چکیده: تصاویر رادیوگرافی قدامی‌ـ‌خلفی ایستاده (LLR) به‌عنوان استاندارد طلایی برای ارزیابی هم‌ترازی اندام‌های تحتانی شناخته می‌شوند و نقشی حیاتی در برنامه‌ریزی درمان‌های ارتوپدی ایفا می‌کنند. ارزیابی دقیق ناهنجاری‌های اندام تحتانی نیازمند شناسایی دقیق لندمارک‌های آناتومیکی است که برای تحلیل محورهای فیزیولوژیکی و اندازه‌گیری شاخص‌های هم‌ترازی ضروری هستند. روش‌های دستی موجود، علاوه بر زمان‌بر بودن، مستعد خطاهای انسانی و محدودیت تکرارپذیری هستند. چالش‌های اصلی در مدل‌های یادگیری عمیق شامل دسترسی محدود به داده‌های پزشکی، تنوع مورفولوژی بیماران و وجود ایمپلنت‌های ارتوپدی است. مکان‌یابی دقیق لندمارک‌های آناتومیکی در تصاویر LLR یکی از نیازهای اساسی برای خودکارسازی این فرآیند است. روش‌های تک‌مرحله‌ای موجود معمولا دقت کافی در مکان‌یابی لندمارک‌ها ندارند و مدل‌های چندمرحله‌ای مبتنی‌بر قطعه‌بندی استخوان، به‌دلیل خطا در شناسایی دقیق مرز استخوان قادر به ارائه نتایج قابل‌اعتمادی در مکان‌یابی لندمارک‌ها نیستند. در این پژوهش، یک مدل مبتنی بر یادگیری عمیق دو‌ مرحله‌ای برای شناسایی خودکار لندمارک‌های آناتومیکی و ارزیابی تراز اندام تحتانی در تصاویر LLR پیشنهاد شده است. سیستم پیشنهادی با بهبود مدل YARLA و استفاده از الگوریتم YOLOv8n برای شناسایی مفاصل و شبکه ResNet-50 برای مکان‌یابی دقیق لندمارک‌های آناتومیکی و محاسبه پنج شاخص هم‌ترازی (HKA، LDTA، JCLA، mMPTA و mLDFA) طراحی شده است. یکی از نوآوری‌های کلیدی این پژوهش، طراحی تابع خطای سفارشی است که با اصلاح ابعاد جعبه‌های مرزی YOLOv8n، نیاز به پس‌پردازش را برطرف کرده و به کاهش سربار محاسباتی کمک می‌کند. علاوه بر این، ترکیب معیارهای میانگین قدرمطلق خطا و SMOOTHL1 به‌عنوان تابع هزینه، دقت مکان‌یابی لندمارک‌ها را بهبود بخشیده و استفاده از تکنیک‌های داده‌افزایی در مواجهه با کمبود داده و تنوع ساختاری بیماران، عملکرد مدل را به‌طور قابل‌توجهی بهبود داده است. برای ارزیابی عملکرد مدل، تحلیل تطبیقی بلند-آلتمن با مشاهدات رادیولوژیست‌ها انجام شد. نتایج نشان داد که فاصله انحراف از مقادیر مرجع برای تمامی شاخص‌های هم‌ترازی به‌طور میانگین کمتر از ۲ میلی‌متر و زمان اندازه‌گیری حدود ۴ ثانیه بوده است. میانگین خطای مطلق ۲/۰ درجه برای شاخص HKA در مدل پیشنهادی، به‌طور قابل‌توجهی کمتر از مقادیر گزارش‌شده در تحقیقات پیشین بوده و کارایی بالای این روش را اثبات کرده است. مدل با استفاده از مجموعه‌داده‌های ۴۲۲ تصویر LLR که شامل 26 لندمارک آناتومیکی بود، با اعمال قرارداد پای راست آموزش داده شد. این مدل دقت بالایی در تحلیل بیماران با شرایط متنوع مانند استئوتومی، آرتروپلاستی و استئوآرتریت نشان داد و تا ۱۵% دقت بالاتری نسبت به مدل YARLA ارائه کرد. این پژوهش با وجود چالش‌هایی مانند کنتراست پایین تصاویر و محدودیت در داده‌های آموزشی، با ارائه یک معماری نوآورانه مبتنی بر یادگیری عمیق، راهکاری کارآمد برای کاهش خطاهای انسانی، بهبود کیفیت ارزیابی‌های کلینیکی و تسهیل برنامه‌ریزی جراحی‌های ارتوپدی به شمار می‌رود