基于深度学习的人体腰椎MRI图像自动分割

作者：冯鹏程; 曹圣伟; 覃兵; 伍彪; 吴济文; 周璐; 钱志余; 祝桥桥^*

来源：生命科学仪器, 2023, 21(05): 53-57.

• 深度学习
• 神经网络
• 生物医学图像
• 腰椎间盘自动切割

腰椎间盘病变是导致下背部疼痛的主要原因之一，而腰椎磁共振成像(MRI)图像在其诊断中发挥了关键作用。本研究引入了一种基于深度学习的自动分割方法，旨在增强椎间盘形态结构的识别和分割，从而减轻医疗专业人员手动分割所带来的不便和不一致性。我们采用了著名的分割网络Mask-Rcnn(Mask Region-based Convolutional Neural Network),该网络以其卓越的特征提取能力、出色的目标检测性能和精确的实例分割结果而闻名，因此成为最佳选择。通过利用PyTorch中的神经网络模型库，我们重构了数据集接口并微调了输出层参数，以更好地适应识别和分割腰椎间盘的任务。本研究使用了包含1545张腰椎MRI图像的公开数据集，每张图像都标注了椎间盘等结构。在对数据集进行预处理以保留有关椎间盘的标注后，我们随机选择了450张图像进行测试，其余用于训练。在经过20个训练周期后，我们实现了97.7%的平均精度和98.6%的平均召回率，96.9%的DICE系数。本研究强调了基于深度学习的自动分割方法在显著改善腰椎MRI图像中椎间盘的识别和分割方面的潜力。这种方法在临床应用中具有巨大前景，可能提高疾病诊断的准确性和效率，减轻了医疗专业人员的负担。

• 单位
  南京航空航天大学; 自动化学院