Detectar con precisión las vértebras de la columna desempeña un papel crucial en el éxito de la cirugía ortopédica. Sin embargo, identificar y clasificar las vértebras lumbares a partir de imágenes arbitrarias de rayos X de la columna sigue siendo un desafío debido a su apariencia similar y tamaños variables entre individuos. En este documento, proponemos un enfoque novedoso para mejorar la precisión en la detección de vértebras aprovechando las relaciones espaciales globales y locales entre vértebras vecinas. Nuestro método incorpora una arquitectura de detector de dos etapas que captura información contextual global utilizando un mapa de calor intermedio de la primera etapa. Además, introducimos una cabeza de detección en la segunda etapa para capturar información espacial local, lo que permite que cada vértebra aprenda detalles espaciales vecinos, visibilidad y desplazamiento relativo. Durante la inferencia, empleamos una estrategia de fusión que combina desplazamientos espaciales de vértebras vecinas y el mapa de calor de una cabeza de detección convencional. Esto permite que el modelo comprenda mejor las relaciones y dependencias entre vértebras vecinas. Además, introducimos una nueva representación de centros de objetos que enfatiza regiones críticas y fortalece las prioridades espaciales de las vértebras de la columna humana, lo que resulta en una mejor precisión de detección. Evaluamos nuestro método utilizando dos conjuntos de datos de imágenes de la columna lumbar y logramos un rendimiento de detección prometedor. En comparación con la línea base, nuestro algoritmo logra una mejora significativa del 13.6% de AP en el conjunto de datos CM y supera el 6.5% y el 4.8% de AP en las vistas anterior y lateral del conjunto de datos BUU, respectivamente.