Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Chuyển động xoay đốt sống ở mặt phẳng đứng dọc: đo lường dựa trên học sâu trên những hình chụp bên cổ trong các trạng thái gập – trung tính – duỗi
Tóm tắt
Phân tích chuyển động xoay giữa các đốt sống theo mặt phẳng đứng dọc (SIRM) có thể cung cấp thông tin quan trọng cho việc đánh giá các bệnh lý cổ. Học sâu đã được sử dụng rộng rãi trong việc đo lường các tham số cột sống, tuy nhiên, có rất ít nghiên cứu về phân tích chuyển động của cột sống. Mục đích của nghiên cứu này là phát triển một mô hình dựa trên học sâu cho phép đo lường tự động hoàn toàn SIRM dựa trên hình chụp bên cổ ở các trạng thái gập – trung tính – duỗi và đánh giá tính khả thi của nó cho việc phân tích chuyển động gập – duỗi (F/E), gập – trung tính (F/N), và trung tính – duỗi (N/E). Tổng cộng có 2796 hình chụp bên cổ ở các trạng thái gập, trung tính và duỗi từ 932 bệnh nhân được phân tích. Hình chụp của 100 bệnh nhân được chọn ngẫu nhiên làm tập kiểm tra, còn lại 832 bệnh nhân được sử dụng cho quá trình huấn luyện và xác thực. Các điểm nổi bật được chú thích để đo lường SIRM ở năm đoạn từ C2/3 đến C6/7 cho chuyển động F/E, F/N, và N/E. Mạng High-Resolution Net (HRNet) đã được sử dụng như là cấu trúc chính để huấn luyện mạng phát hiện điểm nổi bật. Hiệu suất của điểm nổi bật đã được đánh giá dựa trên tỷ lệ % điểm chính xác (PCK) và trung bình tỷ lệ % điểm chính xác (MPCK). Hiệu suất đo lường được đánh giá dựa trên hệ số tương quan trong lớp (ICC), hệ số tương quan Pearson, sai số tuyệt đối trung bình (MAE), sai số căn bậc hai trung bình (RMSE) và các đồ thị Bland-Altman. Tại ngưỡng khoảng cách 2 mm, PCK cho mô hình dao động từ 94 đến 100%. So với các tiêu chuẩn tham chiếu, mô hình thể hiện độ chính xác cao cho các phép đo SIRM ở tất cả các đoạn ở chuyển động F/E và F/N. Ở chuyển động N/E, mô hình cung cấp các phép đo đáng tin cậy từ C3/4 đến C6/7, nhưng không phải từ C2/3. So với các phép đo của các bác sĩ chẩn đoán hình ảnh, mô hình cho thấy hiệu suất tương tự như các bác sĩ. Mô hình đã phát triển có thể tự động đo lường SIRM trên các hình chụp bên cổ trong các trạng thái gập – trung tính – duỗi và cho thấy hiệu suất so sánh được với các bác sĩ chẩn đoán hình ảnh. Nó có thể cung cấp thông tin nhanh chóng, chính xác và toàn diện cho phân tích chuyển động cổ.
Từ khóa
#SIRM #học sâu #hình chụp cổ #gập – trung tính – duỗi #phân tích chuyển động cổTài liệu tham khảo
Qu N, Lindstrøm R, Hirata RP, Graven-Nielsen T. Origin of neck pain and direction of movement influence dynamic cervical joint motion and pressure pain sensitivity. Clin Biomech (Bristol, Avon). 2019;61:120–8.
Stenneberg MS, Rood M, de Bie R, Schmitt MA, Cattrysse E, Scholten-Peeters GG. To what degree does active cervical range of motion differ between patients with neck pain, patients with whiplash, and those without neck pain? A systematic review and Meta-analysis. Arch Phys Med Rehabil. 2017;98(7):1407–34.
Alvarez AP, Anderson A, Farhan SD, Lu Y, Lee YP, Oh M, et al. The utility of flexion-extension radiographs in degenerative cervical spondylolisthesis. Clin Spine Surg. 2022;35(7):319–22.
Wang X, Lindstroem R, Plocharski M, Østergaaard LR, Graven-Nielsen T. Cervical flexion and extension includes anti-directional cervical joint motion in healthy adults. Spine J. 2018;18(1):147–54.
Zhou C, Li G, Wang C, Wang H, Yu Y, Tsai TY, et al. In vivo intervertebral kinematics and disc deformations of the human cervical spine during walking. Med Eng Phys. 2021;87:63–72.
Amevo B, Worth D, Bogduk N. Instantaneous axes of rotation of the typical cervical motion segments: II. optimization of technical errors. Clin Biomech (Bristol, Avon). 1991;6(1):38–46.
Amevo B, Macintosh JE, Worth D, Bogduk N. Instantaneous axes of rotation of the typical cervical motion segments: I. an empirical study of technical errors. Clin Biomech (Bristol, Avon). 1991;6(1):31–7.
Meisel HJ, Jurák L, Antinheimo J, Arregui R, Bruchmann B, Čabraja M, et al. Four-year results of a prospective single-arm study on 200 semi-constrained total cervical disc prostheses: clinical and radiographic outcome. J Neurosurg Spine. 2016;25(5):556–65.
Mehren C, Heider F, Siepe CJ, Zillner B, Kothe R, Korge A, et al. Clinical and radiological outcome at 10 years of follow-up after total cervical disc replacement. Eur Spine J. 2017;26(9):2441–9.
Plocharski M, Lindstroem R, Lindstroem CF, Østergaard LR. Motion analysis of the cervical spine during extension and flexion: reliability of the vertebral marking procedure. Med Eng Phys. 2018;61:81–6.
Ye Q, Shen Q, Yang W, Huang S, Jiang Z, He L, et al. Development of automatic measurement for patellar height based on deep learning and knee radiographs. Eur Radiol. 2020;30(9):4974–84.
Yang W, Ye Q, Ming S, Hu X, Jiang Z, Shen Q, et al. Feasibility of automatic measurements of hip joints based on pelvic radiography and a deep learning algorithm. Eur J Radiol. 2020;132:109303.
Zheng Q, Shellikeri S, Huang H, Hwang M, Sze RW. Deep learning measurement of leg length discrepancy in children based on radiographs. Radiology. 2020;296(1):152–8.
Bernstein P, Metzler J, Weinzierl M, Seifert C, Kisel W, Wacker M. Radiographic scoliosis angle estimation: spline-based measurement reveals superior reliability compared to traditional COBB method. Eur Spine J. 2021;30(3):676–85.
Schwartz JT, Cho BH, Tang P, Schefflein J, Arvind V, Kim JS, et al. Deep learning automates measurement of spinopelvic parameters on lateral lumbar radiographs. Spine (Phila Pa 1976). 2021;46(12):E671–e678.
Yeh YC, Weng CH, Huang YJ, Fu CJ, Tsai TT, Yeh CY. Deep learning approach for automatic landmark detection and alignment analysis in whole-spine lateral radiographs. Sci Rep. 2021;11(1):7618.
Vrtovec T, Ibragimov B. Spinopelvic measurements of sagittal balance with deep learning: systematic review and critical evaluation. Eur Spine J. 2022;31(8):2031–45.
Jakobsen IMG, Plocharski M. Automatic detection of cervical vertebral landmarks for fluoroscopic joint motion analysis. In: Scandinavian conference on image analysis: 2019. Cham: Springer International Publishing; 2019. p. 209–20.
Nguyen TP, Chae D-S, Park S-J, Kang K-Y, Yoon J. Deep learning system for Meyerding classification and segmental motion measurement in diagnosis of lumbar spondylolisthesis. Biomed Signal Process Control. 2021;65:102371.
Wu SK, Jou JY, Lee HM, Chen HY, Su FC, Kuo LC. The reproducibility comparison of two intervertebral translation measurements in cervical flexion-extension. Spine J. 2015;15(5):1083–91.
Frobin W, Leivseth G, Biggemann M, Brinckmann P. Sagittal plane segmental motion of the cervical spine. a new precision measurement protocol and normal motion data of healthy adults. Clin Biomech (Bristol, Avon). 2002;17(1):21–31.
Zhang M, Zhang K, Yu D, Xie Q, Liu B, Chen D, et al. Computerized assisted evaluation system for canine cardiomegaly via key points detection with deep learning. Prev Vet Med. 2021;193:105399.
Sun K, Xiao B, Liu D, Wang J. Deep high-resolution representation learning for human pose estimation. In: Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, vol. 2019; 2019. p. 5693–703.
Payer C, Štern D, Bischof H, Urschler M. Integrating spatial configuration into heatmap regression based CNNs for landmark localization. Med Image Anal. 2019;54:207–19.
Larson DB, Chen MC, Lungren MP, Halabi SS, Stence NV, Langlotz CP. Performance of a deep-learning neural network model in assessing skeletal maturity on pediatric hand radiographs. Radiology. 2018;287(1):313–22.
Chen HC, Lin CJ, Wu CH, Wang CK, Sun YN. Automatic Insall-Salvati ratio measurement on lateral knee x-ray images using model-guided landmark localization. Phys Med Biol. 2010;55(22):6785–800.
Tao Y, Galbusera F, Niemeyer F, Samartzis D, Vogele D, Wilke H-J. Radiographic cervical spine degenerative findings: a study on a large population from age 18 to 97 years. Eur Spine J. 2021;30(2):431–43.
Vrtovec T, Ibragimov B. Spinopelvic measurements of sagittal balance with deep learning: systematic review and critical evaluation. Eur Spine J. 2022;31(8):2031–45.
Pearson AM, Spratt KF, Genuario J, McGough W, Kosman K, Lurie J, et al. Precision of lumbar intervertebral measurements: does a computer-assisted technique improve reliability? Spine (Phila Pa 1976). 2011;36(7):572–80.