摘要
骨质疏松症（Osteoporosis,OP）是一种发病率极高、潜在危害极大的疾病。虽然双能X线吸收检测法（DualEnergyX-rayAbsorptiometry,DXA）测量骨密度是OP诊断的”金标准”，但由于公众对于OP认识不足，以及基层医疗卫生机构的防治能力有限，DXA检测率仍处于较低水平。为此，研究者们提出了基于CT图像的机会性OP筛查模型，通过对其他疾病CT图像进行OP筛查，无需额外负担辐射量、时间和费用，对于OP的防治具有重要意义。然而目前的筛查模型泛化能力不高、准确性较差。因此，本文对其进行了研究改进，主要工作内容如下: （1）针对基于CT图像的OP筛查公共数据集缺失问题，本文通过采集医疗数据，并对其进行筛选标注，构建了618例包含CT图像，腰椎体分割标注与DXA骨密度标注的数据集，用于后续模型训练。 （2）针对OP筛查模型分割准确率较低的问题，本文提出了一种二阶段分割模型,旨在提高L1-L4腰椎体分割的准确性，进而增强筛查模型的分类性能。目前OP筛查模型大多基于2DU-Net网络进行分割，准确率较低。为此，本文提出了一种二阶段分割模型，首先进行腰椎体CT图像粗分割，然后进行腰椎体边缘的细化分割。模型在3DU-Net基础上引入了残差模块和注意力模块，并改进了损失函数，以提高网络的分割性能。实验结果表明，本文模型在L1-L4腰椎体分割任务中表现出色，Dice系数达到了0.9728,平均对称面距离降至0.10mm,能够获得准确的腰椎体三维分割结果。 （3）针对OP筛查模型存在的鲁棒性不强、准确率不高等问题，本文提出了一种基于深度学习的OP筛查模型，通过对感兴趣区域的研究和分类网络的改进，提高了模型的分类性能。该模型基于腰椎体的分割结果，提取L1-L4完整腰椎体三维CT图像为感兴趣区域，相较于仅使用松质骨CT图像，受试者工作特征曲线（ReceiverOperatingCharacteristic,ROC）下的面积（AreaUnderCurveofROC,AUC）提高了0.046。此外，模型在3DDenseNet网络中引入注意力模块，进一步提高了分类性能。最后，为解决模型训练过程中的过拟合问题，本文使用迁移学习方法进行预训练，使模型的损失函数下降更为稳定。实验结果表明，本文提出的OP筛查模型AUC达到了0.929,可以有效实现正常人群、骨量减少患者和骨质疏松症患者的分类。 综上所述，本文提出的基于深度学习的三维CT图像机会性OP筛查模型通过对分割模型和分类模型的改进，改善了目前筛查模型存在的分割准确率较低、分类特征单一和感兴趣区域提取不当的问题，提升了筛查模型的分类性能。
NETL