全身骨扫描图像分析经常用于辅助核医学医师进行癌症骨转移检测。老龄化的加剧和人口上涨导致全身骨扫描的诊断检测需求上涨。核医学医师必须慎重阅片并撰写诊断报告,导致其工作量显著增加。本文结合骨扫描图像特点,针对上述问题,采用机器学习新方法,研究核素骨扫描图像自动识别技术,辅助临床医生诊断骨转移,要求自动标注疑似骨转移和异常的部位。本文的主要内容和研究成果如下:1)基于解剖学进行全身骨扫描影像分割。结合骨扫描图像的生物学特点,将骨扫描图像分割成26个同质的子区域,其中包括头部、肩部、胸腔、肘关节等。整个分割过程包括基于统计学的特征值计算、特征点定位。2)提出重定位图像分割方法。依据特征值、特征点之间的关联性和经验参数,将少量错误分割的骨扫描图像子区域重新定位,显著提高图像分割精度。3)提出脊柱轮廓裁剪分割算法。通过最优阈值法提取脊柱的轮廓后,脊柱轮廓一般会包含肾脏、高灰度肋骨等器官,利用本文提出的脊柱轮廓裁剪算法,将非脊柱轮廓部分进行裁剪,能精确提取脊柱区域。4)构建深度并行学习网络用于检测骨转移和异常区域。将分割产生的26个同质子区域,同时输入26个并行深度学习网络,并行检测每个子区域中存在的异常。并行深度学习网络能快速、精准检测并定位全身骨扫描图像中存在的异常区域,其检测速度远超经验丰富的核医学专家。课题实验对689张全身骨扫描图像进行分割,成功率达97.2%。对于本文提出的并行深度学习网络,采用灵敏性、特异性,AUC面积作为评价指标进行性能测试。单个深度学习网络的灵敏性和特异性最高达97.3%和99.9%,最高的AUC值为99.0%;整体并行深度网络的灵敏性和特异性分别为71.8%和99.2%,AUC值为86.2%。整个网络对一个患者的骨扫描图像的检测可以在毫秒内完成。实验表明,本文所提并行深度学习网络具备极高的特异性和可接受的灵敏性,有望用于临床辅助诊断。