1 简介
本文根据《DEEP SPINE: AUTOMATED LUMBAR VERTEBRAL SEGMENTATION, DISC-LEVEL DESIGNATION, AND SPINAL STENOSIS GRADING USING DEEP LEARNING》翻译总结。
本文实现多输入（矢状图、轴状图）、多任务（脊椎狭窄、左神经孔、右神经孔）、多分类（正常、轻度疾病、中度疾病、重度疾病）的模型。如下图，首先采用人工标注的椎体、尾椎的mask，用U-Net进行定位识别，对定位的椎体有个多项式曲线适配，然后认为两个椎体的中间位置是椎间盘，然后扣出来椎间盘的矢状图、与其对应的轴状图进行分类，确定是正常、轻度疾病、中度疾病、重度疾病。
2 分类说明
多任务central canal, right foraminal,and left foraminal stenosis（脊椎狭窄、左神经孔、右神经孔）、多分类normal, mild, moderate, and severe（正常、轻度疾病、中度疾病、重度疾病）的图示如下。
3 NLP标注分类
分析放射科医生等在MRI影像的文字说明，然后提取分类。比如下图a的L4-5提到mild right foraminal stenosis，所以b图RFS有一个。
4 方法
4.1 椎体识别（segmentation与label）
Mask（segmentation）损失函数：p是预测的，g是ground-truth。
4.2 疾病分类
两个卷积神经网络，针对不同输入（矢状、轴状），然后联合进行分类。3D卷积对sagittal（矢状图），2D卷积对axial（轴状图）。因为sagittal（矢状图）的一个系列有多个切片slices。
损失函数：
5 实验结果
只做矢状分类或者轴状分类的结果及联合分类的结果，可以发现联合分类有2%-4%的改进。