文摘
目的是进一步探索深度学习算法的临床价值领域的脊柱医学图像分割和本研究设计一种改进的u型网络(BN-U-Net)算法应用到22的脊柱MRI医学图像分割的研究对象。在MRI图像处理算法的应用价值是全面评价准确性(Acc),灵敏度(Sen),特异性(Spe)和曲线下面积(AUC)。完全的结果表明,该图像处理时间卷积网络(FCN)算法和U-Net算法大于6分钟,虽然BN-U-Net算法的处理时间只有5 - 10 s,和处理时间显著缩短( )。森,Acc和Spe BN-U-Net分割算法的结果是94.54±3.56%,88.76±2.67%,和86.27±6.23%,分别,显著提高而FCN算法和U-Net算法( )。总之,本研究中使用的改进U-Net网络算法极大地提高了质量的脊柱MRI图像自动分割的MRI图像,这是值得进一步推广领域的脊柱医学图像分割。
1。介绍
脊柱正常的活动中发挥着关键作用,调节的中枢神经系统的所有部分人体脊髓。的轻微损伤脊柱在日常生活中可能会导致病人的整个身体遭受伤害。同时,有大量的神经元的脊椎,使人体遭受难以忍受的痛苦(1,2]。脊柱是人体最重要的部分。医学成像的脊柱可以执行在不同的年龄。随着社会的不断进步和人类工作和生活的压力越来越大,久坐不动的工作或长期研究逐渐导致人类脊柱的异常(3]。脊柱疾病通常发生在各种各样的人,和年龄无关。背部疼痛会影响人的正常工作和学习,已经成为一个全球健康问题,吸引了大量临床专家的注意4]。研究后,可以治疗脊髓损伤引起的疼痛的生理和生化技术。
目前,核磁共振技术是一种最常用的成像技术在临床脊柱检查(5]。与x光,CT和其他设备,核磁共振成像检查不仅没有电离辐射也比较的软组织分辨率能力其他设备无法进行比较(5]。对于脊髓损伤,MRI可以发现变化如椎间盘变性、突出或膨胀处于初期阶段。MRI可以观察到多个椎体和椎间盘,从而限制其它成像设备只能选择性地执行一些椎间盘成像(6,7]。然而,有脊髓MRI图像边缘模糊等问题,歧视与周边地区低,无法显示良好的组织形态,和混乱的结构成像,使图像分割技术的应用在脊髓磁共振成像越来越多8]。深度学习是一种机器学习算法,它可以实现监督,semisupervised或无监督图像处理通过使用多层逐步从原始输入提取高级功能(9]。卷积神经网络(CNN),作为一个前馈神经网络,是使用最广泛之一。其人工神经元可以应对周围的一部分单位范围内实现有效处理大型图像(10]。近年来,深度学习技术已广泛应用于各种医学图像的分割。各种深度学习算法不断出现,使医学图像的质量明显改善。例如,脊柱MRI图像的半自动分割是实现了深度学习算法改善边缘模糊和类型匹配限制常规MRI图像。灰色的水平的明显区别的椎间盘和椎MRI图像,noninitial状态集模型添加到脊椎医学图像,从而实现椎间盘MRI图像的有效分割(11]。
在此基础上,为了进一步改善脊柱图像的分割质量和准确性,这一研究,提出了一种改进的U-Net图像分割方法。通过构建网络模型,本研究探讨了MRI图像的特性和效果处理深化U-Net网络图像分割算法,为医生在临床实践中提供更多的参考。
2。方法
2.1。完整的卷积神经网络
自卷积神经网络(CNN)的出现,它已经被广泛应用于医学图像分类、目标识别和语义分割,在医学影像领域取得了巨大的成就。然而,CNN的单一使用技术用于医学图像分割不理想。像素的分割技术要求非常高,和不同的图像将被用作检测对象,因此提出了巨大的需求细分技术。解决上述问题,朱et al。12)应用完整的卷积网络(FCN)医学图像分割。完整的卷积神经网络样本的输出网络与一个较小的规模更大的大小通过卷积转换层和使用抽样层,这使得它可以获得更广泛的接受域利用卷积神经网络,可以输入图像不同大小的不同层次的分割在同一时间。完整的卷积神经网络的结构如图1。网络结合了深层特征映射和粗糙的空间位置信息与浅但丰富的语义信息特征语义信息,但好差的地图空间位置信息,以进一步提高网络的分割结果。
2.2。改善U-Net网络
近年来,U-Net网络的出现解决了大量的图像分割问题都不能克服以前的技术。完整的卷积神经网络一般流程将采样的输入图像和原始图像直接upsampling大小。与完整的卷积神经网络不同,U-Net划分不同的网络框架通过构造编码器(13]。在这项研究中,它试图添加一个规范层(BN层)之间不同的卷积层和激活层和在每个内层之间的连接和激活层,以提高U-Net网络。它认为,某一层的数据规范化卷积网络中批处理,和是指的输出X神经元层y当模型训练一个th数据。指的是平均的输出xth神经元在层y,代表的输出的标准偏差xth神经元在层y。输出值批标准化后得到如下:
神经元输出的平均值
神经元输出的标准偏差
的值b和t是常数。批规范化使用规范的输出层的激活函数如下:输入n通过体重增加了重量l最后得到的输出通过激活函数得到以下方程:
2.3。基于改进的图像分割算法U-Net网络
在这项研究中,BN-U-Net网络构造段脊髓MRI图像,连接模式重新聚合的规模特征不同的解码子网,聚合方法和灵活的特性是通过修剪提高学习和推理速度和极大地提高分割精度。脊柱医学图像分割是简单和容易理解。结果中,第一列的原始脊椎图像输入。原始图像输入到分割后环境,第二列图像的识别模型和得到的结果选择细分目标区域。为了确保像素的分割准确性和方便的判断,这标志着细分目标,选择区域背景目标在红色标记框中,并获得通过分割算法分割结果的第三列,如图2。
图3是脊柱分割优化的流程图。优化框架包括两个组织结构。首先,脊柱图像将生成一个结构性图像与原始图像大小相同后网络分割;然后,获得结构分割图处理的无向图重构和组织的能量函数。上述两个步骤之后,一个完美的和清晰的高质量的图像分割。
3所示。实验
3.1。实验数据
这项研究的数据来自于公共数据集注释T2常用脊柱segmentation-related算法加权图像下脊椎的先生(降低脊柱先生)。这个数据集是由霍夫曼et al。14]。这个数据集包含22人的样本图像和相应的手动分割真实图像。横向切片后,图像无脊柱移除,通过几何变换和数据集是适当扩大。
3.2。评价指标
为了测量算法的优点和缺点,等评价指标的准确性、敏感性,特异性。和曲线下面积(AUC)。在这项研究中,预测和实际的核磁共振图像分割结果评估是正确的,这是定义为一个;如果预测是错误的和实际的是正确的,它被定义为b;如果预测是正确的,实际是假的,它被定义为c;和预测是错误的,实际是假的,它被定义为d。表1显示了特定的关系。
测量了样品的准确性(见方程(5)是核磁共振样品总数的比例;敏感性,也称为召回率,代表正确的样品由核磁共振图像的比例在所有正确的样品释放,如方程所示(6);特异性是指目标释放错误样本的比例根据MRI在所有实际目标释放错误的样品,如方程所示(7);和曲线下的面积(AUC)是指部分曲线包围的面积和坐标轴。这个值不会大于1,见方程(8)。
3.3。统计分析
SPSS 24.0软件被用于统计分析,这是表示为平均值±标准偏差(±年代)。组之间的比较是通过单向方差分析进行的。方差齐性时,最不显著差异(LSD)方法被用来测试,当方差不均匀,T2测试用来测试水平α= 0.05, 。
4所示。讨论
4.1。网络输出脊柱MRI图像
在这项研究中,脊髓MRI图像分割的算法转化为灰度图像,构造和不同的像素属于不同类别的概率表示图像中根据图像的深度灰色突出显示。图4灰色预测的概率是脊柱图像输出的映射网络。从图可以看出,周围的边缘和灰度的概率预测地图略轻于其他地方,这意味着这部分的像素可能属于脊柱,周围背景的灰度是略深于这部分,背景部分可能在脊柱。此外,它还显示脊髓MRI图像分割的算法可以明显区分脊髓和nonspinal部分,和自动分割算法构造在这项研究非常接近真正的分割图像和具有较高的相似性。
(一)
(b)
(c)
4.2。脊髓MRI图像分割结果基于深度学习算法
三组代表脊髓MRI图像随机选择从这项研究中使用的数据集,这些图像输入分割的网络模型构造的研究中。分割结果如图5。U-Net获得的脊髓MRI图像分割算法通常BN-U-Net算法获得的相似,但与U-Net算法相比,BN-U-Net脊柱MRI图像分割的算法大大提高了图像的定义,精制脊椎边缘图像的分割,并可以更准确地确定相关病变的脊柱。
4.3。比较不同算法的图像分割结果
的准确性、敏感性、特异性和成像的时间分割图像用不同的算法计算,和数据表(表统计数据2)。结果表明,精度、灵敏度和特异性BN-U-Net分割算法94.54±3.56%,88.76±2.67%,分别和86.27±6.23%。与FCN算法和U-Net算法相比,精度、灵敏度、特异性的BN-U-Net分割算法已经显著提高,和不同的是统计学意义( )。此外,FCN算法和U-Net算法的图像处理时间是60 - 360和180 - 300年代,分别而BN-U-Net算法只有5 - 10 s,显著缩短( )。这表明与FCN和U-Net算法相比,BN-U-Net图像分割算法设计在本研究中可以显著提高分割精度,灵敏度,脊髓MRI图像和特异性,以进一步改善脊柱相关疾病的MRI图像诊断的准确性。图像分割时间大大缩短,MRI图像处理效率显著提高。它可以进一步满足spine-related疾病的临床诊断的需要。然而,算法的准确性不够完善,和图像分割的细节是粗糙的。
5。结论
在这项研究中,一种改进U-Net网络自动分割算法设计并应用于脊柱MRI医学图像分割的22个研究对象。结果表明,改进的U-Net网络自动分割算法极大地缩短了MRI图像处理时间与FCN算法和U-Net算法相比,的敏感性、特异性和准确性显著提高图像分割。因此,BN-U-Net分割算法可以进一步提高核磁共振图像的分割质量和准确性的脊椎和有一个积极的作用特点及MRI图像处理的影响。然而,仍然有一些缺点在这项研究中;例如,患者脊柱MRI图像的样本容量很小,包括在研究来源是单身。此外,改进U-Net网络自动分割算法略有不足的成像清晰度。未来的研究希望进一步优化算法来改善这个问题。总之,基于U-Net网络改进的自动分割算法可以显著提高脊柱MRI图像的自动分割效率和改善脊柱疾病的临床诊断的准确性,值得进一步推广。此外,在这项研究中提出的方法不仅可以解决脊柱图像的分割问题但也提供更多的其他类型的医学图像处理方法。
数据可用性
数据基础的研究结果中可用的手稿。
的利益冲突
没有潜在的利益冲突。