全文总字数：1791字

1. 研究目的与意义及国内外研究现状

股骨头缺血型坏死(ANFH)是由股骨头供血中断或受损导致的骨坏死，是骨科领域中常见的疾病。常用诊断技术主要有x线摄片、核磁共振（MR）、计算机体成像（CT）等。其中MR检查对AFNH有高敏感性、高特异性，对于AFNH的临床治疗具有重要的指导意义。近年来随着医学影像技术的迅猛发展和硬件设备的提高，深度学习在医学图像分割、医学图像识别和计算机辅助诊断等方面得到了广泛的应用。深度卷积神经网络能够从医学图像大数据中自动学习提取隐含的疾病诊断特征，对病情进行定位、分类等，从而可以辅助医生进行病情判断。根据ARCO分期，股骨头缺血型坏死程度分为5期，可根据股骨头受累面积、股骨头表面塌陷程度等特征确定分期。传统解读医学图像主要依靠医生完成，但由于每位医生的经验和主观判断不同，对同一组医学图像的解读会存在差异。本文以深度学习为应用背景，设计一个股骨头缺血坏死智能识别系统，通过深度卷积网络提取股骨头MR图像特征，实现股骨头MR图像中股骨头缺血型坏死的自动分期，从而辅助医生对ANFH进行诊断和病情检测，可以提高诊断速度和准确度，减轻医生的负担，对ANFH的治疗具有重要的指导意义。

国内外研究现状

随着医学影像技术提高和硬件设备的改善，海量的高质量的医学影像数据为医学影像的发展提供了坚实的基础，通过机器分析医学图像已经成为一个热点，越来越多的科研工作者和相关领域的企业投入带智能医疗诊断的研究中。但是在股骨头缺血坏死智能识别方面，目前国内外采用的大多是传统的机器学习方法，而传统的机器学习方法往往需要人工提取特征，其方法比较繁琐，且很难达到预期理想的结果。与传统的机器学习相比，深度学习可通过卷积神经网络自动提取图像特征并进行分类，可以高效的实现股骨头缺血型坏死的自动识别。

2. 研究的基本内容

本课题主要实现一个基于MR图像的股骨头缺血坏死智能识别系统，通过深度卷积神经网络提取股骨头MR图像中缺血型坏死的特征，实现股骨头MR图像中坏死位置的定位以及病情程度的分期。

首先选取股骨头MR影像中的部分序列，转成JPG格式的图像，使用Colabeler标注软件标注图像关键位置及分期类别（0期、1期、2期、3期、4期），在Tensorflow框架中编写程序搭建神经网络，并将处理好的图像数据输入神经网络中进行训练和测试，实现股骨头MR图像中坏死位置的定位以及病情程度的分期。

3. 实施方案、进度安排及预期效果

实施方案：

首先咨询专业医师及查阅资料以了解股骨头缺血型坏死图像的特征，学习深度学习中一些经典的深度卷积神经网络，结合股骨头mr图像的特征选取合适的深度卷积网络；然后对图像进行预处理、标注，制作数据集；最后使用tensorflow框架编写程序搭建神经网络，图像数据投入神经网络中进行训练和测试。

进度安排：

4. 参考文献

1、张立安, 贺静, 王玉丽, et al. 股骨头缺血坏死的分期与早期影像学诊断[j]. 中华放射学杂志, 2000, 34(11):734-737.

2、 girshick, ross. fast r-cnn[c]. proceedingsof the ieee international conference on computer vision. 2015.

3、 girshick, ross, et al. rich featurehierarchies for accurate object detection and semantic segmentation[c].proceedings of the ieee conference on computer vision and pattern recognition.2014.