基于VGG的SPECT骨掃描圖像關(guān)節(jié)炎分類(lèi)

曹傳貴，林 強(qiáng)，滿正行，曹永春，鄧 濤，李同同，王海軍

(1.西北民族大學(xué) 數(shù)學(xué)與計(jì)算機(jī)科學(xué)學(xué)院，甘肅 蘭州 730030；2.西北民族大學(xué) 動(dòng)態(tài)流數(shù)據(jù)計(jì)算與應(yīng)用實(shí)驗(yàn)室，甘肅 蘭州 730030;3.甘肅省人民醫(yī)院 核醫(yī)學(xué)科，甘肅 蘭州 730020)

0 引言

隨著醫(yī)學(xué)影像技術(shù)的發(fā)展，計(jì)算機(jī)斷層掃描(Computed Tomography,CT)、核磁共振(Magnetic Resonance Imaging,MRI)、正電子發(fā)射型計(jì)算機(jī)斷層顯像(Positron Emission Tomography,PET)和單光子發(fā)射計(jì)算機(jī)斷層成像術(shù)(Single Photon Emission Computed Tomography,SPECT)[1]逐漸應(yīng)用于人體組織器官、解剖結(jié)構(gòu)、生理功能和病理變化的臨床檢查.特別是，近年來(lái)功能影像在疾病診療中的應(yīng)用日漸突現(xiàn)[2].與傳統(tǒng)的CT影像相比，盡管SPECT功能影像[3]分辨率較低、容易受噪聲干擾，但它有著可提前發(fā)現(xiàn)機(jī)體功能病變的優(yōu)點(diǎn)，一定程度上克服了傳統(tǒng)CT、MRI等結(jié)構(gòu)成像的不足.當(dāng)前，SPECT全身骨顯像檢測(cè)已經(jīng)成為疾病提前發(fā)現(xiàn)的重要臨床手段[4-6].

關(guān)節(jié)炎是常見(jiàn)、多發(fā)性生理疾病，其病因復(fù)雜，臨床表現(xiàn)有著較明顯的個(gè)體差異.據(jù)統(tǒng)計(jì)，我國(guó)骨關(guān)節(jié)炎發(fā)病率達(dá)到3%[7]，且隨著年齡增長(zhǎng)，發(fā)病率顯著增加.因SPECT核醫(yī)學(xué)成像具有提早發(fā)現(xiàn)疾病的獨(dú)特優(yōu)勢(shì)，在骨轉(zhuǎn)移、退行性改變、關(guān)節(jié)炎的診斷中發(fā)揮著重要作用.SPECT核醫(yī)學(xué)可提前1～3個(gè)月發(fā)現(xiàn)關(guān)節(jié)病變[8-10].

以人工閱片為主的傳統(tǒng)診斷方式不僅效率偏低，而且存在漏診、誤診等影響準(zhǔn)確診療的問(wèn)題.利用從大量歷史數(shù)據(jù)中提取出來(lái)的疾病特征，構(gòu)建基于機(jī)器學(xué)習(xí)特別是深度學(xué)習(xí)技術(shù)的計(jì)算機(jī)輔助診斷系統(tǒng)(Computer Aided Design,CAD)，可實(shí)現(xiàn)疾病的自動(dòng)輔助診斷，減少漏診、誤診現(xiàn)象的發(fā)生.這是因?yàn)?，CAD系統(tǒng)能夠克服醫(yī)務(wù)人員臨床經(jīng)驗(yàn)、主觀認(rèn)識(shí)差異導(dǎo)致的診斷結(jié)果不一致等問(wèn)題[11-14]，包括基于Faster R-CNN模型在INbreast數(shù)據(jù)集上對(duì)乳腺X光片的惡性和良性病變的分類(lèi)檢測(cè)[15]、基于CheXNet模型在最大公開(kāi)胸部X射線數(shù)據(jù)集中對(duì)14種疾病進(jìn)行分類(lèi)[16]、基于深度學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)的CT數(shù)據(jù)預(yù)測(cè)肺結(jié)節(jié)惡性腫瘤的系統(tǒng)方法NoduleX[17]、基于DenseNet改進(jìn)的網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行SPECT甲狀腺診斷[18].而卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)因其獨(dú)有的圖像特征自動(dòng)提取功能，學(xué)術(shù)界提出了大量基于深度學(xué)習(xí)的關(guān)節(jié)炎識(shí)別模型與方法.現(xiàn)有工作主要以結(jié)構(gòu)醫(yī)學(xué)圖像中關(guān)節(jié)炎的自動(dòng)分類(lèi)和診斷為研究目標(biāo)，包括基于多模式機(jī)器學(xué)習(xí)的X射線成像的膝骨關(guān)節(jié)炎的預(yù)測(cè)模型[19]、基于全卷積神經(jīng)網(wǎng)絡(luò)的X射線成像平片自動(dòng)量化膝關(guān)節(jié)炎嚴(yán)重程度的分類(lèi)[20]、基于V型網(wǎng)絡(luò)和Inception網(wǎng)絡(luò)的MRI圖像關(guān)節(jié)軟骨病變分類(lèi)[21]、基于孿生CNN的X射線成像平片自動(dòng)膝關(guān)節(jié)骨關(guān)節(jié)炎輔助診斷[22]、CNN與長(zhǎng)短期記憶(Long Short Term Memory,LSTM)相結(jié)合的X射線成像關(guān)節(jié)炎自動(dòng)診斷[23]以及可訓(xùn)練注意力模塊CNN的X射線成像膝蓋骨關(guān)節(jié)炎自動(dòng)分類(lèi)[24].

1 數(shù)據(jù)與方法

1.1 數(shù)據(jù)及預(yù)處理

本文實(shí)驗(yàn)數(shù)據(jù)來(lái)源于甘肅省人民醫(yī)院核醫(yī)學(xué)科患者的門(mén)診檢查記錄，每個(gè)記錄由DICOM文件和診斷報(bào)告兩部分構(gòu)成.原始數(shù)據(jù)集包含780個(gè)DICOM文件.根據(jù)部位的不同，將原始數(shù)據(jù)分為肩關(guān)節(jié)、肘關(guān)節(jié)、腕關(guān)節(jié)、膝關(guān)節(jié)、踝關(guān)節(jié)等五個(gè)類(lèi)別，每個(gè)類(lèi)別分別有正常和包含病灶兩種類(lèi)型.全身SPECT骨顯像的大小為1024(高) × 256(寬).為專注關(guān)節(jié)炎病灶的識(shí)別和分類(lèi)，本文基于常識(shí)以手工方式從原始圖像中裁剪出64 × 64的圖像塊.包含炎癥病灶的圖像塊有345個(gè)樣本，不包含病灶的正常圖像塊有435個(gè)樣本，共有400個(gè)病例，其中正常55人，異常345人.為表述方便，本文將包含病灶的圖像稱為異常圖像，不含病灶的圖像稱為正常圖像.每個(gè)異常圖像中僅包含一個(gè)病灶，即不含多病灶圖像樣本.本文研究數(shù)據(jù)集涉及患者的年齡分布如表1所示.

表1 患者年齡分布

由表1可知，患者的年齡主要分布在40～79歲之間，占比達(dá)到94.7%，而60～69歲之間的患者達(dá)到33.9%.這是因?yàn)?，SPECT核醫(yī)學(xué)檢查主要面向重病患者，而老年人隨著機(jī)體功能的下降，更容易出現(xiàn)生理疾病，甚至嚴(yán)重疾病.

圖1(左)中SPECT全身骨顯像包含左右肩關(guān)節(jié)、腕關(guān)節(jié)、肘關(guān)節(jié)、手指關(guān)節(jié)炎和左膝關(guān)節(jié)炎多處病灶,還有膀胱殘留；圖1(右)中包含左右膝關(guān)節(jié)炎、L1～L5退行性改變以及膀胱殘留.從圖1可以看出，SPECT全身骨掃描具有分辨率低且一張圖像包含多個(gè)病灶的特點(diǎn).

盡管圖1所示的關(guān)節(jié)炎病灶呈現(xiàn)為放射濃聚的區(qū)域，但是否診斷為關(guān)節(jié)炎，臨床上通常要綜合其他信息(如對(duì)稱性、個(gè)體差異)給出診斷結(jié)論.因此，本文借助深度學(xué)習(xí)技術(shù)特征自動(dòng)提取功能，特別是深度模型的卷積層感受野特性，來(lái)實(shí)現(xiàn)個(gè)體差異顯著的低分辨率SPECT圖像關(guān)節(jié)炎病灶的可靠分類(lèi).

圖1 SPECT骨顯像樣例

1.1.1 數(shù)據(jù)歸一化

每個(gè)原始DICOM文件是一個(gè)矩陣，每個(gè)元素代表成像設(shè)備捕獲的放射量.如圖2所示，放射量的變化范圍寬廣，最高時(shí)可能超過(guò)1萬(wàn).為了適應(yīng)模型的處理要求，本文利用歸一化處理技術(shù)將原始DICOM文件轉(zhuǎn)化為元素取值在0～255的數(shù)據(jù)矩陣，本文稱其為SPECT圖像.歸一化過(guò)程如下：

1) 掃描每個(gè)DICOM文件，確定其輻射量的最小值Xmin和最大值Xmax.

2) 根據(jù)下式計(jì)算系數(shù)k.

(1)

3) 得到歸一化[a,b]區(qū)間的數(shù)據(jù)，其中a=0，b=255.

1.1.2 數(shù)據(jù)擴(kuò)展

SPECT圖像是在疾病診治過(guò)程中收集的核醫(yī)學(xué)影像記錄，疾病類(lèi)別的差異自然導(dǎo)致歸屬各類(lèi)疾病的圖像數(shù)據(jù)集存在不平衡現(xiàn)象，例如膝關(guān)節(jié)炎患者較多而踝關(guān)節(jié)炎患者較少.為了確保不同類(lèi)別疾病數(shù)據(jù)集的基本平衡，同時(shí)適度擴(kuò)展圖像數(shù)據(jù)的數(shù)量，本文使用基于圖像平移、旋轉(zhuǎn)、扭曲、鏡像的數(shù)據(jù)擴(kuò)展方法.

為盡可能避免分類(lèi)類(lèi)間的不平衡現(xiàn)象，在數(shù)據(jù)擴(kuò)展時(shí)做不等量擴(kuò)展.如肘關(guān)節(jié)炎比膝關(guān)節(jié)炎少，肘關(guān)節(jié)炎擴(kuò)展10倍，而膝關(guān)節(jié)炎只擴(kuò)展5倍.本文經(jīng)數(shù)據(jù)預(yù)處理后的實(shí)驗(yàn)數(shù)據(jù)見(jiàn)表2.

表2 本文所用數(shù)據(jù)集

鏡像：SPECT核醫(yī)學(xué)檢測(cè)每次產(chǎn)生兩幅圖像，分別代表前位圖像和后位圖像.但檢查過(guò)程及數(shù)據(jù)傳輸和存儲(chǔ)過(guò)程中可能出現(xiàn)圖像丟失的現(xiàn)象.為了避免圖像丟失帶來(lái)的影響，本文對(duì)SPECT圖像做鏡像處理.常見(jiàn)的圖像鏡像有水平鏡像和垂直鏡像.因人體的垂直對(duì)稱性，本文僅選用水平鏡像實(shí)現(xiàn)SPECT圖像的水平鏡像處理.令w和h分別代表原始圖像的寬度和高度，源圖像中點(diǎn)的(xi,yi)經(jīng)過(guò)水平鏡像后的坐標(biāo)(xo,yo)為：

xo=w-xi-1,yo=yi

(2)

旋轉(zhuǎn)：疾病檢查過(guò)程中，因患者的躺姿不完全標(biāo)準(zhǔn)等可能，所收集的SPECT圖像中會(huì)包含傾斜現(xiàn)象.為提升模型識(shí)別的魯棒性，需要對(duì)SPECT做適度旋轉(zhuǎn).但醫(yī)學(xué)圖像不同于自然圖像，旋轉(zhuǎn)幅度應(yīng)該控制在合理的范圍之內(nèi).

假定(xi,yi)為輸入圖像中的點(diǎn)，給定旋轉(zhuǎn)角度θ∈[θ1,θ2]，其中θ1和θ2分別代表旋轉(zhuǎn)角度的下限和上限，其取值通過(guò)實(shí)驗(yàn)方式確定.式(2)給出了經(jīng)旋轉(zhuǎn)處理后的點(diǎn)(xo,yo).

(3)

為給定包含關(guān)節(jié)炎病灶的樣本實(shí)例，圖3給出了鏡像和旋轉(zhuǎn)處理后的結(jié)果.

(a)原圖 (b)鏡像 (c)旋轉(zhuǎn)

1.2 VGG分類(lèi)模型

本文選用標(biāo)準(zhǔn)的VGG-16模型構(gòu)建SPECT圖像分類(lèi)器.由于標(biāo)準(zhǔn)VGG-16模型的網(wǎng)絡(luò)層級(jí)較深，對(duì)訓(xùn)練樣本的數(shù)量要求較高，因此本文參照VGG-16結(jié)構(gòu)定義新的模型VGG-6.兩類(lèi)模型的網(wǎng)絡(luò)結(jié)構(gòu)分別見(jiàn)圖4和圖5.

圖4 VGG-16網(wǎng)絡(luò)結(jié)構(gòu)

圖5 VGG-6網(wǎng)絡(luò)結(jié)構(gòu)

1.2.1 標(biāo)準(zhǔn)VGG-16模型

VGG-16是由多層卷積運(yùn)算和池化運(yùn)算堆疊而成的深層網(wǎng)絡(luò)結(jié)構(gòu)，包括13個(gè)卷積層、5個(gè)池化層和3個(gè)全連接層，總數(shù)目為13+3=16(這就是VGG16中16的來(lái)源).其中，卷積層和全連接層有相應(yīng)的權(quán)重，因此也稱為權(quán)重層.

卷積層均使用3×3的卷積核，結(jié)合其他參數(shù)(步幅Stride=1、填充方式Padding=Same)，以確保每個(gè)卷積層與前一層保持相同的尺寸.

池化層均采用相同的2×2大小的參數(shù)，高和寬逐步減半，即224→112→56→28→14→7，通道數(shù)逐步翻倍，即64→128→256→512，其后將保持不變.

1.2.2 自定義VGG-6模型

參照VGG-16模型的結(jié)構(gòu)，本文定義深度為6的模型VGG-6，即由4個(gè)卷積層和2個(gè)池化層構(gòu)成，同時(shí)包含2個(gè)全連接層.模型的輸入為64×64的三通道圖像：①經(jīng)過(guò)兩層3×3的卷積后通道數(shù)變?yōu)?4，由于采用Same方式填充，所以經(jīng)過(guò)兩層卷積后圖像尺寸仍然不變；②經(jīng)過(guò)2×2的池化處理，變成32×32的圖像；③進(jìn)行兩層3×3的卷積，仍采用Same方式填充，通道數(shù)為128且大小不變；④經(jīng)過(guò)2×2的池化處理，變?yōu)?6×16的圖像；⑤經(jīng)過(guò)兩層全連接，完成10類(lèi)別分類(lèi)(對(duì)應(yīng)于關(guān)節(jié)炎和正常圖像的類(lèi)別數(shù)).

激活函數(shù)和優(yōu)化函數(shù)是CNN的重要組成部分，對(duì)分類(lèi)的準(zhǔn)確度、模型的收斂速度和迭代周期等起著重要的決定作用.正則化和Dropout能夠提高模型的泛化能力、降低過(guò)擬合現(xiàn)象的發(fā)生，從而提高模型的分類(lèi)性能.

激活函數(shù)：ReLU是CNN常用的激活函數(shù)，它原樣輸出正樣本，但對(duì)負(fù)數(shù)本做置0處理.相比于Sigmoid或者Tanh，ReLU因不使用指數(shù)運(yùn)算，因而計(jì)算量小，能夠加快模型收斂.ReLU的定義見(jiàn)公式4.

f(x)=max(0,x)

(4)

圖6給出了ReLU函數(shù)的圖形化表示.

圖6 ReLU函數(shù)曲線

優(yōu)化函數(shù)：本文選用隨機(jī)梯度下降(Stochastic gradient descent,SGD)優(yōu)化函數(shù)，在每次迭代中，使用一個(gè)樣本來(lái)對(duì)參數(shù)進(jìn)行更新，從而使得訓(xùn)練速度加快.

正則化：在訓(xùn)練過(guò)程中通過(guò)逐漸增大超參數(shù)λ來(lái)增加網(wǎng)絡(luò)參數(shù)稀疏性，以提高泛化能力.本文采用L1范數(shù)作為稀疏性懲罰Ω(θ)的正則化方式叫做L1正則化，其定義如下：

(5)

其中，L1范數(shù)‖θ1‖1定義為張量θ1中所有元素的絕對(duì)值之和.

Dropout：失活操作通過(guò)隨機(jī)斷開(kāi)神經(jīng)網(wǎng)絡(luò)的連接，以減少訓(xùn)練時(shí)實(shí)際參與計(jì)算模型的參數(shù)數(shù)量.但在模型測(cè)試階段，Dropout會(huì)恢復(fù)所有的連接，保證模型測(cè)試時(shí)獲得最好的性能.本文帶有Dropout層的網(wǎng)絡(luò)模型在訓(xùn)練時(shí)，其實(shí)際參數(shù)量減少，因而泛化能力變強(qiáng).

2 實(shí)驗(yàn)及評(píng)價(jià)

2.1 實(shí)驗(yàn)設(shè)計(jì)

使用表2所示的5 086個(gè)圖像樣本，實(shí)驗(yàn)驗(yàn)證本文構(gòu)建的分類(lèi)器的性能.為獲得實(shí)驗(yàn)數(shù)據(jù)的真實(shí)情況，實(shí)驗(yàn)開(kāi)始前邀請(qǐng)三名核醫(yī)學(xué)科醫(yī)生對(duì)圖像進(jìn)行了手工標(biāo)注.三名標(biāo)注人員依據(jù)診斷報(bào)告分別獨(dú)自標(biāo)注每一幅圖像，當(dāng)標(biāo)注結(jié)果不一致時(shí)，采用少數(shù)服從多數(shù)的原則確定最后結(jié)果.

訓(xùn)練數(shù)據(jù)、驗(yàn)證數(shù)據(jù)、測(cè)試數(shù)據(jù)的比例為6︰2︰2，學(xué)習(xí)率設(shè)置為0.0001、Dropout設(shè)置為0.5.實(shí)驗(yàn)中所用的GPU為P400、CPU為i7-9700，內(nèi)存為32 G，采用Tensorflow2.0框架和Pytorch 1.4.0框架.

模型分類(lèi)后的圖像將歸屬于下列四個(gè)類(lèi)別的其中一個(gè)：

①真陽(yáng)性(True Positive,TP)：將包含關(guān)節(jié)炎病灶的圖像正確地識(shí)別為異常圖像；②真陰性(True Negative,TN)：將不含病灶的圖像正確地識(shí)別為正常圖像；③假陽(yáng)性(False Positive,FP)：將不含病灶的圖像錯(cuò)誤地識(shí)別為異常圖像；④假陰性(False Negative,FN)：將包含病灶的圖像錯(cuò)誤地識(shí)別為正常圖像. 基于上述定義，現(xiàn)定義本文的評(píng)價(jià)指標(biāo)準(zhǔn)確度Acc、精確度Prec、召回率Rec和F-1評(píng)分如下：

(6)

(7)

(8)

(9)

此外，一個(gè)好的分類(lèi)器應(yīng)該同時(shí)獲得高的檢測(cè)率(True Positive Rate,TPR)和低的誤報(bào)率(False Positive Rate,FPR)，其定義見(jiàn)公式(10)和公式(11).

(10)

(11)

以TPR為橫坐標(biāo)、FPR為縱坐標(biāo)，繪制ROC (Receiver Operating Characteristic Curve)曲線，曲線下的面積AUC值越大，則模型的分類(lèi)性能越好.

2.2 實(shí)驗(yàn)結(jié)果與分析

2.2.1 VGG6準(zhǔn)確率變化曲線分析

圖7給出了VGG-6模型的訓(xùn)練準(zhǔn)確度Acc和損失Loss的變化情況.從圖7可以看出，隨著訓(xùn)練迭代次數(shù)的增加，準(zhǔn)確率不斷上升.當(dāng)訓(xùn)練到100周期時(shí)準(zhǔn)確率基本保持不變，達(dá)到0.92，其后準(zhǔn)確率將基本保持不變.

圖7 VGG-6模型的訓(xùn)練準(zhǔn)確率和驗(yàn)證準(zhǔn)確率曲線

2.2.2 量化結(jié)果

表3給出了VGG-16和VGG-6兩種模型在各評(píng)價(jià)指標(biāo)上的取值.從表3可以看出，本文自定義的深度模型VGG-6獲得了更好的分類(lèi)性能，分類(lèi)準(zhǔn)確度較VGG-16高出11.9個(gè)百分點(diǎn).

表3 不同模型的實(shí)驗(yàn)結(jié)果比較

VGG-6獲得較好分類(lèi)的可能原因：對(duì)于小數(shù)據(jù)集來(lái)說(shuō)，較淺層的識(shí)別模型更有利于提取病灶的有效特征，從而獲得較高性能的分類(lèi)結(jié)果.由于VGG-16模型層數(shù)較深，容易造成過(guò)度學(xué)習(xí)，總參數(shù)量是VGG-6的4倍，相應(yīng)地增加了計(jì)算量和運(yùn)行時(shí)間.所以采用卷積核較小的淺層VGG-6模型，可實(shí)現(xiàn)SPECT骨顯像圖像中關(guān)節(jié)炎疾病的高效可靠分類(lèi).

為了進(jìn)一步考察不同激活函數(shù)對(duì)分類(lèi)性能的影響，表4給出VGG-6模型使用不同激活函數(shù)時(shí)的準(zhǔn)確度和損失指標(biāo).從表4可以看出，激活函數(shù)ReLU效果最好，其收斂周期為125，明顯低于其他激活函數(shù).同時(shí)，ReLU獲得的準(zhǔn)確率和損失值也優(yōu)于其他函數(shù).這與Tanh和Sigmoid相比，ReLU的計(jì)算量更小、收斂速度更快.

表4 不同VGG-6模型激活函數(shù)比較

2.2.3 ROC曲線與AUC值

圖8給出了VGG-6模型的ROC曲線及其AUC值.高達(dá)0.986 2的AUC值充分說(shuō)明了本文自定義的VGG-6模型可有效用于SPECT圖像關(guān)節(jié)炎疾病的自動(dòng)診斷.

圖8 ROC曲線和AUC值 圖9 VGG-6模型的混淆矩陣

2.2.4 混淆矩陣

為了進(jìn)一步探究VGG-6模型在不同類(lèi)別關(guān)節(jié)炎SPECT圖像分類(lèi)中的性能，圖9提供了分類(lèi)結(jié)果的混淆矩陣.其中，0類(lèi)圖像的準(zhǔn)確率偏低，為87.9%；其他類(lèi)別的識(shí)別率都在90%以上，部分甚至高達(dá)95%.從混淆矩陣可知，關(guān)節(jié)炎與正常部位的分類(lèi)準(zhǔn)確率指標(biāo)均保持在一個(gè)較高水平.

由圖10給出的誤分樣本可以看出：(a)正常踝關(guān)節(jié)被模型預(yù)測(cè)為踝關(guān)節(jié)炎.在此踝關(guān)節(jié)處濃聚增強(qiáng)，醫(yī)生也會(huì)有誤診為踝關(guān)節(jié)炎的可能，對(duì)深度模型也會(huì)造成誤判；(b)正常肩關(guān)節(jié)被模型預(yù)測(cè)為肩關(guān)節(jié)炎，此肩關(guān)節(jié)與圖(a)情況類(lèi)似，中心位置濃聚增強(qiáng)，容易導(dǎo)致誤診；(c)膝關(guān)節(jié)炎被預(yù)測(cè)為正常膝關(guān)節(jié).此膝關(guān)節(jié)顯影減淡，相對(duì)其他關(guān)節(jié)炎濃聚減弱，是放射藥物吸收在個(gè)體之間的差異所導(dǎo)致的結(jié)果；(d)肩關(guān)節(jié)炎被預(yù)測(cè)為正常肩關(guān)節(jié).此患者較為年輕，對(duì)放射性藥物吸收能力強(qiáng)，因此在檢測(cè)時(shí)肩關(guān)節(jié)處顯影明顯，有濃聚現(xiàn)象，對(duì)于這種情況醫(yī)生也經(jīng)常會(huì)誤診. 此外，在SPECT檢測(cè)中，特殊人群如老年人、體質(zhì)較弱患者對(duì)放射性藥物的吸收能力普遍偏低，是造成許多老年人在關(guān)節(jié)炎檢測(cè)時(shí)漏診的主要原因.相反，年輕人代謝能力強(qiáng)，對(duì)放射性藥物吸收能力也較強(qiáng)，因而容易發(fā)生誤診的情況.放射藥物吸收在個(gè)體之間存在的差異，一定程度上對(duì)分類(lèi)模型造成干擾，但深度模型的自動(dòng)特征提取能力可有效針對(duì)這些差異，是傳統(tǒng)機(jī)器學(xué)習(xí)方法的有效補(bǔ)充.

(a) (b) (c) (d)

3 總結(jié)與展望

以SPECT成像關(guān)節(jié)炎的自動(dòng)可靠識(shí)別為目標(biāo)，本文研究并構(gòu)建基于VGG-16的分類(lèi)器，同時(shí)自定義了VGG-6分類(lèi)模型.首先，對(duì)SPECT圖像的預(yù)處理和數(shù)據(jù)擴(kuò)展過(guò)程進(jìn)行了說(shuō)明.然后詳細(xì)闡述了本文構(gòu)建的深度分類(lèi)器.基于臨床環(huán)境收集的真實(shí)SPECT檢查數(shù)據(jù)，對(duì)構(gòu)建的分類(lèi)模型進(jìn)行了實(shí)驗(yàn)驗(yàn)證.實(shí)驗(yàn)結(jié)果表明，本文提出的方法在關(guān)節(jié)炎圖像自動(dòng)分類(lèi)中具有可行性.未來(lái)將從如下幾個(gè)方面對(duì)本文工作予以擴(kuò)展：

首先，進(jìn)一步優(yōu)化本文構(gòu)建的深度分類(lèi)模型，尤其是VGG-6模型，以提升模型的分類(lèi)性能.

然后，收集大量真實(shí)SPECT檢查數(shù)據(jù)，來(lái)驗(yàn)證模型的有效性和可用性.

最后，拓展研究領(lǐng)域，構(gòu)建面向多病灶的深度分類(lèi)模型，進(jìn)而研發(fā)可實(shí)際操控的SPECT關(guān)節(jié)炎CAD系統(tǒng).