SPECT肺灌注核医学成像技术如今已广泛应用于肺部疾病的诊断,目前在临床医疗中主要以人工阅片为主,由于SPECT肺灌注核医学图像存在成像质量低、个体差异大等因素,为医生阅片效率和疾病诊断的可靠性带来了很大障碍。本文在图像数据的前期优化处理基础上,研究基于深度学习模型的SPECT肺灌注图像自动分类方法,以提供肺灌注核医学图像的高效可靠辅助诊断。(1)SPECT肺灌注核医学成像数据预处理。采用归一化技术将原始肺灌注DICOM文件数据转换为灰度图像,以改善个体差异及原始数据值巨大的变化范围对分类效果的影响;针对医学图像数据量少、数据不平衡所带来的深度学习模型易过拟合现象,通过图像平移、旋转和迁移学习等方法进行有效解决。(2)带特征融合的肺灌注图像分类残差模型。在深入分析SPECT肺灌注核医学功能性成像的基础上,以Res Net-50网络为基本分类模型框架,通过引入迁移学习有效提高分类模型泛化能力,引入特征融合方法提高网络对深度特征信息的有效利用,从而提高模型识别精度。实验结果表明该分类方法可有效检测肺部病变,获得了95.5%的分类准确率。(3)引入注意力机制的肺灌注图像VGG多分类模型。为进一步自动识别肺部疾病的严重程度,以VGG网络为基本分类模型框架,通过引入注意力机制提高模型对肺灌注图像特征的提取能力。实验结果表明该分类方法可有效检测肺部疾病严重程度,可获得88.1%的四分类准确率。(4)基于以上研究内容,设计并实现了一个集核医学图像数据管理、数据预处理、分类器选择和肺灌注图像自动识别为一体的辅助诊断原型系统。本文在SPECT肺灌注图像分类实验中设计了大量的对比试验。实验结果表明,改进模型在分类准确率、灵敏度和特异度方面都有较好的表现,相比较原始模型都有不错的提升效果,证明了实验方法的适用性。通过构建SPECT肺灌注图像分类原型系统,可以辅助医生进行肺部疾病诊断。