基于机器学习的腰椎病变医学图像检测系统设计与实现一

关于腰椎病变

本次的任务主要是针对腰椎的滑脱进行辅助诊断，算是腰椎病变的一种。而腰椎的滑脱主要表现为上位椎体和下位椎体的错位。

按照错位程度的不同，可以将腰椎病变的等级进行不同的划分。这里腰椎滑脱常用的Meyerding分级，在论文Spondylosisthesis中，梅耶丁医生降腰椎滑脱分成了四个等级。也就是下图看到的，将下位椎体分成了四个等份，之后按照上位椎体后缘所偏移的位置来判断

在原论文中，梅耶丁医生还提出在横向X光片拍摄下，“应仔细检查椎管部位，在那里更容易发现微小的位移”。如下图所示，在不同腰椎滑脱的位置，椎管(图中黑色部位)的间隙会明显小于其他正常的位置，同时，伴随着不同程度的挤压和偏移

检测方法

目前常用的检测方法，即Meyerding分级法，但是有赖于影像科医生对X光片或者MRI相片进行观察和标注，非常耗时耗力

系统设计思路

本次的系统设计思路就是通过训练一个神经网络，来对MRI相片或者X光片进行自动识别。

参考项目：吖吖查【腰椎辅助诊断系统之滑脱定位并分级(基于PaddleSeg语义分割)】

环境准备

针对MRI像片

1. 训练配置

训练框架	PaddlePaddle
训练模型	Segmenter
数据集	第二届CSIG核磁共振数据集
显卡	V100

2. 训练环境部署

包名	版本
paddle	paddlepaddle-gpu 2.1.2.post112
paddleseg	2.8.0
visualdl	2.5.0
opencv-python	4.5.2.54
protobuf	3.20.0

3. 本地推理环境部署

包名	版本
paddle	paddlepaddle 2.5.2
paddleseg	2.8.0
visualdl	2.5.3
opencv-python	4.5.2.54
protobuf	3.20.2
Flask	2.2.5
Flask-WTF	1.1.1
Flask-SQLAlchemy	3.0.5
Flask-Bootstrap	3.3.7.1
Flask-Login	0.6.3
Flask-Mail	0.9.1
WTForms	3.0.1

两个环境都不用装torch

针对X光片

1. 训练配置、两个环境都和上面的相同

2. 数据集标注labelme。【labelme安装和标注使用】这里点击