2.4　Cobb角自动测量及实验结果评估

2.4.1　Cobb角自动测量

基于椎体分割结果，本节提出一种自动测量Cobb角的方法，处理过程如图2.12所示。其中根据椎体轮廓确定其最小外接矩形是由python-opencv包中的minAreaRect（）函数开发的。如图2.13所示，通过该函数可以提取最小外接矩形的4个顶点坐标（Box［0］、Box［1］、Box［2］和Box［3］）和矩形的偏转角。

算法Ⅰ为本章提出的Cobb角自动测量算法流程。脊柱X线图像的分割结果 S 是算法输入，而最终输出的是Cobb角测量值 C 。首先，使用python-opencv包中的cv2.findContours（）函数来获取椎体的轮廓 N ，对 N 进行遍历。接着，使用cv2.minAreaRect（）函数获取每个椎体轮廓所对应的最小外接矩形参数，其中就包含了最小外接矩形与水平面的夹角；根据该夹角，可以得到每个椎体的偏转角，并将偏转角存入字典Corner中。然后，依据偏转角大小确定上下端椎。其中：上端椎对应的是偏转角最小的椎体，其值为负；下端椎对应偏转角最大的椎体，其值为正。而Cobb角即为上下端椎的绝对值之和。

2.4.2　Cobb角测量结果评估

1.评价指标

采用平均绝对误差（Mean Absolutely Error，MAE）和对称平均绝对百分比误差（Symmetric Mean Absolute Percentage Error，SMAPE）来评估Cobb角测量结果。MAE的定义为

式中： X i 为Cobb角自动测量值； Y i 为作为真实值的Cobb角人工测量值；总共 N 个Cobb角测量值。SMAPE定义为

2.Cobb角测量结果评估

本章使用数据集1的75幅测试图像来进行评估。邀请了两名具有20年临床经验的骨科医生和一名骨科实习医生来进行手工Cobb角测量，将两名具有20年临床经验的骨科医生的Cobb角测量结果的平均值作为金标准，以此来评估自动测量方法的准确度。

如表2.4所示，本章方法的测量结果与金标准之间的MAE为2.48°，该误差低于青少年脊柱侧凸进展评估5°的阈值。而骨科实习医生的测量结果与金标准之间的MAE为5.81°，该误差已经超过了脊柱侧凸进展评估5°的阈值。Cobb角的手工测量具有操作者误差，具有丰富经验的骨科医生测量结果与骨科实习医生测量结果存在较大差异。通过使用本章提出的自动Cobb角测量方法，可以消除操作者误差，并将测量误差控制在脊柱侧凸进展评估5°的阈值内。因此，本章提出的Cobb角自动测量算法可以在临床上实际使用。

为了进一步验证自动Cobb角测量方法的有效性，我们将本章方法与其他方法在公开数据集上进行比较。实验数据来源于AASCE2019挑战赛 ［32］ ，将609幅脊柱正位相X线图像作为训练集，98幅脊柱X线图像作为测试集，该挑战赛旨在研究Cobb角的自动估计算法。我们对AASCE2019的测试集（98幅图像）使用本章提出的方法来进行Cobb角测量，并与挑战赛的前两名结果进行比较，见表2.5。由表可知，本章提出的方法的MAE和SMAPE相对较低。实验结果表明，本章提出的Cobb角自动测量方法通过先分割椎体再进行测量，有效地降低了脊柱X线图像中存在的噪声和模糊所带来的影响。表2.5也列出了MVE-Net ［21］ 等其他方法提供的测量结果，相比而言本章方法的测量误差最小。

为了验证脊柱X线图像分割精度对Cobb角测量的影响，我们使用不同的脊柱分割模型分割结果计算Cobb角，并与金标准进行对比，在数据集1测试的结果见表2.6。由表可见，使用本章提出的脊柱分割模型来完成脊柱分割并用于Cobb角自动测量，其测量结果相较于U-Net和U-Net++有较低的MAE和SMAPE值。本章方法的脊柱分割Dice系数高于U-Net和U-Net++的结果。实验结果表明，本章提出的Cobb角自动测量算法的精度取决于椎体分割的精度，分割精度越高，Cobb角测量结果越准确。

对基于椎体分割的Cobb角测量方法，椎体分割精度至关重要。图2.14所示的是自动Cobb角测量结果的可视化。根据分割结果提取上下端椎的位置，做出与上下端椎最小外接矩形中心线平行的辅助线，用于Cobb角的自动测量。图2.14（a）中的椎体分割结果很好，由此可获得准确的Cobb角。图2.14（b）中的分割结果很差，根据分割结果自动测量方法提取出错误的最小外接矩形，最终导致Cobb角测量错误。因此，对于基于分割的Cobb角测量算法，良好的分割结果对Cobb角的测量非常重要。