Aktuell

Automatisierte Bestimmung spinopelviner Parameter aus EOS Röntgenbildern

Ziel des Projekts ist die Entwicklung einer Deep-Learning-Pipeline zur voll-automatischen Bestimmung von Becken- und Wirbelsäulenparametern auf Grundlage von bi-planaren Röntgenbildern.  

In einer Bevölkerung mit einer zunehmenden Rate an Wirbelsäulenpathologien gewinnt die frontale und sagittale spinopelvine Ausrichtung für die Beurteilung und Behandlung solcher Wirbelsäulenerkrankungen zunehmend an Bedeutung. Die manuelle Erfassung von Positionsdaten aus Röntgenbildern der Wirbelsäule ist jedoch ein mühsamer und zeitaufwändiger Prozess. In den letzten Jahren wurden verschiedene Ansätze zur automatischen Bestimmung von spinopelvinen Parametern vorgestellt. Neuere Forschungsarbeiten konzentrierten sich entweder auf die frontale oder sagittale Wirbelsäule oder werteten nur Teile der Wirbelsäule aus, z. B. die lumbopelvine oder zervikale Region. Andere Ansätze beschränkten sich auf junge Patienten. Unseres Wissens existiert bisher keine vollautomatische Pipeline mit der sowohl vollständige frontale als auch spinale Ausrichtung aus EOS-Bildern bei Patienten aller Altersgruppen erfasst werden können.

Abbildung 1: Cobb-Winkel (frontal).
Abbildung 2: Thorakale Kyphosis, lumbale Lordosis, sagittale Vertikalachse, Sakralneigung, Beckenneigung, Beckenwinkel (lateral).

Die vollautomatische Pipeline kann Positionsdaten des Beckens und der Wirbel sowie die folgenden spinopelvinen Parameter ermitteln: Cobb-Winkel, lumbale Lordose, thorakale Kyphose, Sakralneigung, Beckenneigung, Beckenwinkel, sagittale Vertikalachse.

Der Prozess von einer klinischen EOS-Aufnahme bis zur Vorhersage der spinopelvinen Parameter ist in drei Schritte unterteilt:

  • Vorverarbeitung der Bilddaten in Mathlab,
  • Segmentierung der zu untersuchenden Regionen auf Basis eines in TensorFlow (Python) implementierten Deep-Convolutional-U-Netzes,
  • Nachbearbeitung der segmentierten Regionen und Berechnung der spinopelvischen Parameter in Matlab. 

Der automatische Ansatz ermöglicht eine quantitative Bewertung großer Datensätze und könnte helfen, Muster in klinischen Prädispositionen zu identifizieren oder sogar die Vorhersage von Ergebnissen nach chirurgischen Eingriffen unterstützen. 

Projektteam & Kooperationen

Dr. Jonas Widmer
Leiter Spine Biomechanics



Profil

Moritz Jokeit
Doktorand

 

Profil