随着深度学习技术的发展和医学影像技术应用的深入,利用深度学习对医学图像进行分析处理已然成为学术界研究的热点,基于计算机辅助诊断技术的核医学图像分析不仅可以实现疾病的自动检测,更是有着提高诊断效率和准确度的潜力。然而,不同于自然图像和结构医学图像,SPECT骨显像为典型的超低分辨率大尺度成像模态,加上大规模SPECT数据收集困难且图像标注耗时费力,为基于深度学习技术的SPECT全身骨显像图像自动分类带来了巨大挑战。为构建性能可靠的深度学习SPECT骨显像图像分类模型,针对存在的上述问题,本文研究面向骨转移自动诊断的图像自动分类技术,涉及SPECT全身骨显像图像的区域切分、面向疾病检测的图像二分类模型构建和面向疾病诊断的图像多分类模型构建等内容。概况而言,本文主要开展了如下研究工作:(1)SPECT全身骨显像图像的区域切分。应用统计分析方法并结合人体形态学知识,研究并提出了面向SPECT全身骨显像的人体部位切分方法。首先,对全身骨显像数据做非背景“像素”统计;然后,应用多项式曲线拟合技术并结合人体结构的对称特征确定切分特征像素点;最后,以经验方式获取肩部切分点并提取胸腔骨骼区域。应用临床真实数据对提出的切分方法进行了实验验证,结果表明所提出的方法的可行性和有效性。(2)图像二分类实现疾病检测。通过构建不同结构的深度分类模型,研究并提出了面向骨转移疾病的非融合图像、融合图像的二分类疾病检测。首先,通过特征切分点的寻找,从全身骨显像图像中提取出感兴趣区域,并进行个性化数据增强;然后,基于序列结构和非序列结构构建非融合分类模型及融合分类模型,同时进行参数微调,训练多种分类器;最后,用一组骨显像临GDC-0068抑制剂床数据进行模型评价及实验结果分析。实验结果表明,在面向骨显像的胸腔区域非融合图像二分类任务中,疾病检测Immune mediated inflammatory diseases的准确度和灵敏度分别达到0.9807和0.9830。(3)图像多分类实现疾病诊断。考虑到SPECT成像的多体位特征,本文提出一种面向肺癌亚类的细粒度多视图分类方法。首先,在SPEC更多T全身骨显像图像中提取出胸腔区域,并进行数据集扩展;然后,自定义多视图分类器,通过特征提取子网络、特征融合子网络和特征分类子网络进行关键特征的提取、融合及识别;最后,进行模型性能测试和实验结果分析。由实验结果可得,本文构建的多视图分类模型不仅可以预测是否发生了骨转移,而且可以显示原发性肺癌亚类,其Acc、Pre、Roc和F-1分别达到0.7392、0.7592、0.7242和0.7292。通过以上研究工作,本文致力于SPECT全身骨显像图像的自动分类技术,通过数据准备和模型构建对骨转移的二分、多分进行了方法探究。多组实验结果表明,基于深度学习的骨转移的自动诊断具备一定的可行性和可靠性,可有效进行骨转移热区的识别和分类,有助于骨转移患者的及时诊断、疾病分期及预后。同时,也表明深度学习方法在各类骨转移疾病的自动诊断中具有巨大潜力。