基于VGG的SPECT骨扫描图像关节炎分类

摘要

核医学SPECT是主要的功能成像模态,在骨转移、关节退行性改变等疾病的诊治中发挥着重要作用.关节炎是常见且多发性生理疾病,临床上容易在骨转移特别是溶骨性转移之间产生误判.为了从SPECT图像中可靠识别关节炎病变,借助于深度学习的特征自动提取功能,研究并构建了面向关节炎自动诊断的SPECT图像分类器.首先,对SPECT骨显像数据进行归一化及扩展处理,适度扩充数据量并转化到模型要求的数据格式;其次,基于标准的VGG模型构建具有不同深度的关节炎分类器;最后,使用一组真实SPECT全身骨显像数据,对构建的分类模型进行测试.实验结果表明,构建的分类器可有效检测关节病变,获得的准确率、AUC值、精度、召回率分别为0.926、0.986、0.921、0.934.