基于CNN通过诊断性CT图像自动检测骨状态用于骨质疏松筛查
医学物理
2019-10-16 v1 图像与视频处理
摘要
目的：旨在利用卷积神经网络（CNN）在特征表示与提取方面的潜在能力，设计一种新颖的骨质疏松筛查自动诊断方法，该方法可纳入体检中常规CT诊断流程，从而改善骨质疏松诊断并减轻患者负担。方法：所提出的基于卷积神经网络的方法主要通过两个功能模块分析诊断性CT图像以实现骨状态的自动检测。第一个功能模块旨在定位并分割诊断性CT图像的感兴趣区域（ROI），称为标记-分割网络（MS-Net）。第二个功能模块用于根据ROI特征判定骨状态类别，称为骨状态分类网络（BCC-Net）。训练后的MS-Net可得到输入原始CT图像的标记图像，进而获得分割图像。训练后的BCC-Net通过输入分割图像可获得正常骨量、低骨量和骨质疏松的概率值。基于网络结果，放射科医生可提供骨状态的初步定性诊断结果。结果：所提出的MS-Net在不同腰椎形状保持上具备优异的分割精度，分割结果的数值指标大于0.998。所提出的BCC-Net经3,024张临床图像评估，准确率达76.65%，受试者工作特征曲线下面积为0.9167。结论：本研究提出了一种通过诊断性CT图像自动检测骨状态的两步法，在骨质疏松筛查的临床应用中具较大潜力。该方法有望减轻放射科医生的人工负担及患者的诊断成本。
引用
@article{arxiv.1910.06777,
title = {CNN-based Automatic Detection of Bone Conditions via Diagnostic CT Images for Osteoporosis Screening},
author = {Chao Tang and Wenkun Zhang and Haiting Li and Lei Li and Ziheng Li and Ailong Cai and Linyuan Wang and Dapeng Shi and Bin Yan},
journal= {arXiv preprint arXiv:1910.06777},
year = {2019}
}