基于边界敏感网络的腰椎分割与滑脱测量

为什么背部影像需要更“聪明”的目光

下背痛影响着全球数以亿计的人，但在医学影像中准确诊断其具体病因常常既缓慢又不精确。一种常见问题称为椎体滑脱，发生在下背某块椎体移位时，可能压迫神经并引发剧烈疼痛。医生依赖CT或MRI图像来检测这种移位，但现有工具难以精确勾画每一块小椎体并测量其位移距离。本研究提出了一种新的人工智能系统，旨在更清晰地“看见”脊柱骨骼及其边界，从而使椎体滑脱的测量变得快速、自动且可靠。

日常生活中的脊柱问题

脊柱下部承载着身体的大部分重量，并在行走时频繁弯曲，因此尤其容易磨损。随着时间推移，椎间盘可能变薄、关节僵硬，椎体可能前移或后移。当这种移位——即椎体滑脱——变得明显时，会压迫神经，导致下肢放射性疼痛、无力，甚至影响膀胱和肠道控制。医生使用CT扫描因为它能清晰显示骨骼并区别周围的软组织。然而在临床实践中，专家仍需手工勾画椎体并估算角度与距离，这一过程既耗时又存在观察者间差异。

传统测量为何不足

常规脊柱测量方法最初为二维X光片设计，在应用到如今更丰富的CT影像时并不总是适用。像Cobb角等方法用于描述脊柱弯曲，而非单个椎体的前向滑移。同时，自动化程序通常将任务划分为若干步骤：先分割椎体，再将轮廓交给另一个模块进行测量。每一步可能引入小误差，累积起来影响结果，尤其当椎体边缘因退行性改变呈锯齿状或因扫描方式导致边界模糊时。因此，难以构建一个既能准确勾画每个椎体又能计算具有临床意义滑脱量的单一可靠系统。

一款关注边界的网络

作者提出了一种新的深度学习模型，称为BS‑Net（Boundary Sensitive‑Net，边界敏感网络），专门训练以更关注每个椎体的边界。该系统基于常用的图像分析主干网络，并加入了两项关键组件。第一是多任务边缘处理模块，能够同时学习识别椎体内部与其轮廓，采用注意力机制使形状信息与边缘质量相互强化。第二是上下文双向融合模块，将网络早期层的精细边缘线索与深层的高层级语义信息融合。配合一种显式惩罚边界错误的特殊损失函数，这些模块使BS‑Net即便在边界不规则或对比度低时也能清晰描绘骨性边缘。

从清晰轮廓到具体数值

在BS‑Net将CT图像中的各个椎体分离后，系统从图像走向测量。它先用概率平滑步骤细化轮廓，然后应用几何方法定位每个椎体的中心和前后边缘。最小包围矩形方法在确定中心点方面被证明最为准确。利用这些标志点，系统计算相邻椎体间的角度以及某一椎体相对于下方椎体的滑移距离，按深度百分比表示——与临床上使用的Meyerding分级尺度相对应。在对来自379名患者的783张CT图像及一组外部MRI数据集的测试中，BS‑Net优于十种公认的分割模型，其自动掩膜与专家手绘掩膜之间的重叠得分非常高。更重要的是，其滑移测量与人工评估高度一致，相关性高于0.9，距离误差也小于其他方法。

对患者与临床的意义

简言之，这项研究表明，面向脊柱的AI能够更精确地勾画腰椎骨骼轮廓，并将这些轮廓转化为可信的椎体滑脱测量。这有助于放射科医师和外科医生更一致地识别问题性滑脱、追踪病情进展并更有信心地制定治疗方案，同时节省时间。作者提醒，该方法在极端病例（如有金属植入物或严重畸形的患者）仍存在困难，需在更多样化数据上继续训练。即便如此，BS‑Net代表了从常规CT和MRI扫描实现腰椎滑脱定量自动评估的重要进展。

引用: 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

关键词: 腰椎, 椎体滑脱, 医学图像分割, 深度学习, 椎体CT分析