MRI在临床中常用来评估脊柱，为椎间盘退变、椎体病理和椎管/脊髓结构提供有诊断价值的数据。分割技术在计算机断层扫描（CT）等成像技术中已经得到了很好的应用。在脊柱MRI中，分割不太常见，主要是由于缺乏数据、复杂的解剖结构以及后路元素的可视性差。

然而，MRI中的整个脊柱分割可以自动提取生物标志物，通过Pfirrmann分级自动检测IVD变性等退行性疾病或量化肿瘤负荷。此外，还可以进行定量分析，如确定脊柱侧凸的程度。因此，如果在临床常规中最常用的MRI序列之一（如T2w矢状涡轮自旋回波（TSE））中提供全脊柱分割，则可以提高放射学评估的质量并减少工作量。

机器学习是解决语义或实例分割问题的成熟工具。然而，目前还没有对整个脊柱进行分割的MRI图像的自动方法，包括脊椎骨棘突等后部元素。现有的T2w图像分割方法大多局限于腰椎区域，因此不能分割整个脊柱。这主要是由于与CT相比，MRI具有较低的分辨率平面，并且诸如后置元素之类的结构更难以区分。这给在MRI上执行手动注释的放射科医生带来了巨大的工作量。

相比之下，CT成像的分割已经很完善了。为了克服人工标注的问题，Graf等学者成功地使用图像翻译从MR图像创建人工CT图像。他们使用现有的CT分割模型为MRI创建分割掩模，并证明这种转换足够好地将CT级别的分割掩模转移到MRI中。

最近，发表在European Radiology 上的一篇文章提出了一种用于配对分割的脊柱相位成像网络（SPINEPS），可用于分割T2w矢状图像中颈椎、胸椎和腰椎区域的14个脊柱结构，包括语义和实例，以演示如何将自动分割模型的注释和MR-to-CT图像翻译技术相结合，同时公开一个预先训练的模型，使研究人员能够为他们的MR数据集生成脊柱分割掩码。

本项研究使用了一个公共数据集（训练/测试179/39名受试者，137名女性），一个德国国家队列（NAKO）子集（训练/测试1412/65名受试者，平均年龄53岁，694名女性）和一个内部数据集（测试10名受试者，平均年龄70岁，5名女性）。SPINEPS是一个语义分割模型，其次是滑动窗口方法，利用第二个模型从语义掩码创建实例掩码。分割评价指标包括Dice评分和平均对称表面距离（ASSD），并采用Wilcoxon符号秩检验评估统计学显著性。

在公共数据集上，SPINEPS在每个结构和度量上都优于nnUNet基线（例如，在椎骨实例上的平均值：dice 0.933 vs 0.911, p < 0.001, ASSD 0.21 vs 0.435, p < 0.001）。在NAKO的自动注释上训练的SPINEPS在合并的NAKO和内部测试分割上获得了0.918的平均全局Dice分数。添加来自公共数据集的训练数据优于此（椎骨子结构上的平均实例Dice得分为0.803 vs 0.778，平均全局Dice得分为0.931 vs 0.918）。

图 来自SPIDER测试集的示例。基线(a)产生典型错误的示例主题：混合不同的实例标签。我们的方法(b)非常接近参考注释(c)。我们的方法没有发生基线所产生的这种类型的错误

本项研究表明，SPINEPS可在T2w矢状面图像上对14个脊柱结构进行了分割，为临床提供了一个语义掩码和一个实例掩码来分离椎骨和椎间盘。

原始出处：

Hendrik Möller,Robert Graf,Joachim Schmitt,et al.SPINEPS-automatic whole spine segmentation of T2-weighted MR images using a two-phase approach to multi-class semantic and instance segmentation.DOI:10.1007/s00330-024-11155-y