脊柱侧凸是一种常见的脊柱三维畸形,脊椎的轴向旋转（VAR）是脊柱侧凸的基本畸形之一。临床中测量VAR对脊柱侧凸的评估有重要的意义。目前X线是医学上诊断脊柱侧凸主要的成像方式,Drerup法可以通过测量X线正位相中的椎弓根影相对于椎体中心产生的偏移量来实现对VAR的测量,进而完成脊柱侧凸的系列评估工作。脊椎X线图像中的椎弓根影面积小且对比度不高,现有的X线图像椎弓根影的分割方法存在精度较低且效率不高的问题,对此,论文提出一种端到端的基于注意力机制的U-Net神经网络用于分割脊椎X线图像中的椎弓根影。并根据网络分割所得的椎弓根影轮廓,利用计算机标记其中心,进而通过Drerup法实现对VAR的测量,从而减少手工测量的误差。本文基于U-Net网络的改进主要包括:（1）改进网络里的每个卷积层后都添加了规范层,使每一层神经网络的输入保持标准正态分布,避免网络过拟合,从而加速网络训练。（2）在每个跳跃连接之前都增加注意力门模块,既提高了网络对目标区域提取的准确性又解决了模型跳跃连接的冗余问题。（3）在第一次上采样之前,增加选择性的内核模块（SKM）。SKM可以自适应地调整特征图的大小,在卷积操作过程中,有助于捕获多个缩放特征之间的空间相关性。（4）网络的最后经过一个多尺度特征融合的卷积块注意力模块（MF-CBAM）后输出。其中,MF-CBAM是多尺度空洞卷积与卷积块注意力模块（CBAM）的结合,其先使用不同膨胀率的空洞卷积操作来捕获多尺度的特征信息,接着将包含多个尺度的特征图进行融合,最后对融合特征使用CBAM后输出。CBAM由通道注意力模块（CAM）与空间注意力模块（SAM）组成,CAM通过获取每个特征通道的权重并分析它们的重要性,随后依据该重要性来选择性地加强相互依赖的通道特征;接着将精确的通道特征图输入到SAM中,SAM通过计算特征图中所有位置信息的权重,依据特征权重的大小选择性地聚焦于这些重要位置上,使特征之间关联性更强,从而实现更精确的目标分割。分割实验结果表明,采用基于注意力机制的U-Net网络模型分割X线图像椎弓根影平均准确率达到99.15%,平均Dice系数达到89.13%,平均精确度达到88.61%,平均召回率达到90.42%,平均Hausdorff距离仅为3.8315像素,优于现有的自动化分割方法。VAR测量实验结果表明:计算机测量结果的观察者间可靠性很高且平均绝对误差值较小,该方法能够有效帮助医生更可靠地测量VAR。