2、脊柱 MRI 图像分割与症状分类研究

脊柱 MRI 图像分割与症状分类研究

1 数据增强

研究数据集包含 48 位患者的 MRI 图像。为避免因训练数据不足导致过拟合，采用数据增强来扩大训练数据集规模。使用 Keras 支持的 ImageDataGenerator 进行数据增强，由于亮度可能导致 MRI 图像中症状特征不同，不考虑通过调整亮度创建新图像，仅关注水平/垂直翻转、宽度/高度偏移、旋转和缩放操作。同时，不仅原始 MRI 图像需要扩充数据量，图像分割的真实标签也需要进行同样操作。

2 U - Net 架构

U - Net 架构于 2015 年提出，广泛应用于医学图像处理。本研究中，U - Net 架构大致分为收缩、瓶颈和扩展三部分，使模型能够从图像中学习特征并进行重建。在扩展部分，输入包含来自对应收缩层的特征图，确保学习到的特征可用于图像重建。

此部分旨在从患者的 MRI 图像中学习特征，将每个像素转换为 1（白色）或 0（黑色）。但由于图像大部分属于类别 0，存在数据不平衡问题，导致模型训练效果不佳。解决数据不平衡的常见方法是重采样或更改损失函数，由于 MRI 图像不可调整，选择能适当考虑类别分布的损失函数来优化模型，使用了二元交叉熵（BCE）和 Dice 损失两种损失函数。

2.1 二元交叉熵

二元交叉熵是广泛用于二元分类的损失函数，其公式如下：
[
H(p,q) = - \frac{1}{N} \sum_{i = 1}^{N} [y_i \cdot \log(p(y_i)) + (1 - y_i) \cdot \log(1 - p(y_i))]
]

2.2 Dice 损失