□ 魏巍 WEI Wei 徐衛(wèi)峰 XU Wei-feng

Rheumatoid arthritis is an inflammatory immune disease characterized by progressive destruction of joints. In recent years, X-ray imaging has been widely used in clinical diagnosis. It is of great significance for evaluating joint bone density and bone erosion. However, in the past, artificial direct evaluation of rheumatoid arthritis X-ray images has been used in clinical practice, and there has been a lack of computerized diagnostic data for X-ray image recognition. This study used the convolutional neural network method in deep learning to automatically determine the severity of rheumatoid arthritis from X-ray images. This method greatly improved the level of automation of diagnosis, reduced the workload of medical workers, and provided more objective diagnosis results.

類風(fēng)濕性關(guān)節(jié)炎(Rheumatoid arthritis，RA)是一種以炎性滑膜炎為主的慢性、系統(tǒng)性疾病，臨床表現(xiàn)為手、足等小關(guān)節(jié)的侵襲性炎癥，或伴有關(guān)節(jié)外器官受累[1-2]。目前，臨床對(duì)于類風(fēng)濕性關(guān)節(jié)炎的輔助檢查及診斷方法主要有實(shí)驗(yàn)室檢驗(yàn)、影像學(xué)檢查、關(guān)節(jié)鏡檢查、關(guān)節(jié)穿刺等。其中，X光影像學(xué)檢查是類風(fēng)濕性關(guān)節(jié)炎診斷的主要方法。計(jì)算機(jī)輔助診斷技術(shù)的發(fā)展與應(yīng)用，對(duì)提高類風(fēng)濕性關(guān)節(jié)炎X光影像診斷的準(zhǔn)確率有重要幫助，尤其是深度學(xué)習(xí)算法中的卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks, CNN)在醫(yī)療圖像領(lǐng)域疾病輔助診斷中發(fā)揮了重要的作用[3-4]。在何新宇[5]等人的研究中，改進(jìn)后的卷積神經(jīng)網(wǎng)絡(luò)對(duì)肺炎影像識(shí)別的準(zhǔn)確率高達(dá)96.77%。國(guó)外Kermany[6]、Seiichi[7]等人的研究也證實(shí)遷移學(xué)習(xí)在疾病診斷與治療、類風(fēng)濕性關(guān)節(jié)炎骨侵蝕影像識(shí)別中的重要作用。目前鮮少有研究提及深度學(xué)習(xí)中卷積神經(jīng)網(wǎng)絡(luò)在類風(fēng)濕性關(guān)節(jié)炎X光影像智能識(shí)別中的應(yīng)用，本文對(duì)此進(jìn)行了研究。

相關(guān)領(lǐng)域研究現(xiàn)狀及分析

我國(guó)有超過(guò)1億的關(guān)節(jié)炎患者，類風(fēng)濕性關(guān)節(jié)炎作為最常見(jiàn)的關(guān)節(jié)疾病之一，在我國(guó)的發(fā)病率為0.3～0.4%[8]。對(duì)于該病的診斷，目前常用的方法是X光檢查，其影像可見(jiàn)患者關(guān)節(jié)面模糊、關(guān)節(jié)面囊性病變、骨侵襲性破壞等。實(shí)踐發(fā)現(xiàn)，由于影像效果和醫(yī)生經(jīng)驗(yàn)的局限，部分患者的X光檢查結(jié)果呈假陽(yáng)性，醫(yī)生單憑肉眼觀察X光片，可能會(huì)因?yàn)榻?jīng)驗(yàn)不足、圖像質(zhì)量、長(zhǎng)時(shí)間瀏覽造成疲憊等而產(chǎn)生錯(cuò)誤解讀，一些不常見(jiàn)的影像特征容易被忽視，導(dǎo)致漏診誤診[9]?；诖?，計(jì)算機(jī)輔助診斷深度學(xué)習(xí)算法便應(yīng)運(yùn)而生。

利用深度學(xué)習(xí)算法輔助診斷類風(fēng)濕性關(guān)節(jié)炎，可以在一定程度上避免人為因素導(dǎo)致的診斷失誤，提高診斷效率。將深度學(xué)習(xí)中卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于醫(yī)學(xué)影像分析，成為越來(lái)越多臨床醫(yī)務(wù)工作者的選擇[10]。卷積神經(jīng)網(wǎng)絡(luò)通過(guò)一系列的卷積層與池化層，