12、自动分割和诊断骨显像的机器学习方法

自动分割和诊断骨显像的机器学习方法

1 引言

医学影像分析是现代医疗实践中不可或缺的一部分，尤其在诊断和治疗过程中扮演着至关重要的角色。随着医学成像技术的不断发展，越来越多的医学图像数据被生成，这不仅带来了丰富的信息资源，同时也给数据管理和分析带来了巨大挑战。为了应对这些挑战，机器学习方法逐渐被引入到医学影像分析中，尤其是在自动分割和诊断方面取得了显著进展。

本篇文章将探讨如何利用机器学习技术开发统计部件的外观模型（PBM），该模型能够有效地捕捉医学图像中自然存在的个体间解剖差异。通过详细描述特征提取、分类器的选择与训练，以及这些技术在实际医疗场景中的应用效果评估，我们将展示如何利用机器学习方法提升骨显像的诊断准确性。

2 骨显像概述

骨显像是一种通过放射性同位素标记的化合物（如锝-99m-DPD）来评估骨骼代谢活动的技术。患者在接受静脉注射放射性药物后，经过2到3小时，使用配备低能高分辨率（LEHR）探测器的双探头伽玛相机进行全身扫描。所得图像以1024×256像素的分辨率记录前后视图，每个像素代表检测到的伽马衰变计数，灰度深度为16位。

2.1 数据来源与预处理

研究中使用的图像来自斯洛文尼亚卢布尔雅那大学医学中心核医学科，时间跨度为2003年10月至2004年6月。共收集了467张来自461名不同患者的连续、未筛选的闪烁图像。这些图像反映了9个月内接受检查的患者分布，具有广泛的代表性。值得注意的是，部分图像存在伪影（如尿液污染、医疗配件）和非骨性摄取现象，增加了图像处理的复杂性。

特征	描述