基于模型分析的骨扫描图像计算机辅助分析系统关键技术研究

The computer-aided diagnosis system of bone scintigrams is an important tool for diagnosing bone diseases such as bone tumor. The image processing techniques are used for the detection and analysis of suspicious lesions (hotspots) in the diagnosis system. In previous works, the detection and analysis of hotspots was based on the image features of hotspots with these methods. Therefore their diagnosis results were frequently distorted by the significant variation among the intensity distribution of the bone structures from different subjects. In our research project for computer-aided diagnosis system of bone scintigram, the intensity distribution models of the healthy bone structures were extensively investigated. An approach for hotspot detection was proposed, which is based on the intensity distribution model of the healthy bone structure. It improved the accuracy of diagnosis results. Our project focused on three key techniques of the computer-aided diagnosis system of bone scintigrams: 1) Bone segmentation: designing shape model based atlas registration algorithm, developing image segmentation methods for accurate segmentation of bone structures, which is based on multiple boundary measures; 2) Hotspot detection: modeling the intensity distribution of healthy bone structures, developing parameter estimation methods for intensity distribution model of bone structures, which is robust against variation among the intensity distribution of the bone structures and lead to more accurate results of hotspot detection; 3) Hotspot analysis: developing approaches for accurate hotspot classification, which is based on the discrepancy model of intensity distribution between healthy bone structures and hotspots. Our research project is expected to make contributions to the improvement of key techniques of the computer-aided diagnosis system, which is helpful to improve diagnosis accuracy of bone diseases.

骨扫描图像计算机辅助分析系统运用图像处理和机器学习的方法进行病灶（热点）的检测和分析，是诊断肿瘤骨转移和相关骨骼疾病的重要临床手段。现有算法基于热点的图像特征进行热点检测和分析，其诊断结果易受不同个体骨骼灰度分布差异性的干扰。本项目对骨扫描图像中正常骨骼灰度分布特征进行研究，提出基于骨骼灰度分布模型的热点检测和分析的方法，可以提高诊断准确率。本项目的研究内容包括三大关键技术：1）骨骼分割：研究基于形状特征模型的图谱配准方法和基于轮廓评估准则的图像分割算法，实现骨骼的准确分割；2）热点检测：研究正常骨骼灰度分布模型，开发骨骼灰度分布模型参数估计方法，消除骨骼灰度分布差异性的影响，提供准确、有效的热点检测结果；3）热点分析：研究基于热点-骨骼灰度差异性模型的热点分析方法，提供准确的热点分类结果。本项目在骨扫描图像计算机辅助分析系统关键技术上的突破对提高肿瘤骨转移诊断的准确率和快速性做出贡献。

骨扫描图像计算机辅助分析系统运用图像处理和机器学习的方法进行病灶（热点）的检测和分析，是诊断肿瘤骨转移和相关骨骼疾病的重要临床手段。现有算法的诊断结果易受不同个体骨骼灰度分布差异性的干扰。本项目提出基于模型的热点检测和分析的方法，研究内容包括三大关键技术：1）骨骼分割；2）热点检测；3）热点分析。本项目的主要研究成果包括：1）骨骼分割技术，本项目提出了多个新的医学图像分割方法，例如基于非平稳性度量的图像超像素分割算法，基于多特征融合的交互式分割方法等。本项目还提出了新的深度学习方法用于医学图像分割，包括基于图像块的CNN、基于膨胀卷积金字塔和ResNet的U-Net等。这些新的分割方法有效提高了骨骼分割的准确率。2）热点检测技术，本项目提出了一个新的基于稀疏编码的异常图像诊断方法和一个新的基于多示例学习的图像内异常区域诊断方法，在此基础上提出一个新的基于热点概率图和局部符号水平集的热点自动分割的方法。本项目选择111张胸廓骨扫描图像进行测试。实验结果表明，该方法的整体准确率为90.1%。3）热点分析技术，本项目提出了一个基于平均场推断的热点交互式分割算法和后续的局部修饰方法。本项目构建了包含100个热点的热点数据库，并利用Jaccard和Dice指标来衡量分割准确率。Jaccard指数超过了0.85，Dice指数超过了0.9，表明该算法具有很高的分割准确率和很好的稳定性。本项目使用卷积稀疏编码方法提取骨扫描局部图像的深度特征，提出一个基于该深度特征的核函数有监督哈希算法，建立了一个骨扫描图像检索系统。本项目建立一个骨扫描局部图像的数据库，有628个异常和786个正常胸廓骨扫描图像。基于深度特征的检索结果的诊断准确率和位置准确率最高分别达到82%和71%，比基于传统的SIFT特征和词袋模型的检索结果要分别显著提高大约25%和20%。本项目达到预期的研究目标，将促成计算机辅助分析技术在骨扫描图像分析上的应用，为提高肿瘤骨转移诊断的准确率和快速性做出贡献。