人工智能神经网络诊断腰椎间盘突出及病理特点的应用研究

发布时间：2024-02-21 11:40

　　【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(H...

【文章页数】：56 页

【学位级别】：硕士

【部分图文】：

图1系统流程图

该系统的流程图见如图1所示。图1系统流程图1.1.3椎间盘的定位在这个步骤中，本课题组采用深度学习的方法来精确寻找椎间盘所在位置。

图2椎间盘定位流程图

天津医科大学硕士学位论文最终所选的的目标检测方法为基于R-CNN算法的最新版本FasterR-CNN，其结构如图2a所示。FasterR-CNN是一种经典的验证算法，在工业上得到了广泛的应用，它通常使用区域提出网络（RegionPropositationNet....

图3腰椎间盘突出症的判断

结果如图2b所示。图2椎间盘定位流程图1.1.4椎间盘突出的诊断如图3所示，一旦得到椎体的位置，便可以裁剪每个椎间盘和腰椎的交叉点，形成几个ROIs（橙色矩形区域），然后将其输入二元神经网络分类器以确定它们中的每一个是不是腰椎间盘突出部位。ROIs可以通过构造矩....

图5机器学习模型预测Pfirmann的等级具体而言，以下是图像特征的识别计算机算法：

图5机器学习模型预测Pfirmann的等级具体而言，以下是图像特征的识别计算机算法：1.像素强度直方图（HPI）：通过直方图对不同级别灰度的统计，直观地将一幅图像的像素分布特征展现出来。当椎间盘发生变性或突出时，它将会出现水分流失的表征。从而使得MRI（T2W1）图像....

本文编号：3905374