【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(xué)上的變化,隨著椎管有效體積的減少,引起對神經(jīng)根的壓迫,導(dǎo)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(shí),椎管狹窄會(huì)導(dǎo)致患者失去對自身一些身體功能的控制。隨著醫(yī)學(xué)影像技術(shù)的不斷進(jìn)步,計(jì)算機(jī)斷層掃描技術(shù)(Computed Tomography,CT)在椎管狹窄的疾病診斷中被廣泛應(yīng)用。在臨床的實(shí)際應(yīng)用中,通常需要有豐富理論知識和實(shí)踐經(jīng)驗(yàn)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(nèi)前后徑來診斷患者是否患有椎管狹窄。這一過程非常耗費(fèi)臨床醫(yī)生的時(shí)間和精力,并且受到不同醫(yī)生的知識積累、實(shí)踐經(jīng)驗(yàn)和主觀因素影響,診斷結(jié)果也會(huì)有較大的誤差。因此,為了實(shí)現(xiàn)全自動(dòng)、快速、精確的椎管圖像定位、分割和測量,得到較為準(zhǔn)確的診斷結(jié)果,也為了減輕醫(yī)生的工作負(fù)擔(dān),節(jié)省不必要的人力和時(shí)間消耗,提高工作效率,必然需要計(jì)算機(jī)技術(shù)輔助醫(yī)生進(jìn)行初步的疾病診斷。傳統(tǒng)的醫(yī)學(xué)圖像分割方法,將圖像處理作為基礎(chǔ),主要采用圖像的灰度、紋理和統(tǒng)計(jì)結(jié)構(gòu)等淺層特征進(jìn)行分割。這些淺層特征的代表性不強(qiáng),魯棒性較低,易受到噪聲的干擾。隨著近幾年深度學(xué)習(xí)技術(shù)的不斷發(fā)展,其在圖像領(lǐng)域的應(yīng)用,已經(jīng)取得了極大突破,不論是圖像識別、目標(biāo)檢測還是圖像分割,都涌現(xiàn)出許多經(jīng)過精心設(shè)計(jì)的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。實(shí)踐證明,深度學(xué)習(xí)技術(shù)能夠挖掘數(shù)據(jù)深層的抽象特征,應(yīng)用到椎管分割任務(wù)中可以提高分割精度,實(shí)現(xiàn)快速精準(zhǔn)的自動(dòng)分割。目前深度學(xué)習(xí)在圖像中的許多應(yīng)用都是建立在大量的訓(xùn)練樣本上,例如ImageNet擁有超過1500萬張人工標(biāo)記的圖片,超過2.2萬個(gè)類別,在此基礎(chǔ)上訓(xùn)練的神經(jīng)網(wǎng)絡(luò)在圖像分類、物體檢測、物體識別的正確率都已經(jīng)遠(yuǎn)超人類,但是在醫(yī)學(xué)圖像領(lǐng)域,往往無法獲取數(shù)量如此龐大的人工標(biāo)注數(shù)據(jù),這也為深度學(xué)習(xí)在醫(yī)學(xué)圖像領(lǐng)域的應(yīng)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(dòng)方法,需要大量人工干預(yù),批量操作方面效率較差,無法進(jìn)行快速診斷,基于統(tǒng)計(jì)和幾何結(jié)構(gòu)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(jīng)網(wǎng)絡(luò)訓(xùn)練需要海量數(shù)據(jù)作為訓(xùn)練集,但醫(yī)學(xué)圖像領(lǐng)域尚未形成統(tǒng)一的圖像標(biāo)注規(guī)范,無法提供海量訓(xùn)練數(shù)據(jù),導(dǎo)致神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本不足。3.椎管狹窄疾病診斷要求醫(yī)生有豐富的實(shí)踐經(jīng)驗(yàn),但是不同地區(qū)醫(yī)療水平不盡相同,醫(yī)生經(jīng)驗(yàn)和技術(shù)水平參差不齊,測量結(jié)果的誤差較大,無法保證測量和疾病診斷的精確性,同時(shí)需要醫(yī)生進(jìn)行大量的重復(fù)性工作,嚴(yán)重耗費(fèi)了醫(yī)生的時(shí)間和精力。針對上述問題,本文提出了一個(gè)基于深度學(xué)習(xí)的椎管分割、重建和疾病診斷方法。我們結(jié)合了目標(biāo)檢測領(lǐng)域的經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)Faster-RCNN與醫(yī)學(xué)圖像分割中常用的全卷積神經(jīng)網(wǎng)絡(luò)U-Net,并對U-Net網(wǎng)絡(luò)進(jìn)行了改進(jìn),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(xué)圖像領(lǐng)域缺乏大量訓(xùn)練數(shù)據(jù)的短板,有效利用少量樣本數(shù)據(jù)訓(xùn)練模型,得到精確的圖像分割結(jié)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(jié)果進(jìn)行圖像校正,對旋轉(zhuǎn)后的椎管進(jìn)行測量,得到椎管內(nèi)前后徑的長度,并對分割結(jié)果進(jìn)行三維重建,根據(jù)椎管是否狹窄的判定依據(jù)將測量結(jié)果直接映射到三維模型上,輔助臨床醫(yī)生進(jìn)行初步的疾病診斷,節(jié)省了大量的人力和時(shí)間,提高了疾病診斷的效率。經(jīng)過實(shí)驗(yàn),本文提出的深度學(xué)習(xí)網(wǎng)絡(luò)能夠精確定位、分割CT圖像中的椎管區(qū)域,在實(shí)驗(yàn)數(shù)據(jù)上的平均IoU(Intersection over Union)達(dá)到88%,平均Dice達(dá)到93.6%。在椎管各項(xiàng)指標(biāo)的測量中,與臨床醫(yī)生的人工測量結(jié)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(nèi),能夠?qū)ψ倒塥M窄進(jìn)行初步的疾病診斷。
【圖文】：

圖 2.2 全卷積神經(jīng)網(wǎng)絡(luò)[33]全卷積神經(jīng)網(wǎng)絡(luò)將傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)中的全連接層轉(zhuǎn)化為卷積層，如圖 2.2所示，在傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)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(yīng)該網(wǎng)絡(luò)識別的 1000 個(gè)類別，每個(gè)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(jié)果為 tabby cat。而在全卷積神經(jīng)網(wǎng)絡(luò)中，這三層全部轉(zhuǎn)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(jié)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(huì)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(gè)粗略的像素位置計(jì)算出包含該類別物體的概率，得到相應(yīng)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(fù)到原始圖像尺寸，，實(shí)現(xiàn)端到端的圖像分

全卷積神經(jīng)網(wǎng)絡(luò)的上采樣過程
【學(xué)位授予單位】：吉林大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2018
【分類號】：R68;TP391.41

【參考文獻(xiàn)】

相關(guān)期刊論文 前1條

1 潘廣源;柴偉;喬俊飛;;DBN網(wǎng)絡(luò)的深度確定方法[J];控制與決策;2015年02期

相關(guān)碩士學(xué)位論文 前1條

1 馬樹志;基于深度學(xué)習(xí)的肝臟CT影像分割方法的研究與應(yīng)用[D];吉林大學(xué);2017年

本文編號：2617893