论文部分内容阅读
【目的】本研究旨应用一种以人工智能(Artificial Intelligence,AI)为基础所设计的全自动计算机辅助诊断系统(Computer-aided Diagnosis,CAD),定位腰椎核磁共振(Magnetic Resonance Imaging,MRI)图像中的椎间盘去诊断腰椎间盘突出,并分析出腰椎间盘Pfirrmann退变等级及MSU突出程度分型。计算疾病诊断的阳性率,分型结果的准确度、灵敏度、特异度和交并比,及人机大战的最终结果。探究所设计程序的先进性及CAD系统的临床必要性,为人工智能诊断脊柱其他疾病提供基础,同时为提高临床工作效率提供新途径。【方法】本研究将217位腰椎间盘突出(Lumbar Disc Herniation,LDH)患者的MRI影像学资料,分成训练组与测验组,对所设计的CAD系统进行训练和验证,其中运用区域卷积神经网络Faster-R-CNN(Region Convolution Neural Network,RCNN)目标检测技术进行椎体定位,进而通过椎体定位和选取椎间盘。对选取区域使用二元神经网络分类器进行LDH的诊断。使用像素强度直方图(Histogram of Pixel Intensity,HPI),局部二进制模式(Local Binary Pattern,LBP)和金字塔式梯度方向直方图(Pyramid Histogram of Oriented Gradients,PHOG)三种图像特征的识别计算机算法,并在多层感知器分类器的基础上对椎间盘进行Pfirrmann分型。使用关键点检测神经网络来定位MSU定义中的标记点。使用U-Net网络结构进行计算,给予MSU分类。最后通过准确度、灵敏度、特异度和交并比(Intersection-over-Union,IoU)作为标准对CAD功能进行评价,最终进行人机大战,获取实验数据并进行统计学分析,确定人工智能辅助的必要性。【结果】研究中本课题组利用在天津医科大学总医院影像中心所获取患者的MRI影像学资料的部分数据,验证了本团队所设计的人工智能在腰椎间盘诊断方面的各项性能。在椎间盘的定位方面,准确率可达到95%;腰椎间盘突出诊断检测方面,准确率为95.83%,特异性97.52%,灵敏度94.12%;Pfirrmann分型方面,准确率为82%。在MSU分类方面,关键点检测的平均误差为3像素,而分割过程的交并比为90%。在人机大战中,人工智能在腰椎间盘突出的诊断,MSU的分型以及做出诊断的整体时间上表现出明显优势。【结论】本课题组提出了一个完全自动化的CAD系统,可以在放射科医师和临床医师的工作流程中起到很好的辅助作用。腰椎间盘突出的MSU分型,可协助医生在面对不同类型的患者时,做出更适合的治疗方案,对于1-A、1-B型和2-A型的患者中多采用保守治疗,在2-B和2-AB型中多采用手术治疗,在1-AB和C型的治疗选择上需要多方面分析。椎间盘退变的Pfirrmann分型,从理论上讲,Pfirrmann水平越高,手术就越困难,为临床医生提供警示作用,另外此分型应用于术前评估可以有助于退行性脊柱侧凸患者的外科决策。以临床应用为目的,CAD的机能有着很好的表现。经广泛验证后,本团队的CAD系统有望应用于临床中,并将解决社区医院或那些缺乏专业医师且医疗水平较低的偏远医院,无法对LDH给予准确诊断及合理治疗的问题。