【翻译|骨盆】A deeplearning tool for fullyautomatedmeasurementsofsagittalspinopelvicbalance from X‑rayimag_surgimap

A deep learning tool for fully automated measurements of sagittal spinopelvic balance from X‑ray images: performance evaluation

从X射线图像全自动测量矢状位脊柱骨盆平衡的 深度学习工具：性能评估

作者：Robert Korez1 · Michael Putzier2 · Tomaž Vrtovec1

DOI：10.1007/s00586-020-06406-7 年份2020

原文链接、link.springer、

PPT扩展

spinal sagittal balance、

基础知识+单词积累

评估成人脊柱平衡与否1、

基本面sagittal plane矢状面/分左右、coronal plane冠状面/分前后、transverse plane横断面/分上下 

spinopelvic脊柱骨盆、the etiopathogenesis of spinal deformities 脊柱畸形发病机理、anatomical解剖的、sacral endplate骶骨终板

骶骨sacrum | 骶骨解剖：骶骨的形态：呈三角形，底朝上，尖朝下，有上、下、前、后、两侧六面。底部宽大，上部为椭圆形,与第5腰椎相接；尖部与尾椎相连。|| 骶骨的结构：骶椎有5节，骶骨前面凹陷，有四对骶前孔，其上缘中份向前隆凸为骶岬，两侧平滑为骶翼。|| 骶骨两侧上部由上3个骶椎横突相愈合成耳廓状的粗糙面，为耳状面，与髂骨相应的关节面构成骶髂qia关节；骶管由骶椎的椎孔连接而成上端与腰以上的椎管相续；下端开口于骶管裂孔，裂孔两侧向下突出的角为骶角。|| 腰椎骶化、腰椎骶化 || 

将选定的X射线图像加载到软件后，围绕每个股骨头的边界绘制一个圆，并将两个圆心之间的直线中点定义为髋轴。然后在骶骨终板的前后角之间画一条线，该线的中点被定义为其中心。最后，用一个点标记C7椎体的中心。

 occlusion：遮挡 || 图片中存在不太清晰的地方时，这种情况就是occlusion || Occlusion-边界被遮挡了，识别不到；

 ML利用统计插补来处理缺失值：

一个数据集有可能含有缺失值。缺失值是指一行数据中某一项或者多项的数据值没有意义。有可能是值为空，也有可能是用一些特殊的字符或值来表示，例如问号“？”。大部分机器学习算法都要求输入的类型为数值，而且数据集中的每一行每一列都有值的存在。既然如此，缺失值的出现可能会导致机器学习算法产生问题。

像这样，普遍情况是识别出数据集中的缺失值，然后用数值来替代它。这个过程被称为数据插补或数据缺失值插补。      一种简单且流行的数据插补是使用统计方法，对缺失值所在这一列估算出一个值，然后用这个统计方法计算出的统计量来代替这列中的缺失值。       这种方法很简单，因为可以很快计算出统计量，另外这也是很受欢迎的，因为这种方法被证明是非常有效的。        

常见的统计量包括：整列的平均值、整列的中位数、整列的众数值、一个常数值

Bland-Altman、连续变量的一致性评价、数据一致性分析

皮尔逊相关系数是用于度量两个变量X和Y之间的 相关 （线性相关），其值介于-1与1之间。

平片 检索目录、​​​​​​如何阅读颈椎病X线平片、

focal loss与交叉熵函数比较：二者都是试图解决样本不平衡带来的模型训练问题，balanced cross entropy从样本分布角度对损失函数添加权重因子，focal loss从样本分类难易程度出发，使loss聚焦于难分样本。|| 为什么有效？相信很多人会在这里有一个疑问，样本难易分类角度怎么能够解决样本非平衡的问题，直觉上来讲样本非平衡造成的问题就是样本数少的类别分类难度较高。因此从样本难易分类角度出发，使得loss聚焦于难分样本，解决了样本少的类别分类准确率不高的问题，当然难分样本不限于样本少的类别，也就是focal loss不仅仅解决了样本非平衡的问题，同样有助于模型的整体性能提高。       要想使模型训练过程中聚焦难分类样本，仅仅使得Loss倾向于难分类样本还不够，因为训练过程中模型参数更新取决于Loss的梯度。     如果Loss中难分类样本权重较高，但是难分类样本的Loss的梯度为0，难分类样本不会影响模型学习过程。|| 难分类样本与易分类样本其实是一个动态概念，也就是说Pt会随着训练过程而变化。原先易分类样本即Pt大的样本，可能随着训练过程变化为难训练样本即Pt小的样本。||  

上面讲到，由于Loss梯度中，难训练样本起主导作用，即参数的变化主要是朝着优化难训练样本的方向改变。当参数变化后，可能会使原先易训练的样本Pt发生变化，即可能变为难训练样本。当这种情况发生时，可能会造成模型收敛速度慢，正如苏剑林在他的文章中提到的那样。 || 为了防止难易样本的频繁变化，应当选取小的学习率。防止学习率过大，造成w变化较大从而引起Pt的巨大变化，造成难易样本的改变。|| focal loss论文详解  || 简述★

I.e.和e.g.都是拉丁语缩写，i.e.代表id est，意为“也就是说，即”（that is），e.g.代表exempli gratia，意思是“举个例子”（for example）

髋关节假体

参考文献

摘要

Purpose：本研究的目的是评估一种新型深度学习（DL）工具的性能，该工具用于从脊柱X射线图像与手动测量相比较，对矢状位脊柱骨盆平衡进行全自动测量。

Methods：本研究回顾性分析了55名受试者的97张常规垂直矢状位X线照片。通过使用SurgiMap Spine软件和全自动DL工具识别特定解剖标志，手动测量矢状位脊柱骨盆平衡参数，即骶骨斜率（SS）、骨盆倾斜（PT）、脊柱倾斜（ST）、骨盆发生率（PI）和脊柱骶骨角（SSA）。根据平均绝对差异（MAD）、标准差（SD）和Pearson相关性进行统计分析，同时使用配对t检验搜索手动和自动测量之间的统计显著性差异。

Results：对于SS、PT、ST、PI和SSA，参考手动测量值和DL工具自动获得的测量值之间的差异分别等于5。0° (3. 4°), 2. 7° (2. 5°), 1. 2° (1. 2°), 5. 5°（4.2°）和5°。MAD（SD）为0°（3.5°），具有统计显著性的Pearson相关为0。73, 0. 90, 0. 95, 0. 81和0.71。 两种测量方法之间未观察到统计上的显著差异（p值始终高于0.05）。

Conclusion：测量值之间的差异在手动测量的观察者可变性范围内，表明DL工具可以提供准确度方面的临床等效测量值，但在成本效益、可靠性和再现性方面的测量值更高。

Keywords：矢状位脊柱骨盆平衡·骨盆发生率·X线图像·计算机辅助工具·深度学习

1、介绍

        脊柱和骨盆的放射学检查在不同脊柱疾病的手术和非手术治疗过程中是必不可少的。矢状位脊柱-骨盆平衡的概念在脊柱畸形的发病机制中起着关键作用[1,2]，并在放射科医生和脊柱专业人员中广泛传播，由于有必要考虑矢状面失衡的原理，并认识到它的补偿机制，选择适当的治疗[ 3 ]。矢状位平衡通常通过对脊柱和骨盆矢状位X射线图像中特定解剖标志之间几何关系的射线照相测量进行评估[4–7]，最确定的角度参数是骶骨斜率（SS）、骨盆倾斜（PT）和脊柱倾斜（ST），可进一步用于计算骨盆发生率（PI）为SS和PT之和，以及脊柱骶骨角（SSA）为SS和ST之和（图1）[7]。

然而，医学图像感知和解释是专家、图像和图像质量之间的相互作用，因此，执行此类测量是一项相对主观且耗时的任务[8]。因此，很难准确确定观察到的解剖标志[9-11]，即第一骶骨段的终板，其中心点、双股骨头轴和髋关节轴为其中点，第七颈椎（C7）的身体中心。另一方面，存在一些计算机辅助工具和软件套装，有助于执行这些测量[9,12-17]；然而，它们不是完全自动化的，因为它们依赖于观察者使用电脑鼠标在显示X射线图像的电脑屏幕上标记点、画线和其他几何形状（如圆）。

        在过去十年中，深度学习（DL）[18]已成为机器学习和数据挖掘领域的主流技术，它使用计算机算法模拟生物神经系统的信息处理和通信模式。基于DL的方法已经有了相当大的发展改进了各种检测和预测任务的性能，包括医学图像的计算机处理和分析[19]，以及从X射线图像测量脊柱和骨盆参数[20–24]。在本文中，我们提出并评估了一种新的基于DL的全自动计算机辅助工具的性能，该工具用于从脊柱和骨盆的X射线图像测量矢状面平衡参数。我们的研究假设是，由DL工具自动获得并由人类观察者手动执行的X射线图像的矢状面平衡参数测量值之间没有差异。 

2、材料与方法

2.1 X光图片

        对55名非连续成年受试者（21名男性和34名女性，平均年龄69.6岁，范围35-85岁）的97张脊柱和骨盆常规垂直矢状位X射线图像进行回顾性评估，由于与本研究无关的原因，由查理特大学医院（德国柏林）的柯达Elite CR和柯达DRX Evolution X射线扫描仪（Carestream Health，Rochester，NY，USA）收购。 获得每位患者的知情书面同意，该研究得到了当地研究伦理委员会的批准（EA1/297/11）。影像队列包括术前未使用腰骶部器械（如椎弓根螺钉和棒）或髋关节假体（如股骨组件）的影像和术后影像。

2.2 参考手册测量

        在每张X射线图像中，脊柱外科医生（M.P.）使用SurgiMap脊柱软件（Nemaris Inc.，纽约，纽约，美国）[14,16,17]对矢状面平衡参数进行参考手动测量。将选定的X射线图像加载到软件后，围绕每个股骨头的边界绘制一个圆，并将两个圆心之间的直线中点定义为髋轴。然后在骶骨终板的前后角之间画一条线，该线的中点被定义为其中心。最后，用一个点标记C7椎体的中心。通过识别这些解剖标志，提取SS、PT、ST、PI和SSA（图1），代表参考手动测量。 

2.3 通过深度学习工具进行自动测量

        利用卷积神经网络（CNNs）对X射线图像中的矢状位脊柱骨盆参数进行全自动计算机辅助测量 该方法已被证明对计算机视觉和成像任务有效[18]。通过系统地学习一组带注释的训练图像中的模式规则，CNN然后在未包含在训练集中的新的、以前未看到的图像中搜索相同的模式。在我们的病例中，观察到的模式是特定解剖标志的位置，需要测量矢状位脊柱骨盆参数，即髋轴、骶骨终板中心及其倾斜度和C7椎体中心（图1）。

        在第一阶段，将选定的 DICOM 格式的 X 射线图像加载到工具中，并自动识别包含感兴趣结构的边界框，即左右股骨头、骶骨终板和C7 椎体（图 2）。

 图2使用深度学习工具自动检测感兴趣结构和解剖地标的边界框。第七颈椎椎体（C7）及其中心的检测。b检测两个股骨头（FH1、FH2）及其中心。c检测骶骨终板（S1）及其前角、中心点和后角，如箭头所示。注：热图显示了卷积神经网络产生的概率分布

 为此，我们采用了一种名为 RetinaNet [25] 的现有 CNN 架构，直接从原始图像（即图像大小至少为 2000 × 4000 像素）中以边界框的形式检测感兴趣的对象。 RetinaNet 架构在前馈残差网络 (ResNet) 架构 [27] 之上使用特征金字塔网络 [26] 骨干网，并通过在一组训练 X 中通过最小化手动注释边界框上的焦点损失函数进行训练使用 Adam 优化算法 [28] 的射线图像。 RetinaNet 的优势在于它可以处理前景（即感兴趣的结构）和背景（即不属于任何感兴趣的结构的可变大小的 X 射线图像块）之间的极端不平衡。对于一个新的、以前未见过的 X 射线图像，RetinaNet 因此返回概率图，它们的最大值对应于每个感兴趣结构的两个相对的边界框角，类别标签表示感兴趣的结构，即左股骨头，右侧股骨头、骶终板、C7椎体。

        在第二阶段，在每个边界框内自动定义解剖标志（图 2）。每个股骨头的中心定义在其边界框的中心点，髋轴位于两个中心之间的中点。类似地，C7 椎体的中心定义在其边界框的中心。另一方面，在骶骨终板的边界框内，感兴趣的解剖标志是它的前角、中心点和后角，这些也是自动检测的。为此，我们采用了一种名为 U-Net [29] 的现有 CNN 架构，直接从骶骨终板的边界框回归地标概率图，将其放大约 10%，填充为方形并缩放为统一的大小（即 256 × 256 像素）。 U-Net 架构（图 3）遵循常规 CNN 架构 [30]，并通过使用随机梯度下降优化在一组训练 X 射线图像块中最小化手动注释地标上的欧几里得距离损失函数进行训练算法。对于观察到的 X 射线图像边界框内的补丁，U-Net 因此返回概率图，其最大值对应于骶骨终板的前角、中心点和后角的位置。骶骨终板的倾角然后最终通过对获得的地标的直线的最小二乘回归来获得。

        在分析 X 射线图像中的矢状脊柱骨盆平衡时，可能经常会出现以下挑战：
1.股骨头的虚拟叠加由于X射线图像的投影性质，股骨头通常表现为虚拟叠加。应用的 CNN 架构（即 RetinaNet）可以成功检测到两个股骨头的边界框；然而，在它们完全叠加的情况下，只检测到一个边界框。结果，髋轴被定义为这个边界框的中心点。
2. C7椎体的闭塞由于图像质量差或解剖结构重叠，C7椎体可能发生闭塞。结果，没有检测到 C7 边界框。为了解决这个问题，我们还训练了应用的 CNN 架构（即 RetinaNet），用于第一颈椎（C1）、第六颈椎（C6）、第六胸椎（T6）、第十二胸椎（T12）和第五腰椎（L5）的边界框) 椎骨，通常不会出现闭塞。基于得到的椎体中心的位置，我们基于概率主成分分析进行了统计插补，以用统计建模值替换缺失数据。结果，C7椎体的位置要么被纠正，在它的边界框被成功检测到的情况下，或者通过考虑其他椎体的位置进行统计建模，在它的边界框没有被检测到的情况下。
3. 骶骨终板形状的变化 骶骨终板的外观和形态，例如圆顶状骶骨[31]，不能准确评估其倾斜度。为了解决这个问题，一条线回归到检测到的骶骨终板的前角、中心点和后角，因此能够更可靠地确定其倾斜度。

        两个 CNN（即 RetinaNet 和 U-Net）都在一组 145 张脊柱和骨盆的矢状 X 射线图像上进行了训练，这些图像具有与用于评估的图像相似的特征（最初的 242 张图像队列通过随机分配进行分割根据 60% vs. 40% 规则进入训练和评估集）。在每个训练图像中，医学成像研究人员 (RK) 手动注释左右股骨头、骶骨终板和 C1、C6、C7、T6、T12 和 L5 椎体的边界框，以及在骶终板的前角、中角和后角。然后通过对现有图像和相应的参考注释（即旋转[–10°，+ 10°]，剪切[–5，+ 5]，亮度）应用随机几何和强度变换，通过数据增强增加训练集的大小RetinaNet 的对比度 [–25%, + 25%]；平移 [–60, + 60] 像素，旋转 [–45°, + 45°]，剪切 [–2.5, + 2.5]，亮度和对比度 [–25 %, + 25%] 对于 U-Net)。对于以前未见过的新 X 射线图像，该工具返回 C7 椎体的位置、髋轴以及骶骨终板的中心和倾斜度，用于自动计算 SS、PT、ST、PI 和SSA（图 1）。

2.4 统计分析

        为了检验零假设并将手动获得的参考测量值与 DL 工具自动获得的参考测量值进行定量比较，应用统计分析来计算测量值的平均绝对差 (MAD) 和相应的标准差 (SD)，以及 皮尔逊相关系数 (R) 和相应的 p 值。 使用学生配对 t 检验检验零假设。 显着性水平始终设置为 0.05。 

3、结果

        在97张图像中，除一张外，其余均进行了参考手动测量，排除在进一步分析之外（原因：图像质量非常差）。 对其余96张图像进行SS测量，而对90张图像进行PT和PI测量（原因：96张图像中有6张未显示股骨头），对92张图像进行ST和SSA测量（原因：96张图像中有4张看不到C7椎体）。使用SurgiMap Spine软件进行的参考手动测量的可靠性为MAD（SD），估计为4。SS为1°（4.6°），1。PT为7°（2.5°）和4°。PI[16,17]为3°（5.4°），而使用SurgiMap Spine软件进行手动测量所需的平均时间估计为75秒（标准差为25秒）[16]，之前进行了30分钟的教程[17]。然后使用DL工具对与参考手动测量相同的图像组进行自动测量，最大运行时间为1s。测量的矢状位脊柱骨盆参数的平均值如表1所示，而统计比较如表2所示。4和5。测量的代表性示例如图6所示，而图7所示为SS、PT和ST的最大测量MAD情况。

4、讨论

        脊柱骨盆矢状位平衡的影像学测量[8]已被认为在许多脊柱疾病的手术计划和手术目标及策略的制定中起着至关重要的作用，因为充分的矢状位平衡是脊柱畸形手术成功临床结果的主要要求之一。

        许多研究已经评估了借助计算机辅助工具从X射线图像手动测量矢状位脊柱骨盆平衡参数的观察者内和观察者间的变异性[5]。Vialle等人[12]使用SpineView软件（法国巴黎SurgiView）测量PI，并报告观察者内和观察者间的相关性R=0。964（p<0.001）和R=0。985（p<0.001），标准差为2。2–2. 8°.DimarII等人[13]在普通射线照相胶片上使用数字卡尺，在数字化射线照相上使用SagittalSpine软件（法国里昂Optimage）。对于普通手工测量，他们报告了观察者内部的相关系数R=0。71, 0. 55, 0. 90和0。65和观察者之间的相关性R=0。61, 0. 44, 0. 29和0。对于SS、PT、ST和PI，分别为29，且相应的一致性R=0。72, 0. 63, 0. 26和0。59与计算机辅助手工测量。Maillot等人[15]评估了Keops软件（法国里昂SMAIO），并报告总SD为3。测量SS、PT和PI时为5°。Lafage等人[16]评估了SurgiMap Spine软件，该软件也用于我们的研究，以获得参考手动测量值和报告的观察者内SD值4。6°, 2. 5°, 0. 8°和5°。分别为4°，对于SS，PT，与ST和PI类似的角度。Vila Casademunt等人[17]也对SurgiMap Spine软件进行了评估，他们报告了3例观察者内MAD。9°, 1. 5°和3°。8°，观察者间MAD为4。1°, 1. 7°和4°。分别为3°，对于SS、PT和PI，注意到腰骶部器械的存在显著增加了观察者之间的变异性。虽然使用这种计算机辅助工具可以减少测量误差，但它们仍然表示手动测量，因为它们包括使用计算机鼠标在显示测量结果的计算机屏幕上标记点、绘制线和其他几何形状（例如，圆）X射线图像，同时可以放大、调整图像亮度和对比度，以提高对感兴趣解剖结构的可见性和感知。然而，在X射线图像上识别战略解剖参数仍然存在困难，除了图像质量和观察者经验外，还影响测量的再现性和可靠性[13,16]。

        由于X射线图像的自动分析即使对于计算机程序来说也是一项挑战，迄今为止，只有一种从X射线图像测量矢状面平衡的全自动方法存在。Galbusera等人[21]通过应用全连接网络（FCN）提取特定地标，从EOS成像系统获取的双平面X射线中测量SS、PT和PI。该框架在443上进行了训练，并在50对双平面X射线上进行了测试，结果显示，他们的DL方法与EOS重建软件计算的地面真值之间具有统计显著性（p<0.001）一致性，相应的MAD（SD）约为8。6° (8. 5°), 2. 3°（2.7°）和9°。SS、PT和PI分别为6°（9.5°）。我们还利用了机器学习的最新进展，开发了一种新型的全自动DL工具，除了能够确定SS、PT和PI外，还能够通过识别C7椎体的中心来确定ST和SSA。在这项研究中，我们评估了该工具在质量和质量可变的X射线图像上的性能特征（例如，植入物和器械的存在），以及测量之间产生的MAD（SD），由脊柱外科医生手动和DL工具自动获得，为5。0° (3. 4°), 2. 7°（2.5°）和1。SS、PT和ST分别为2°（1.2°）和5°。5°（4.2°）和5°。PI和SSA分别为0°（3.5°）（表2），PT和ST（R≥ 0.9），对PI（0.8）很强≤ R<0。9)SS和SSA为中度（0.7）≤ R<0。8). 观察DL工具获得的所有测量值时，至少51%在5°的绝对差范围内，至少86%在10°的绝对差范围内，最多5%在相应参考手册测量值的15°绝对差范围内（图4、5）。虽然通过增加训练集的规模可能成功地处理一些失败案例，但人体解剖结构的巨大自然生物变异性和射线成像的可变特性仍然是实现完全无故障自动测量的挑战；因此，可以认为DL工具的5%故障率相对较低。

        我们的结果也与其他研究的结论相同，报告了测量SS的最大误差或变异性[17]，因为已经表明，要可靠地测量SS，骶骨终板必须清晰可见，形状相对规则（而不是圆顶形），而且不会被腰骶部器械阻塞。在SS、PT和ST中，DL测量值和参考手册测量值之间的最大差异实际上是在SS中观察到的（即MAD为5.0°，中度相关，53.1%的测量值在5°的绝对差异范围内）。此外，一般认为SS测定中涉及的测线测量不如点测量可靠，这也反映在PT和ST测量的更高精度上，此外，通常不受仪器障碍的影响（即MAD低于3°，强相关性，且至少84%的测量值在5°的绝对差值内）。然后，获得的SS、PT和ST测量值的准确性反映在PI和SSA中，它们作为直接测量参数（PI=SS PT；SSA=SS ST）的总和间接测量，但在矢状面平衡分析中已得到充分证实[5,7]。我们的研究结果（表2）还显示，手动测量与DL工具获得的测量结果之间没有统计学上的显著差异（p>0.05），这些差异在观察者内部和观察者之间手动测量的变异范围内[16,17]，因此证实了我们的研究假设。

        与Galbusera等人[21]的DL方法相比，我们的DL工具在MAD（SD）方面对SS（5.0°（3.4°）和8。6°（8.5°）[21]）和PI（5.5°（4.2°）与9。6°（9.5°）[21]），而PT的结果在相同范围内（2.7°（2.5°）与2。3° (2. 7°)[21]). 这在某种程度上是令人惊讶的，因为他们的方法是在一组更大的图像（443对145）上训练的，这些图像是包含更多信息的双平面X射线，是EOS成像系统获得的全身或头到股骨扫描，该系统已用于评估矢状位脊柱骨盆平衡[7]。因此，我们不能完全同意Galbusera等人的观点，即训练集的有限大小和训练集扩充中的限制是方法不准确的主要原因，而是源于DL框架的适当设计。例如，Galbusera等人使用的FCN仅从本地连接层构建（例如，卷积、池和上采样）并且不包括任何完全连接（或“密集”）的层。这种结构减少了参数数量和计算时间，但没有给神经网络提供训练和优化参数的很大自由度，而我们的两阶段结构基于前馈残差网络（即视网膜网）和常规网络架构（即U-Net）。另一方面，Galbusera等人的DL方法被设计用于多种受试者（即青少年和老年人）、畸形（即脊柱侧凸、矢状面不平衡、椎管狭窄）和图像（即全身和头到股骨），而我们的研究是基于一个相对较少多样性的数据库，包括未使用腰骶部器械或髋关节的全身术前图像和术后图像在测量精度方面可能对获得的结果产生积极影响的假体。此外Galbusera 等人的基本事实是通过EOS重建软件获得的，这可能会导致某些不准确。为了进行客观比较并获得更相关的结论，这两种方法都需要在相同的图像数据库和相同的基本事实上进行测试。

        除了极端情况（图7），我们的DL工具能够成功地解决本研究中X射线图像矢状面平衡测量的主要挑战，即股骨头的虚拟重叠、C7椎体的闭塞和骶骨终板形状的变化。此外，DL工具提供的测量结果并非最终结果，但是用户（观察者、放射科医生、脊柱外科医生）可以通过手动更新自动识别的解剖标志来验证并最终修改结果，因此可以考虑人体解剖结构的自然生物变异性和放射成像的特性。该工具可以记录更新和确认的图像，并将其包括在训练集中，以增强DL算法，用于将来的案例。与普通或计算机辅助手动测量相比，将所述全自动工具集成到放射学和临床工作流程中，将导致准确、可靠和可重复的矢状位脊柱骨盆平衡测量。

        除了极端情况（图7），我们的DL工具能够成功地解决本研究中X射线图像矢状面平衡测量的主要挑战，即股骨头的虚拟重叠、C7椎体的闭塞和骶骨终板形状的变化。由于手动测量与DL工具获得的测量之间未发现统计上的显著差异，我们可以得出结论，就矢状位脊柱骨盆平衡测量精度而言，DL工具相当于手动测量。然而，与完全手动测量相比，DL工具的主要优势在于相对时间优势和用户（观察者、放射科医生、脊柱外科医生）的信心。与手动测量相比，DL工具不仅速度更快（即1秒左右），因此从节省时间的角度来看，成本效益更高，但由此产生的自动测量也可能代表用户可以信任的可靠的锚定点，特别是在检查困难的病例时（例如，C7椎体的强烈闭塞、穹顶状骶骨终板、植入物和器械的存在）。DL工具提供的测量不是最终的，但允许用户（观察者、放射科医生、脊柱外科医生）通过手动自动更新数据来验证并最终修改结果确定了解剖标志，从而在一定程度上解释了人体解剖学的自然生物变异性和放射成像的可变特性。该工具可以记录更新和确认的图像，并将其包括在训练集中，以增强DL算法，用于将来的案例。与普通或计算机辅助手动测量相比，当前绩效评估研究的结果表明，将所述全自动DL工具集成到放射和临床工作流程中，将在准确性方面提供临床等效的测量，但在成本效益方面提供更高的测量，从X射线图像评估矢状位脊柱骨盆平衡的可靠性和再现性。