关键词:
医学影像
深度学习
神经网络
目标检测
椎骨检测
图像分割
摘要:
脊椎侧弯、脊柱变形和椎骨滑脱等是目前发病率很高的疾病,如果能在早期及时发现脊柱疾病的症状,会对治疗起到至关重要的作用。医生对椎骨进行疾病诊断的第一步就是影像学检查,然后通过医学图像对椎骨进行定位和识别工作。疾病的筛选、病情的诊断以及制定治疗方案的.常用的手段之一便是医学图像检查。日常作业产生医学图像由于图像清晰度不高、对比不明显等原因.给通过医学图像进行精准治疗带来了一定的困难,因此研究一种椎骨自动检测技术成为了当务之急。近年来,大数据和.算力的发展促进了智能医疗的进步。以数据驱动的方法可实现脊柱图像的自动定位、识别和分割,辅助医生提高检测的敏感性和读片的效率。深度学习检测算法是通过训练大量医生标注的图像数据,生成有效的椎骨定位和识别模型,医疗欠发达的地区.可通过.应用这些训练好的模型,提高工作效率。本文主要研究内容是通过深度学习方法进行椎骨的检测和分割。本文做了以下主要工作:(1)提出了一种方法,把传统的卷积神经网络分类器转换成全卷积网络分类器;相比于传统卷积神经网络,全卷积神经网络的优点在于对输入尺寸没有限制,使得模型的鲁棒性更好。(2)将Faster R-CNN网络结构从自然图像迁移到医学图像数据集,并进行优化,从而提高定位的精度和识别的准确度。(3)通过对比不同的特征提取网络,研究不同特征图对定位精度和识别准确度的影响,从而提高整个网络的检测性能。(4)通过研究多尺度问题,找到最适合椎骨检测和定位的尺度和长宽比。最后,本文利用Mask R-CNN对椎骨图像进行了分割。通过本文研究得出以下结论:(1)对于不同的特征提取网络,Res Net作为特征提取网络有助于提高椎骨的检测精度。(2)对于多尺度问题,由于椎骨的形状具有规律性,可以使用单一尺度的设置。有助于减少计算量和降低模型的复杂度。(3)对于单个物体存在多个候选框的问题,使用非极大值抑制不会降低检测精度。(4)本文验证了增加数据集有利于提高模型检测精度和泛化性能。(5)对于椎骨分割,使用101层的残差网络作为特征提取网络的分割结果并不会优于50层的残差网络。