论文部分内容阅读
脊柱图像量化是指从脊柱图像中测量脊柱的某些量化指标，例如，横断面脊柱图像量化需要从横断面脊柱图像中获取与硬膜囊或椎间盘相关的四个指标，其中包括硬膜囊中矢位直径(DSMD)、硬膜囊横截面积(DSCA)、椎间盘中矢位直径(IDMD)、以及椎间盘横截面积(IDCA)。脊柱图像量化指标的自动预测对脊柱计算机辅助诊断过程具有重要的临床意义，如疾病诊断、疗效评价、病理生理学研究、风险评估和生物力学建模等。目前，脊柱指标测量由临床医师手动进行，既费时又费力。而且繁琐的手动测量过程可能会导致其准确率的下降。为解决这一问题，本文基于深度学习技术先后提出两个网络模型，首次进行横断面脊柱图像量化指标的自动预测。
(1)基于密集增强网络(Dense enhancing network，DE-Net)的横断面脊柱图像指标预测。受深度学习在回归问题和密集网络(Dense convolutional network，DenseNet)在图像分类中成功应用的启发，本文提出DE-Net，以密集增强块(Dense enhancing block，DEB)为主体，在密集块(Dense block)的每条旁路中嵌入特征增强层，其设计的出发点是为了增强椎间盘和硬膜囊区域的特征响应。此外，提出跨空间一距离保持正则化(Cross-space distance-preservlng regularization，CSDPR)，使样本间距在输出空间和真值空间保持一致，在训练过程中约束DE-Net的损失函数以提高预测精度。
(2)基于特定目标-双路网络（Object-specific bi-path network，OSBP-Net）的横断面脊柱图像指标预测。OSBP-Net的构建是基于对目标器官的尺寸、图像灰度等特征的观察、目标器官空间关系的思考、以及预测指标互相之间关联性的探索。考虑到目标器官包括椎间盘和硬膜囊，OSBP-Net采用双路网络作为主体结构。为从特定目标器官（椎间盘或硬膜囊）中提取更具区分性的特征，在网络中设计了浅层特征提取层(Shallow feature extraction layer，SFE)和深层特征提取子网络（Deep feature extraction sub-network，DFE）。考虑到两个目标器官的尺寸不同，对两条支路上的SFE使用不同的卷积步幅;考虑到目标器官的灰度值普遍低于背景的灰度值，在DFE中采用平均池化作为下采样层。此外，考虑到两个目标器官之间无重叠区域，我们假设两条支路的同一层特征图无重叠区域，据此提出一种支路间不相似性约束（Inter-path dissimilarity constraint，IPDC）作用在SFE的输出，通过消除两条支路中特征图的重叠区域，以抑制来自背景干扰及目标间的互相干扰。最后，引入指标间相关性正则化(Inter-index correlation regularization，IICR)对指标间的关系进行建模，利用量化指标间的相关性对DFE的最后一个全连接层进行约束。OSBP-Net及其损失函数的设计完全考虑到脊柱图像及预测指标的特性，因而能获取较高的预测精度。
实验对143名受试者进行磁共振成像(Magnetic resonance imaging，MRI)图像的扫描，收集895张横断面脊柱MRI图像对提出网络模型进行训练和验证。将提出网络获得的结果与数个传统机器学习方法及深度学习方法的结果进行对比，发现本文提出的DE-Net和OSBP-Net在和所有对比方法中获得最小误差值，证明提出模型在脊柱计算机辅助过程的应用中极具潜力。具体地，DE-Net对DSMD、DSCA、IDMD和IDCA的预测精度比最好的对比方法分别高13.94％、13.17％、18.92％和1.25％。此外，DE-Net对四个指标的预测的平均绝对误差分别为1.04mm、2.36/mm2、1.47mm和3.54mm2。OSBP-Net的对四个指标的预测误差比DE-Net小，分别为0.87mm、2.18mm2、1.27mm和2.98mm2。
综上所述，本文基于深度学习技术对横断面脊柱图像量化指标预测进行研究，论文的贡献及创新点可概括如下:1）脊柱图像的量化意义重大，本文首次验证了深度学习在横断面脊柱图像量化指标预测中的可行性，此前，尚无文献基于深度学习进行该任务的研究;2）本文对脊柱图像及预测指标进行了深入分析，先后构建DE-Net及OSBP-Net两个网络模型，并针对性地设计相应的正则化损失函数对其进行约束，从而获得较高的预测精度;3）为训练、验证提出的网络模型，本文收集895张临床横断面脊柱MRI图像构成数据集进行了大量实验，将提出模型与多种方法进行结果对比，最终证明提出方法能够取得满意的预测精度。
(1)基于密集增强网络(Dense enhancing network，DE-Net)的横断面脊柱图像指标预测。受深度学习在回归问题和密集网络(Dense convolutional network，DenseNet)在图像分类中成功应用的启发，本文提出DE-Net，以密集增强块(Dense enhancing block，DEB)为主体，在密集块(Dense block)的每条旁路中嵌入特征增强层，其设计的出发点是为了增强椎间盘和硬膜囊区域的特征响应。此外，提出跨空间一距离保持正则化(Cross-space distance-preservlng regularization，CSDPR)，使样本间距在输出空间和真值空间保持一致，在训练过程中约束DE-Net的损失函数以提高预测精度。
(2)基于特定目标-双路网络（Object-specific bi-path network，OSBP-Net）的横断面脊柱图像指标预测。OSBP-Net的构建是基于对目标器官的尺寸、图像灰度等特征的观察、目标器官空间关系的思考、以及预测指标互相之间关联性的探索。考虑到目标器官包括椎间盘和硬膜囊，OSBP-Net采用双路网络作为主体结构。为从特定目标器官（椎间盘或硬膜囊）中提取更具区分性的特征，在网络中设计了浅层特征提取层(Shallow feature extraction layer，SFE)和深层特征提取子网络（Deep feature extraction sub-network，DFE）。考虑到两个目标器官的尺寸不同，对两条支路上的SFE使用不同的卷积步幅;考虑到目标器官的灰度值普遍低于背景的灰度值，在DFE中采用平均池化作为下采样层。此外，考虑到两个目标器官之间无重叠区域，我们假设两条支路的同一层特征图无重叠区域，据此提出一种支路间不相似性约束（Inter-path dissimilarity constraint，IPDC）作用在SFE的输出，通过消除两条支路中特征图的重叠区域，以抑制来自背景干扰及目标间的互相干扰。最后，引入指标间相关性正则化(Inter-index correlation regularization，IICR)对指标间的关系进行建模，利用量化指标间的相关性对DFE的最后一个全连接层进行约束。OSBP-Net及其损失函数的设计完全考虑到脊柱图像及预测指标的特性，因而能获取较高的预测精度。
实验对143名受试者进行磁共振成像(Magnetic resonance imaging，MRI)图像的扫描，收集895张横断面脊柱MRI图像对提出网络模型进行训练和验证。将提出网络获得的结果与数个传统机器学习方法及深度学习方法的结果进行对比，发现本文提出的DE-Net和OSBP-Net在和所有对比方法中获得最小误差值，证明提出模型在脊柱计算机辅助过程的应用中极具潜力。具体地，DE-Net对DSMD、DSCA、IDMD和IDCA的预测精度比最好的对比方法分别高13.94％、13.17％、18.92％和1.25％。此外，DE-Net对四个指标的预测的平均绝对误差分别为1.04mm、2.36/mm2、1.47mm和3.54mm2。OSBP-Net的对四个指标的预测误差比DE-Net小，分别为0.87mm、2.18mm2、1.27mm和2.98mm2。
综上所述，本文基于深度学习技术对横断面脊柱图像量化指标预测进行研究，论文的贡献及创新点可概括如下:1）脊柱图像的量化意义重大，本文首次验证了深度学习在横断面脊柱图像量化指标预测中的可行性，此前，尚无文献基于深度学习进行该任务的研究;2）本文对脊柱图像及预测指标进行了深入分析，先后构建DE-Net及OSBP-Net两个网络模型，并针对性地设计相应的正则化损失函数对其进行约束，从而获得较高的预测精度;3）为训练、验证提出的网络模型，本文收集895张临床横断面脊柱MRI图像构成数据集进行了大量实验，将提出模型与多种方法进行结果对比，最终证明提出方法能够取得满意的预测精度。