Intelligent CT Image Analysis Algorithm for 3D Model Construction

Abstract

This paper presents an algorithm and associated software implementing a comprehensive computational pipeline based on the YOLOv8n-seg model (Ultralytics) for automated analysis of human lumbar spine CT images, including localization of anatomical regions, segmentation and quantitative measurements of vertebrae, and 3D visualization. Geometric parameters (total lumbar spine height and segmental angles) are calculated directly from segmentation masks and converted into physical units using the image resolution. This generates an STL file that can be exported to third-party software (e.g., 3D Slicer) for 3D surface reconstruction. A critical aspect of the developed approach is its emphasis on quantitative accuracy and reproducibility of results, rather than solely on visualization: measurements obtained from masks translate the model output into clinically interpretable metrics. This opens up opportunities for subsequent applications such as screening, patient stratification, and longitudinal studies.

В статье представлены алгоритм и соответствующие программные средства, реализующие комплексный вычислительный конвейер на основе модели YOLOv8n-seg (компания Ultralytics) для автоматизированного анализа КТ-изображений поясничного отдела позвоночника человека, включая локализацию анатомических областей, сегментацию и количественные измерения позвонков, а также трехмерную визуализацию. При этом геометрические параметры (общая высота поясничного отдела и сегментарные углы) вычисляются непосредственно на основе сегментационных масок и конвертируются в физические единицы измерения с использованием разрешения изображения. В результате генерируется STL-файл, который может быть экспортирован в стороннее программное обеспечение (например, 3D Slicer) для реконструкции трехмерной поверхности. Критически важным аспектом разработанного подхода является акцент на количественной точности и воспроизводимости результатов, а не исключительно на визуализации: измерения, получаемые на основе масок, транслируют выходные данные модели в клинически интерпретируемые показатели. Это открывает возможности для последующих приложений, таких как скрининг, стратификация пациентов и лонгитюдное исследование.