基于深度学习和磁共振图像的膝关节骨关节炎分类.pdf

摘要

摘要

膝关节骨关节炎会导致关节疼痛、积液、关节运动受限和步态异常等严重后果，

虽然这种疾病不会导致死亡，但是关节软骨的减少是不可逆的，膝关节骨关节炎的诊

断主要根据影像学检查结果来确诊。作为一种退行性疾病，早期识别膝关节骨关节炎

对于临床干预以减少病变是至关重要的。目前，对膝关节骨关节炎分类的研究主要集

XX

中在光图像上，但是光图象无法看到图像细节，对早期膝关节骨关节炎的变化

MagneticResonanceMR

不敏感。而核磁共振（，）图像可以很清晰的观察到膝关节骨

关节炎早期特征，因此本文利用MR图像这一优势提出了基于磁共振图像的膝关节骨

关节炎分类算法。

深度学习在医学图像分类中得到了广泛的应用，然而模型性能优秀的深度学习网

络往往需要样本量非常大的数据集，小样本数据集的训练很容易使深度学习模型发生

过拟合现象。此外，对于分类任务而言，重中之重是对图像特征的提取。单一的深度

学习模型提取到的特征往往不太充分，限制了模型分类性能的提升。因此本文针对膝

关节磁共振图像研究了两种基于深度迁移学习的分类算法，主要研究工作如下：

1DenseNet201

（）研究了基于两阶段深度微调迁移学习模型的膝关节磁共振图

像分类方法。该方法将训练分为两阶段，第一阶段为冻结所有基础层，只训练嵌入神

经网络的全连接层的权重。第二阶段是解冻部分基础层，训练解冻后的基础层和嵌入

DenseBlock

神经网络全连接层的权值，在这一步中，本文设计了基于密集（）块的

逐块微调策略来进行训练。实验结果表明，在微调中逐块释放密集块进行训练，既节

省了时间，又提高了分类精度。

2

（）研究了基于多特征网络融合的膝关节骨关节炎图像分类方法。针对单一深

度学习网络模型的特征提取不充分并且鲁棒性较差的问题，在两阶段深度微调迁移卷

积神经网络的基础上进一步提出一种多特征网络融合的深度学习模型。同一张图片通

过不同的深度学习模型，能够在不同模型的卷积层输出端提取到不同的特征，将这些

特征进行融合，得到更加具有判断力的特征，然后将融合后的特征经过全连接层的分

类可以得到非常好的分类性能。对比实验结果表明，将DenseNet201两阶段深度微调

迁移学习模型与Inception-ResNet-v2网络模型进行特征融合，在膝关节磁共振图像数

据集上获得的分类效果最好，获得了0.940的准确度、0.975的灵敏度、0.913的精确

度、0.910的特异性、0.943的F1-Score和0.884的马修斯相关系数。

关键词：膝关节骨关节炎磁共振图像深度微调两阶段迁移学习模型特征融合

I

Abstract

Abstract

Kneeosteoarthritiscanleadtoseriousconsequencessuchasjointpain,hydrops,

limitedjointmovementandabnormalgait.Althoughthisdiseasewillnotleadtodeath,the

reductionofarticularcartilageisirreversible.Thediagnosisofkneeosteoarthritisismainly

basedontheresultsofimagingexamination.Asadegenerativedisease,earlyidentification

ofkneeosteoarthr