基于BAEN-SKCNN框架的脊柱侧弯无辐射早期筛查与严重程度诊断研究

　　本刊推荐：本研究创新性地提出BAEN-SKCNN深度学习框架，通过背部图像实现脊柱侧弯（Scoliosis）无辐射筛查。该框架集成背景提取网络（BAEN）与选择性核网络（SKCNN），结合空间金字塔池化（SPP）和动态焦点损失（DFL）技术，有效解决图像背景差异、尺寸不一致和类别不平衡问题，在自制数据集上分别达到98%（早期筛查）和73%（严重程度诊断）的准确率，为大规模脊柱健康筛查提供重要技术支撑。

　　

Highlight

材料与方法

实验数据来源于手机摄像头等拍摄设备采集的人体裸露背部图像。如图1框架流程图所示，针对图像背景差异显著的问题，首先采用背景提取网络（BAEN）从原始输入图像中精准提取背部区域。随后基于提取的背部图像，选择性核卷积网络（SKCNN）快速完成脊柱侧弯早期筛查（区分健康人群与患者），并对确诊患者进一步进行严重程度分级诊断（10°–25°、25°–40°和≥40°）。

结果与讨论

本研究采用Python 3.9.18和PyTorch 2.0.1实现算法模型设计。实验平台配置为32G内存、Intel? Xeon? CPU E5–2683 v4@ 2.10GHz处理器和16GB显存的NVIDIA GeForce RTX 4060 GPU服务器。

结论

本研究构建了基于深度学习的脊柱侧弯筛查框架，通过裸露背部图像实现精准诊断。设计的BAEN能有效提取图像目标区域，SKCNN结合空间金字塔池化（SPP）和动态焦点损失技术显著提升预测性能。实验结果表明该框架在脊柱侧弯早期筛查和严重程度诊断方面均表现出优异性能。

讨论

我们的方法无需场地、设备和专业人员限制即可快速完成脊柱侧弯诊断，在大规模筛查中具有广阔应用前景，对提升疾病诊断率具有重要意义。当然，该方法仍存在以下待改进的缺陷：实验结果显示模型在识别中度患者（25°–40°）方面表现较差...