【摘要】：近年來,椎管狹窄已成為臨床骨科的常見疾病之一,其主要病變是形態(tài)學上的變化,隨著椎管有效體積的減少,引起對神經根的壓迫,導致患者的腿部、小腿和臀部虛弱或者麻木,給患者帶來極大的痛苦,甚至有時,椎管狹窄會導致患者失去對自身一些身體功能的控制。隨著醫(yī)學影像技術的不斷進步,計算機斷層掃描技術(Computed Tomography,CT)在椎管狹窄的疾病診斷中被廣泛應用。在臨床的實際應用中,通常需要有豐富理論知識和實踐經驗的臨床醫(yī)生從患者的CT圖像中手工分割椎管區(qū)域,并測量椎管內前后徑來診斷患者是否患有椎管狹窄。這一過程非常耗費臨床醫(yī)生的時間和精力,并且受到不同醫(yī)生的知識積累、實踐經驗和主觀因素影響,診斷結果也會有較大的誤差。因此,為了實現全自動、快速、精確的椎管圖像定位、分割和測量,得到較為準確的診斷結果,也為了減輕醫(yī)生的工作負擔,節(jié)省不必要的人力和時間消耗,提高工作效率,必然需要計算機技術輔助醫(yī)生進行初步的疾病診斷。傳統(tǒng)的醫(yī)學圖像分割方法,將圖像處理作為基礎,主要采用圖像的灰度、紋理和統(tǒng)計結構等淺層特征進行分割。這些淺層特征的代表性不強,魯棒性較低,易受到噪聲的干擾。隨著近幾年深度學習技術的不斷發(fā)展,其在圖像領域的應用,已經取得了極大突破,不論是圖像識別、目標檢測還是圖像分割,都涌現出許多經過精心設計的神經網絡結構。實踐證明,深度學習技術能夠挖掘數據深層的抽象特征,應用到椎管分割任務中可以提高分割精度,實現快速精準的自動分割。目前深度學習在圖像中的許多應用都是建立在大量的訓練樣本上,例如ImageNet擁有超過1500萬張人工標記的圖片,超過2.2萬個類別,在此基礎上訓練的神經網絡在圖像分類、物體檢測、物體識別的正確率都已經遠超人類,但是在醫(yī)學圖像領域,往往無法獲取數量如此龐大的人工標注數據,這也為深度學習在醫(yī)學圖像領域的應用帶來了新的挑戰(zhàn):1.傳統(tǒng)椎管圖像分割方法大多是半自動方法,需要大量人工干預,批量操作方面效率較差,無法進行快速診斷,基于統(tǒng)計和幾何結構的方法無法描述椎管區(qū)域在脊柱連續(xù)CT掃描中的形態(tài)變化。2.深度神經網絡訓練需要海量數據作為訓練集,但醫(yī)學圖像領域尚未形成統(tǒng)一的圖像標注規(guī)范,無法提供海量訓練數據,導致神經網絡訓練樣本不足。3.椎管狹窄疾病診斷要求醫(yī)生有豐富的實踐經驗,但是不同地區(qū)醫(yī)療水平不盡相同,醫(yī)生經驗和技術水平參差不齊,測量結果的誤差較大,無法保證測量和疾病診斷的精確性,同時需要醫(yī)生進行大量的重復性工作,嚴重耗費了醫(yī)生的時間和精力。針對上述問題,本文提出了一個基于深度學習的椎管分割、重建和疾病診斷方法。我們結合了目標檢測領域的經典卷積神經網絡Faster-RCNN與醫(yī)學圖像分割中常用的全卷積神經網絡U-Net,并對U-Net網絡進行了改進,使其成為Shallow U-Net,既解決了中央椎管在腰椎CT圖像上位置不確定的問題,又能夠克服醫(yī)學圖像領域缺乏大量訓練數據的短板,有效利用少量樣本數據訓練模型,得到精確的圖像分割結果。由于分割后的椎管圖像是腰椎CT中的局部區(qū)域,并且非完全左右對稱,因此本文利用主成分分析對分割結果進行圖像校正,對旋轉后的椎管進行測量,得到椎管內前后徑的長度,并對分割結果進行三維重建,根據椎管是否狹窄的判定依據將測量結果直接映射到三維模型上,輔助臨床醫(yī)生進行初步的疾病診斷,節(jié)省了大量的人力和時間,提高了疾病診斷的效率。經過實驗,本文提出的深度學習網絡能夠精確定位、分割CT圖像中的椎管區(qū)域,在實驗數據上的平均IoU(Intersection over Union)達到88%,平均Dice達到93.6%。在椎管各項指標的測量中,與臨床醫(yī)生的人工測量結果相比較,前后徑測量誤差平均為0.57mm,左右徑誤差為1.58mm,其中在疾病診斷過程中起決定性因素的前后徑測量誤差在臨床允許的范圍之內,能夠對椎管狹窄進行初步的疾病診斷。
【圖文】：

圖 2.2 全卷積神經網絡[33]全卷積神經網絡將傳統(tǒng)卷積神經網絡中的全連接層轉化為卷積層，如圖 2.2所示，在傳統(tǒng)的卷積神經網絡中，最后三層是全連接層，分別生成長度為 4096和 1000 的一維向量，最終長度為 1000 的一維向量對應該網絡識別的 1000 個類別，每個元素代表輸入圖像屬于該類別的概率，圖 2.2 的例子中，輸入圖像在“tabby cat”這一類別的概率最高，因此該圖像識別結果為 tabby cat。而在全卷積神經網絡中，這三層全部轉化為卷積層，對前面卷積層得到的全部特征映射做卷積操作，輸出結果也由傳統(tǒng) CNN 的特征向量變成了特征圖，由于卷積和池化操作會降低圖像的分辨率，最后輸出的高維特征圖是原圖大小的 1/32，并對每個粗略的像素位置計算出包含該類別物體的概率，得到相應的熱度圖，因此在圖 2.2中，原圖中 tabby cat 所在區(qū)域的熱度值較高。為了從分辨率較低的高維特征圖恢復到原始圖像尺寸，，實現端到端的圖像分

全卷積神經網絡的上采樣過程
【學位授予單位】：吉林大學
【學位級別】：碩士
【學位授予年份】：2018
【分類號】：R68;TP391.41

【參考文獻】

相關期刊論文 前1條

1 潘廣源;柴偉;喬俊飛;;DBN網絡的深度確定方法[J];控制與決策;2015年02期

相關碩士學位論文 前1條

1 馬樹志;基于深度學習的肝臟CT影像分割方法的研究與應用[D];吉林大學;2017年

本文編號：2617893