摘要
当今社会饮酒和使用激素类药物越来越普遍，导致股骨头坏死疾病的发病率逐年上升，且呈现出年轻化的趋势。股骨头坏死疾病存在早期病症不明显、股骨头部位核磁共振图像（MagneticResonanceImaging,MRI）显示区域小等诊断难点问题，使得医生诊断时容易出现缺诊和误诊的情况。为了解决上述问题，本文基于深度学习技术研究了股骨头图像分类问题和股骨头坏死图像分型问题，提出了基于图像语义分割、注意力机制、图像分类相结合的双阶段分类方法。针对股骨头图像分类问题，设计了基于ResUNet语义分割模型和Swin-Transformer图像分类网络模型相结合的双阶段分类方法Classifier-FHI；针对股骨头坏死图像分型问题，本文提出了融合DualAttention注意力模块的DenseNet网络模型DA-DenseNet作为股骨头坏死分型的分类器，并结合ResUNet语义分割设计了股骨头坏死图像分型方法Typing-ONFHI。实验结果表明，本文提出的模型和方法在股骨头图像分类和分型问题上优于目前已有方法，能够达到医学专家的诊断水平，诊断效率是医学专家的数十倍。本文的研究成果为股骨头坏死分类和分型的诊断工作提供了高效自动的技术方法，具体完成工作如下： （1）本文构建了首个公开的股骨头MRI图像数据集JLU-ONFH。本文数据集分为分类数据集和分型数据集，其中分类数据集包含2286张正样本图像和8782张负样本图像，包含原图和语义分割后结果图像，未采用数据增强。分型数据集包含1448张股骨头坏死数据的中间切面图像，并且图像经过中央裁剪预处理。本数据集可以用于股骨头图像分类和分型研究。JLU-ONFH为基于深度学习技术研究股骨头图形分类分型领域提供了Benchmark数据集。 （2）本文提出的股骨头图像分类方法和股骨头坏死图像分型方法均为双阶段方法，其第一阶段任务是对股骨部位MRI图像进行图像深度语义分割，分割出股骨和髋臼部位，并将分割结果作为第二阶段的输入，可以有效提高了后续分类任务的准确率。本文采用ResUNet作为语义分割的网络模型，分割任务的mIOU和Dice系数分别达到了88.6%和0.909。 （3）本文提出一种股骨头图像分类方法Classifier-FHI，在Classifier-FHI方法中采用Swin-Transformer作为图像分类器。实验结果展示，在JLU-ONFH数据集上，直接采用Swin-Transformer作为分类器的方法和Classifier-FHI方法分类的准确率分别为91.75%和98.09%。此外，本文提出的Classifier-FHI方法比SOTA模型分类方法准确率高2%。 （4）本文提出一种股骨头坏死图像分型方法Typing-ONFHI，在该方法中，本文提出了结合DenseNet和DualAttention注意力机制的DA-DenseNet网络模型作为分型的分类器，并使用Focalloss作为损失函数。实验结果展示，DA-DenseNet模型准确率比基准模型DenseNet高2.7%，最终的分型实验结果准确率为88%，宏平均和微平均的AUC面积分别为0.9和0.92。
NETL