Automatic Ultrasound Curve Angle Measurement via Affinity Clustering for Adolescent Idiopathic Scoliosis Evaluation

目前评估青少年特发性脊柱侧弯（AIS）的临床黄金标准是使用Cobb角度测量的X射线摄影。然而，由于累积的辐射暴露，使用X射线频繁监测AIS进展面临挑战。虽然已经验证了三维超声作为脊柱侧弯评估的可靠且无辐射的替代方法，但测量脊柱曲度的过程仍然是手动完成的。因此，需要一个完全自动化的系统，可以定位骨性标志并执行角度测量。为此，我们介绍了一种用于自动超声曲线角度（UCA）测量的估计模型。该模型采用双分支网络，在超声冠状图像上检测候选标志并执行椎体分割。在椎体分割区域内使用亲和性聚类策略来说明候选标志之间的亲和关系。随后，我们可以从聚类亲和图中有效地执行线条描绘以进行UCA测量。由于我们的方法专门设计用于UCA计算，因此该方法在标志和线条检测任务方面优于其他最先进的方法。自动UCA与Cobb角度之间的高相关性（R² = 0.858）表明，我们提出的方法有可能取代超声脊柱侧弯评估中的手动UCA测量。

提出一种自动超声曲线角度（UCA）测量的估计模型，以解决青少年特发性脊柱侧弯（AIS）评估中X射线辐射累积的问题。

采用双分支网络检测候选标记点并在超声冠状图像上执行椎体分割，利用亲和力聚类策略在椎体分割区域内说明候选标记点之间的亲和关系，从而有效地从聚类亲和图中执行线条描绘以进行UCA测量。

该方法特别针对UCA计算而设计，优于其他最先进的方法，自动UCA与Cobb角之间的高相关性表明该方法可以潜在地取代超声脊柱侧弯评估中的手动UCA测量。实验使用了数据集进行验证。

最近的相关研究包括：'A novel automatic ultrasound image segmentation method based on deep learning for spinal ultrasound imaging'、'Ultrasound imaging of the pediatric spine and scoliosis'等。