基于深度学习的SPECT图像关节炎病灶分割

高瑞婷，林 强，满正行，曹永春，王海军，陈 军，邓 涛

(1.西北民族大学 中国民族语言文字信息技术教育部重点实验室，甘肃 兰州 730030;2.西北民族大学 动态流数据计算与应用实验室，甘肃 兰州 730030;3.甘肃省人民医院 核医学科，甘肃 兰州 730020)

0 引言

关节炎是人体关节的炎性病变，主要由微生物感染、机体创伤、免疫力下降、遗传及关节退行性变等因素引发.临床上，关节炎具有病症隐匿、病情进展缓慢、可反复发作等特征，当然也不排除部分急性发作的病例.这种情况若不及时治疗则易引起关节功能障碍，严重者可致终身残疾.对于老年患者，关节炎与骨转移的早期症状有着类似的成像特征.在临床诊断中，准确诊断并精确分割关节炎病灶具有重要的临床诊疗价值，已经成为放射医学中图像自动分割的重要研究分支[1-3].

在医学成像中，单光子发射计算机断层成像(Single-Photon Emission Computed Tomography,SPECT)是主要的核医学功能成像技术，可同时捕获器官、组织的功能状态和结构形态.与传统的结构成像，如计算机断层摄影(Computed Tomography,CT)和磁共振成像(Magnetic Resonance Imaging,MRI)相比，核医学SPECT成像通过检测骨代谢的变化实现病变的识别，具有较高的灵敏度[4-5].

SPECT是低质量医学成像模态，一幅全身骨扫描SPECT图像的分辨率仅为256×1024.同时，SPECT图像容易受噪声干扰，还经常包含注射点、膀胱等部位的高浓度残留.尽管传统的机器学习方法已经部分应用于SPECT图像的病灶分割，但受限于SPECT骨成像的低分辨率和低对比度，目前面向全身SPECT骨成像的病灶分割研究很……