计算机应用

作者：曹杰, 谢凌锋, 王丙金, 张昌河, 余紫东, 邓超

单位：1.华中科技大学 机械科学与工程学院，武汉 430074；2.华中科技大学同济医学院附属同济医院 康复医学科，武汉 430030；3.华中科技大学同济医学院附属协和医院 骨科，武汉 430022

关键词：脊柱侧弯,深度学习,类不平衡,背部区域提取,选择性核

基金：国家自然科学基金资助项目(82202725);湖北省自然科学基金资助项目(2023AFB805)

针对基于背部图像和深度学习的青少年脊柱侧弯筛查方法存在的类间样本数量差异以及环境因素引起的图像背景多样性等问题，设计一种脊柱侧弯筛查方法，包括背部图像数据增强、背部区域提取和脊柱侧弯诊断等步骤。首先，提出一种基于双残差U-Net结构和卷积自注意力机制（CSAM）的改进的扩散生成模型，为少数类背部图像生成高质量的伪样本以平衡类别分布；其次，设计一种多损失约束平衡的背部区域提取模型来从背部图像中识别并提取背部区域，以消除图像背景差异对诊断模型的影响；继次，基于选择性核特征提取和空间金字塔池化（SPP）技术，构建一种分类模型，从而通过背部区域实现脊柱侧弯早筛及严重度诊断；最后，集成上述方法，开发电脑端和移动端软件，以便开展实际背部图像采集和脊柱侧弯筛查业务。实验结果表明，在自制的脊柱侧弯数据集上，所提方法在脊柱侧弯早筛及严重度诊断任务上分别达到了98.64%和73.06%的准确率，与ResNet101相比，分别提升了2.52和6.48个百分点。可见，所提方法能够方便且快速地完成脊柱侧弯诊断，在脊柱侧弯的大规模快速筛查中有一定的应用场景。

来源：2026年第2期

《计算机应用》期刊编辑部

查看计算机应用杂志2026年第2期