El diagnóstico precoz y el tratamiento de fracturas vertebrales y paraplejias mediante tomografía computarizada se investigan en profundidad y su valor clínico se discute en este trabajo. En este trabajo se propone una novedosa red adversarial de generación circulatoria, Spine-GAN, para el diagnóstico de diversas enfermedades de la columna vertebral. El modelo algorítmico puede automatizar completamente la segmentación y clasificación de múltiples estructuras espinales, como discos intervertebrales, vértebras y neuroforamina, simultáneamente para generar de forma inteligente un diagnóstico clínico completo. La innovación de este método es que Spine-GAN no sólo supera la alta variabilidad y complejidad de las estructuras espinales en las imágenes de resonancia magnética, sino que también preserva las sutiles diferencias entre las estructuras espinales normales y anormales y aprende dinámicamente relaciones patológicas espaciales oscuras pero importantes entre las estructuras adyacentes de la columna vertebral, superando así las limitaciones de los conjuntos de datos pequeños. Spine-GAN permite una segmentación precisa, una clasificación radiológica y una representación de correlación patológica de las tres enfermedades de la columna vertebral. En concreto, Spine-GAN alcanza una precisión de píxeles del 96,2% con una especificidad y sensibilidad del 89,1 y 86%, respectivamente. Los modelos de algoritmo DMML-Net y Spine-GAN tienen importantes aplicaciones y valores de investigación en el diagnóstico clínico de enfermedades de la columna vertebral y el procesamiento de imágenes de resonancia magnética, así como en la generación inteligente de informes de diagnóstico de imágenes médicas, que son de gran importancia para el estudio de la clasificación de imágenes de grano fino de imágenes patológicas. También tiene un impacto positivo en el desarrollo del software.