Сегментация поясничных позвонков и измерение спондилолистеза на основе сети, чувствительной к границам

Зачем спине нужен более тонкий взгляд

Боли в нижней части спины затрагивают сотни миллионов людей во всем мире, но точная диагностика причины по медицинским снимкам зачастую проходит медленно и неточно. Одна распространенная проблема, называемая спондилолистезом, возникает, когда один из нижних позвонков смещается со своего места, что может сдавливать нервы и вызывать сильную боль. Врачи опираются на КТ или МРТ для выявления такого смещения, но существующие инструменты часто не в состоянии точно очертить каждый маленький позвонок и измерить степень его смещения. В этом исследовании предлагается новая система искусственного интеллекта, разработанная так, чтобы «видеть» позвонки и их границы четче, позволяя быстро, автоматически и надежно измерять смещение позвонков.

Проблемы с осью жизни в повседневности

Нижняя часть позвоночника несет основную нагрузку тела и сгибается при каждом шаге, поэтому особенно подвержена износу. Со временем диски могут истончаться, суставы становиться жесткими, а костные позвонки — смещаться вперед или назад. Когда такое смещение — спондилолистез — становится выраженным, оно может сдавливать нервы и вызывать стреляющую боль в ноге, слабость или даже нарушения функции мочевого пузыря и кишечника. Врачи используют КТ, потому что она четко показывает кости и позволяет различать окружающие мягкие ткани. На практике же экспертам все еще приходится вручную обводить позвонки и оценивать углы и расстояния — процесс, который отнимает много времени и подвержен вариабельности между наблюдателями.

Почему традиционные измерения не дотягивают

Стандартные измерения позвоночника были разработаны для простых двухмерных рентгеновских снимков и не всегда хорошо переносятся на более информативные КТ-изображения. Методы вроде угла Кобба созданы для описания кривизны позвоночника, а не детального смещения отдельных позвонков вперед. Между тем автоматические программы обычно работают поэтапно: сначала сегментируют позвонки, затем передают контуры в иной модуль для измерений. Каждый этап может вносить небольшие ошибки, которые суммируются, особенно когда края позвонков выглядят зазубренными из‑за возрастных изменений или размытыми из‑за особенностей сканирования. В результате было трудно создать единую надежную систему, которая одновременно точно обводила бы каждый позвонок и рассчитывала клинически значимые показатели смещения.

Сеть, которая обращает внимание на границы

Авторы предлагают новую модель глубокого обучения под названием BS‑Net (Boundary Sensitive‑Net), обученную особенно тщательно учитывать границы каждого позвонка. Построенная на распространенной базе для анализа изображений, система добавляет два ключевых компонента. Первый — модуль многозадачной обработки границ, который одновременно изучает внутреннюю область каждого костного фрагмента и его контур, используя механизм внимания, позволяющий информации о форме и качестве края усиливать друг друга. Второй — модуль контекстно‑билатерального слияния, который объединяет тонкие детальные сигналы краев из ранних слоев сети с более широкими высокоуровневыми признаками из глубоких слоев. Вместе с особой функцией потерь, которая явно штрафует ошибки на границах, эти модули обучают BS‑Net четко отслеживать костные края, даже если они неровные или плохо контрастируют.

От чистых контуров к конкретным числам

После того как BS‑Net выделяет каждый позвонок на КТ-изображении, система переходит от картинок к измерениям. Контуры уточняются с помощью вероятностного шага сглаживания, затем применяются геометрические методы для определения центра каждого позвонка и его передне‑задних краев. Метод минимального ограничивающего прямоугольника показал наибольшую точность в поиске центров. Имея эти ориентиры, система рассчитывает углы между соседними позвонками и насколько один позвонок сместился относительно нижележащего, выражая смещение в процентах от глубины позвонка — в соответствии со шкалой градации Мейердинга, используемой в клиниках. Испытанная на 783 КТ‑изображениях от 379 пациентов и на внешнем наборе МРТ, BS‑Net превзошла десять известных моделей сегментации, достигнув очень высоких показателей перекрытия между своими автоматическими масками и экспертными разметками. Важно, что ее измерения смещения хорошо согласовывались с ручными оценками — коэффициенты корреляции превышали 0.9, а ошибки по расстоянию были меньше, чем у конкурирующих методов.

Что это значит для пациентов и клиник

Проще говоря, исследование показывает, что ориентированная на позвоночник система ИИ может точнее обводить кости нижней части спины и превращать эти контуры в надежные измерения величины смещения позвонка. Это может помочь рентгенологам и хирургам более последовательно выявлять проблемные смещения, отслеживать прогресс заболевания и планировать лечение с большей уверенностью, одновременно экономя время. Авторы предупреждают, что метод пока с трудом справляется с очень необычными случаями, такими как пациенты с металлическими имплантами или выраженными деформациями, и потребуется дополнительное обучение на более разнообразных данных. Тем не менее BS‑Net представляет собой важный шаг к полностью автоматизированной количественной оценке поясничного спондилолистеза по рутинным КТ и МРТ.

Цитирование: Ji, D., Qian, F. & Zong, Y. Boundary sensitive-net-based lumbar vertebra segmentation and spondylolisthesis measurement. Sci Rep 16, 13612 (2026). https://doi.org/10.1038/s41598-026-38522-7

Ключевые слова: поясничный отдел позвоночника, спондилолистез, сегментация медицинских изображений, глубокое обучение, анализ КТ позвонков