深度学习在手部磁共振体积年龄估计及胎儿超声标准扫描平面检测中的应用

### 深度学习在手部磁共振体积年龄估计及胎儿超声标准扫描平面检测中的应用 #### 手部磁共振体积年龄估计 在医学领域，准确估计人体的年龄对于临床诊断和法律医学等方面都具有重要意义。传统的年龄估计方法往往依赖于专业人员的经验和判断，存在一定的主观性和局限性。随着深度学习技术的发展，利用手部磁共振（MR）体积进行自动年龄估计成为了研究的热点。 ##### 图像预处理 在进行年龄估计之前，需要对采集到的手部 MR 体积图像进行预处理。通过以下公式对图像进行处理： \[ I_b^i = \frac{1}{1 + \exp\left(-\frac{|\lambda_1| - \zeta_1}{\zeta_2}\right)} \cdot \exp\left(-\frac{|\langle v_1, n_z\rangle - 1|}{\zeta_3}\right) \] 其中，左项利用了平面结构中 Hessian 特征值的响应特性，即 \(|\lambda_1| \gg 0\)，\(|\lambda_2, \lambda_3| \approx 0\)。通过设置 \(\zeta_1 = 40\) 和 \(\zeta_2 = 5\)，可以增强骨骺板内的 \(|\lambda_1|\)。右项则通过点积惩罚 Hessian 特征向量 \(v_1\)（即平面法线）与对齐骨骼纵轴 \(n_z\) 的偏差，缩放因子为 \(\zeta_3 = 0.25\)。在实验中，将原始图像强度（II）与预处理后的 3D 骨骼体积（FI）作为评估算法的输入进行比较，例如 DCNN-II 与 DCNN-FI。 ##### DCNN 架构设计 为了实现年龄估计，构建了基于深度卷积神经网络（DCNN）的模型。该模型的 SE 块受到 LeNet 架构的启发，因为 LeNet 具有出色的降维和特征提取能力，并且所需的模型参数较少。每个 3D SE 块的第一层是卷积层（conv），滤波器大小为 \(5 \times 5 \times 5\) 像素，有 8 个滤波器输出，随后是修正线性单元（ReLU）作为非线性激活函数。激活后，通过大小为 \(2 \times 2 \times 2\) 的 MAX 池化层（pool）进行下采样。然后重复相同的卷积、激活和池化步骤，使用 16 个卷积滤波器输出。SE 块的最后一层是全连接层（fc），有 100 个输出，同样跟随一个 ReLU 激活单元。为了防止过拟合，在 fc 层中加入了比例为 0.5 的 dropout 正则化。每个 SE 块通过提取大小为 100 的特征向量来降低输入骨骼体积的维度，该特征向量捕获了与使用 TW2 方法进行骨龄（BA）估计的评估者为单个骨骼生成的相同的单一骨化分数。 根据 TW2 分期方案，同一手指组的第三和第五块骨骼（即掌骨、近节、中节和远节指骨）显示出相同的物理成熟过程，即它们的骨化阶段的骨化分数相同。因此，对于这些组的骨骼，通过在 DCNN 的 SE 块的不同层之间进行权重共享（TW2ws）来模拟这一概念，从而得到方法 DCNN-TW2ws-II 和 DCNN-TW2ws-FI。最终的年龄估计输出是在将提取的每块骨骼的特征向量完全连接后获得的，具有单个连续的年龄预测输出。 在训练 DCNN 时，除了在实足年龄（CA）上进行训练外，还尝试对放射科医生确定的 BA 进行回归，因为 BA 与我们试图估计的“真实”生物年龄的偏差较小。每个训练样本 \(s_n\)，\(n \in \{1, \ldots, N_s\}\) 都与一个年龄 \(y_n^A\) 相关联，其中 \(A \in \{BA, CA\}\) 取决于实验。使用随机梯度下降优化，训练具有参数 \(w\) 的 DCNN \(\varphi\) 以最小化 L2 损失： \[ \hat{w