第一部分矢状位腰椎MRI智能量化分析系统Spine Explorer（倚天）的研发和应用背景尽管量化测量提高了腰椎间盘退变评估的准确性,量化参数的获取依赖于对矢状位腰椎核磁共振图像（magnetic resonance images,MRI）进行手工分割和测量,其过程费时费力而且易引入主观误差。目前,仅有个别半自动软件系统可用于量化分析腰椎MRI上的椎体和椎间盘。目的研发并验证基于深度学习的软件系统Spine Explorer（倚天）,实现矢状位腰椎MRI上椎体和椎间盘的全自动分割和量化测量。方法本研究立足于杭州腰椎研究,从该数据库中随机选取100位志愿者作为研究样本。其中,随机选取50例样本作为训练集,另50例作为测试集;每例样本包括1张正中矢状位和2张旁矢状位腰椎MRI。Spine Explorer（倚天）首先采用深度学习图像分割算法UNet,并使用训练集中的图像及其对应的手工分割标注对UNet进行训练,以实现腰椎MRI上椎体和椎间盘区域的自动分割。基于自动分割得到的器官轮廓,本研究进一步提出椎体和椎间盘量化参数的定义和计算方法;从而实现了腰椎MRI上椎体和椎间盘的全自动分割和量化测量。分别用交并比（Intersection-over-union,Io U）和组内一致性系数（Intra-class correlation coefficient,ICC）评估Spine Explorer（倚天）软件在测试集图像上的自动分割准确率和自动量化测量一致性;此外,进一步分析自动获取的测量结果与椎间盘退变的Pfirrmann评分以及年龄的相关性,从而检验Spine Explorer（倚天）软件量化测量结果的有效性。结果所研发的Spine Explorer（倚天）软件经过训练后能够在0.5秒内完成对一张矢状位腰椎MRI的自动分割和量化测量。其自动分割的Io U准确率在椎体和椎间盘分别达到了94.7%和92.6%。Spine Explorer（倚天）自动获取的量化参数测量值与使用Image J手工测量均具有极高的一致性（ICC=0.81~0.99）。Spine Explorer（倚天）自动获取的椎间盘量化测量值与Pfirrmann评分呈高度相关性;并且统计学分析表明,年龄越大,Spine Explorer（倚天）测量的椎间盘膨出面积越大（r=0.35~0.44）而椎间盘信号强度更低（r=-0.62-0.77）。结论本研究研发的Spine Explorer（倚天）是一款高效、准确、并且可靠的智能工具,能够自动获取椎体和椎间盘的综合量化参数。该基于深度学习软件的研发和应用,可用于腰椎相关的流行病学和临床研究。第二部分横断位腰椎MRI智能量化分析系统Spine Explorer（屠龙）的研发和应用背景腰椎椎旁肌被广泛研究,以拓展对腰痛病理机制的理解。椎旁肌一般在横断位腰椎核磁共振图像（MRI）测量。然而,椎旁肌的量化测量依赖研究者利用图像分析软件对椎旁肌进行手工分割,该过程费时费力且不可避免地会引入主观误差,限制了量化测量在大样本流行病学中的应用。目的研发并验证基于深度学习的、用于横断位腰椎MRI上椎旁肌全自动分割与量化测量的软件系统Spine Explorer（屠龙）。方法本研究从杭州腰椎研究数据库中随机选取共120位志愿者作为研究对象,其中随机选取90例样本作为训练集,其余30例作为测试集;每例样本包括1张L4/5椎间盘水平的横断位MRI。Spine Explorer（屠龙）软件首先采用深度学习算法Mask RCNN,并使用训练集中的图像及其对应的手工分割标注对Mask RCNN进行训练,以实现横断位腰椎MRI上多块椎旁肌、椎间盘和椎管的自动分割。基于自动分割得到的肌肉轮廓,软件计算出每个肌肉的面积、信号等量化参数,并采用智能阈值算法以计算其脂肪浸润比例。Image J软件手工测量测试集30例横断位MRI中椎旁肌的各参数,Dice系数和组内一致性系数（Intra-class correlation coefficient,ICC）分别被用于评估软件在测试集上的自动分割准确率和量化测量一致性。结果Spine Explorer（屠龙）经过训练后能够在1秒内完成对一张横断位腰椎MRI的自动分割和量化测量。其自动分割准确率在多个椎旁肌肉的平均Dice系数高达92.4%。Tulong自动量化测量值与使用Image J手工测量结果同时在多个椎旁肌的多种量化参数（包括面积、信号、结构构成等）均具有极高的一致性（ICC=0.85~0.99）。结论本课题所研发的Spine Explorer（屠龙）是一款全自动、高效、准确的用于横断位腰椎MRI量化分析软件,该软件能自动分割多个椎旁肌以及椎间盘、椎管等主要器官,并自动获取椎旁肌在面积、信号、构成比例等方面的量化参数。该自动化软件了用于椎旁肌临床研究,协助和推动腰痛和腰椎退变研究。第三部分显式显著区域自适应深度学习算法用于腰椎MRI多节段椎旁肌肉分割背景腰椎MR图像中椎旁肌自动精准分割具有迫切的临床用途和需求,对协助腰椎研究具有重要意义。然而,在横断位MRI上不同的肌肉形态和信号变化差异巨大、相邻肌肉之间边界模糊,椎旁肌自动分割面临着诸多技术层面的挑战。迄今为止,尚未有研究成功实现多腰椎节段横断位MRI上多块椎旁肌的自动精准分割和测量。目的研发并验证新型深度学习图像分割算法,以实现自动多节段腰椎横断位MRI上椎旁肌肉的精准分割。方法本研究提出了一种新型显式的显著区域自适应深度学习算法（BS-ESNet）,用于腰椎横断位MRI上多块椎旁肌肉及其他主要器官的精准自动分割。BS-ESNet首先进行多目标器官的检测定位;而后进行多器官分割,其独特设计使的分割过程中能够利用检测定位结果提升最终的分割精度。BS-ESNet在多器官检测阶段创新性地在预分割结果上而非原始输入图像上进行检测定位,因而消除了肌肉形状差异和模糊肌肉边界带来的影响;其先预分割后检测的流程也向业界提供了一种端到端的多目标检测范式。BS-ESNet还内嵌了一种巧妙的空间注意力运算模块,该新型模块利用多个器官的检测坐标,并通过显式监督的方式生成显著区域激活图。获得的显著区域激活图能够自动地对分割特征进行校正和强化,从而促进了最终分割精准度的提升。本研究采用Dice系数评估器官分割准确性。本研究首先设计消融实验以验证BS-ESNet算法中空间注意力模块的有效性;之后对比了BS-ESNet和其他图像分割算法的分割性能。消融实验和对比实验均在320例同时包含上腰段和下腰段的横断位腰椎MRI图像数据集上进行,并对所有算法均进行了5折交叉验证以确保结果的可靠性。结果BS-ESNet在320例从L2/3到L5/S1多节段横断位MRI数据集上实现了多个椎旁肌肉、椎间盘和椎管的精准分割,其平均Dice系数高达94.4%。消融实验结果证实了空间注意力模块对提升算法分割性能的有效性。对比实验结果表明本研究提出的BS-ESNet算法在椎旁肌分割上的性能优于当前应用最广泛的其他图像分割算法。结论本研究依据横断位MRI上椎旁肌器官的特点,对深度学习算法进行精心独到的设计,提出了新型显式的显著区域自适应深度学习BS-ESNet算法,从而首次成功实现多腰椎节段的横断位MRI上的多器官精准分割。实验结果表明作者提出的BS-ESNet算法在椎旁肌分割中具有稳定、准确的特点,其准确性超过了多个当前最先进的深度学习算法,从而提示该算法可作为一项强有力的工具被用于腰椎相关的临床流行病学研究。