卷积神经网络在类风湿性关节炎X光影像自动识别的应用及效果分析

□ 魏巍 WEI Wei 徐卫峰 XU Wei-feng

Rheumatoid arthritis is an inflammatory immune disease characterized by progressive destruction of joints. In recent years, X-ray imaging has been widely used in clinical diagnosis. It is of great significance for evaluating joint bone density and bone erosion. However, in the past, artificial direct evaluation of rheumatoid arthritis X-ray images has been used in clinical practice, and there has been a lack of computerized diagnostic data for X-ray image recognition. This study used the convolutional neural network method in deep learning to automatically determine the severity of rheumatoid arthritis from X-ray images. This method greatly improved the level of automation of diagnosis, reduced the workload of medical workers, and provided more objective diagnosis results.

类风湿性关节炎(Rheumatoid arthritis，RA)是一种以炎性滑膜炎为主的慢性、系统性疾病，临床表现为手、足等小关节的侵袭性炎症，或伴有关节外器官受累[1-2]。目前，临床对于类风湿性关节炎的辅助检查及诊断方法主要有实验室检验、影像学检查、关节镜检查、关节穿刺等。其中，X光影像学检查是类风湿性关节炎诊断的主要方法。计算机辅助诊断技术的发展与应用，对提高类风湿性关节炎X光影像诊断的准确率有重要帮助，尤其是深度学习算法中的卷积神经网络(Convolutional Neural Networks, CNN)在医疗图像领域疾病辅助诊断中发挥了重要的作用[3-4]。在何新宇[5]等人的研究中，改进后的卷积神经网络对肺炎影像识别的准确率高达96.77%。国外Kermany[6]、Seiichi[7]等人的研究也证实迁移学习在疾病诊断与治疗、类风湿性关节炎骨侵蚀影像识别中的重要作用。目前鲜少有研究提及深度学习中卷积神经网络在类风湿性关节炎X光影像智能识别中的应用，本文对此进行了研究。

相关领域研究现状及分析

我国有超过1亿的关节炎患者，类风湿性关节炎作为最常见的关节疾病之一，在我国的发病率为0.3～0.4%[8]。对于该病的诊断，目前常用的方法是X光检查，其影像可见患者关节面模糊、关节面囊性病变、骨侵袭性破坏等。实践发现，由于影像效果和医生经验的局限，部分患者的X光检查结果呈假阳性，医生单凭肉眼观察X光片，可能会因为经验不足、图像质量、长时间浏览造成疲惫等而产生错误解读，一些不常见的影像特征容易被忽视，导致漏诊误诊[9]。基于此，计算机辅助诊断深度学习算法便应运而生。

利用深度学习算法辅助诊断类风湿性关节炎，可以在一定程度上避免人为因素导致的诊断失误，提高诊断效率。将深度学习中卷积神经网络应用于医学影像分析，成为越来越多临床医务工作者的选择[10]。卷积神经网络通过一系列的卷积层与池化层，