Vergleich von vier Deep-Learning-Modellen zur Wirbelsäulenerkennung

Hintergrund und Zielsetzung

Eine aktuelle Studie hat vier pose-basierte Deep-Learning-Modelle hinsichtlich ihrer Fähigkeit zur Wirbelkörpererkennung und Schlüsselpunktlokalisierung verglichen. Ziel war es, die Eignung der Modelle für klinische Anwendungen wie die Beurteilung der spinalen Ausrichtung zu prüfen.

Datengrundlage

Die Untersuchung nutzte einen einklassigen Wirbelsäulen-Datensatz, der für jedes Wirbelsegment eine Begrenzungsrahmen-Annotation sowie vier anatomisch relevante Schlüsselpunkte enthielt. Alle Modelle wurden unter identischen Trainingsbedingungen trainiert, um einen fairen Vergleich zu ermöglichen.

Verglichene Modelle

Im Fokus standen die Modelle YOLOv8n-Pose, YOLOv11n-Pose und zwei Varianten von Detectron2 (Keypoint R-CNN) mit ResNet‑50‑ bzw. ResNet‑101‑Backbones. Zusätzlich wurden größere YOLO‑Varianten, insbesondere YOLOv8l-Pose, in ergänzenden Experimenten berücksichtigt.

Bewertungsmetriken

Die Leistung wurde anhand der Genauigkeit der Schlüsselpunktlokalisierung, der Präzision der Erkennung, der Inferenzgeschwindigkeit sowie des Verhaltens bei vertebra-spezifischen Vorhersagen, etwa Vollständigkeit der Erkennung und Auftreten von Duplikaten, beurteilt.

Ergebnisse im Überblick

Die Ergebnisse zeigen, dass YOLOv11n-Pose das beste Verhältnis zwischen Schlüsselpunktgenauigkeit und Inferenz‑Effizienz bietet. YOLOv8n-Pose erzielt die höchste Geschwindigkeit bei gleichzeitig konkurrenzfähiger Genauigkeit. Die Detectron2‑Modelle weisen geringere Schlüsselpunktgenauigkeit, langsamere Inferenzzeiten und häufige Duplikatvorhersagen auf, die die korrekte Anatomie erschweren.

Erweiterte Experimente

Zusätzliche Tests belegen, dass größere YOLO‑Varianten, insbesondere YOLOv8l-Pose, die Genauigkeit weiter steigern, jedoch mit einem höheren Rechenaufwand verbunden sind.

Schlussfolgerungen

Die Studie verdeutlicht, dass weder die Modellkapazität noch die architektonische Aktualität allein eine überlegene Leistung garantieren. Stattdessen ist eine an die Anatomie angepasste Modellauswahl entscheidend für den Einsatz in der Wirbelsäulenbildgebung. Dieser Bericht basiert auf Informationen von PLOS ONE, lizenziert unter Creative Commons BY 4.0 (Open Access). Wissenschaftliche Inhalte, offen zugänglich.