AI Approach for MRI-only Full-Spine Vertebral Segmentation and 3D Reconstruction in Paediatric Scoliosis

📄 arXiv: 2604.17846v1 📥 PDF

作者: Nathasha Naranpanawa, Maree T. Izatt, Robert D. Labrom, Geoffrey N. Askin, J. Paige Little

分类: cs.CV, cs.AI

发布日期: 2026-04-20

备注: Presented at 2026 Spine Society of Australia 37th Annual Scientific Meeting

💡 一句话要点

提出基于AI的MRI脊柱全自动分割与3D重建方法，用于儿童脊柱侧弯评估。

🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)

关键词: 脊柱侧弯 MRI分割 3D重建 深度学习 U-Net GAN 医学图像处理

📋 核心要点

  1. 现有脊柱侧弯评估依赖CT，但儿童成像应避免电离辐射；MRI虽安全，却缺乏自动高分辨率3D重建方法。
  2. 利用GAN将CT图像转换为MRI图像，扩充训练数据，结合U-Net模型实现MRI图像的脊柱自动分割与3D重建。
  3. 实验表明，该方法显著提升了分割精度和处理速度，实现了无辐射的脊柱3D重建，支持临床应用。

📝 摘要（中文）

本研究提出了一种AI框架，能够仅使用MRI图像实现胸腰椎（T1-L5）的全自动分割和3D重建，从而避免儿童成像中电离辐射的使用。该方法利用生成对抗网络（GAN）将青少年特发性脊柱侧弯（AIS）患者的历史低剂量CT扫描转换为类似MRI的图像，并结合现有的标记胸椎MRI数据，训练一个基于U-Net的模型。实验结果表明，该算法能够准确生成连续的胸腰椎3D重建，提高了分割精度（Dice系数达到88%），并将处理时间从大约1小时缩短到1分钟以内，同时保留了AIS特有的畸形特征。该方法支持从MRI进行无辐射的3D畸形评估，为儿童脊柱护理中的临床评估、手术计划和导航提供支持。

🔬 方法详解

问题定义：论文旨在解决儿童脊柱侧弯评估中，MRI图像难以进行自动高精度3D重建的问题。现有方法主要依赖CT扫描，但CT扫描会产生电离辐射，对儿童健康构成潜在风险。手动MRI分割和重建耗时且效率低下，限制了MRI在脊柱侧弯评估中的应用。

核心思路：核心思路是利用深度学习技术，特别是U-Net模型，实现MRI图像的自动分割和3D重建。为了解决MRI数据不足的问题，采用GAN将CT图像转换为类似MRI的图像，从而扩充训练数据集。通过这种方式，模型可以学习到更鲁棒的特征表示，提高分割精度。

技术框架：整体框架包括数据预处理、GAN图像转换、U-Net模型训练和3D重建四个主要阶段。首先，对CT和MRI图像进行预处理，包括配准、裁剪和标准化。然后，使用GAN将CT图像转换为类似MRI的图像。接着，使用转换后的MRI图像和真实的MRI图像训练U-Net模型，用于脊柱分割。最后，利用分割结果进行3D重建，生成脊柱的3D模型。

关键创新：关键创新在于利用GAN进行数据增强，将CT图像转换为类似MRI的图像，从而解决了MRI数据不足的问题。此外，该方法实现了全自动的脊柱分割和3D重建，无需人工干预，大大提高了效率。

关键设计：U-Net模型采用标准的U型结构，包含编码器和解码器两部分。编码器用于提取图像特征，解码器用于恢复图像细节。损失函数采用Dice损失函数，用于优化分割结果。GAN采用标准的生成器和判别器结构，生成器用于生成类似MRI的图像，判别器用于区分真实MRI图像和生成图像。GAN的训练采用对抗训练的方式，生成器和判别器相互博弈，不断提高生成图像的质量。

📊 实验亮点

实验结果表明，该方法在脊柱分割任务中取得了显著的性能提升，Dice系数达到88%。与手动分割相比，处理时间从大约1小时缩短到1分钟以内。此外，该方法能够准确重建脊柱的3D模型，保留了AIS特有的畸形特征，为临床应用提供了可靠的基础。

🎯 应用场景

该研究成果可应用于儿童脊柱侧弯的临床评估、手术计划和导航。通过MRI进行无辐射的3D畸形评估，可以减少儿童接受电离辐射的风险。自动化的分割和重建流程可以提高效率，缩短诊断时间。此外，该方法还可以用于其他脊柱疾病的评估和治疗。

📄 摘要（原文）

MRI is preferred over CT in paediatric imaging because it avoids ionising radiation, but its use in spine deformity assessment is largely limited by the lack of automated, high-resolution 3D bony reconstruction, which continues to rely on CT. MRI-based 3D reconstruction remains impractical due to manual workflows and the scarcity of labelled full-spine datasets. This study introduces an AI framework that enables fully automated thoracolumbar spine (T1-L5) segmentation and 3D reconstruction from MRI alone. Historical low-dose CT scans from adolescent idiopathic scoliosis (AIS) patients were converted into MRI-like images using a GAN and combined with existing labelled thoracic MRI data to train a U-Net-based model. The resulting algorithm accurately generated continuous thoracolumbar 3D reconstructions, improved segmentation accuracy (88% Dice score), and reduced processing time from approximately 1 hour to under one minute, while preserving AIS-specific deformity features. This approach enables radiation-free 3D deformity assessment from MRI, supporting clinical evaluation, surgical planning, and navigation in paediatric spine care.