基于卷积神经网络的MRI图像分割在前后交叉韧带构建中的应用

基于卷积神经网络的MRI图像分割在前后交叉韧带构建中的应用

邹志鹏   陈晨   徐鲁宁  钟葉  姜博文

山东省聊城市  116600

摘要

本文采用Res-LJNet网络建立了基于MRI图像的前后交叉韧带的自动分割系统，该系统可从膝关节MRI图像中自动分割出前后交叉韧带结构，为临床预测和模拟术后膝关节在人体的运动情况提供了技术支持。

关键词：全膝关节置换；卷积神经网络；MRI图像分割；

一、引言

膝关节前后交叉韧带在维持膝关节稳定上起到了至关重要的作用，前后交叉韧带构建不准确会导致膝关节的不稳定，并继发关节内结构损伤，严重影响膝关节功能。目前，针对严重的膝关节损伤常用的治疗方式为全膝关节置换。手术方案的制定需要术前对膝关节与病人的适配度做全面的评估。磁共振成像(Magnetic Resonance Imaging,MRI)对前后交叉韧带影像生成具有较高的准确度，可为临床手术方案的选择和制定提供可靠的指导。

二、卷积神经网络

（一）卷积层

卷积层由称为卷积核的可学习滤波器组成，大小为n*m*d,d为图像的深度。一旦输入信息到达卷积层，该层就会对数据的每个空间维度进行卷积，卷积核会在输入图像上滑动计算输入的特征表示得到结果，最后生成各种特征图。

（二）激活函数

在CNN中，卷积层通常后面会跟包含激活函数的激活层。卷积层的特征映射使用激活函数进行操作，以确定神经元的输入是否应该被激活，它是基于每个神经元的输入对模型的预测的重要程度来决定。

（三）池化层

    池化层的主要功能是对卷积特征进行非线性下采样，从而减少参数的数量和模型的复杂性，目的是控制过拟合问题。常用的池化操作有最大池化和平均池化。

（四）全连接层

全连接层(FC层)与人工神经网络类似，每个节点都有来自所有输入的传入连接，并且所有连接都有关联的权值，输出等于所有输入的和乘以相应的权重。

（五）批归一化层

批归一化(Batch Normalization,BN)是对池化层产生的特征图执行的另一种数学操作。它是通过减去均值并除以每一批训练数据的标准差来实现的。

三、前后交叉韧带构建的MRI图像分割

（一）实验材料

我们将挑选出的95例患者作为实验材料，我们将他们的膝关节MRI图像放入我们设计的分割模型中训练。本实验的具体预处理步骤如下：

1)转换格式。我们利用SPM 12软件将Dicom格式的MRI图像转换为NIfTI格式，便于网络训练及后续操作。

2)数据扩增。数据量过小网络训练的时候很容易出现过拟合问题，导致模型训练效果不佳。为避免过拟合问题，我们将图像随机旋转±100，在x和Y坐标上随机平移，移动15-20个体素不等，并随机进行翻转每个MRI图像来增加训练集大小。

3)统一分辨率。本章使用的MRI图像的分辨率并不一样，我们为了实验结果更加准确，将分辨率统一为512x512，以及做了直方图匹配处理和重新缩放到[0,1]区间。

4)切片处理。我们将三维MRI图像分解成多张二维切片，作为我们的二维模型的输入。

（二）实验方法

1.卷积神经网络模型构建

在本研究中，我们选择使用Res-UNet进行语义分割，它是基于U-Net的基础搭建而成的，该模型中引入了残差块。分割结构如图3-1、3-2所示。

图3-1分割模型结构

图3-2  (A)残差块的结构(B)组合块的结构

训练损失函数：在本研究中我们选用了Dice Los：作为我们网络中的损失函数。其来自于Dice系数(DSC)，Dice系数本质上是两个样本之间重叠程度的度量。对于二分类的分割，两者的表示分别如下：

                   (3-1)

2.模型参数设置

1)学习率

学习率作为网络中的一个超参数，对网络训练的效果有着重要的作用，它决定网络训练能否收敛和决定收敛的快慢。本实验采用的是固定学习率策略，设定的学习率为le-4。

2)优化器

本文选用的是随机梯度下降法，它是训练和优化网络的最基础方法，它通过梯度下降法来一步步迭代求解，从而得到最小的损失函数。公式如3.2所示：

                             (3-2)

其中.x←-x+V，β即动量的系数，α为学习率。本实验的动量系数设置为0.9。

3)Batch size

我们将每次训练选取的数据量称为batch size，一般设置为2的倍数，batchsize设置太小则网络很难收敛，设置过大则需要的内存很大，导致无法训练。本实验中batch size设置为4。

4)Epoch

当训练集所有的数据在神经网络中完整训练了一次称为一个epoch。本实验epoch数为50。

3.基于卷积神经网络的前后交叉韧带MRI图像分割细节

我们将95例数据按照7：2：1的比例分成67,19和9例，用作分割网络的训练集、验证集和测试集。在训练网络时，我们使用了五折交叉验证，目的是获得对模型得到更合理更准确的评估，直到整个训练数据集中的每例都用于验证一次，然后得到五个训练好的模型。

4.统计学分析

本实验结果所有值均显示为平均值±标准差，在统计学分析中，当p<0.05时，说明差异具有统计学意义。我们使用DSC、精确率、召回率作为指标评估模型的分割性能。DSC本质上是两个样本之间重叠程度的度量，取值范围为0到1，取值为1表示重叠程度最高。

四、结果

当我们对每位患者膝关节MRI图像进行处理，生成单个受试者的前后交叉韧带体积，选择手动分割和计算体积需要10分钟，而自动分割并生成前后交叉韧带的体积只需3-5秒，省了大量的时间与节省人力。

表4-1神经网络间的分割性能对比

结语

我们基于深度学习构建了一种前后交叉韧带的自动分割系统。该系统可自动分割出前后交叉韧带并测量前后交叉韧带体积，可以验证膝关节与病体的适配度，有助于帮助预测和模拟术后膝关节在人体的运动情况，以防止膝关节再损伤。

参考文献

[1]许立君,黎辉,刘祖阳等.3D-GA-Unet：基于3D-Ghost卷积神经网络的脑胶质瘤MRI图像分割算法[J/OL].计算机应用,1-12[2024-01-13]

[2]崔东明,张镡月,董浩等.基于MRI单张图像的深度卷积神经网络对膝关节前后交叉韧带撕裂的诊断价值[J].精准医学杂志,2023,38(05):447-450.

[3]樊凤仙,胡万均,姜艳丽等.基于多模态MRI图像的3D卷积神经网络对肝纤维化分类的价值研究[J].磁共振成像,2022,13(09):30-34.