摘要
脊柱结核是全身骨关节结核疾病发病率最高的疾病，常见于儿童、青少年和久坐人群。脊柱结核经常发生在腰椎等部位，常涉及周围的锥体，病变的锥体容易引发骨质坏死、锥体塌陷等病理变化，临床表现为疼痛、肿胀和活动受限，严重时，脊柱的压迫会导致瘫痪。脊柱结核临床中的诊断主要依靠核磁共振成像技术（MRI），MRI可直观地展示病变区域和病灶的基本特征，再由经验丰富的医生通过人工勾画出病灶，费时费力，且分割的准确率严重依赖于医生的先验知识。在医疗资源匮乏的地区，脊柱结核病情诊断显得格外困难。 随着计算机和人工智能技术的发展，应用计算机视觉技术进行图像处理和图像分割，协助医生进行医学诊断已是大势所趋。作为近年来被广泛应用于医学影像分割的神经网络模型，Unet在许多医学影像分割任务取得了较好的效果，但仍有改进的空间。为了实现基于MRI图像的脊柱结合侵犯病灶的自动分割，提高分割的准确率，更方便医生从多角度、多层次对病变区进行观察和定性定量分析，本文对Unet网络进行了改进。主要研究工作如下： 一、由于传统的卷积网络在进行下采样的过程中会使用池化层进行降维，以此来减少特征图的维度，减小计算量，同时突出有用的特征。但是在下采样的过程中，也不可避免的丢失了位置等空间信息，且该过程是不可逆的，分割任务是对像素级别进行分类，对空间等信息尤为敏感，池化过程造成的位置信息的丢失使得模型对图像细节不敏感。为了改善这一问题，本文在Unet网络的下采样模块引入空洞卷积分支，与传统卷积卷积分支进行特征融合，在增加少量参数的情况下，提高感受野，而且更好地保留分割边缘的位置信息，提高了网络的分割性能。 二、传统Unet网络通过引入跳跃连接将浅层的局部空间信息和深层的语义信息结合起来，使得网络融合不同层次的特征信息，进而提高分割的准确率，但是浅层网络和深层网络存在语义鸿沟，通过简单的跳跃连接对浅层特征和深层特征进行特征融合可能会存在语义不相融问题，为此，本文引入一个多尺度特征融合结合空间注意力的跳跃连接模块，通过与多个相邻层的特征图进行多尺度特征融合，结合空间注意力机制提取关键信息，缓解了浅层网络和深层网络在进行特征融合时存在的语义不相融问题。 三、由于医学影像数据集标注十分耗时，导致现有的数据集样本较少，在参数量大、样本数据小的情况下训练模型容易引发过拟合问题。此外，在待分割的医学影像中，病灶或器官等前景目标往往只占少数，影像中大多数是病灶或器官以外的背景样本，这会导致模型训练过程中预测精度的下降。本文通过改进医学影像分割中的损失函数，提出了一种融合通道注意力的自适应通道权重学习方法，改善训练样本中前景背景不均衡的问题，提高模型的学习能力。 为了验证本文模型的性能，在南方医科大学采集的脊柱结核病灶的临床数据上，论文进行多次实验，实验结果显示：与其他网络模型相比，本文所提模型在Dice系数和MIOU等评价指标达到了77.43%、75.63%，验证本文所提改进模型的有效性。
NETL