脊柱侧弯，也被称作脊柱侧凸，是一种脊柱异常状况，其中脊柱的一个部分的多个节段偏离中心线，向一侧倾斜，形成一个侧向的弯曲，或者多个部分的多个节段偏离中心线向某侧倾斜。
这种状况不仅影响脊柱的冠状面，还可能涉及到脊柱的旋转和在矢状面上的异常弯曲，如驼背或前突。
它是三维脊柱畸形中较为常见的一种。
脊柱侧弯类型分为先天性脊柱侧弯、神经肌肉性脊柱侧弯和特发性脊柱侧弯等。
脊柱侧弯常常因为治疗不及时导致侧弯角度逐渐加重，可能进一步引起身体结构的改变，如胸廓的形态变化，严重时甚至可能对脊髓及其神经造成压迫或损伤，影响神经系统的功能，同时还可能会出现呼吸系统及心脏功能障碍，严重影响人们的身体健康和日常生活。
近年来，随着生活节奏和生活压力的逐渐增大，我国脊柱侧弯的发病率越来越高，有资料显示，截止到2020年，我国脊柱侧弯病人超过300万人，并以每年30万的速度递增，其中超过半数为青少年。
脊柱侧弯已成为继肥胖症、近视之后我国青少年健康的第三大“健康杀手”。
报告显示我国河南地区7～15岁中小学生脊柱侧弯检出率为3.82%。
福建省儿童少年的脊柱侧弯风险发生率高达8.7%。
唐山地区中小学生脊柱侧弯整体发病率为2.44%。
深圳的一项研究显示共筛查969235名学生后统计出深圳市中小学生疑似脊柱侧弯患病率为5.01%。
大多数地区脊柱侧弯女性患病率比男性高。
脊柱侧弯发病率具备地区性差异，但总体形势不容乐观。
一、研究意义脊柱侧弯疾病的防控工作主要分为两大部分，一是对青少年群体健康的跟踪检测，进行大规模的筛查，一是对已确诊或高风险群体的跟踪诊疗。
对脊柱侧弯的预防来说，早发现早治疗是目前防控的关键。
脊柱侧弯在青春期病情容易进展，但到骨骼成熟时通常不会进展或进展缓慢。
一般情况下骨骼成熟时Cobb角如果小于30°则成年后几乎不会进展，因此脊柱侧弯治疗的重点在于骨骼成熟前阻止侧凸的进展，降低患者通过手术进行治疗的概率已成为脊柱侧弯疾病防治的基本方向。
有证据表明通过筛查发现的脊柱侧弯患者比那些没有进行筛选患有脊柱侧弯的患者更不需要手术。
近年来脊柱侧弯发病率在我国呈上升趋势，全国不少地区都相继开展脊柱侧弯的筛查工作，希望通过早期干预来降低病情恶化的风险。
对于筛查工作来说，大多数进行筛查的人群为健康人群，因此筛查方法需要做到低成本高效率，安全且可靠。
在脊柱侧弯的诊断过程中，通常采用多种检查方法以确保准确性。
初步检查主要依靠传统的外科观察手段，通过视觉评估来发现异常；进一步的检查则包括了如Adam前屈试验这样的体格检查，以及使用专业工具来测量躯干的旋转程度；更深入的检查方法则可能引入波纹图像法等高灵敏度的测量技术。
尽管这些方法能够有效地检测出脊柱侧弯，但它们在特异性上存在不足，有时会导致误诊和过度治疗的问题。
特别是将X线检查作为常规筛查的一部分，可能会使正在成长中的青少年暴露于不必要的辐射风险中，对他们的健康造成潜在威胁。
此外，从实际操作的角度来看，筛查过程的时间成本也是一个重要考虑因素。
鉴于学生群体普遍面临的学业压力和时间紧迫性，组织一次全校范围的脊柱侧弯筛查往往需要在有限的时间内高效完成。
因此，探索和发展一种既快速又具有高灵敏度和特异性的筛查方法显得尤为重要，这将有助于提高筛查效率，减少不必要的医疗干预，并确保青少年的健康与安全。
另外对于已确诊人群，脊柱侧弯的严重程度通过评估Cobb角来量化，Cobb角通常使用前后位（AP）X线摄影（X线）测量。
由于脊柱侧弯APX射线图像的模糊性和可变性，测量Cobb角是一项具有挑战性的任务。
通常，放射科医生通过手动选择顶点上方和下方最倾斜的椎骨来评估Cobb角，然后沿着每个椎骨的终板沿着画线，线之间的角度是Cobb角，如图所示。
除了其他解剖条件（如分段脊柱异常）外，这一常见过程还可能受到两个主要误差来源的影响。
第一个是观察者间方差，这是指不同放射科医生在终末椎体选择上的差异。
另一个误差是观察者内方差，它反映了放射科医生可能在不同时间在同一X射线图像上识别不同末端椎骨的事实。
这些差异会导致Cobb角测量不准确和不一致。
为了纠正这些不准确性，以前的研究提出了使用机器学习（ML）方法自动化Cobb角测量。
二、传统筛查方法目前脊柱侧弯筛查方法主要有目测法、Adam前屈试验、波纹图像检查、脊柱侧弯测量尺、X影像测量Cobb角。
目测法包括双肩外观、腰线外观及骨盆水平度的观察，目测法过于依赖临床医生的经验和主观判断，且准确率低。
Adam前屈试验是评估脊柱侧弯最简便的临床测试，但假阳性率较高。
波纹图像检查法灵敏度高，但其需要的仪器体积巨大且昂贵，同时检测耗时，不适合对在校学生进行大批量筛查。
脊柱侧弯测量尺操作简易，测量灵敏度较目测法更高但受限于刻度，筛查能力较低，测量点定位需要专业医生完成。
X影像测量Cobb角作为脊柱侧弯诊断金标准，由于存在辐射，不建议作为筛查手段，而应作为筛查阳性者最终的确诊手段。
国际上脊柱侧弯研究学会（SRS）对脊柱侧弯定义为在站立位正位拍摄的脊柱全长X线片上，测量Cobb角大于10度。
三、基于深度学习的脊柱侧弯筛查方法国内在相关筛查系统也有许多研究，如基于数字图像处理的脊柱侧弯检测系统研究，通过脊柱轮廓特征点提取算法评估脊柱侧弯并分类，取得阴性识别正确率为100%，阳性识别正确率大于85%效果；
基于Kinect相机的脊柱侧弯检测技术研究；
基于卷积神经网络的脊柱侧弯筛查方法研究，使用ResNet卷积神经网络对脊柱侧弯疾病做详细的分级，使用脊柱侧弯疾病二分类模型、轻度脊柱侧弯疾病二分类模型和重度脊柱侧弯疾病二分类模型对脊柱侧弯疾病进行详细的分级，准确率分别可达到91.23%、86.92%和82.45%；
基于数字图像处理的脊柱侧弯快速检测系统，使用摄像机拍摄人体背部正立图像，脊柱侧弯Cobb角大小，判断脊柱侧弯程度，但能有效检测出背部脊柱外部轮廓非常不明显的患者。
表面形貌（ST）可以进行三维背部评估，但尚未用于脊柱侧弯筛查，与使用脊柱侧弯仪的临床检查相比，ST作为脊柱侧弯筛查方法的优势不明确。
一种新型便携式电子脊柱侧弯筛查装置（PESSD），基于人体工程学理论鉴定青少年脊柱侧弯，与脊柱侧弯仪相比，PESSD对小角度脊柱侧弯的检测更灵敏，重复性更高。
香港的学校脊柱侧弯筛查计划使用超声确定转诊状态的准确性，研究表明脊柱侧弯筛查儿童的不必要辐射减少>50%。
有研究利用超声图像与X射线图像采用注意力机制的网络（UXGAN）生成X射线样图像，且生成图像和真实图像间表现出了良好的线性相关性。
同时有其他研究表明三维超声成像系统获得的超声曲线角（UCA）可以为AIS患者的冠状面曲率提供可靠有效的评估，而无需辐射。
RamirezL等提出训练支持向量机模型，将患者背部影像与临床资料相结合，对患者脊柱侧弯程度进行分类预测。
该方法不适用于多分类，需要多个支持向量机组合，不适用于脊柱侧弯的多分类。
YangJ等使用FasterR-CNN目标检测算法以及ResNet101图像分类算法，开发和验证使用背部图像进行脊柱侧弯筛查的深度学习算法。
该方法使用的两个神经网络参数较多，效率较低，不能满足大规模脊柱侧弯筛查的需要。
XuZ等[34]提出使用三维点云数据，通过深度图计算得到躯干旋转角度和分类标签，再通过EfficientNet算法实现背部图像的脊柱侧弯筛查。
该方法需要获取人体背部图像和深度图，对设备的要求较高，不适用于大规模的脊柱侧弯筛查。
四、基于深度学习的X光影像Cobb角测量方法传统的Cobb角测量方法在临床上依赖于医生的人工干预。
因此，它通常是耗时的，并且因为不同医生经验不同的影响产生不可靠的结果。
所以需要一种准确且稳定的方法来自动测量Cobb角。
在基于X光影像自动估计脊柱侧弯程度的相关研究目前有两种主流方法，一种为基于地标的方法，一种为基于回归的方法。
基于地标的方法可以预测出高精度的结果，但对地标预测的可靠性提出了比较高的要求，地标预测的小误差可能导致Cobb角的较大偏差。
基于回归的方法一般是由专业医生给出标注，根据标注直接预测Cobb角度，基于回归的方法通常更加稳定，但精度相对较差。
在实践中因为对地标的预测需要精确的分割椎骨，通过提取的掩膜加以形态学处理，并通过设计算法估计椎骨的地标，整个过程复杂且受椎骨旋转的影响，所以基于回归的方法一般效果更好。
如LinY等人提出了一种叫Seg4Reg的模型，主要包含两个网络，分别完成椎骨分割和结果回归任务。
DubostF等使用两个级联卷积神经网络（CNN）对脊柱中心线进行分割。
其中第一个网络负责脊柱的整体分割，第二个网络基于第一个网络结果提取脊柱中心线，通过对中心线的平滑处理等计算Cobb角。
KhanalB等将椎体视为对象进行检测，通过训练个Fast-RCNN网络作为地标探测器，估计每个椎体的四个顶点坐标。
根据预测出的地标位置计算每节椎体的倾斜角度，从而得出Cobb角。
WuH等提出了BoostNet架构提出了一种新的结构BoostLayer，主要是通过去除离群值增强特征空间，将卷积层提取的特征输入到BoostLayer后通过解码得到脊柱的地标信息用以预测Cobb角度。
该模型表现出了不错的鲁棒性和精确度。
ChenC等人提出了用实例分割模型YOLACT来自动测量Cobb角的方法。
首先通过YOLACT对X光影像中的椎骨进行分割，然后通过计算其最小边界框，获得相应地标，并基于提取出的地标计算Cobb角。
该模型取得了较低的对称平均绝对百分比误差（SMAPE），表明其在椎体定位和Cobb角测量上的可靠性。
