论文部分内容阅读
脊柱侧弯是青少年身体生长发育阶段常见的疾病,其在发病初期阶段不易被察觉,我国青少年特发性脊柱侧弯疾病的发病率约为1%~3%。青少年处于身体生长发育的关键时期,由于缺乏锻炼、学习和走路姿势的不正确等因素,导致脊柱发生病变,若不及时接受治疗,将对患者脊柱带来无法逆转的伤害,甚至严重影响患者的身体形态、心理健康乃至会有生命危险。通常骨科医生根据患者拍摄的X线片所呈现的脊柱形状,手工测量并计算Cobb(根据外科医生John Robert Cobb命名)角度,判断患者是否患有脊柱侧弯疾病及其严重性。此诊断方式不可避免的将对患者产生X光线的辐射、同时加大医生的工作负荷,大量浪费医疗资源。随着计算机人工智能技术的不断发展,计算机辅助诊断已成为辅助医生进行诊断的重要手段,并且取得了一定的成果,这为脊柱侧弯疾病的医疗现状提供了一个新方向。本文屏弃X光线片,选择无辐射且易采集的患者背部直立影像,基于卷积神经网络对脊柱侧弯疾病的筛查方法进行了研究。本文的研究包含了患者背部直立影像中感兴趣区域的定位和脊柱侧弯疾病的详细分级两部分。在患者背部直立影像感兴趣区域定位的研究中,本文首先对R-CNN、Fast R-CNN和Faster R-CNN目标定位卷积神经网络进行比较,通过准确率等因素最终选择Faster R-CNN卷积神经网络定位患者背部区域。在脊柱侧弯疾病的分级研究中,本文首先结合医生的临床经验,根据患者脊柱Cobb角度的大小,分成未患病(Cobb角度为0o~10o)、轻度脊柱侧弯(Cobb角度为11o~25o)、中度脊柱侧弯(Cobb角度26o~45o)和重度脊柱侧弯(Cobb角度>45o)四个等级,通过多种经典卷积神经网络(AlexNet、VGG、DenseNet和ResNet)进行对比,考虑准确率和模型训练时长等因素,最终采用了ResNet卷积神经网络对脊柱侧弯疾病做详细的分级,并且重点探讨了ResNet卷积神经网络中不同的参数和网络结构对脊柱侧弯疾病分级性能的影响,进而对网络进行优化。最后本文将卷积神经网络方法和机器学习中经典特征提取方法(颜色和纹理复合特征、局部二值模式)与SVM(Support Vector Machine)组合的方法进行对比实验。本文实验均使用四倍交叉验证方式,增加模型的可靠性,提高模型的泛化能力。在患者背部直立影像感兴趣区域定位的研究中,使用Faster R-CNN卷积神经网络,网络参数anchor boxes的面积大小为(64~2、128~2和256~2)、proposal个数为256,准确率可达到99.17%。在对脊柱侧弯疾病进行分级诊断上,本文首先使用ResNet 50卷积神经网络进行四个等级的分级(脊柱侧弯疾病四分类模型),模型准确率为65.17%,准确率较低。结合脊柱侧弯疾病的实际筛查情况,本文最终使用三个二分类进行详细分级(脊柱侧弯疾病二分类模型、轻度脊柱侧弯疾病二分类模型和重度脊柱侧弯疾病二分类模型),准确率分别可达到91.23%、86.92%和82.45%,整体分级效果超过了四分类模型和经典特征提取与SVM分类器组合的方法。从研究结果来看,本文研究的Faster R-CNN和三个ResNet 50二分类模型组合的结果可以作为骨科医生诊断脊柱侧弯疾病的参考。