腰麻領域基于卷積神經網絡的脊髓圓錐末端位置定位算法

羅燕，李欣，秦小勇，梁晶晶，關延順，楊建威

1. 綿陽市中醫醫院 麻醉科，四川 綿陽 621000；2. 牡丹江市中醫醫院，黑龍江 牡丹江 157000；3. 四川九洲電器集團有限責任公司，四川 綿陽 621000；4. 黑龍江省中醫藥科學院南崗分院，黑龍江 哈爾濱 150006

引言

腰麻是通過將藥物經腰椎間隙注入蛛網膜下腔，阻斷部分脊神經的傳導功能而引起相應支配區域的麻醉作用[1]。迄今為止，椎管內麻醉仍然是下肢手術的主要麻醉方式[2]。通過麻醉前對圓錐末端準確定位，可以更好地獲取椎管內麻醉穿刺的角度和位置，有效指導麻醉操作[3]。傳統的脊髓圓錐末端內麻醉無可視化技術支持，主要通過麻醉師根據患者體表骨性特征進行穿刺定位，其難易程度與患者當前狀態與麻醉師經驗密切相關[4]。

脊柱解剖結構顯示，成人的脊髓上端位于第1和2腰椎之間，脊髓圓錐末端主要位于第4腰椎或腰3～4棘突間隙[5]。為了準確實施脊髓圓錐末端定位穿刺，其主要方法是采取選擇兩側髂嵴的最高點進行推測，通過找到與脊柱相應的交點作為定位點[6]。如果棘突間隙較窄，麻醉師只能上移或下移找到一個合適的間隙作為穿刺點，準確的定位操作需要麻醉師豐富的臨床經驗[7]。為了準確統計脊柱椎管的狀態信息，張鵬等[8]利用MRI成像設備對大量病人進行腰椎MR掃描，通過統計觀測其圓錐末端的位置，實驗結果表明大多數成人的圓錐末端位置為L1椎體的下1/3處，約有少量成人圓錐末端位于L2～3椎體之間和L3椎體上1/3水平。可以看出，脊髓圓錐末端位置不固定，如何能利用現有信息對腰麻位置進行確認，一定程度上能夠避免脊髓損傷的發生。如何快速、準確、舒適地進行椎管內麻醉成了產科麻醉醫生的難題。

隨著影像學的發展，可以采用的成像手段越來越多，如何利用現有成像手段對脊髓圓錐末端識別與定位，是目前研究的重點分向。李井成等[9]利用CT影像對脊髓圓錐進行定位，統計正常組脊髓圓錐末端水平所對應的腰椎椎體，識別隱性脊柱裂。韓慶華等[10]采用MRI對人體脊柱脊髓栓系綜合征的早期識別，具有較高的精度。此類技術對脊柱側彎、肥胖等患者椎管內穿刺具有獨特的優勢，然而現有的方法都是利用成像方式由醫生進行判半自動識別，存在勞動強度大、效率低下等缺點，識別效果則決定于醫生能力和經驗，極大地影響了腰麻的實施效果。

目前，目標檢測領域的研究方向大都集中在深度學習領域，取得了巨大突破，提出了以卷積神經網絡（Convolutional Neural Networks，CNN）為框架的RCNN、SPP-NET、Fast RCNN、Faster RCNN和以YOLO為框架的SSD、CS-SSD[11]。為了增強脊椎麻醉領域脊髓圓錐末端位置識別定位的精度，本文提出采用深度卷積神經網絡對醫學影像進行識別，該方法通過海量的醫學數據影像進行學習，獲取脊髓圓錐末端的高層次深度特征。最后利用SVM分類器進行特征檢測，輸出檢測到的脊髓圓錐末端區域。實驗結果表明本文所提算法的檢測準確度較高，適合腰麻領域工程應用。

1 基于卷積神經網絡的脊髓圓錐末端位置檢測算法

1.1 模型描述

為了利用現有的深度模型對脊髓圓錐末端進行檢測，首先選取Np個正樣本(i=1,L,Np)和Nq個負樣本(i=1,L,Nq)，然后將所有的樣本都歸一化到相同尺寸，其對應的特征分別表示為和。一旦正負樣本經過深度編碼模型訓練，其獲得的深度特征向量分別表示為（∈Rn，∈R）和（∈Rn，∈R）。本文目的就是希望能通過對樣本xE進行深度特征提取，然后通過模型學習出一個用于脊髓圓錐末端檢測的回歸函數F，即yE=F(xE)。

1.2 深度特征提取

對于任意樣本xi(i=1,…,N)，給定ge(θ,x)和gd(θ,x)分別是深度模型對應的編碼函數與解碼函數，θ是相應的模型參數，其編解碼矩陣分別表示為We、Wd。對于一個多層的深度網絡，可以獲得ge(θ,x)=fh(x)，gd(θ,x)=fO(x)，其中θ=(We,Wd)，隱藏層與輸出層的激活函數分別表示為fh(·)和fO(·)。對于任意xi(i=1,…,N)，其類標可以表示為l i∈(-1,1)，{yi}是所有樣本的類標結果；因此，深度模型的優化目標函數可L以寫為如下形式：

為了對等式(1)所示的目標函數進行最小優化求解，采用隨機梯度下降法進行優化，其參數θ迭代更新公式如式(2)所示：

其中，n與α分別表示迭代次數和學習因子。因此，等式(1)對參數θ的偏微分S可以表示如式(3)：

其中，S(x)=0.5(Sgn(x)+1)，Sgn(x)是一個符號函數。顯然，計算的關鍵是獲取的結果。由于是深度網絡的特征編碼輸出，其對θ的偏微分可用誤差反向傳播網絡進行計算[12]。一旦訓練好自編碼網絡，就可以將樣本xi轉換成低維深度特征向量zi∈Rnc(i∈1,K,N)，即 ：zi=fh(yi)。

1.3 最小二乘支持向量機

本文采用最小二乘支持向量機對獲取的深度特征進行分類，最終獲得脊髓圓錐末端位置區域。最小二乘支持向量機通過將SVM模型中目標函數誤差項調整為二次方，轉換成對線性方程組求解，降低了問題的復雜性，提高了求解速度，使之不僅適用于大規模的問題，還能應用于一般醫學影像分類識別問題。利用核函數可以直接計算高維空間的內積然而大多數核函數并不能擬合所有數據。因此，本文采用的最小二乘支持向量機的優化問題可以通過求解線性方程組獲得，其最優分類面為：

其中，核函數K(xi,yi)可以采用線性核函數、多項式核函數等。

2 實驗結果

2.1 實驗數據集

為了定性定量評估本文提出的端位置區域檢測算法性能，訓練集使用自建的MRI影像數據集，訓練集中正樣本數量8589，負樣本數量7991，其中所有樣本都尺度歸一化到64×128。測試集來自部分患者的MRI影像，總共選擇有820張圖像，包含不同角度與對比度。

2.2 對比算法及評價指標

本文所選擇的對比算法分別是DL-SVM、CMD_DL和R-CNN[12]，其中R-CNN則是目前基于深度學習的常用算法。本文選擇檢測錯誤權衡圖（Detection Error Tradeoff，DET）曲線分析檢測效果，其中DET表征檢測率與每個圖像誤檢率（False Positive Per Image，FPPI）的關系。本文實驗環境為：Intel CPU I7 7400 3.5 GHz， 內 存 ：32 GB，GPU：Nvidia GTX 1080Ti，64位操作系統Ubuntul 6.05。

2.3 定性定量分析

本文是基于Python-Tensorflow構建深度模型。本文提出的網絡參數設置如下：depth=40，growth_rate=12，bottleneck=True，reduction=0.5， 學 習 率 設 置 為 0.001，dropout參數設置為0.8，最高迭代次數設置為10000次，其中每個單元網絡里面的層數n_layers=6，每層中卷積核的個數均為12，大小為2×2；最小二乘支持向量機中正則化系數為0.001時，網絡的泛化能力最佳。仿真實驗結果表明本模型最小批單元mini_batch=200，可獲得最優結果。為了加快模型收斂，提升模型的識別準確率和泛化能力，將在每個卷積層中添加批量歸一化處理。為避免隨機性，每個數據集實驗重復計算10次，得到的脊髓圓錐末端位置區域識別結果，其中數據集DL-SVM、R-CNN、CMD_DL的準確率分別為97.57%、98.62%、99.47%，本文算法準確率為99.28%。可以看到，本文提出的網絡模型在測試集上取得了很高的識別正確率。不同算法的定量結果分析，如圖1所示。

圖1 不同算法的定量結果分析

圖2是本文提出的算法對人體脊柱的整體識別檢測結果，可以看出本文的算法能夠準確地識別檢測脊柱。這樣麻醉師可以根據實際情況對脊髓圓錐末端進行定位。

圖2 定性檢測識別結果注：a. 影像圖；b. 脊椎識別結果重疊圖；c. 識別檢測結果。

3 討論

傳統的脊髓圓錐末端內麻醉無可視化技術支持，主要通過麻醉師根據患者體表骨性特征進行穿刺定位，其難易程度與患者當前狀態、麻醉師經驗密切相關[13-14]。隨著影像技術的發展，可用于脊髓圓錐末端定位的影像技術越來越多，如MRI、CT和PET等，如何利用這些數據進行自動化定位是麻醉系統的關鍵。然而，采用傳統的模式識別方法對噪聲比較敏感、不能有效處理和分析大規模圖像數據[15-16]。相較于傳統的淺層學習，以卷積神經網絡為代表的深度學習強調了模型結構的深度，而且更突出特征學習的重要性。本文提出的深度學習技術作為一類多層神經網絡學習算法，可通過深層非線性網絡結構學習特征，實現復雜背景下脊柱的識別，從而準確定位到脊髓圓錐末端。因此，本文提出的識別系統采用最小二乘支持向量機對獲取的深度特征進行分類，最終獲得脊髓圓錐末端位置區域。該系統具有以下優勢：① 作為一種數據驅動的自動特征學習算法，可以直接從訓練數據提取特征，從而大大減少特征提取的工作量以及人工干預的影響；② 通過深度學習內在的深層結構可以表征特征之間的交互關系及層次結構，從而揭示高維特征之間的聯系。

因此，本文的脊椎識別模型系統不僅具有高效的圓錐末端識別精度，還能應用于脊柱形變檢測、裂變分析等，具有較高的應用價值與實用性。

4 結論

本文針對現有人工識別脊髓圓錐末端存在誤差率大的問題，提出了一種基于深度學習的識別定位算法。該算法利用對深度學習模型對對歸一化的目標區域進行深度特征提取，增強特征的表征能力；最后輸入到本文采用的最小二乘SVM分類模型，得到最終的檢測結果。大量定性定量的實驗結果表明本文所提出的深度檢測模型的檢測性能較好，具有一定的可行性和使用價值。