Procesamiento de imágenes de neuroradiología utilizando Computer Vision para detección de vertebras
Loading...
Date
2026-04-03
Journal Title
Journal ISSN
Volume Title
Publisher
Universidad Tecnológica Centroamericana UNITEC
Abstract
La columna vertebral, compuesta por 24 vértebras en la etapa adulta, desempeña un papel fundamental en la estabilidad y movilidad del cuerpo humano. Sin embargo, está
sujeta a deformidades o alteraciones que pueden manifestarse de diversas maneras en pacientes, dependiendo de factores como la edad, traumatismos y patologías. Entre estas condiciones, incluyendo espondilosis, tumores, hernia de disco, fracturas y la de nuestro interés espondilolistesis. Los métodos tradicionales de detección de vértebras se basan en técnicas de detección de bordes, las cuales pueden ser inexactas en imágenes de baja calidad o con presencia de ruido. En este artículo, proponemos un algoritmo de reconocimiento de vértebras que se fundamenta en la detección de puntos clave o keypoints utilizando lenguaje Python y la herramienta Roboflow. En este contexto, la detección de vértebras a través de técnicas de visión computacional se ha convertido en un área de interés significativa. La capacidad de las CNN para discernir patrones anatómicos específicos contribuye a mejorar la eficacia del análisis, reduciendo la carga de trabajo manual y, al mismo tiempo, aumentando la consistencia y exactitud de los resultados. Nuestro algoritmo utiliza un conjunto predefinido de puntos clave para identificar las vértebras en la imagen, empleando el modelo KeyPoints RCNN para su detección. La evaluación del algoritmo se llevó a cabo en un conjunto de datos de imágenes de rayos X de la columna lumbar, específicamente en imágenes en plano sagital. Los resultados indican que el algoritmo logra una precisión promedio del 98% en el entrenamiento de la detección de vértebras, con una pérdida mínima en la detección de la región de interés. Esto facilita significativamente la detección de vértebras que tienen cierto grado de desplazamiento. Estos resultados respaldan que los algoritmos de detección de vértebras basados en el uso de puntos clave representan una herramienta prometedora para la detección de deformidades en las curvaturas de la espina dorsal en imágenes de rayos X. Esta metodología ofrece una detección de vértebras, proporcionando información sobre la gravedad del desplazamiento vertebral a través de la detección de los keypoints en las imágenes analizadas por el algoritmo.
The spine, composed of 24 vertebrae in adulthood, plays a fundamental role in the stability and mobility of the human body. However, it is susceptible to deformities or alterations that may manifest in various ways in patients, depending on factors such as age, trauma, and pathologies. Among these conditions, including spondylosis, tumors, herniated discs, fractures, and our focus, spondylolisthesis. Traditional methods of vertebral detection rely on edge detection techniques, which can be inaccurate in low-quality images or in the presence of noise. In this article, we propose a vertebral recognition algorithm based on the detection of key points or keypoints using python language and Roboflow tools. In this context, vertebral detection through computer vision techniques has become a significant area of interest. The ability of CNNs to discern specific anatomical patterns contributes to improving the effectiveness of the analysis, reducing manual workload, and simultaneously increasing the consistency and accuracy of the results. Our algorithm uses a predefined set of keypoints to identify vertebrae in the image, employing the KeyPoints RCNN model for detection. Algorithm evaluation was carried out on a dataset of X-ray images of the lumbar spine, specifically in sagittal plane images. The results indicate that the algorithm achieves an average precision of 98% in vertebral detection training, with minimal loss in detecting the region of interest. This significantly facilitates the detection of vertebrae with a certain degree of displacement. These results support the conclusion that vertebral detection algorithms based on the use of keypoints represent a promising tool for detecting deformities in the curvatures of the spine in X-ray images. This methodology provides vertebral detection, offering information on the severity of vertebral displacement through the detection of keypoints in the images analyzed by the algorithm.
The spine, composed of 24 vertebrae in adulthood, plays a fundamental role in the stability and mobility of the human body. However, it is susceptible to deformities or alterations that may manifest in various ways in patients, depending on factors such as age, trauma, and pathologies. Among these conditions, including spondylosis, tumors, herniated discs, fractures, and our focus, spondylolisthesis. Traditional methods of vertebral detection rely on edge detection techniques, which can be inaccurate in low-quality images or in the presence of noise. In this article, we propose a vertebral recognition algorithm based on the detection of key points or keypoints using python language and Roboflow tools. In this context, vertebral detection through computer vision techniques has become a significant area of interest. The ability of CNNs to discern specific anatomical patterns contributes to improving the effectiveness of the analysis, reducing manual workload, and simultaneously increasing the consistency and accuracy of the results. Our algorithm uses a predefined set of keypoints to identify vertebrae in the image, employing the KeyPoints RCNN model for detection. Algorithm evaluation was carried out on a dataset of X-ray images of the lumbar spine, specifically in sagittal plane images. The results indicate that the algorithm achieves an average precision of 98% in vertebral detection training, with minimal loss in detecting the region of interest. This significantly facilitates the detection of vertebrae with a certain degree of displacement. These results support the conclusion that vertebral detection algorithms based on the use of keypoints represent a promising tool for detecting deformities in the curvatures of the spine in X-ray images. This methodology provides vertebral detection, offering information on the severity of vertebral displacement through the detection of keypoints in the images analyzed by the algorithm.
Keywords
Aprendizaje de transferencia profunda, Detección de vértebras, Inteligencia artificial, Métricas de desempeño, Procesamiento de imágenes, Puntos clave, Radiología