基于MRI图像和深度学习的MS与NMOSD分类方法研究及应用.pdf

基于MRI图像和深度学习的MS与NMOSD分类方法研究及

应用

摘要

多发性硬化（Multiplesclerosis，MS）和视神经脊髓炎谱系疾病

（Neuromyelitisopticaspectrumdisorder，NMOSD）均属于中枢神经系统脱髓鞘疾

病。二者临床症状及核磁共振成像（Magneticresonanceimaging，MRI）表现经常

重叠，使得早期诊断困难。治疗MS的有效药物可能会加重NMOSD患者的病情。

因此早期准确诊断能够缩短患者从疾病发作到适当治疗的延迟时间，从而提高临

床效益，改善长期预后，提高患者的生活质量。

MRI技术作为一种重要的非入侵性临床检测工具，能够客观反映脑和脊髓病

灶的形态及分布特征，对于MS和NMOSD的疾病诊断、病程监测及预后评估具

有重要的作用。人工分析MRI图像以识别病变区域并做出准确诊断是一项耗时且

挑战性强的任务。本文以MRI图像为数据，以深度学习技术为手段，开展了MS

和NMOSD的分类研究。首先，对三维（Threedimensional，3D）脑部MRI图像

中的前视觉通路（AnteriorVisualPathway，AVP）进行自动分割。其次，基于

AVP的分割结果，进一步研究这两种疾病的分类方法。本文的工作可以总结为以

下三点：

（1）提出一种基于多尺度特征交替融合的AVP分割方法。目前分割网络模型

存在一些问题，比如感受野不足、不同层次的特征融合效率低下以及在执行池化

操作时丢失部分特征。本文引入了带有大卷积核的深度可分离卷积层，它不仅扩

大了有效感受野，还保持了较低的参数量；下采样使用卷积代替池化以防止细节

信息丢失；在网络编码器设计上，不同尺度的特征提取模块交替排列，确保了随

着网络逐渐深入，图像分辨率逐步减小的同时，不同感受野大小的特征得以有效

融合。最后，采用迁移学习策略来缓解由数据量稀缺导致的模型训练效果不佳的

问题。实验结果表明，本文所提出的AVP自动分割网络模型效果明显优于多种经

典深度学习网络模型，DSC达到88.30%。

（2）基于AVP分割的MS和NMOSD分类研究。探究了分割性能对MS和

NMOSD分类效果的影响，以及适合MS和NMOSD分类的网络结构。研究发现，

先对AVP进行分割再根据分割结果进行分类比直接用脑MRI图像进行分类，效果

有明显提升；随着AVP分割精度的提升，分类网络的性能也相应提升，二者呈正

相关；在面对基于AVP分割的MS和NMOSD分类任务时，EfficientNet-B0和

SENet50这类参数量较少、结构高效的网络应当作为首选。这些发现为深度学习

在MS和NMOSD诊断中的应用提供了有价值的见解。

（3）为了将理论研究应用到实际临床诊断中，设计并实现了MS和NMOSD分

类系统，本系统包括用户登录注册模块、数据处理与保存模块、AVP分割模块、

MS和NMOSD分类模块，对减轻医生的工作负担和缩短患者的治疗时间具有重

要的意义。

关键词：多发性硬化，视神经脊髓炎谱系疾病，前视觉通路，磁共振图像，深度

学习

ResearchandApplicationofMSandNMOSDClassification

MethodBasedonMRIImagesandDeepLearning

ABSTRACT

Multiplesclerosis(MS)andneuromyelitisopticaspectrumdisorder(NMOSD)are

bothdemyelinatingdiseasesofthecentralnervoussystem.Theclinicalsymptomsand

magneticresonanceimaging(MRI)manifestationsofthetwooftenoverlap,makingearly

diagnosischallenging.Effectivedrug