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光放射线摄影。然而，由于累积的辐射暴露，使用X光频繁监测AIS进展存在挑战。虽然已经验证了3D超声作为脊柱侧弯评估的可靠且无辐射的替代方法，但测量脊柱曲率的过程仍然是手动进行的。因此，有一个完全自动化的系统的需求，可以定位骨性标志并执行角度测量。为此，我们介绍了一种自动超声曲线角度（UCA）测量估计模型。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骨分割。在椎体分割区域内使用亲和力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高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和Cobb角度之间的高相关性（R $ ^ 2 $ = 0.858）表明我们提出的方法可以潜在地替代超声脊柱侧弯评估中的手动UCA测量。

本论文旨在解决青少年特发性脊柱侧弯（AIS）的无辐射评估问题，提出了一种自动超声曲线角度（UCA）测量模型。

论文提出了一种采用双分支网络进行候选地标检测和超声冠状图像中椎体分割的UCA测量模型，并利用亲和聚类策略在椎体分割区域内展示候选地标之间的亲和关系，从聚类亲和图中高效地进行线条描绘，实现UCA测量。

论文的实验结果表明，自动UCA与Cobb角之间的高相关性（R² = 0.858）表明，该方法有望取代超声脊柱侧弯评估中的手动UCA测量。论文使用的数据集和开源代码也值得关注。

在这个领域中，最近的相关研究包括：'Deep Learning-Based Automatic Detection and Segmentation of Vertebrae in 3D Ultrasound Images for Scoliosis Assessment' 和 'A Novel Deep Learning-Based Method for Automated Cobb Angle Measurement in Scoliosis'。