医学影像处理中的深度学习方法：脊柱影像分类与组织图像语义分割

# 医学影像处理中的深度学习方法：脊柱影像分类与组织图像语义分割 ## 1. 脊柱影像分类研究 ### 1.1 数据增强策略 在脊柱影像处理中，为了提高模型的泛化能力，采用了多种数据增强策略。训练时的增强策略包括： - 旋转：旋转角度范围为 -15° 到 15°。 - 平移：在 x 轴上平移 ±32 像素，y 轴上平移 ±24 像素，z 轴上平移 ±2 个切片。 - 缩放：缩放因子在 90% 到 110% 之间。 - 强度变化：强度变化范围为 -0.1 到 0.1。 - 随机切片翻转：即沿矢状面中线对切片进行反射。 测试时，最终预测结果是 54 个预测值的平均值，具体包括： - 8 个补丁，距离原点 ±16 像素，加上中心补丁。 - 它们的切片反射。 - 沿体积滑动切片窗口 ±1。 ### 1.2 数据集与放射学分级 数据集来自不同中心，使用了不同的 MRI 机器和协议，因此切片厚度差异较大，范围从 2.6 毫米到 6.0 毫米，中位数为 4 毫米。扫描为 T2 矢状面扫描，由一名专业放射科医生对扫描结果进行各种放射学评分（全局评分和局部评分）。数据集包含 2009 名患者，共获得 12018 个椎间盘及其标签，每个患者有 6 个椎间盘，但部分扫描包含的椎间盘少于 6 个，大多数扫描显示完整的腰椎区域。采用 80:10:10 的比例（1602:204:203）对数据集进行划分，用于训练、验证和测试 CNN 模型。 | 分类任务 | 正常 | 异常 | 总计 | | --- | --- | --- | --- | | Pfirrmann 分级 | | | 11994 | | 椎间盘狭窄 | 7186 (60%) | | 11989 | | 上终板缺陷 | 10952 (91%) | 1034 (9%) | 11986 | | 下终板缺陷 | 10927 (91%) | 1056 (9%) | 11983 | | 上骨髓变化 | 10069 (85%) | 1824 (15%) | 11893 | | 下骨髓变化 | 10077 (85%) | 1815 (15%) | 11892 | ### 1.3 评估协议 为了评估分类性能，使用平均每类准确率，该指标适用于高度不平衡的分类任务。同时，提供了平均每类内部评分者一致性作为比较，该一致性是通过同一名放射科医生对数据集的一个子集（121 名患者，726 个椎间盘）进行两次独立标注计算得出的，测试集包含 203 名患者（1217 个椎间盘）。内部评分者一致性是一个很好的性能基准，因为模型的性能本质上受标签质量的限制。 ### 1.4 模型组件与训练 通过改变分支点来研究架构的变化。分支点之后的层会为六个任务分别复制，例如，在 Conv4 之后设置分支点的网络，会有六个独特的 Conv5、FC6、FC7 和 FC8 层，每个任务对应一个。不同分支点的模型在测试集上的性能如下表所示： | 任务 | 内部评分者一致性 | 无分支点 | Conv3 | Conv4 | Conv5 | FC6 | FC7 | | --- | --- | --- | --- | --- | --- | --- | --- | | Pfirrmann 分级 | 70.4 | 69.8 ± 0.4 | 71.2 ± 1.0 | 70.9 ± 0.1 | 71.2 ± 0.4 | 69.8 ± 0.4 | 70.9 ± 0.6 | | 椎间盘狭窄 | 72.0 | 72.3 ± 2.1 | 74.4 ± 0.4 | 73.3 ± 1.9 | 73.9 ± 0.7 | 73.2 ± 0.1 | 74.5 ± 0.7 | | 上终板缺陷 | 80.7 | 79.0 ± 0.5 | 83.0 ± 1.5 | 81.7 ± 2.5 | 84.8 ± 0.6 | 85.8 ± 0.3 | 85.7 ± 0.1 | | 下终板缺陷 | 83.3 | 79.5 ± 1.2 | 82.8 ± 1.5 | 84.5 ± 1.2 | 87.3 ± 2.3 | 85.8 ± 2.0 | 86.4 ± 2