SPINEPS - 使用两阶段方法进行多类语义和实例分割的 T2 加权 MR 图像的自动全脊柱分割
内容提要
该文综述脊柱影像AI分割研究，涵盖公开腰椎MRI数据集（218名患者、447个系列）及基准算法训练，并介绍VertDetect（CT椎体实例分割）、SymTC（融合Transformer与CNN提升腰椎MR分割）、WISS（仅需四个角点标注完成CT椎体分割）和FUnet（脊柱手术实时视频分割）等方法。
延伸解读
公开数据集与基准测试的价值
文章介绍了一个包含218名患者、447个MRI系列的公开腰椎MRI数据集，并提供了基准算法和nnU-Net性能基准。这意味着研究者可以基于统一的数据和评估标准比较不同分割算法，减少因数据差异导致的偏差，促进公平的连续分割挑战。对于临床研究而言，此类公开资源有助于加速算法验证和转化。
弱监督与标注成本权衡
WISS方法仅需在单个矢状切片上标注四个角点即可完成CT椎体分割，大幅降低标注成本，且在多数情况下分割性能仅略微下降。这提示在临床应用中，当标注资源有限时，弱监督策略可作为高效替代方案，但需注意其性能可能略低于全监督方法，适用于对精度要求不极端的场景。
多模态融合与实时手术导航
SymTC融合Transformer和CNN提升腰椎MR分割性能，而FUnet则针对脊柱手术视频实现实时分割，利用帧间信息和自注意力机制达到先进水平。两者分别从静态图像和动态视频角度推进脊柱影像分析，前者辅助诊断，后者为手术提供导航以避免神经损伤，展示了AI在脊柱诊疗全流程中的潜力。
Q&A
SPINEPS 方法是如何实现全脊柱分割的？
SPINEPS 使用两阶段方法进行多类语义和实例分割，自动完成 T2 加权 MR 图像的全脊柱分割。
有哪些公开的腰椎 MRI 数据集可用于分割算法研究？
一个公开的多中心腰椎 MRI 数据集包含 218 名患者的 447 个 MRI 系列，并提供了基准算法和 nnU-Net 性能基准，可用于比较不同分割算法。
VertDetect 在 CT 椎体分割中有什么特点？
VertDetect 是一种全自动端到端三维椎体实例分割卷积神经网络，能预测 CT 扫描中所有椎体的椎体级别标签和分割，并利用脊柱已知结构改善标注，达到端到端架构的最先进性能。
SymTC 模型在腰椎 MR 图像分割中表现如何？
SymTC 融合了 Transformer 和 CNN，在分割腰椎骨和椎间盘方面具有最佳性能，能更高效地辅助临床医生进行诊断和评估。
WISS 方法如何降低脊柱分割的标注成本？
WISS 是一种弱监督迭代脊柱分割方法，仅需在单个矢状切片上标注四个角点，即可从 CT 图像中自动完成椎体的体积分割，节省标注成本且分割性能仅略微牺牲。
FUnet 在脊柱手术中有什么应用？
FUnet 是首个用于脊柱手术的实时分割方法，通过视频引导避免脊神经损伤，为外科医生提供导航信息。它基于约 10,000 帧的注释数据集，利用帧间信息和自我注意机制，实现了业界最先进的性能。
