将 U-ResNet 与形状感知注意力相结合的脊柱疾病图像分割技术

为什么脊柱影像需要更智能的工具

背痛是人们看医生的最常见原因之一，像 MRI 和 CT 这样的现代扫描仪可以以惊人的细节展示构成脊柱的微小骨骼和椎间盘。但要把那些灰白影像转换为清晰的轮廓——哪个是骨头、哪个是椎间盘、疾病藏在哪里——通常仍然是切片逐一手工完成的。本文提出了一种新的人工智能系统，能够更快更准确地自动描绘脊柱结构和常见病变，帮助放射科医生和外科医生做出更好的决策，同时减轻工作负担。

读取脊柱的挑战

脊柱是由许多小部件组成的复杂柱状结构：叠放的椎体、其间的软性椎间盘，以及从颈部到下背部变化的微妙弯曲。椎间盘突出、压缩性骨折和脊柱侧弯等疾病会显著扭曲这一结构。传统的计算方法难以应对这些变化，甚至许多近来的深度学习模型在骨与盘的边界处出错，或在解剖结构极其异常时失效。专家的手工描绘既慢又不一致，在繁忙的医院难以推广，尤其是越来越多的年轻白领和学生出现背部问题时，这一问题更为突出。

为脊柱影像量身定做的网络

为了解决这些问题，作者设计了一种基于流行医学成像网络 U-Net 改进版本的脊柱专用深度学习模型。他们的定制主干称为 U-ResNet，呈 U 型：一侧逐步压缩图像以获取整体上下文，另一侧再扩展以生成每个结构的细节图。新的设计在深度与效率之间取得平衡，能够处理高分辨率扫描而无需超级计算机。它还在多尺度上融合特征，使模型既能关注大型椎体也能兼顾更小更薄的椎间盘，并对信息进行归一化，从而同一网络可处理 MRI 与 CT 图像。

教会模型尊重形状

一个关键创新是“形状感知注意力”模块，它明确地教会网络健康脊柱的典型外形以及疾病如何弯曲或破坏这些模式。在图像进入该模块之前，会经过预处理步骤从扫描中提取轮廓信息——本质上是骨与椎间盘的外形线。在模块内部，网络将这些形状提示与其从图像中学到的信息进行比较，增强二者一致处的信号，并在疾病导致变形时进行调整。这使系统能够在结构被压缩、膨出或弯曲时仍然聚焦真实的脊柱结构，同时抑制肌肉和脂肪等干扰背景组织。

在整体区域与锐利边缘之间取得平衡

另一个核心贡献是训练策略的设计，该策略在两项互相竞争的目标之间取得平衡：既要捕捉结构的整体范围，又要将其边界画得清晰。作者设计了一个组合损失函数——本质上是一套指导规则——指示模型如何改进。其中一部分强调正确识别椎体或椎间盘的整个区域，这对于测量体积和退变程度至关重要。另一部分则侧重边界的准确性，这在手术规划或追踪病情进展时十分重要。模型会根据结构的大小和清晰度自动调整对各部分的关注度，并加入体积约束以使数值测量与临床医生在实践中期望的结果相符。

将系统付诸测试

研究人员在两个较大的数据集上评估了他们的方法：富含软组织细节的腰椎 MRI 扫描，以及覆盖颈部、胸部和下背部、包括脊柱侧弯与压缩骨折等多种病况的全脊柱 CT 集合。与九种最先进方法相比，他们的模型在几乎所有类别中都取得了最高分，从整体分割质量与边界精度到椎间盘退变分级均表现优异。同时，其计算量和参数数量少于许多竞争方法，更适合在标准医院硬件甚至低功耗设备上运行。

这对患者和临床医生意味着什么

简而言之，这项工作表明，让人工智能同时理解脊柱结构的形状与边界，可以使脊柱影像的自动化解读更可靠、更具临床价值。该模型不仅更准确地描绘了椎体和椎间盘，包括那些体积小或严重变形的结构，而且运行速度足以融入真实工作流程。尽管仍需在更多罕见脊柱疾病和更多医院环境中进一步验证，但它为在诊断背痛、手术规划与康复监测中实现常规化、高精度的计算机辅助提供了有希望的一步。

引用: Zhao, D., Qin, R., Chai, Z. et al. Spinal disease image segmentation technology integrating U-ResNet and shape-aware attention. Sci Rep 16, 12465 (2026). https://doi.org/10.1038/s41598-026-42870-9

关键词: 脊柱影像, 医学图像分割, 深度学习, 脊柱的 MRI 与 CT, 背痛诊断