孫 紅,莫光萍,徐廣輝,楊 晨

(1.上海理工大學 光電信息與計算機工程學院,上海 200093;2.上海市第四人民醫(yī)院 脊柱外科,上海 200434)

脊柱作為人體肌肉骨骼系統(tǒng)較重要的組成部分之一,在肌肉骨骼系統(tǒng)中維持和支撐身體及其器官、各關節(jié)轉(zhuǎn)動,并保護脊髓免受外力沖擊造成損傷,其質(zhì)心定位與椎骨分割對脊柱疾病研究具有重要意義。椎骨定位及分割可以幫助骨科醫(yī)生診斷脊柱疾病,確定治療方案并評估方案的有效性[1-2]。電子計算機斷層掃描(Computed Tomography,CT)和磁共振成像 (Magnetic Resonance Imaging,MRI)是兩種常見的人體脊椎三維成像方法。CT成像來自高級X射線成像的多角度、多方向組合,掃描使用不同測量參數(shù)從側(cè)面生成脊柱的橫截面圖像。CT掃描有利于形成脊柱的三維圖像。RI是脊柱三維成像中一種快速、高質(zhì)量和詳細的成像方法,通過產(chǎn)生強磁場和射頻脈沖來生成三維脊柱圖像。脊柱質(zhì)心定位與分割是具有挑戰(zhàn)性的任務,這是由于脊柱在解剖學結(jié)構(gòu)上具有相似的外觀與復雜的空間結(jié)構(gòu),且相鄰椎骨交界處不易分割。一些脊柱椎骨病理情況增加了脊柱分割的異常情況,例如異常的脊柱彎曲、金屬植入物引起的視覺成像和偽像以及有限的視野場等,這些異常加大了脊柱自動定位與分割的難度。由于醫(yī)學成像視野具有任意性,因此不能依靠某些參數(shù)化方法來對脊柱定位與分割進行建模。從醫(yī)學圖像中手動定位并標記病變區(qū)域較耗時,且手動標記病變區(qū)域具有主觀性,容易出現(xiàn)評分差異。在CT掃描中,超過85%的骨質(zhì)疏松型骨折會被漏診[3]?；贏tlas、多圖譜和機器學習的傳統(tǒng)方法雖可以將醫(yī)生從繁瑣的工作中解放,但機器學習方法依賴手工提取特征,手工提取三維醫(yī)學圖像特征較耗時,因此機器學習方法并不適合處理此類任務。深度學習(Deep Learning,DL)是一種多層網(wǎng)絡組成的端到端學習模型,能夠自動提取高層次特征并學習數(shù)據(jù)特點,處理大規(guī)模的醫(yī)學數(shù)據(jù),無需手工提取特征。且基于DL的自動定位與分割椎骨可以預防漏診,減少醫(yī)師的工作量。因此,自動定位與分割在臨床診斷中是較可取的方法。文獻[4]按網(wǎng)絡框架、訓練技巧與應用數(shù)據(jù)集對深度學習在醫(yī)學圖像中的應用,進行分析與討論。文獻[5]全面總結(jié)了深度學習方法在CT肝臟腫瘤圖像分割中的應用。文獻[6]對深度學習在腦組織、血管和肺部分割的應用進行研究討論。為全面比較與分析,本文首先介紹脊柱醫(yī)學圖像常用數(shù)據(jù)集及其任務結(jié)果評價指標,然后介紹脊柱圖像質(zhì)心定位與椎骨分割兩個子任務常用的深度學習方法基本思想、網(wǎng)絡架構(gòu)及其優(yōu)缺點等,最后對深度學習在脊柱醫(yī)學圖像應用面臨的問題及未來發(fā)展展開討論。

1 數(shù)據(jù)集

1.1 數(shù)據(jù)集

因醫(yī)學圖像具有私密性,脊柱醫(yī)學圖像樣本較小且脊柱用于模型訓練的數(shù)據(jù)集需要有經(jīng)驗的專家與醫(yī)師進行標注,因此在脊柱醫(yī)學圖像處理任務中缺乏公開可用的數(shù)據(jù)集。為解決脊柱圖像處理的限制,MICCAI(Medical Image Computing and Computer Assisted Intervention Society)舉行了大型脊柱圖像標注與分割挑戰(zhàn)賽,提供了大規(guī)?？捎谩⒁褬俗⒓怪t(yī)學圖像數(shù)據(jù)集VerSe (2019～2020)。

數(shù)據(jù)集VerSe包括訓練數(shù)據(jù)集、驗證數(shù)據(jù)集和測試數(shù)據(jù)集。數(shù)據(jù)集VerSe2019對141個患者進行斷層掃描,形成160幅三維 CT圖像。其中,80幅CT圖像用于訓練,訓練集包括經(jīng)過訓練的醫(yī)學生對862塊椎骨做的標志與分割mask,由具有經(jīng)驗的醫(yī)師進一步提升、改進,剩下80幅CT圖像作為驗證集與測試集。掃描和分割mask以nifti格式存儲,脊柱中每塊椎骨的質(zhì)心坐標以json格式存儲。VerSe2020是VerSe2019的擴充,從160幅CT圖像擴充至300幅CT圖像,其數(shù)據(jù)標注和分割mask與VerSe2019無明顯差別。數(shù)據(jù)集VerSe注釋有兩部分:1)椎骨質(zhì)心三維坐標;2)椎骨體素級別的分割mask。椎骨坐標注釋以1 mm分辨率給出,質(zhì)心坐標內(nèi)容包括三維坐標與坐標對應的椎骨標簽;分割mask以不同灰度表示不了同椎骨塊,文獻[3]和文獻[7]對數(shù)據(jù)集進行了詳細解釋。

三維脊柱醫(yī)學圖像數(shù)據(jù)集還包括xVertSeg、Spinal Disease、CSI-Seg 2014、CSI-Label 2014、IVD和T2verse等。xVertSeg[8]包括25幅腰椎圖像,腰椎圖像包括健康和不同程度骨折的椎骨,數(shù)據(jù)集包括對每塊腰椎骨的分割mask以及對骨折程度的分類。如圖1所示,圖1(a)為腰椎的三維CT原始影像,圖1(b)為人工標注的腰椎椎骨分割mask,圖1(c)為每塊腰椎骨對應的骨折等級和骨折情況。其中L1～L5表示腰椎的標簽,g代表輕度、中度和嚴重3種骨折程度,使用數(shù)值1～3表達,c代表骨折情況。Spinal Disease為阿里天池提出的脊柱疾病診斷競賽的數(shù)據(jù)集,可供下載的數(shù)據(jù)集包括標注的150份訓練集以及50份測試集,剩下250份復賽訓練集和100份測試集不可下載。Spinal Disease供T1、T2矢狀面和T2軸狀位MRI脊柱影像,標注從胸腰椎間盤開始到腰骶間盤結(jié)束,并將椎骨分為正常和退行性病變兩類,椎間盤分為正常、膨出、突出、脫出以及椎體內(nèi)疝出5類。CSI 2014[9-10]是CSI 2014 Workshop挑戰(zhàn)賽提供的脊柱質(zhì)心定位與椎骨分割數(shù)據(jù)集,其中分割挑戰(zhàn)有20幅可用CT圖像,椎骨的分割標記覆蓋胸腰椎,數(shù)據(jù)以mhd/raw格式存儲。用于脊柱質(zhì)心定位的242幅訓練集與60幅測試集由不同類型病理患者的CT掃描組成,每幅CT圖像都提供相應的椎骨質(zhì)心注釋。IVD共16幅CT圖像,其中原始圖像包括4種模態(tài)掃描,可用于多模態(tài)脊柱圖像研究。T2verse為MRSpineSeg挑戰(zhàn)的全脊柱數(shù)據(jù)集,包括172幅三維帶注釋訓練集與20幅未標注測試集,每幅圖像為T2加權(quán)矢狀MRI圖像,圖像中的10塊椎骨、9個椎間盤和背景分別在體素級別被標注為不同灰度。

(a)

1.2 評價指標

深度學習在圖像中的應用評價指標包括識別率(id.rate)、定位距離(dmean)、Dice系數(shù)(Dice)和Hausdorff距離(HD)等。

在脊柱醫(yī)學圖像處理任務中,對分割模型常用Dice系數(shù)和Hausdorff距離兩個指標來評價模型性能。Dice系數(shù)可以衡量集合間的相似度,Hausdorff距離也稱作最大表面距離(Maximum Symmetric Surface Distance,MSSD),其作為表面距離對圖像的分割邊緣響應較大,是兩個點集之間相似程度的度量,計算式為

(1)

其中,ypred表示模型預測結(jié)果的表面點集;y表示數(shù)據(jù)集中標注真實值的表面點集;i表示對每塊椎骨的索引;d(p,t)代表兩點間的距離,例如歐式距離d(p,t)=‖p-t‖2。

id.rate和dmean是子任務定位識別脊柱常用的兩個評價指標。識別率id.rate即為正確識別的椎骨與圖像中出現(xiàn)的總椎骨比率。dmean是深度學習模型預測的脊柱質(zhì)心坐標與真實坐標之間差距的度量指標,其可以衡量模型定位坐標的魯棒性。定位距離dmean的計算式如式(2)所示,圖像中為預測坐標與真實坐標之間的歐氏距離加和。

(2)

用于脊柱定位與分割任務模型性能的評價指標還有定位誤差和平均表面距離等,表1將常見指標進行了匯總。

表1 脊柱圖像處理模型評價指標匯總

2 深度學習在脊柱質(zhì)心定位中的應用

根據(jù)訓練集數(shù)據(jù)標注的每塊椎骨質(zhì)心來定位脊柱質(zhì)心,選擇模型進行訓練,使模型具有預測脊柱質(zhì)心的能力。在脊柱定位任務中,椎骨定位在臨床上具有較大輔助作用,椎骨定位可以提供椎骨位置信息,為椎骨分割做基礎,也可輔助定位脊柱病灶位置。

一些研究者已將CNN(Convolutional Neural Network)用于脊柱質(zhì)心定位研究。文獻[11]分階段利用CNN檢測脊柱并劃定椎骨區(qū)域,采用沿脊柱的一維強度剖面空間變異IIR濾波定位椎間盤,并基于深度網(wǎng)絡引入其他信息對脊柱進行定位。文獻[12]結(jié)合局部與遠程上下文信息,提出長短距離上下文融合框架(Long-Short Range Context-Fusing,LSRC)。LSRC框架結(jié)合三維局部信息與二維遠程上下文,利用三維局部語義網(wǎng)絡學習三維CT脊柱圖像特征生成與每塊椎骨位置相對應的三維熱圖,并將生成的三維熱圖與CT圖像分別投影到矢狀面和冠狀面,將其輸入至二維遠程上下文網(wǎng)絡中。二維遠程上下文網(wǎng)絡中的編碼-解碼模塊從矢狀面與冠狀面兩個視圖中提取全局上下文信息,并結(jié)合網(wǎng)絡中的一個全局優(yōu)化模塊優(yōu)化椎骨的位置,最終得到預測的椎骨質(zhì)心。文獻[13]將脊柱質(zhì)心的定位分成兩個階段,由粗到細定位脊柱質(zhì)心。在脊柱質(zhì)心定位中,文獻[13]首先在UNet的基礎上提出一種UNet變體網(wǎng)絡對脊柱的中心線進行熱圖回歸,然后以此中心線為基準,結(jié)合FCN(Fully Connected Neural Network)與熱圖優(yōu)化椎骨的質(zhì)心坐標。文獻[14]也將熱圖引入脊柱質(zhì)心定位中,使用積分回歸模塊,將空間熱圖轉(zhuǎn)化為坐標點,結(jié)合高斯熱圖和直接回歸坐標的優(yōu)點使模型具有完全差分和空間泛化的能力。雖然基于熱圖的脊柱質(zhì)心定位方法在預估質(zhì)心坐標方面表現(xiàn)良好,但脊柱質(zhì)心與脊柱結(jié)構(gòu)相關,結(jié)合熱圖的定位并未充分利用脊柱的解剖學信息,可能出現(xiàn)在多塊椎骨預測同一坐標或某塊椎骨質(zhì)心未預測的問題。

針對該問題,一些學者提出將脊柱解剖學信息作為消息在網(wǎng)絡中傳遞,作為模型約束精準定位質(zhì)心。消息傳遞的關鍵思想是在概率模型中將互信息在相鄰節(jié)點之間傳遞且進行多次迭代,直到模型收斂達到最優(yōu)。消息傳遞一般提取椎骨解剖學中空間順序的局部與全局上下文信息,以及基于CT掃描的冠狀面與矢狀面的投影信息等作為先驗知識在網(wǎng)絡中傳遞。文獻[15]有效地利用脊柱的解剖先驗知識來促進椎骨定位,訓練關鍵點定位模型UNet以生成椎骨中心的三維激活圖,并將激活圖轉(zhuǎn)換成一維信號,通過引入解剖學約束優(yōu)化模塊,在調(diào)節(jié)椎骨之間距離的軟約束和對連續(xù)椎骨索引的硬約束下聯(lián)合搜索最優(yōu)椎骨質(zhì)心。文獻[16]提取脊柱圖像的遠程上下文信息在網(wǎng)絡中傳遞,將提取的特征轉(zhuǎn)換成特征序列來訓練多任務雙向遞歸神經(jīng)網(wǎng)絡,最終輸出每個樣本的定位結(jié)果。文獻[17]捕捉椎骨解剖學的空間順序與遠程上下文信息,并在架構(gòu)的最底層額外使用各向異性濾波器增加感受野的大小,從而最大化網(wǎng)絡捕獲的上下文信息來預測質(zhì)心位置。在利用矢、冠狀面作為消息傳遞方面,文獻[18]利用三維脊柱圖像的矢狀位與冠狀位信息,首先生成二維冠狀面和矢狀面切片,使用二維卷積神經(jīng)網(wǎng)絡檢測椎骨同時評估正交方向(即矢狀和冠狀切片)上的二維檢測。在三維空間中,使用聚類算法對二維檢測結(jié)果進行聚類,將二維信息逆轉(zhuǎn)換為三維信息。文獻[19]使用對抗生成自動編碼器將脊柱矢、冠狀面信息編碼至網(wǎng)絡完成脊柱質(zhì)心標記。一些研究者在引入消息傳遞算法的同時通過概率圖模型來預測椎骨質(zhì)心的位置。文獻[20]引入一種深度圖像至圖像的網(wǎng)絡(Deep Image-to-Image Network,DI2IN),利用特征串聯(lián)與深監(jiān)督生成椎骨質(zhì)心的概率圖,并以脊柱解剖結(jié)構(gòu)的空間關系為基礎,使用消息傳遞策略來演化概率圖,最終通過學習稀疏表示約束與優(yōu)化椎骨的位置。DI2IN則通過消息傳遞增強CNN來準確預測每塊椎骨質(zhì)心的像素級概率圖。使用消息傳遞算法成功地處理了為椎骨質(zhì)心預測像素級概率圖的任務中存在某塊椎骨無響應的問題。然而,DI2IN糾正錯誤識別不僅可補償缺失的檢測,還可糾正具有錯誤標簽的識別并刪除誤報識別,故可以進一步利用消息傳遞的潛力來處理這些任務。

深度學習方法自引入醫(yī)學圖像處理與分析任務以來取得了較好的性能,在脊柱定位任務中通過加入新方法取得了良好的效果。表2對上述提到的深度學習方法進行匯總,可以看出CSI-Label 2014是脊柱質(zhì)心定位常用的數(shù)據(jù)集,融合脊柱解剖信息的質(zhì)心定位方法在dmean和dst兩個指標表現(xiàn)優(yōu)于基于熱圖的定位方法,尤其是文獻[15]提出的方法在定位距離指標取得2.55 mm的結(jié)果。可以看出,在相同數(shù)據(jù)集中,文獻[15]與其他網(wǎng)絡同樣引入解剖學結(jié)構(gòu)信息,但同時利用椎骨順序與相鄰椎骨作兩重約束可取得更為準確的定位精度。基于熱圖的表示方法取得較好的性能,為三維脊柱圖像中的每塊椎骨生成熱圖光點,回歸熱圖并選擇熱圖中預測概率最大的特征點作為椎骨的質(zhì)心,但取概率最大值的操作過程不可微?；貧w方法是進行端到端的誤差訓練,所以并不能實現(xiàn)傳統(tǒng)深度學習方法端到端訓練質(zhì)心坐標。文獻[12]根據(jù)這點不足之處,補充了基于殘差塊網(wǎng)絡進行積分回歸的端到端的訓練模塊。基于脊柱解剖學方法在脊柱定位任務中也取得了較好效果,但該方法在較大程度上依賴脊柱外觀的先驗信息。在臨床醫(yī)學中,脊柱CT圖像包含不同視場,而椎骨相似的外觀可能導致提取的信息冗余,并且一些脊柱疾病例如脊柱側(cè)彎、骨折和椎骨金屬物植入造成的金屬偽影層導致椎骨外觀具有強烈的變異性,從而導致該方法預測的質(zhì)心不準確,這也是深度學習在脊柱質(zhì)心定位領域面臨的難點之一。

表2 脊柱質(zhì)心定位的深度學習方法匯總

3 深度學習在脊柱分割中的應用

不同于脊柱質(zhì)心定位與識別,椎骨分割是脊柱醫(yī)學圖像處理分析任務中的另一個重要挑戰(zhàn)。椎骨分割是在整個圖像中對像素進行分類,以此生成不同解剖結(jié)構(gòu)的mask,即將椎骨作為感興趣區(qū)域與周圍區(qū)域在像素級別上進行分類。

基于質(zhì)心定位是脊柱椎骨分割深度學習方法之一。在完成質(zhì)心檢測后,以質(zhì)心為基點,識別椎骨的邊界框或分割整塊椎骨從而將椎骨與背景分割開。基于質(zhì)心定位,文獻[13]從整個脊柱CT圖像中裁剪上一步定位的椎骨質(zhì)心周圍區(qū)域,使椎體位于裁剪圖像的中心并創(chuàng)建一個以預測椎骨坐標為中心的高斯熱力圖,裁剪后的圖像和熱力圖輸入一個UNet網(wǎng)絡得到最終分割結(jié)果。文獻[21]在原始UNet網(wǎng)絡的基礎上進行改動,并使用二維UNet來提取脊柱的前部區(qū)域脊髓前區(qū)中心線。然后利用垂直中心線沿脊柱前部區(qū)域定位所有椎骨的中心,并以所有椎骨中心點為基準,訓練一個二維UNet對所有椎骨生成三維感興趣區(qū)域進行最終分割。文獻[22]同樣在質(zhì)心定位的基礎上提出一種新的二值切割計算式。計算式融合基于斑塊的星形凸椎分割和相鄰斑塊之間的非重疊約束,并將初步的分割結(jié)果嵌入到圖像域中,最后利用FCN對圖像域做椎骨分割。該方法解決了單獨分割椎骨時由相鄰椎骨存在重疊區(qū)域引起的歧義問題?；谫|(zhì)心定位,文獻[23]將預測的椎骨質(zhì)心作為脊柱分割的先驗信息,提出3D-Dense-UNet算法分割脊柱感興趣區(qū)域,并在xVertSeg和CSI-Seg 2014中表現(xiàn)出良好的性能。

深度學習在脊柱中的應用還包括語義分割與級聯(lián)深度模型方法。自語義分割網(wǎng)絡UNet被用于醫(yī)學圖像分割后,以UNet為基礎框架的方法在脊柱圖像椎骨分割中也取得了良好的分割效果。文獻[24]采用二維UNet對椎骨進行語義分割,但不同于其他方法,該方法椎骨分割的mask在三維頸椎軸向切面上,頸椎在軸切面上可以區(qū)分上頸椎與下頸椎,將上頸椎與下頸椎分別標上不同的mask用于訓練區(qū)分,在后續(xù)提升了分割精度。該方法利用連通分量分析來評估每個類區(qū)域的連續(xù)性,以解決錯誤標記問題?；赨Net網(wǎng)絡變體,文獻[25]結(jié)合記憶單元,提出一種用于椎骨檢測和分割的“V型”分割網(wǎng)絡,并在CSI-Seg 2014數(shù)據(jù)集上取得較好的結(jié)果。受三維UNet啟發(fā),文獻[26]提出一種新框架,改變了分割過程迭代起始點的選擇方式。該方法首先利用迭代實例分割算法保證椎骨按塊分割,從而避免相鄰椎骨交界處的干擾。當網(wǎng)絡從迭代分割中接收單個椎骨分割結(jié)果后,網(wǎng)絡提取該分割椎骨二值預測為正區(qū)域的多標簽分類結(jié)果,從而計算出該節(jié)椎骨可能的解剖標記概率,解剖標記由該區(qū)域體素概率最高部分的標記決定?；诩壜?lián)深度網(wǎng)絡,文獻[27]提出一種從三維CT圖像中自動分割腰椎的語義分割方法,該方法采用FCN回歸椎骨區(qū)域并級聯(lián)三維UNet從回歸區(qū)域中分割腰椎骨。文獻[28]提出一種基于級聯(lián)卷積神經(jīng)網(wǎng)絡的三維多椎骨分割方法,采用對比度受限的自適應直方圖均衡化將原始的三維脊柱圖像預處理后,將處理后的圖像送入粗分割模糊神經(jīng)網(wǎng)絡中訓練并得到粗分割結(jié)果,最后使用級聯(lián)精細CNN細化粗分割,并輸出三維椎骨分割結(jié)果。文獻[29]提出兩種新的不同于上述框架的結(jié)構(gòu)分割椎骨:基于MLPNN(Multi-Layer Perceptron Neural Network)的方法和基于自適應三維PCNN(Pulse Coupled Neural Network)方法。兩種方法的具體步驟概括如下:1)基于MLPNN的方法主要分3部分,首先對圖像進行預處理,主要目的是識別椎骨像素,增加椎骨和其他組織之間的區(qū)別;然后進行特征提取網(wǎng)絡最終進行分類,得到椎骨的分割結(jié)果。2)APCNN(Adaptive Pulse Coupled Neural Network)方法直接分析網(wǎng)絡的輸入圖像,但同樣需要進行預處理步驟。首先將新開發(fā)的APCNN直接應用于給定的圖像片段椎骨,然后使用中值濾波對結(jié)果進行細化。在APCNN中,用戶自定義的脈沖耦合神經(jīng)網(wǎng)絡參數(shù)值針對每幅圖像分別自適應調(diào)整,而不是像傳統(tǒng)PCNN一樣對所有圖像使用一個值,即不需要對圖像進行特征提取和訓練。

從表3可以看出,基于深度學習的脊柱分割應用數(shù)據(jù)集大部分為脊柱段而不是全脊柱,其中胸腰椎居多。在胸腰椎段,文獻[22～23]、文獻[29]取得的Dice指標平均達到95%,說明分割的準確率較高。對于腰椎分割,調(diào)研設計的方法應用同一數(shù)據(jù)集xVertSeg,級聯(lián)深度網(wǎng)絡的方法取得了較好的結(jié)果。文獻[13]提出的方法分割范圍較廣,在Dice指標取得的分數(shù)達到94%,但HD指標較大,與其他方法相比較優(yōu)勢不大。數(shù)據(jù)集VerSe2019包括頸椎、胸椎、腰椎和全脊柱多個視野場組成的數(shù)據(jù)集,需要模型在不同脊柱段分割,具有較好的魯棒性。在表3中,A表示平均表面距離,H表示Hausdorff距離,NULL表示無可用數(shù)據(jù)

表3 脊柱分割的深度學習方法匯總

4 結(jié)束語

基于深度學習網(wǎng)絡方法是脊柱質(zhì)心定位與椎骨分割任務常用的方法。為研究深度學習在脊柱醫(yī)學圖像定位與分割任務中的應用現(xiàn)狀與發(fā)展,本文對該領域近幾年脊柱定位與分割模型進行了整理與研究。首先介紹脊柱常用數(shù)據(jù)集與評價指標,然后列舉脊柱質(zhì)心定位與分割方法,并分析模型實現(xiàn)過程以及存在的不足之處。

深度網(wǎng)絡在脊柱定位與分割任務中取得了良好的性能,但深度學習在脊柱圖像中的應用研究也存在如下問題:1)需要大樣本數(shù)據(jù),模型的性能有時取決于數(shù)據(jù)多少;2)需要更高性能的GPU(Graphics Processing Unit),由于醫(yī)學圖像大多為三維圖像,三維圖像的計算需要消耗大量內(nèi)存資源以及高性能的GPU才能提高模型的計算速度;3)大部分DL模型仍處于試驗階段,要達到臨床使用要求仍需長久研究。針對以上問題,深度學習在脊柱中應用未來發(fā)展方向可以集中為以下3點:1)在訓練前對數(shù)據(jù)做增強或在二維層面對脊柱數(shù)據(jù)訓練預測,當三維數(shù)據(jù)轉(zhuǎn)為二維切片時,數(shù)據(jù)得到增加;2)提出2.5D模型進行訓練,最終在三維層面進行預測;3)DL模型在臨床階段需要根據(jù)實際情況進行調(diào)整,并不斷積累數(shù)據(jù)訓練模型,使模型精度不斷提高,適用于實踐情況。一些學者通過半監(jiān)督學習從小量帶標簽醫(yī)學數(shù)據(jù)中學習以獲得高精度的分割效果。在處理模型計算量大問題時,輕量化模型也是發(fā)展方向之一,通過深度可分離卷積、分組卷積等設計網(wǎng)絡,提升網(wǎng)絡對三維醫(yī)學圖像的分割速度。

DL模型為脊柱圖像研究提供新思路,也是未來脊柱醫(yī)學圖像研究的趨勢。深度學習應用于脊柱圖像中將提高醫(yī)學圖像的利用價值,促進脊柱及其相關病癥的個性化研究。