Prediction of the Postoperative Shape of the Trunk After Spinal Surgery Using Deep Learning

La scoliose idiopathique de l'adolescent (SIA) est une déformation complexe de la colonne vertébrale qui nécessite souvent une intervention chirurgicale. Une prédiction précise de la forme du tronc postopératoire est cruciale pour la planification chirurgicale et la satisfaction du patient. Cette recherche présente une approche d'apprentissage profond pour prédire la forme du tronc postopératoire chez les patients subissant une chirurgie de la scoliose. En utilisant une architecture d'apprentissage profond, où PointNet++ est considéré comme l'épine dorsale du modèle, nous avons développé un modèle d'apprentissage profond capable de traiter les données de topographie de surface du tronc complet (FBST) pour estimer la forme du tronc postopératoire à partir de données de nuage de points préopératoires. La méthodologie englobe le prétraitement des données, la conception de l'architecture du modèle, la formulation de la fonction de perte et les processus de validation, en mettant l'accent sur la capture des caractéristiques locales et globales de la forme du tronc. Nos résultats, basés sur un ensemble de données de patients atteints de scoliose idiopathique de l'adolescent (SIA), démontrent l'efficacité du modèle à prédire avec précision la forme du tronc postopératoire et sa validité par des mesures quantitatives comme la distance de Chamfer et des indices cliniques tels que la rotation de la surface dorsale et la rotation du tronc. L'étude d'ablation souligne l'importance d'incorporer la perte de forme, la perte de densité et la perte de lissage dans la fonction de perte du modèle pour obtenir des reconstructions réalistes. Une expérience de validation croisée k-fold soutient en outre la fiabilité du modèle à travers divers segments de données. Malgré les défis de capturer les détails anatomiques fins, nos résultats suggèrent un potentiel pour améliorer la planification chirurgicale et les résultats pour les patients. Les travaux futurs devraient explorer les entrées multimodales pour aborder les limitations actuelles et affiner davantage les prédictions.

Abstract

Adolescent Idiopathic Scoliosis (AIS) is a complex spinal deformity that often requires surgical intervention. Accurate prediction of postoperative trunk shape is crucial for surgical planning and patient satisfaction. This research presents a deep learning approach to predicting the postoperative shape of the trunk in patients undergoing scoliosis surgery. Utilizing a deep learning architecture, where PointNet++ is considered as the backbone of the model, we developed a deep learning model capable of processing Full Body Surface Topography (FBST) data to estimate postoperative trunk shape from preoperative point cloud data. The methodology encompasses data preprocessing, model architecture design, loss function formulation, and validation processes, with a focus on capturing both local and global features of the trunk's shape. Our results, based on the dataset of Adolescent Idiopathic Scoliosis (AIS) patients, demonstrate the model's effectiveness in accurately predicting postoperative trunk shape and validating by quantitative metrics like Chamfer distance and clinical indices such as Back Surface Rotation and Trunk Rotation. The ablation study highlights the importance of incorporating shape loss, density loss, and smoothness loss in the model's loss function for achieving realistic reconstructions. A k-fold cross-validation experiment further supports the model's reliability across various data segments. Despite challenges in capturing fine anatomical details, our findings suggest potential for improving surgical planning and patient outcomes. Future work should explore multi-modal inputs to address current limitations and further refine predictions.