这是一篇在知识共享署名许可(https://creativecommons.org/licenses/by/4.0/)条款下发布的开放获取文章,该许可允许在任何媒介上不受限制地使用、分发和复制,前提是原始作品(首次发表在JMIR Medical Informatics上)被适当引用。必须包括完整的书目信息,到https://medinform.www.mybigtv.com/上原始出版物的链接,以及版权和许可信息。
椎间盘突出和椎间盘突出是腰椎间盘(IVDs)两种常见疾病,常导致麻木、下肢疼痛和腰痛。磁共振成像是诊断腰椎疾病最有效的技术之一,已广泛应用于医院的临床诊断。然而,缺乏有效的工具来解释大量的MR图像,以满足许多放射科医生的要求。
本研究的目的是提出一种诊断椎间盘突出和突出的自动系统,可以节省时间,有效地减少放射科医生的工作量。
腰椎疾病的诊断高度依赖于医学图像。因此,我们选择了两种最常见的疾病——椎间盘突出和椎间盘突出作为研究对象。本研究主要通过分析矢状面与轴向面图像的几何关系,并通过深度卷积神经网络对轴向腰椎间盘MR图像进行分类,识别ivd(腰椎[L] 1至L2、L2- l3、L3-L4、L4-L5、L5至骶椎[S] 1)的位置。
这个系统包括4个步骤。第一步,使用更快的基于区域的卷积神经网络自动定位矢状图像中的椎体(包括L1、L2、L3、L4、L5和S1),我们的四倍交叉验证显示准确率为100%。第二步,在每个轴向腰椎间盘MR图像中自发识别相应的椎间盘,准确率为100%。第三步,在轴向MR图像中自动定位感兴趣的椎间盘区域的精度为100%。第四步,对L1-L2、L2-L3、L3-L4、L4-L5和L5-S1 ivd的3类分类(正常椎间盘、椎间盘突出和椎间盘突出)准确率分别为92.7%、84.4%、92.1%、90.4%和84.2%。
成功构建了椎间盘自动诊断系统,该系统可以对正常椎间盘、椎间盘突出和椎间盘突出图像进行分类。该系统为腰椎间盘MR图像的解释提供了一种基于网络的测试,可以显著提高诊断效率和标准化诊断报告。该系统还可用于检测其他腰椎异常和颈椎病。
磁共振成像(MRI)是一种广泛应用于腰椎疾病检测的技术,具有图像质量高、无创、无电离辐射等优点。椎间盘突出和椎间盘突出是两种常见的腰椎间盘(IVD)损伤,常导致腰痛和腿部刺痛和麻木[
Koh等[
本研究旨在开发一种临床应用系统,通过深度学习方法诊断椎间盘突出和椎间盘突出,需要尽可能少的医生信息[
本研究腰椎MR图像和临床诊断报告来源于西安市第三医院医学影像科,该医院是中国西安市一家大型三级甲等综合性医院。矢状面和轴向面2使用Philips Ingenia 3.0T扫描仪获取500例患者的加权腰椎MR图像,并以DICOM格式导出。主要诊断是基于轴向图像,因为轴向图像比其他图像更清楚地显示了ivd的形态。对于每个受试者,中矢状位图像用于定位轴向图像中的ivd。本研究共使用了3555张轴向图像。根据诊断报告,这些图像被标记为正常椎间盘、椎间盘突出和椎间盘突出,并由经验丰富的放射科医生重新检查,如图
每个类别中轴向图像的数量。
椎间盘 | 正常图像,n | 凸出图像,n | 疝图像,名词 | 总n |
寓于一个 | 593 | 37 | 36 | 666 |
L2-L3 | 549 | 120 | 30. | 699 |
L3-L4 | 347 | 284 | 86 | 717 |
- 5 | 158 | 413 | 178 | 749 |
L5-S1b | 238 | 242 | 244 | 724 |
所有椎间盘 | 1885 | 1096 | 574 | 3555 |
一个L:腰椎。
bS:骶骨。
腰椎MR图像示例。(A) 5个ivd标记的腰椎矢状位MR图像。(B)腰椎矢状面MR图像,其中6个椎体被围在盒子里。(C)正常腰椎间盘的轴向MR图像。(D)腰椎间盘突出的轴向MR图像。(E)腰椎间盘突出的轴位MR图像。L:腰椎;MR:磁共振;骶。
我们的系统由4个步骤组成,如下所示
整体诊断系统。这个系统包括4个步骤。首先,采用更快的R-CNN自动定位腰椎矢状面磁共振图像中的椎体(L1、L2、L3、L4、L5),并计算各椎体的中点。其次,将轴向图像分为5类。每一类对应一个椎间盘(即L1-L2、L2-L3、L3-L4、L4-L5和L5-S1椎间盘)。第三,使用更快的R-CNN对每个轴向MR图像中感兴趣的椎间盘区域进行分割。最后,在每个类别中,使用ResNet101将感兴趣区域图像分类为正常磁盘图像、磁盘凸起图像和磁盘突出图像。L:腰椎;R-CNN:区域卷积神经网络;骶。
更快的区域性CNN (R-CNN) [
首先,在放射科医生的指导下,人工定位200张中矢状面图像中的6个椎体(L1-S1)。其次,训练更快的R-CNN来检测和定位每个椎体。我们检测椎体而不是椎间盘,因为它们更容易手动定位。最后,根据边界框坐标计算每个椎体的中点坐标,因为椎体的精确位置将用于轴向MR图像中椎体的定位,如图所示
更快的R-CNN是用Caffe实现的[
每个受试者需要15个轴向切片来识别每个轴向MR图像中对应的ivd (L1-L2, L2-L3, L3-L4, L4-L5和L5-S1)。步骤1计算矢状面图像中6个椎体的中心点坐标。根据矢状图与轴向图之间的空间位置关系,计算每个受试者从这些中心点到每个轴向图的有向距离。有向距离表示每个轴向图像中哪个ivd离相应ivd更近,哪个ivd位于相应ivd的上方或下方,如图
通过计算有向距离来定位每个轴向图像中的椎间盘(从L1-L2到L5-S1)。红点表示矢状面图像中每个椎体的中点。蓝线表示从红点到特定轴向图像的定向距离。L:腰椎;骶。
腰椎轴位MR图像包含大量不相关区域。为了聚焦IVD,提取更多相关特征,在1237张轴向图像中手工标记IVD区域,包括正常盘区、椎间盘膨出区、椎间盘突出区、L1-L2至L5-S1 IVD区域。每个ROI图像的IVD区域需要定位以训练更快的R-CNN,我们的四倍交叉验证显示100%的准确率。随后,使用更快的R-CNN检测并提取每个腰椎轴向图像的roi,如图
值得一提的是,随着CNN深度的增加,超深度CNN的退化问题可能导致分类精度降低。他等人[
根据诊断报告,在每个类别(L1-L2至L5-S1)中,共有3555张轴向MR图像被标记为正常椎间盘、椎间盘突出或椎间盘突出。所有3555张ROI图像都由放射科专家审查,以确认图像是否符合标签。随后,使用ResNet101对每个类别进行3类分类,我们的4倍交叉验证显示,L1-L2、L2-L3、L3-L4、L4-L5和L5-S1 ivd的分类准确率分别为92.7%、84.4%、92.1%、90.4%和84.2%。在这一步中,我们使用一个代价敏感的CNN来测试3类分类数据集的不平衡[
我们着重于显示椎间盘突出、突出和正常椎间盘的图像。从
我们的系统由4个步骤组成。首先,系统使用更快的R-CNN自动定位矢状图像中的椎体(从L1到S1),该R-CNN在200张手动裁剪的图像上进行了训练。我们的四重交叉验证显示100%的准确性。如此高的定位精度表明,更快的R-CNN方法比许多其他方法,如Gabor滤波器组方法,可以更准确地定位椎体[
椎间盘正常、椎间盘突出、椎间盘突出3级分类结果。(A)分类系统(使用ResNet101计算)对以下五个类别:L1-L2、L2-L3、L3-L4、L4-L5和L5-S1的平均准确率。所有热图的行和列分别表示地面真值标签和预测标签。x轴显示5个椎间盘。(B)类别L1-L2的分类精度热图。色阶表示精确度。(C) L2-L3类分类精度的热图。色阶表示精确度。(D) L3-L4类的分类精度热图。色阶表示精确度。 (E) A heat map of the classification accuracies for category L4-L5. The color scale expresses the accuracy. (F) A heat map of the classification accuracies for category L5-S1. The color scale expresses the accuracy. L: lumbar vertebra; S: sacral.
根据我们的结果,L2-L3和L5-S1 ivd的分类精度低于其他磁盘。普通磁盘的形状与L1-L2到L5-S1 ivd有些不同。对于L2-L3磁盘,有几个图像是模糊的,很难识别细微的差异。这一点,加上我们的小样本椎间盘突出,对我们的分类准确性有相当大的影响。数据质量可能成为限制研究中使用的算法性能的关键因素[
我们使用了Django框架[
基于web的自动诊断系统报表的外观和功能。这是上传文件夹的页面。(B)诊断结果以表格形式显示。(C)统一格式的诊断报告。LDP:腰椎间盘突出。
本文提出了一种基于深度卷积神经网络的轴向磁共振图像诊断椎间盘突出和椎间盘突出的自动诊断系统。该系统可以自动确定轴向磁共振图像中ivd的位置和状态。因此,该系统可以通过标准化的方法分析腰椎MR图像,从而帮助减少放射科医生的工作量。此外,该系统可以扩展到分析其他类型的腰椎疾病,如颈椎病。然而,使用这个系统有一些限制。来自该系统的数据可能从根本上受到图像质量的限制(例如,当图像模糊时),这使得很难识别细微的差异。该系统还受到总数据集大小的限制,因为它对于深度卷积神经网络来说相对较小。我们未来的工作将集中在以下两个方面:(1)采用更有针对性的方法来开发该系统,分析MR图像的具体特征;(2)收集更多的MR图像来训练一个更实用、更完整的自动诊断系统。
补充材料。
卷积神经网络
医学中的数字成像和通信
椎间盘
腰椎
核磁共振
磁共振成像
区域卷积神经网络
感兴趣的区域
骶椎
本研究资助国家重点研发计划项目(2018YFC0116500)。
YJG设计了这项研究。QP和KZ进行了这项研究。YW, ZD和YJG收集并标记数据。KZ, LH, ZD, QP和LZ负责编码和分析结果。QP和KZ共同撰写了手稿。XHW, KZ和QP对稿件进行了严格的审阅和修改。所有作者讨论了结果并对稿件进行了评论。
没有宣布。