基于深度学习的椎管分割、重建与疾病诊断

发布时间：2020-04-07 12:09

【摘要】：近年来,椎管狭窄已成为临床骨科的常见疾病之一,其主要病变是形态学上的变化,随着椎管有效体积的减少,引起对神经根的压迫,导致患者的腿部、小腿和臀部虚弱或者麻木,给患者带来极大的痛苦,甚至有时,椎管狭窄会导致患者失去对自身一些身体功能的控制。随着医学影像技术的不断进步,计算机断层扫描技术(Computed Tomography,CT)在椎管狭窄的疾病诊断中被广泛应用。在临床的实际应用中,通常需要有丰富理论知识和实践经验的临床医生从患者的CT图像中手工分割椎管区域,并测量椎管内前后径来诊断患者是否患有椎管狭窄。这一过程非常耗费临床医生的时间和精力,并且受到不同医生的知识积累、实践经验和主观因素影响,诊断结果也会有较大的误差。因此,为了实现全自动、快速、精确的椎管图像定位、分割和测量,得到较为准确的诊断结果,也为了减轻医生的工作负担,节省不必要的人力和时间消耗,提高工作效率,必然需要计算机技术辅助医生进行初步的疾病诊断。传统的医学图像分割方法,将图像处理作为基础,主要采用图像的灰度、纹理和统计结构等浅层特征进行分割。这些浅层特征的代表性不强,鲁棒性较低,易受到噪声的干扰。随着近几年深度学习技术的不断发展,其在图像领域的应用,已经取得了极大突破,不论是图像识别、目标检测还是图像分割,都涌现出许多经过精心设计的神经网络结构。实践证明,深度学习技术能够挖掘数据深层的抽象特征,应用到椎管分割任务中可以提高分割精度,实现快速精准的自动分割。目前深度学习在图像中的许多应用都是建立在大量的训练样本上,例如ImageNet拥有超过1500万张人工标记的图片,超过2.2万个类别,在此基础上训练的神经网络在图像分类、物体检测、物体识别的正确率都已经远超人类,但是在医学图像领域,往往无法获取数量如此庞大的人工标注数据,这也为深度学习在医学图像领域的应用带来了新的挑战:1.传统椎管图像分割方法大多是半自动方法,需要大量人工干预,批量操作方面效率较差,无法进行快速诊断,基于统计和几何结构的方法无法描述椎管区域在脊柱连续CT扫描中的形态变化。2.深度神经网络训练需要海量数据作为训练集,但医学图像领域尚未形成统一的图像标注规范,无法提供海量训练数据,导致神经网络训练样本不足。3.椎管狭窄疾病诊断要求医生有丰富的实践经验,但是不同地区医疗水平不尽相同,医生经验和技术水平参差不齐,测量结果的误差较大,无法保证测量和疾病诊断的精确性,同时需要医生进行大量的重复性工作,严重耗费了医生的时间和精力。针对上述问题,本文提出了一个基于深度学习的椎管分割、重建和疾病诊断方法。我们结合了目标检测领域的经典卷积神经网络Faster-RCNN与医学图像分割中常用的全卷积神经网络U-Net,并对U-Net网络进行了改进,使其成为Shallow U-Net,既解决了中央椎管在腰椎CT图像上位置不确定的问题,又能够克服医学图像领域缺乏大量训练数据的短板,有效利用少量样本数据训练模型,得到精确的图像分割结果。由于分割后的椎管图像是腰椎CT中的局部区域,并且非完全左右对称,因此本文利用主成分分析对分割结果进行图像校正,对旋转后的椎管进行测量,得到椎管内前后径的长度,并对分割结果进行三维重建,根据椎管是否狭窄的判定依据将测量结果直接映射到三维模型上,辅助临床医生进行初步的疾病诊断,节省了大量的人力和时间,提高了疾病诊断的效率。经过实验,本文提出的深度学习网络能够精确定位、分割CT图像中的椎管区域,在实验数据上的平均IoU(Intersection over Union)达到88%,平均Dice达到93.6%。在椎管各项指标的测量中,与临床医生的人工测量结果相比较,前后径测量误差平均为0.57mm,左右径误差为1.58mm,其中在疾病诊断过程中起决定性因素的前后径测量误差在临床允许的范围之内,能够对椎管狭窄进行初步的疾病诊断。
【图文】：

特征图,全卷,神经网络

图 2.2 全卷积神经网络[33]全卷积神经网络将传统卷积神经网络中的全连接层转化为卷积层，如图 2.2所示，在传统的卷积神经网络中，最后三层是全连接层，分别生成长度为 4096和 1000 的一维向量，最终长度为 1000 的一维向量对应该网络识别的 1000 个类别，每个元素代表输入图像属于该类别的概率，图 2.2 的例子中，输入图像在“tabby cat”这一类别的概率最高，因此该图像识别结果为 tabby cat。而在全卷积神经网络中，这三层全部转化为卷积层，对前面卷积层得到的全部特征映射做卷积操作，输出结果也由传统 CNN 的特征向量变成了特征图，由于卷积和池化操作会降低图像的分辨率，最后输出的高维特征图是原图大小的 1/32，并对每个粗略的像素位置计算出包含该类别物体的概率，得到相应的热度图，因此在图 2.2中，原图中 tabby cat 所在区域的热度值较高。为了从分辨率较低的高维特征图恢复到原始图像尺寸，，实现端到端的图像分

过程图,过程,全卷,神经网络

全卷积神经网络的上采样过程
【学位授予单位】：吉林大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：R68;TP391.41

【参考文献】