腰麻领域基于卷积神经网络的脊髓圆锥末端位置定位算法

罗燕，李欣，秦小勇，梁晶晶，关延顺，杨建威

1. 绵阳市中医医院 麻醉科，四川 绵阳 621000；2. 牡丹江市中医医院，黑龙江 牡丹江 157000；3. 四川九洲电器集团有限责任公司，四川 绵阳 621000；4. 黑龙江省中医药科学院南岗分院，黑龙江 哈尔滨 150006

引言

腰麻是通过将药物经腰椎间隙注入蛛网膜下腔，阻断部分脊神经的传导功能而引起相应支配区域的麻醉作用[1]。迄今为止，椎管内麻醉仍然是下肢手术的主要麻醉方式[2]。通过麻醉前对圆锥末端准确定位，可以更好地获取椎管内麻醉穿刺的角度和位置，有效指导麻醉操作[3]。传统的脊髓圆锥末端内麻醉无可视化技术支持，主要通过麻醉师根据患者体表骨性特征进行穿刺定位，其难易程度与患者当前状态与麻醉师经验密切相关[4]。

脊柱解剖结构显示，成人的脊髓上端位于第1和2腰椎之间，脊髓圆锥末端主要位于第4腰椎或腰3～4棘突间隙[5]。为了准确实施脊髓圆锥末端定位穿刺，其主要方法是采取选择两侧髂嵴的最高点进行推测，通过找到与脊柱相应的交点作为定位点[6]。如果棘突间隙较窄，麻醉师只能上移或下移找到一个合适的间隙作为穿刺点，准确的定位操作需要麻醉师丰富的临床经验[7]。为了准确统计脊柱椎管的状态信息，张鹏等[8]利用MRI成像设备对大量病人进行腰椎MR扫描，通过统计观测其圆锥末端的位置，实验结果表明大多数成人的圆锥末端位置为L1椎体的下1/3处，约有少量成人圆锥末端位于L2～3椎体之间和L3椎体上1/3水平。可以看出，脊髓圆锥末端位置不固定，如何能利用现有信息对腰麻位置进行确认，一定程度上能够避免脊髓损伤的发生。如何快速、准确、舒适地进行椎管内麻醉成了产科麻醉医生的难题。

随着影像学的发展，可以采用的成像手段越来越多，如何利用现有成像手段对脊髓圆锥末端识别与定位，是目前研究的重点分向。李井成等[9]利用CT影像对脊髓圆锥进行定位，统计正常组脊髓圆锥末端水平所对应的腰椎椎体，识别隐性脊柱裂。韩庆华等[10]采用MRI对人体脊柱脊髓栓系综合征的早期识别，具有较高的精度。此类技术对脊柱侧弯、肥胖等患者椎管内穿刺具有独特的优势，然而现有的方法都是利用成像方式由医生进行判半自动识别，存在劳动强度大、效率低下等缺点，识别效果则决定于医生能力和经验，极大地影响了腰麻的实施效果。

目前，目标检测领域的研究方向大都集中在深度学习领域，取得了巨大突破，提出了以卷积神经网络（Convolutional Neural Networks，CNN）为框架的RCNN、SPP-NET、Fast RCNN、Faster RCNN和以YOLO为框架的SSD、CS-SSD[11]。为了增强脊椎麻醉领域脊髓圆锥末端位置识别定位的精度，本文提出采用深度卷积神经网络对医学影像进行识别，该方法通过海量的医学数据影像进行学习，获取脊髓圆锥末端的高层次深度特征。最后利用SVM分类器进行特征检测，输出检测到的脊髓圆锥末端区域。实验结果表明本文所提算法的检测准确度较高，适合腰麻领域工程应用。

1 基于卷积神经网络的脊髓圆锥末端位置检测算法

1.1 模型描述

为了利用现有的深度模型对脊髓圆锥末端进行检测，首先选取Np个正样本(i=1,L,Np)和Nq个负样本(i=1,L,Nq)，然后将所有的样本都归一化到相同尺寸，其对应的特征分别表示为和。一旦正负样本经过深度编码模型训练，其获得的深度特征向量分别表示为（∈Rn，∈R）和（∈Rn，∈R）。本文目的就是希望能通过对样本xE进行深度特征提取，然后通过模型学习出一个用于脊髓圆锥末端检测的回归函数F，即yE=F(xE)。

1.2 深度特征提取

对于任意样本xi(i=1,…,N)，给定ge(θ,x)和gd(θ,x)分别是深度模型对应的编码函数与解码函数，θ是相应的模型参数，其编解码矩阵分别表示为We、Wd。对于一个多层的深度网络，可以获得ge(θ,x)=fh(x)，gd(θ,x)=fO(x)，其中θ=(We,Wd)，隐藏层与输出层的激活函数分别表示为fh(·)和fO(·)。对于任意xi(i=1,…,N)，其类标可以表示为l i∈(-1,1)，{yi}是所有样本的类标结果；因此，深度模型的优化目标函数可L以写为如下形式：

为了对等式(1)所示的目标函数进行最小优化求解，采用随机梯度下降法进行优化，其参数θ迭代更新公式如式(2)所示：

其中，n与α分别表示迭代次数和学习因子。因此，等式(1)对参数θ的偏微分S可以表示如式(3)：

其中，S(x)=0.5(Sgn(x)+1)，Sgn(x)是一个符号函数。显然，计算的关键是获取的结果。由于是深度网络的特征编码输出，其对θ的偏微分可用误差反向传播网络进行计算[12]。一旦训练好自编码网络，就可以将样本xi转换成低维深度特征向量zi∈Rnc(i∈1,K,N)，即 ：zi=fh(yi)。

1.3 最小二乘支持向量机

本文采用最小二乘支持向量机对获取的深度特征进行分类，最终获得脊髓圆锥末端位置区域。最小二乘支持向量机通过将SVM模型中目标函数误差项调整为二次方，转换成对线性方程组求解，降低了问题的复杂性，提高了求解速度，使之不仅适用于大规模的问题，还能应用于一般医学影像分类识别问题。利用核函数可以直接计算高维空间的内积然而大多数核函数并不能拟合所有数据。因此，本文采用的最小二乘支持向量机的优化问题可以通过求解线性方程组获得，其最优分类面为：

其中，核函数K(xi,yi)可以采用线性核函数、多项式核函数等。

2 实验结果

2.1 实验数据集

为了定性定量评估本文提出的端位置区域检测算法性能，训练集使用自建的MRI影像数据集，训练集中正样本数量8589，负样本数量7991，其中所有样本都尺度归一化到64×128。测试集来自部分患者的MRI影像，总共选择有820张图像，包含不同角度与对比度。

2.2 对比算法及评价指标

本文所选择的对比算法分别是DL-SVM、CMD_DL和R-CNN[12]，其中R-CNN则是目前基于深度学习的常用算法。本文选择检测错误权衡图（Detection Error Tradeoff，DET）曲线分析检测效果，其中DET表征检测率与每个图像误检率（False Positive Per Image，FPPI）的关系。本文实验环境为：Intel CPU I7 7400 3.5 GHz， 内 存 ：32 GB，GPU：Nvidia GTX 1080Ti，64位操作系统Ubuntul 6.05。

2.3 定性定量分析

本文是基于Python-Tensorflow构建深度模型。本文提出的网络参数设置如下：depth=40，growth_rate=12，bottleneck=True，reduction=0.5， 学 习 率 设 置 为 0.001，dropout参数设置为0.8，最高迭代次数设置为10000次，其中每个单元网络里面的层数n_layers=6，每层中卷积核的个数均为12，大小为2×2；最小二乘支持向量机中正则化系数为0.001时，网络的泛化能力最佳。仿真实验结果表明本模型最小批单元mini_batch=200，可获得最优结果。为了加快模型收敛，提升模型的识别准确率和泛化能力，将在每个卷积层中添加批量归一化处理。为避免随机性，每个数据集实验重复计算10次，得到的脊髓圆锥末端位置区域识别结果，其中数据集DL-SVM、R-CNN、CMD_DL的准确率分别为97.57%、98.62%、99.47%，本文算法准确率为99.28%。可以看到，本文提出的网络模型在测试集上取得了很高的识别正确率。不同算法的定量结果分析，如图1所示。

图1 不同算法的定量结果分析

图2是本文提出的算法对人体脊柱的整体识别检测结果，可以看出本文的算法能够准确地识别检测脊柱。这样麻醉师可以根据实际情况对脊髓圆锥末端进行定位。

图2 定性检测识别结果注：a. 影像图；b. 脊椎识别结果重叠图；c. 识别检测结果。

3 讨论

传统的脊髓圆锥末端内麻醉无可视化技术支持，主要通过麻醉师根据患者体表骨性特征进行穿刺定位，其难易程度与患者当前状态、麻醉师经验密切相关[13-14]。随着影像技术的发展，可用于脊髓圆锥末端定位的影像技术越来越多，如MRI、CT和PET等，如何利用这些数据进行自动化定位是麻醉系统的关键。然而，采用传统的模式识别方法对噪声比较敏感、不能有效处理和分析大规模图像数据[15-16]。相较于传统的浅层学习，以卷积神经网络为代表的深度学习强调了模型结构的深度，而且更突出特征学习的重要性。本文提出的深度学习技术作为一类多层神经网络学习算法，可通过深层非线性网络结构学习特征，实现复杂背景下脊柱的识别，从而准确定位到脊髓圆锥末端。因此，本文提出的识别系统采用最小二乘支持向量机对获取的深度特征进行分类，最终获得脊髓圆锥末端位置区域。该系统具有以下优势：① 作为一种数据驱动的自动特征学习算法，可以直接从训练数据提取特征，从而大大减少特征提取的工作量以及人工干预的影响；② 通过深度学习内在的深层结构可以表征特征之间的交互关系及层次结构，从而揭示高维特征之间的联系。

因此，本文的脊椎识别模型系统不仅具有高效的圆锥末端识别精度，还能应用于脊柱形变检测、裂变分析等，具有较高的应用价值与实用性。

4 结论

本文针对现有人工识别脊髓圆锥末端存在误差率大的问题，提出了一种基于深度学习的识别定位算法。该算法利用对深度学习模型对对归一化的目标区域进行深度特征提取，增强特征的表征能力；最后输入到本文采用的最小二乘SVM分类模型，得到最终的检测结果。大量定性定量的实验结果表明本文所提出的深度检测模型的检测性能较好，具有一定的可行性和使用价值。