跳到主要内容
返回时间线

严重脊柱侧弯的CT标注不再靠手工:把健康脊柱弯成病理形态,椎体分割Dice从0.765升到0.842

核心概要

严重脊柱侧弯的椎体分割长期受限于病理CT标注稀缺,公开数据里几乎没有可用的侧弯病例。一种解剖感知的合成流程把公开健康脊柱CT及其分割标签一起做三维形变,生成带侧弯样弯曲的合成体数据,再按相同算力预算训练nnU-Net CNN与PRIMUS。在18例院内青少年侧弯CT上,最佳CNN设置把平均Dice从0.765提高到0.842,椎体成功率从73.2%提高到81.6%;在55个由外科医生标注的顶椎区域标签上,平均Dice从0.720提高到0.854。

Source-provided article image: Learning from the unseen: synthetic data for scoliosis AI segmentation.
Fig. 1 · PubMed

深度剖析

训练数据里加入合成的侧弯样CT后,模型在真实严重侧弯病例上的椎体分割明显变好,而网络结构和推理流程没有改动。 此前的做法依赖对病理CT或MR逐例手工标注,通用弹性形变等常规增广只模拟局部变化,难以覆盖侧弯这种整体形态改变。 在18例院内青少年侧弯CT上,VerSe+2x配合默认增广的CNN把平均Dice从0.765提升到0.842,椎体成功率从73.2%提升到81.6%,HD95的95分位从31.082毫米降到24.900毫米;只加通用弹性形变时平均Dice仅到0.794。

形变不是随机扰动,而是先重建脊柱中心线,再把整条中心线弯成侧弯样的曲线,并让图像和标签一起跟着变形。 常规增广直接在体素上做强度扰动、镜像或局部弹性形变,不保证椎体顺序和拓扑在弯曲后仍然一致。 流程从分割掩膜提取椎体中心点,用三次样条拟合中心线,再用四次贝塞尔曲线生成C形或S形弯曲,通过平行传输建立局部坐标架、以四面体网格实现体积反向映射,并用弧长单调约束防止控制面交叉;训练集由VerSe 2019/2020去重后的408例公开CT生成。

合成数据是真实扫描的补充,而不是替代品。 只用合成数据训练时结果不稳定,尤其是Transformer模型。 在1005例Spine1K公开基准上,混合真实与合成数据时CNN最佳平均Dice为0.908,基线为0.904;Transformer从0.886升到0.903,椎体成功率从91.0%升到92.5%;而4x-only训练更弱,Transformer在默认设置下出现较大的HD95尾部离群。

启示与展望

这套流程面向严重脊柱侧弯的椎体分割,训练数据来自公开的VerSe 2019/2020健康脊柱CT,评测覆盖18例院内青少年侧弯CT、55个外科医生标注的顶椎区域标签以及1005例Spine1K公开基准。合成体数据离线生成,生成与后处理全自动,不做人工筛选。院内儿科数据因隐私和机构限制不公开,公开训练数据可通过VerSe挑战资源获取。

作者指出,形变与重采样可能引入插值效应或局部失真,降低部分区域的保真度;合成数据在聚合上带来几何多样性收益,但伪影类型及其下游影响仍需系统刻画。弹性形变基线只在单个CNN的VerSe折上调参一次后固定,更充分的按架构调参可能改变该对照。严重度分析属于探索性,样本量小、角度分布不均,需要在多中心队列上用预设严重度分箱和跨扫描仪、跨协议评测验证。合成数据生成在训练时计算开销大,因此离线生成,更高效的生成方式与按病因分层分析留待后续。