性和准确性。 本文取得的主要成果如下： (1)使用注意力机制对分割模型进行了改进，使之提升了图像的分割精度。 (2)基于分割模型的分割结果设计了一种寻找椎块端点的方式，从而能够根据端点位置提取椎块区域的上下终板。同时，基于椎块的上下终板，实现了Cobb角自动测量算法。实验证明，使用本文中的终板提取方式能让Cobb角测量结果更加准确。 (3)使用不同的方式实现了两种分型算法，其中基于决策树实现的Lenke分型算法对基于分割结果的Cobb角测量结果有着较高的准确性。 以上结果证实，本文所设计的辅助诊断方案在Cobb角的测量上和最终的分型上都有着较高的准确性，本研究的成果预期在未来脊柱侧弯的快速诊断方面具有较为广泛的应用潜力。
NETL