CN110600126A - 一种糖尿病足下肢动脉钙化斑块图像的辅助评价方法 - Google Patents

Abstract

本发明公开了一种糖尿病足下肢动脉钙化斑块图像的辅助评价方法，采集患者的下肢血管图像数据，分别根据下肢动脉钙化斑块的大小和下肢动脉血管狭窄度获得患者动脉钙化总积分和狭窄度的总积分，将患者动脉钙化总积分和狭窄度的总积分输入ELO算法模型，经过ELO算法模型的评分选出最能表征糖尿病足截肢风险程度的因素；同时采用蜻蜓算法选取ELO算法模型中的放大系数K，进而优化ELO算法模型；本发明利用ELO算法模型有利于实现对钙化和狭窄度对糖尿病足患者截肢风险的辅助评价，且蜻蜓算法优化后的ELO算法模型评分结果更稳定。

Description

一种糖尿病足下肢动脉钙化斑块图像的辅助评价方法

技术领域

本发明属于关于人工智能的医学和信息智能化技术领域，尤其是一种糖尿病足下肢动脉钙化斑块图像的辅助评价方法。

背景技术

糖尿病足(DF)是糖尿病晚期的严重并发症之一，因该病致残、致死率高，治疗难度大、周期长，给患者造成严重负担。根据国际糖尿病联盟(IDF)糖尿病地图集的数据，全球糖尿病患者数已增至3.66亿人,其中糖尿病足的发病率高达25％；中国糖尿病诊治指南也表明，截止到2013年，我国18岁及以上人群糖尿病患病率为10.4％，其中发生足部溃疡的患病率为4％～10％。DF的主要临床表现为外周动脉疾病(腿部大、中型血管病变引起的血液供应不足)，以及/或神经病变(神经损伤或变性)。IDF数据显示，所有患有糖尿病足溃疡的患者中有多达一半患有外周动脉疾病。而糖尿病外周动脉疾病的主要发病机制是，长期血糖控制不良导致的动脉粥样硬化加速，造成血管钙化加重，进而诱发严重的下肢供血不足。

血管钙化作为动脉粥样硬化发展至终末期的主要表现，是一种钙盐在多种细胞介导下主动沉积于血管组织的过程。其可引起血管壁僵硬度增加、顺应性降低、斑块破裂和血栓形成等。在过去二十年间，已有广泛的研究表明检测血管钙化对诊断及治疗心血管系统疾病的重要作用。例如，冠脉钙化可作为冠状动脉疾病的重要标志物，并有预测未来冠脉事件的价值；针对腹主动脉钙化的研究中，亦有较多数据表明对慢性肾脏病患者血管钙化情况进行筛查并及时干预治疗可能有助于患者预后的改善。

糖尿病足的分级与钙化指数呈显著的正向相关关系，表明钙化指数对糖尿病足严重程度预测及诊断的重要意义；近年来有研究表明，除钙化指数外，血管狭窄度也与下肢血管钙化程度呈显著正向相关关系，显示了其对量化检测血管钙化程度的重要性。因此，急需要设计对下肢动脉钙化斑块大小和狭窄度加以科学分级和评估的方法，以便于后续通过下肢血管动脉钙化程度和狭窄度之间的相关关系来评价糖尿病足患者近期截肢风险。

发明内容

为了解决现有技术中存在的不足，本发明提出了一种糖尿病足下肢动脉钙化斑块图像的辅助评价方法，该方法通过对下肢动脉钙化斑块图像的辅助评估，实现了对下肢动脉钙化斑块大小和狭窄度的科学分级和评估，有利于通过下肢动脉钙化斑块大小和血管狭窄度评价糖尿病足患者截肢风险。

本发明所采用的技术方案如下：

一种糖尿病足下肢动脉钙化斑块图像的辅助评价方法，采集患者下肢血管图像，由下肢血管图像获取下肢动脉钙化斑块的大小和钙化斑块处的血管狭窄度，进而得到动脉钙化总积分和狭窄度的总积分，将总积分输入到ELO算法模型，选出最能表征糖尿病足截肢风险程度的因素。

进一步，所述动脉钙化总积分是根据下肢动脉钙化斑块的评分标准得到的，所述评分标准为：由下肢动脉前壁和后壁钙化斑块的大小，将病情分为四个等级：Ⅰ、无钙化，评0分；Ⅱ、钙化范围小于1/3的动脉壁长度，评1分；Ⅲ、钙化范围累及1/3～2/3的动脉壁长度，评2分；Ⅳ、钙化范围大于2/3的动脉壁长度，评3分。因血管长度较大，故进行血管分段处理，将下肢血管以小腿正中为分界线，全部分为上下两段，包括：胫后动脉近端(小腿的上1/2)、胫后动脉远端(小腿的下1/2)、胫前动脉近端(上1/2段)、胫前动脉远端(下1/2段)、腓动脉近端(上1/2段)、腓动脉远端(下1/2段)。

进一步，所述狭窄度的总积分由下肢动脉血管狭窄度的评分标准获取，所述评分标准为：根据下肢动脉血管的管腔面积，将病情分为四个等级：Ⅰ、管腔直径缩小1％-25％，评1分，Ⅱ、管腔直径缩小25％-50％，评2分，Ⅲ、管腔直径缩小51％-75％，评3分，Ⅳ、管腔直径缩小76％-100％，评4分。狭窄度数据的采集方法为：采集下肢动脉在有钙化斑块段的血管狭窄度的最大值h_max和狭窄度的平均值根据确定该段的血管狭窄度其中a、b为常系数。

进一步，述输入到ELO算法模型中的总积分评分为：R_n＝R_n-1-Kφ(αR_n-1+β)，其中R_n-1、R_n分别为n次迭代前后总积分的评分；常数y_A0、y_B0分别为动脉钙化总积分和狭窄度总积分的原始评分，σ为动脉钙化总积分和狭窄度总积分的标准差；φ(x)表示标准正态分布的累计分布函数；K为放大系数。

更进一步，所述放大系数K通过蜻蜓算法进行选取。

更进一步，所述蜻蜓算法选取放大系数K的具体过程为：

S1，蜻蜓算法参数初始化；

S2，采用随机生成的方法初始化蜻蜓个体位置X和步长向量ΔX；

S3，令迭代次数t的初始值等于1；

S4，将蜻蜓个体位置代入适应性函数，计算其适应值；

S5，如果t≥2，构造蜻蜓个体位置增广矩阵和适应值增广矩阵，然后将位置增广矩阵到适应值增广矩阵的排序映射，得到历史前两代的精英蜻蜓个体，最优的放大系数K⁺作为食物源位置，最差的放大系数K^-作为天敌位置，保存当前最优精英蜻蜓个体的适应值；

S6，使用欧式距离公式对食物源位置X⁺和天敌位置X^-进行更新；

S7，使用公式对蜻蜓的五种行为S、A、C、F、E进行更新；

S8，更新领域半径r，进而更新每个蜻蜓个体之间的距离；

S9，对蜻蜓位置X执行扰动的操作；

S10，检查每个蜻蜓个体的位置是否均在适应性函数的定义域内，若不在，则对蜻蜓个体位置进行边界的修正，使其位置重新回到边界内；

S11，令迭代次数t＝t+1，如果t＜MIT，即当前迭代次数小于最大迭代次数，则跳到S4继续执行；否则停止循环。

更进一步，所述适应性函数为：其中K_i为第i个放大系数，i∈[1,d]，d为蜻蜓数量，m、n为常数。

本发明的有益效果：

本发明的一种糖尿病足下肢动脉钙化斑块图像的辅助评价方法，实现了对下肢动脉钙化斑块大小和狭窄度的科学分级和评估，有利于通过下肢动脉钙化和血管狭窄度评价糖尿病足患者截肢风险；本发明的方法也有利于配合医生对糖尿病足的医疗给出辅助风险提示和智能辅助专家建议。

本发明创新性的首次提出了将患者动脉钙化斑块大小总积分和狭窄度的总积分输入ELO算法模型中，并通过大量的病例分析结合糖尿病实际案例给出了相应的动脉钙化积分和狭窄度的积分的划分方式以及获取数据的方式，通过ELO算法对下肢动脉钙化与血管狭窄度这两个影响糖尿病足病情的因素进行博弈，在两个影响因素中评选出最能表征糖尿病足患者截肢风险排名，影响因素中排名更高的代表病患风险更大。本发明在采用ELO算法模型进行评分过程中，为了避免在迭代过程中出现波动以及评分结果的准确性，本发明利用蜻蜓算法对放大系数K的取值进行寻优。本发明所采用的蜻蜓算法充分利用历史优秀个体，提高了蜻蜓算法的收敛速度，且在全局搜索和局部开打这两个过程中自然地切换，提高了寻优的精度。本发明利用ELO算法模型能够快速实现对钙化和狭窄度对糖尿病足患者截肢风险的评价，且特别指出的是，蜻蜓算法优化后的ELO算法模型评分结果更稳定，为后续的临床辅助评估打下了坚实的基础。

附图说明

图1为本发明的糖尿病足下肢动脉钙化斑块图像的辅助评价方法流程框图；

图2为蜻蜓算法处理流程框图；

图3为下肢动脉钙化程度与狭窄度得示意图；3a-3d分别为不同程度(0,10％，30％，80％)下肢动脉钙化中狭窄度的示意图(通过CT获取)；

图4为糖尿病足患者严重程度临床评价结果和本发明辅助评价结果折线图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用于解释本发明，并不用于限定本发明。

步骤1，数据采集

步骤1.1，影像采集：采用德国双源螺旋CT，扫描范围从腹主动脉水平至足底，患者采取仰卧足先进扫描体位，扫描时将患者的脚固定于内翻位置。扫描参数：准直器宽度为0.6mm，螺距为0.8，扫描速度为0.37s/转，重建层厚1.0mm；扫描条件：电压120kV，电流50-60mAs，应用非离子碘对比剂(优维显370mgI/ml，先灵公司)经肘正中静脉注射，注射速率为3.5～4.0ml/s，总量为100～120ml，采用BOLUS-TRACKING扫描。

步骤1.2，图像处理：将薄层重建横断面图像传入LeonardoI工作站，分别采用多平面重建(multiplannar reformation，MPR)、容积重建(volume rendering，VR)、去骨等后处理技术进行血管重建，并结合原始图像进行分析，截取正位及侧位两个角度的图像。

步骤1.3，血管分段处理，将下肢血管以小腿正中为分界线，全部分为上下两段，包括：胫后动脉近端(小腿的上1/2)、胫后动脉远端(小腿的下1/2)、胫前动脉近端(上1/2段)、胫前动脉远端(下1/2段)、腓动脉近端(上1/2段)、腓动脉远端(下1/2段)。

步骤1.4，导出下肢血管图像数据，如图3。

步骤2，结合下肢血管图像数据，获取下肢动脉钙化斑块的大小和钙化斑块处的血管狭窄度数据，狭窄度数据的采集方法为：采集下肢动脉在有钙化斑块段的血管狭窄度的最大值h_max和狭窄度的平均值根据确定该段的血管狭窄度其中a、b为常系数(本实验中，a取值0.7、b取值0.3)。

步骤3，分别对下肢动脉钙化斑块的长度和下肢动脉血管狭窄度进行评分，具体过程如下：

下肢动脉钙化斑块的评分标准：根据下肢动脉前壁和后壁钙化斑块的长度，将病情分为四个等级：Ⅰ、无钙化，评0分；Ⅱ、钙化范围小于1/3的动脉壁长度，评1分；Ⅲ、钙化范围累及1/3～2/3的动脉壁长度，评2分；Ⅳ、钙化范围大于2/3的动脉壁长度，评3分。

下肢动脉血管狭窄度的评分标准：根据下肢动脉血管的管腔面积，将病情分为四个等级：Ⅰ、管腔直径缩小1％-25％，评1分，Ⅱ、管腔直径缩小25％-50％，评2分，Ⅲ、管腔直径缩小51％-75％，评3分，Ⅳ、管腔直径缩小76％-100％，评4分。

分别根据下肢动脉钙化斑块的长度和下肢动脉血管狭窄度获得患者动脉钙化总积分和狭窄度的总积分。

步骤4，将患者动脉钙化总积分和狭窄度的总积分输入ELO算法模型，经过ELO算法模型的评分选出最能表征糖尿病足截肢风险程度的因素，ELO算法模型处理过程如下：

假设动脉钙化总积分和狭窄度总积服从正态分布的随机变量X～N(μ，σ²)，且均值μ短期内恒定不变，动脉钙化总积分和狭窄度总积分的方差σ²相同。在该前提下，动脉钙化总积分或狭窄度总积分的评分变化只能依赖近期的检查结果和均值的偏离程度，因此设计的线性修正为：

y_n＝y_n-1+K(M-μ) (1)

式中，y_n为迭代更新后的评分，y_n-1为迭代更新前的评分，K为放大系数，M为动脉钙化总积分或狭窄度总积分的近期的检查结果，M＝1表示有影响，M＝0表示没有影响，μ为动脉钙化总积分或狭窄度总积分的均值。为了区分动脉钙化总积分和狭窄度总积分，记相应的记号M_A，M_B，μ_A，μ_B；因此，对于动脉钙化总积分的评分Q_A～N(μ_A，σ²)，对于狭窄度总积分的评分Q_B～N(μ_B，σ²)，动脉钙化总积分与狭窄度总积分影响力的差值为Q_A-Q_B～N(μ_A-μ_B，2σ²)；当Q_A-Q_B＞0时，动脉钙化总积分影响超过狭窄度总积分，由概率计算得：

式中，φ(x)表示标准正态分布的累计分布函数。

由于假设动脉钙化总积分或狭窄度总积分的评分Q～N(μ，σ²)，因此μ_A＝E(Q_A)，μ_B＝E(Q_B)，评分y_A(n-1)是动脉钙化总积分或狭窄度总积分影响力期望的估计；根据式(2)，可得影响较大的概率估计为：

对于动脉钙化总积分，有：

y_An＝y_A(n-1)+K(M_A-μ_A) (4)

且：

因此，M_A是服从伯努利分布的随机变量：M_A～B(1，q)，

由于M_A+M_B＝1、μ_A+μ_B＝1，则：

y_An+y_Bn＝y_A(n-1)+y_B(n-1) (6)

由此可知，动脉钙化总积分和狭窄度总积分的评分之和保持恒定。设动脉钙化总积分和狭窄度总积分的原始评分为y_A0、y_B0，可得：

y_B＝y_A0+y_B0-y_A (7)

记常数第n次迭代前后动脉钙化总积分的评分分别为R_n-1、R_n，则有：

R_n＝R_n-1-Kφ(αR_n-1+β) (9)

放大系数K选取较大会使得ELO算法迭代后的评分结果波动变大，放大系数K选取较小会使得ELO算法迭代公式失去了表征竞争因素(即动脉钙化总积分和狭窄度总积分)评分更新的功能，使得更新过程停滞；因此本发明通过蜻蜓算法选取放大系数K；具体过程如下：

S1，算法参数初始化，将放大系数K的取值范围[K₁,K_d]内所有放大系数K作为蜻蜓个体，蜻蜓数量为d，设定最大迭代次数为MIT、适应性函数的维度为D、蜻蜓个体之间的领域半径r。

S2，采用随机生成的方法初始化蜻蜓个体位置X和步长向量ΔX。

S3，令迭代次数t的初始值等于1。

S4，将蜻蜓个体位置代入适应性函数，计算其适应值；

所述适应性函数为：

其中，K_i为第i个放大系数，i∈[1,d]，m、n为常数。

S5，如果t≥2，构造蜻蜓个体位置增广矩阵和适应值增广矩阵，然后将位置增广矩阵到适应值增广矩阵的排序映射，得到历史前两代的精英蜻蜓个体，最优的放大系数K⁺作为食物源位置，最差的放大系数K^-作为天敌位置，保存当前最优精英蜻蜓个体的适应值。

S6，使用欧式距离公式对食物源位置X⁺和天敌位置X^-进行更新。

S7，使用公式对蜻蜓的五种行为S、A、C、F、E进行更新，更新过程如下：

避撞行为S的计算公式为：

结队行为A的计算公式为：

聚集行为C的计算公式为：

觅食行为F的计算公式为：

F_i＝X⁺-X (14)

避敌行为E的计算公式为：

E_i＝X^-+X (15)

其中，S_i为第i个蜻蜓个体的避撞位置，X是蜻蜓个体飞行时的位置，X_j是第j个相邻的蜻蜓个体飞行时的位置，N代表相邻的蜻蜓个体数量，A_i为第i个蜻蜓个体结队的位置，V_j是第j个相邻的蜻蜓个体的飞行速度，C_i为第i个蜻蜓个体聚集的位置，F_i为第i个蜻蜓个体离食物源的位置，E_i是第i个蜻蜓个体天敌所在的位置。

S8，更新领域半径r，进而更新每个蜻蜓个体之间的距离，具体过程如下：

S8.1，若蜻蜓个体周围有邻近的个体，则变更蜻蜓个体的步长向量ΔX和位置向量X，具体过程如下：

ΔX_t+1＝(sS_i+aA_i+cC_i+fF_i+eE_i)+wΔX_t (16)

X_t+1＝X_t+ΔX_t+1 (17)

其中，s是避撞的权重，a是结对的权重，c是聚集权重，f是食物因子，e是天敌因子，w是蜻蜓飞行的惯性参数；权重参数a、c、s、f、e的计算和变更可任意取之于实数区间[0，1]；飞行的惯性参数w自适应线性递减取值于区间[0.5，0.9]内。

S8.2，若当前蜻蜓个体领域内无邻近个体时，为了改善随机性、随机行为和蜻蜓个体的全局搜索性能，通过随机游走更新蜻蜓个体的位置向量X，为：

X_t+1＝X_t+Le′vy(m)X_t (18)

其中，r₁和r₂分别是[0，1]内的随机数，β＝0.5，m为蜻蜓群体飞行时位置向量的维数，

在蜻蜓位置发生变化的时，通过查看有无邻近蜻蜓，若无邻近蜻蜓则进入随机游走状态，因此本方法不断地保留了优秀个体，但是随机游走状态也能在一定程度上避免蜻蜓算大陷入局部极值。

S9，对蜻蜓位置X执行扰动的操作，过程如下：

其中，为第t次迭代中的第i个个体，r_n为迭代优化参数，为上一次迭代中优秀蜻蜓个体。在演化过程中，优秀蜻蜓个体都能在迭代计算时被运营，蜻蜓个体之间能进行关于所在位置的交流，改善了全局搜索的性能，也防止算法过早收敛。

S10，检查每个蜻蜓个体的位置是否均在适应性函数的定义域内，若不在，则对蜻蜓个体位置进行边界的修正，使其位置重新回到边界内。

S11，令迭代次数t＝t+1，如果t＜MIT，即当前迭代次数小于最大迭代次数，则跳到S4继续执行；否则停止循环。

通过蜻蜓算法确定最优的放大系数K⁺，使得总积分的评分结果波动较小，评分结果精确，快速确定影响糖尿病足患者的因素，预测患者短期截肢风险，对糖尿病足严重程度预测及诊断的重要意义。

为了验证本发明的糖尿病足下肢动脉钙化斑块图像的辅助评价方法的评价效果，故采取2013年12月-2018年12月内255例糖尿病足患者数据，根据Wagner诊断标准分级分为6组，Wagner诊断标准：0级：有发生足溃疡危险因素，目前无溃疡；1级：有发生足溃疡危险因素，目前无溃疡；2级：表面溃疡，临床上无感染；3级：较深的溃疡，常合并软组织炎，无脓肿或骨的感染；4级：深度感染，伴有骨组织病变或脓肿；5级：局限性坏疽(趾、足跟或前足背)；6级：全足坏疽；随机抽取255例糖尿病足患者数据中的30例数据，先根据Wagner诊断标准给出临床的评分结果，再将255例糖尿病足患者数据输入本发明的评价方法中，将临床的判断结果与本发明的评价结果进行比较，如图4所示，可以看出225例的评价结果高度一致，算法精度和稳定性都有了大幅的提升，说明本发明的评价结果满足要求。

以上实施例仅用于说明本发明的设计思想和特点，其目的在于使本领域内的技术人员能够了解本发明的内容并据以实施，本发明的保护范围不限于上述实施例。所以，凡依据本发明所揭示的原理、设计思路所作的等同变化或修饰，均在本发明的保护范围之内。

Claims (7)

1.一种糖尿病足下肢动脉钙化斑块图像的辅助评价方法，其特征在于：采集患者下肢血管图像，由下肢血管图像获取下肢动脉钙化斑块的大小和钙化斑块处的血管狭窄度，进而得到动脉钙化总积分和狭窄度的总积分，将总积分输入到ELO算法模型，选出最能表征糖尿病足截肢风险程度的因素。

2.根据权利要求1所述的一种糖尿病足下肢动脉钙化斑块图像的辅助评价方法，其特征在于：所述动脉钙化总积分是根据下肢动脉钙化斑块的评分标准得到的，所述评分标准为：由下肢动脉前壁和后壁钙化斑块的大小，将病情分为四个等级：Ⅰ、无钙化，评0分；Ⅱ、钙化范围小于1/3的动脉壁长度，评1分；Ⅲ、钙化范围累及1/3～2/3的动脉壁长度，评2分；Ⅳ、钙化范围大于2/3的动脉壁长度，评3分；故进行血管分段处理，将下肢血管以小腿正中为分界线，全部分为上下两段，包括：胫后动脉近端、胫后动脉远端、胫前动脉近端、胫前动脉远端、腓动脉近端、腓动脉远端。

3.根据权利要求1所述的一种糖尿病足下肢动脉钙化斑块图像的辅助评价方法，其特征在于：所述狭窄度的总积分由下肢动脉血管狭窄度的评分标准获取，所述评分标准为：根据下肢动脉血管的管腔面积，将病情分为四个等级：Ⅰ、管腔直径缩小1％-25％，评1分，Ⅱ、管腔直径缩小25％-50％，评2分，Ⅲ、管腔直径缩小51％-75％，评3分，Ⅳ、管腔直径缩小76％-100％，评4分；狭窄度数据的采集方法为：采集下肢动脉在有钙化斑块段的血管狭窄度的最大值h_max和狭窄度的平均值根据确定该段的血管狭窄度其中a、b为常系数。

4.根据权利要求1所述的一种糖尿病足下肢动脉钙化斑块图像的辅助评价方法，其特征在于：所述输入到ELO算法模型中的总积分评分为：R_n＝R_n-1-Kφ(αR_n-1+β)，其中R_n-1、R_n分别为n次迭代前后总积分的评分；常数y_A0、y_B0分别为动脉钙化总积分和狭窄度总积分的原始评分，σ为动脉钙化总积分和狭窄度总积分的标准差；φ(x)表示标准正态分布的累计分布函数；K为放大系数。

5.根据权利要求4所述的一种糖尿病足下肢动脉钙化斑块图像的辅助评价方法，其特征在于：所述放大系数K通过蜻蜓算法进行选取。

6.根据权利要求5所述的一种糖尿病足下肢动脉钙化斑块图像的辅助评价方法，其特征在于：所述蜻蜓算法选取放大系数K的具体过程为：

S1，蜻蜓算法参数初始化；

S2，采用随机生成的方法初始化蜻蜓个体位置X和步长向量ΔX；

S3，令迭代次数t的初始值等于1；

S4，将蜻蜓个体位置代入适应性函数，计算其适应值；

S5，如果t≥2，构造蜻蜓个体位置增广矩阵和适应值增广矩阵，然后将位置增广矩阵到适应值增广矩阵的排序映射，得到历史前两代的精英蜻蜓个体，最优的放大系数K⁺作为食物源位置，最差的放大系数K^-作为天敌位置，保存当前最优精英蜻蜓个体的适应值；

S6，使用欧式距离公式对食物源位置X⁺和天敌位置X^-进行更新；

S7，使用公式对蜻蜓的五种行为S、A、C、F、E进行更新；

S8，更新领域半径r，进而更新每个蜻蜓个体之间的距离；

S9，对蜻蜓位置X执行扰动的操作；

S10，检查每个蜻蜓个体的位置是否均在适应性函数的定义域内，若不在，则对蜻蜓个体位置进行边界的修正，使其位置重新回到边界内；

S11，令迭代次数t＝t+1，如果t＜MIT，即当前迭代次数小于最大迭代次数，则跳到S4继续执行；否则停止循环。

7.根据权利要求6所述的一种糖尿病足下肢动脉钙化斑块图像的辅助评价方法，其特征在于：所述适应性函数为：其中K_i为第i个放大系数，i∈[1,d]，d为蜻蜓数量，m、n为常数。