摘要: 颈椎核磁共振(MRI)检查是临床中诊断颈椎疾病的重要手段之一，近年来，深度学习技术也在医学图像识别领域取得了良好的成果，在疾病检测识别方面尤为突出。但是，目前关于深度学习技术在颈椎疾病诊断中应用研究报道相对较少。为此，本研究利用基于深度... 展开 颈椎核磁共振(MRI)检查是临床中诊断颈椎疾病的重要手段之一，近年来，深度学习技术也在医学图像识别领域取得了良好的成果，在疾病检测识别方面尤为突出。但是，目前关于深度学习技术在颈椎疾病诊断中应用研究报道相对较少。为此，本研究利用基于深度学习技术中的FasterR-CNN算法，探讨其对颈椎MRI图像中椎间盘突出及脊髓损伤位置的识别检测的可行性及应用价值。 资料与方法： (1)获取数据集：收取本院在2013年1月-2018年12月收治的颈脊髓损伤以及颈椎间盘退变性疾病患者的颈椎核磁作为纳入数据集；总共有1010例患者，包括692名男性以及318名女性患者。选取这些患者的正中矢状位核磁作为标注感兴趣，同时收集500例正常人的核磁(即核磁未被诊断间盘退变性疾病以及颈脊髓损伤)，一共1510人作为收集的数据。 (2)数据分组：将收集到的影像学数据集分成三组“正常组”、“间盘突出组”、”信号改变组”，后两组的病例分别是810和200人。其中，1210(约80%)人作为训练集，另外300(约20%)人作为验证集。 (3)标记与预处理：在进行实验前，将收集的数据集进行预处理；由两名经验丰富的脊柱外科医师采用LabelMeToolbox-master进行训练集与验证集合用标记框标注感兴趣区域，以便提高计算有效性，正常组则不用标记。 (4)方法：利用深度学习中的FasterR-CNN算法，并以搭配卷积神经网络(CNN)中的两种网络模型(VGG-16，Resnet50)作为骨架，对颈脊髓损伤和颈椎间盘疾病进行识别分类以及后处理。 (5)预测集合：为了合理优化比例，选取500张核磁作为预测集合来衡量模型效果；其构成数据包括正常组：间盘突出组：信号改变组的比例为2∶2∶1。 (6)预测效果：主要采用预平均精度均值(mAP)和可视化结果来衡量这两种方法的效果。 结果: 本文主要采用深度学习中的FasterR-CNN算法，对颈脊髓损伤以及颈椎间盘突出的上的核磁损伤区域进行识别预测。在以VGG-16和Resnet50为骨架的FasterR-CNN算法中预测结果显示了mAP，并得到了相应的可视化数据和数字化数据的结果。mAP分别得到了72.3%、88.6%，图片的测试速度分别为0.24s/张和0.22s/张。在预测效果以及检测时间方面，以Resnet50为骨架的FasterR-CNN算法要优于VGG-16为骨架的FasterR-CNN算法。 结论: (1)应用Faster-RCNN算法并以VGG-16以及ResNet50为骨架的神经网络模型是能够识别检测颈椎核磁间盘突出以及脊髓信号改变的常见疾病。 (2)采用标准化的数据集、选择合理的模型及评价标准，可以使实验结果达到满意效果，但以ResNet50为骨架的网络架构模型较以VGG-16为骨架的网络架构模型而言，其预测效果更佳,检测速度更快，间接证明了更深的网络结构有助于提高预测效果，同时也证实了大数据+人工智能这一模式在理论上的有效性。 (3)基于深度学习技术完成了对颈椎核磁特定疾病的识别检测，为其以后在脊柱脊髓影像学领域开展更为广泛的研究打下了基础。 收起