亞急性期鄰近節續發性骨折(2nd OVCF)為治療骨鬆壓迫性骨折(osteop orotic vertebral compression fracture，OVCF)的手術後常見之併發症，由於抗骨鬆藥物緩發的特性，藥物對預防慢性期續發性骨折(首發骨折六個月後)的效果遠大於亞急性期續發性骨折(六個月內)，然而，經過實際調查發現亞急性期續發性骨折發生的比例高達45%，可以說是相當高的機率，因此如何預防亞急性期續發性骨折為醫學界重要的課題之一。目前預防續發性骨折的手術治療有：預防性鄰近節椎體成形術(prophylactic vertebroplasty，VP)和椎體整形術(kyphoplasty)，其中前者在預防治療上的有效性還存有爭議，而後者須價格昂貴的椎間復位裝置來輔助，因此兩種治療方式對於大部分病患來說都不甚理想。
因此，我們希望能研發出一個預測術後續發性骨折的模型，可以讓醫生更能掌握高風險患者的狀況，希望能做更有效的預防。透過過往研究指出，生物力學不平衡很有可能是發生續發性骨折的原因之一，但至於局部生物力學不平衡的狀況又是如何造成續發性骨折，仍然是未知的問題。現今臨床醫學中，醫生僅能根據過往經驗來診斷，但是預測的準確度是無法掌握的，本研究希望能透過自動化模型的建構、測量與計算來做到更準確的預測，藉由以術前術後X光影像中提取的生物力學資訊進行分析，進而預測亞急性期鄰近節續發性骨折的發生。
本研究主要探討椎體成形術後發生鄰近節椎體續發性骨折的分析及其預測，將建構一個預測模型，從X光影像處理、椎骨分割與計算角度與曲度等，推算出各節鄰近椎體間發生續發性骨折的機率並以類似熱區圖的方式呈現，並且設計一套圖形化人機互動介面（Graphical User Interface，GUI)，除了以上功能之外希望能結合病患的相關院內資料，讓醫護人員能更方便操作與查看。希望不僅能幫助預測併發症的發生並加以預防，也能減輕人力資源在影像判讀上的消耗。
本專題在自動化分割脊椎技術方面，選擇使用Unet對224張醫生Label過的脊椎DICOM影像做訓練，並用Python將訓練好的模型與PyQt製作的GUI做結合。另外，有文獻指出續發性骨折的發生與脊椎KA角度有關，因此我們對分割好的椎體自動計算KA角度等生物力學資訊，幫助醫生能更準確、方便的預測，並製作一個專門用於脊椎的DICOM Viewer，除了一般DICOM Viewer有的功能，另外擴增一些專門用於脊椎如脊椎分割、脊椎曲度計算。
脊椎分割是利用Unet來做切割，並分三個class來做訓練，紅色是正常的脊椎，藍色是有骨水泥的脊椎，最後綠色則是脊椎斷裂的位置，這樣一來可以輔助醫生做判斷，減少一些人力時間。
