CN111862087A - 一种基于深度学习的肝胰脂肪变性判别方法 - Google Patents
一种基于深度学习的肝胰脂肪变性判别方法 Download PDFInfo
- Publication number
- CN111862087A CN111862087A CN202010768424.8A CN202010768424A CN111862087A CN 111862087 A CN111862087 A CN 111862087A CN 202010768424 A CN202010768424 A CN 202010768424A CN 111862087 A CN111862087 A CN 111862087A
- Authority
- CN
- China
- Prior art keywords
- liver
- steatosis
- roi
- pancreas
- deep learning
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30056—Liver; Hepatic
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种基于深度学习的肝胰脂肪变性判别方法,涉及图像处理领域。该基于深度学习的肝胰脂肪变性判别方法,包括选用DenseNet和3D CNN作为深度学习模型,还包括以下步骤:S1.图像预处理:从患者上腹部MRI选取肝和胰腺的ROI,并进行数据扩增,S2.模型建立:DenseNet:使用训练集建立并训练两种网络模型,输出分级特征,S3.分类训练:使用RF、SVM和MLP,进行分级,最后给出实现肝和胰腺脂肪变性程度0、1、2分级,S4.对比肝/胰腺脂肪变性模型的AUC、精确度、敏感性和特异性。通过新型的判别方式,使得为肝胰脂肪变性程度分级研究提供一种无创性手段,节省人力物力,通过深度学习的方法智能对肝胰脂肪变性分级,针对轻度脂肪变性程度的影像也能有较好的判断效果。
Description
技术领域
本发明涉及肝胰脂肪变性判别技术领域,具体为一种基于深度学习的肝胰脂肪变性判别方法。
背景技术
肝脏和胰腺内脂质储积并脂肪变性可进展为肝纤维化、肝硬化,甚至发生肝功能衰竭和肝细胞癌。胰腺脂肪浸润会导致胰岛素分泌异常,进一步导致糖脂质代谢异常,并诱发心血管疾病等。通过判断患者是否发生脂肪变性及脂肪变性的程度,可以让患者尽早采取相应措施及治疗手段,避免进一步恶化
组织学检查:通过穿刺肝脏和胰腺组织,根据器官内脂肪细胞变的比例确定肝/胰腺脂肪变性程度。活检为有创操作,且存在取样误差、判读误差和可重复性差等缺点;超声检查:通过超声影像上脂肪影像判断肝/胰腺脂肪变性等级,根据医生经验判断,主观性过强;CT检查:通过CT值或肝/胰腺与脾的CT值的比值进行肝/胰腺脂肪变性分级。对轻度脂肪变性敏感度低,且具有辐射性。
发明内容
针对现有技术的不足,本发明提供了一种基于深度学习的肝胰脂肪变性判别方法,解决了现有技术对肝/胰腺脂肪进行针织判断时存在着一定不足之处的问题。
技术方案
为实现以上目的,本发明通过以下技术方案予以实现:一种基于深度学习的肝胰脂肪变性判别方法,包括选用DenseNet和3D CNN作为深度学习模型。
一种基于深度学习的肝胰脂肪变性判别方法,还包括以下步骤:
a)选择ROI,对患者上腹部MRI,选择脂相,选取肝和胰腺的ROI,大小为16×16像素,其中2D网络直接选取切片ROI,3D网络选取切片及上下各两层相同位置所选区域组成的3DROI;
b)对训练集ROI进行数据扩增,对所有ROI进行旋转和仿射变换,将数据扩增至5倍,同时对肝脂肪变性等级1和等级2的患者数据平移选取ROI,再次扩增4倍;
S2.模型建立:
a)DenseNet:使用训练集建立并训练两种网络模型,舍去网络全连接层,使用ImageNet自然图像做预训练,训练时微调网络结构,并使用2D ROI作为输入,3D CNN:直接使用3DROI,作为训练和验证的输入;
b)通过独立验证集进行模型验证;
c)模型输出:肝/胰腺脂肪变性程度分级的特征;
S3.分类训练:将模型输出特征与患者相关临床特征一起输入分类器,进行肝/胰腺脂肪变性程度分级,使用RF、SVM和MLP,进行分级,最后给出实现肝和胰腺脂肪变性程度0、1、2分级;
S4.对比肝/胰腺脂肪变性模型的AUC、精确度、敏感性和特异性
优选的,所述S1中ROI选取规则为肝部取6个ROI区域,4个位于右叶实质分别为肝Ⅴ、Ⅵ、 Ⅶ、 Ⅷ段,2个位于左叶实质分别为肝Ⅱ、Ⅲ段,胰腺取2个ROI,位于胰腺实质区域上。
优选的,所述S3中临床特征包括年龄、性别、腰身比有无酗酒史、有无吸烟史。
优选的,所述S3中RF为Random Forest随机森林,所述SVM为Support VectorMachine支持向量机,所述MLP为Multi-Layer Perceptron多层感知机。
(三)有益效果
本发明提供了一种基于深度学习的肝胰脂肪变性判别方法。具备以下有益效果:
1、通过新型的判别方式,使得为肝胰脂肪变性程度分级研究提供一种无创性手段。
2、节省人力物力,通过深度学习的方法智能对肝胰脂肪变性分级。
3、针对轻度脂肪变性程度的影像也能有较好的判断效果。
附图说明
图1为本发明系统流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例:
如图1所示,本发明实施例提供一种基于深度学习的肝胰脂肪变性判别方法,包括选用DenseNet和3D CNN作为深度学习模型。
一种基于深度学习的肝胰脂肪变性判别方法,还包括以下步骤:
a)选择ROI,对患者上腹部MRI,选择脂相,选取肝和胰腺的ROI,大小为16×16像素,其中2D网络直接选取切片ROI,3D网络选取切片及上下各两层相同位置所选区域组成的3DROI;
b)对训练集ROI进行数据扩增,对所有ROI进行旋转和仿射变换,将数据扩增至5倍,同时对肝脂肪变性等级1和等级2的患者数据平移选取ROI,再次扩增4倍;
S2.模型建立:
a)DenseNet:使用训练集建立并训练两种网络模型,舍去网络全连接层,使用ImageNet自然图像做预训练,训练时微调网络结构,并使用2D ROI作为输入,3D CNN:直接使用3DROI,作为训练和验证的输入;
b)通过独立验证集进行模型验证;
c)模型输出:肝/胰腺脂肪变性程度分级的特征;
S3.分类训练:将模型输出特征与患者相关临床特征一起输入分类器,进行肝/胰腺脂肪变性程度分级,使用RF、SVM和MLP,进行分级,最后给出实现肝和胰腺脂肪变性程度0、1、2分级;
S4.对比肝/胰腺脂肪变性模型的AUC、精确度、敏感性和特异性
其中S1中ROI选取规则为肝部取6个ROI区域,4个位于右叶实质分别为肝Ⅴ、 Ⅵ、 Ⅶ、Ⅷ段,2个位于左叶实质分别为肝Ⅱ、Ⅲ段,避免大血管、胆管、肝局灶性病变和显著的肝伪影,胰腺取2个ROI,位于胰腺实质区域上。
其中S3中临床特征包括年龄、性别、腰身比有无酗酒史、有无吸烟史。
其中S3中RF为Random Forest随机森林,其中SVM为Support Vector Machine支持向量机,其中MLP为Multi-Layer Perceptron多层感知机。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (5)
1.一种基于深度学习的肝胰脂肪变性判别方法,其特征在于:包括选用DenseNet和3DCNN作为深度学习模型。
2.一种基于深度学习的肝胰脂肪变性判别方法,其特征在于:还包括以下步骤:
S1.图像预处理:
选择ROI,对患者上腹部MRI,选择脂相,选取肝和胰腺的ROI,大小为16×16像素,其中2D网络直接选取切片ROI,3D网络选取切片及上下各两层相同位置所选区域组成的3D ROI;
对训练集ROI进行数据扩增,对所有ROI进行旋转和仿射变换,将数据扩增至5倍,同时对肝脂肪变性等级1和等级2的患者数据平移选取ROI,再次扩增4倍;
S2.模型建立:
DenseNet:使用训练集建立并训练两种网络模型,舍去网络全连接层,使用ImageNet自然图像做预训练,训练时微调网络结构,并使用2D ROI作为输入,3D CNN:直接使用3D ROI,作为训练和验证的输入;
通过独立验证集进行模型验证;
模型输出:肝/胰腺脂肪变性程度分级的特征;
S3.分类训练:将模型输出特征与患者相关临床特征一起输入分类器,进行肝/胰腺脂肪变性程度分级,使用RF、SVM和MLP,进行分级,最后给出实现肝和胰腺脂肪变性程度0、1、2分级;
S4.对比肝/胰腺脂肪变性模型的AUC、精确度、敏感性和特异性。
3.根据权利要求2所述的一种基于深度学习的肝胰脂肪变性判别方法,其特征在于:所述S1中ROI选取规则为肝部取6个ROI区域,4个位于右叶实质分别为肝Ⅴ、 Ⅵ、 Ⅶ、 Ⅷ段,2个位于左叶实质分别为肝Ⅱ、Ⅲ段,胰腺取2个ROI,位于胰腺实质区域上。
4.根据权利要求2所述的一种基于深度学习的肝胰脂肪变性判别方法,其特征在于:所述S3中临床特征包括年龄、性别、腰身比有无酗酒史、有无吸烟史。
5.根据权利要求2所述的一种基于深度学习的肝胰脂肪变性判别方法,其特征在于:所述S3中RF为Random Forest随机森林,所述SVM为Support Vector Machine支持向量机,所述MLP为Multi-Layer Perceptron多层感知机。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010768424.8A CN111862087A (zh) | 2020-08-03 | 2020-08-03 | 一种基于深度学习的肝胰脂肪变性判别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010768424.8A CN111862087A (zh) | 2020-08-03 | 2020-08-03 | 一种基于深度学习的肝胰脂肪变性判别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111862087A true CN111862087A (zh) | 2020-10-30 |
Family
ID=72953670
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010768424.8A Pending CN111862087A (zh) | 2020-08-03 | 2020-08-03 | 一种基于深度学习的肝胰脂肪变性判别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111862087A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112991320A (zh) * | 2021-04-07 | 2021-06-18 | 德州市人民医院 | 脑出血患者血肿扩大风险预测系统及方法 |
GB2621332A (en) * | 2022-08-08 | 2024-02-14 | Twinn Health Ltd | A method and an artificial intelligence system for assessing an MRI image |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109886922A (zh) * | 2019-01-17 | 2019-06-14 | 丽水市中心医院 | 基于SE-DenseNet深度学习框架和多模态增强MR图像的肝细胞癌自动分级方法 |
CN110895817A (zh) * | 2019-11-01 | 2020-03-20 | 复旦大学 | 一种基于影像组学分析的mri影像肝纤维化自动分级方法 |
-
2020
- 2020-08-03 CN CN202010768424.8A patent/CN111862087A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109886922A (zh) * | 2019-01-17 | 2019-06-14 | 丽水市中心医院 | 基于SE-DenseNet深度学习框架和多模态增强MR图像的肝细胞癌自动分级方法 |
CN110895817A (zh) * | 2019-11-01 | 2020-03-20 | 复旦大学 | 一种基于影像组学分析的mri影像肝纤维化自动分级方法 |
Non-Patent Citations (3)
Title |
---|
D SANTHOSH REDDY ET AL.: ""Classification of Nonalcoholic Fatty Liver Texture Using Convolution Neural Networks"", 《2018 IEEE 20TH INTERNATIONAL CONFERENCE ON E-HEALTH NETWORKING, APPLICATIONS AND SERVICES (HEALTHCOM)》 * |
吴保荣 等: ""融合多维度卷积神经网络的肺结节分类方法"", 《计算机工程与应用》 * |
杨婧 等: ""基于DenseNet的低分辨率CT影像肺腺癌组织学亚型分类"", 《浙江大学学报(工学版)》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112991320A (zh) * | 2021-04-07 | 2021-06-18 | 德州市人民医院 | 脑出血患者血肿扩大风险预测系统及方法 |
GB2621332A (en) * | 2022-08-08 | 2024-02-14 | Twinn Health Ltd | A method and an artificial intelligence system for assessing an MRI image |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ruskó et al. | Automatic segmentation of the liver from multi-and single-phase contrast-enhanced CT images | |
JP4832300B2 (ja) | 医用画像診断支援装置の作動方法、医用画像診断支援装置、及び画像処理プログラム | |
CN105447872A (zh) | 一种在超声影像中自动识别肝脏肿瘤类型的方法 | |
US8805043B1 (en) | System and method for creating and using intelligent databases for assisting in intima-media thickness (IMT) | |
CN111862087A (zh) | 一种基于深度学习的肝胰脂肪变性判别方法 | |
WO2022105647A1 (zh) | 一种颅内血管造影增强三维模型的建立方法 | |
CN112446862A (zh) | 一种基于人工智能的动态乳腺超声视频全病灶实时检测和分割装置、系统及图像处理方法 | |
CN110288698B (zh) | 基于mri的半月板三维重建系统 | |
US10140715B2 (en) | Method and system for computing digital tomosynthesis images | |
CN103578099A (zh) | 基于超声弹性成像的肿瘤弹性特征的提取方法 | |
CN106469449A (zh) | 一种医学图像中病灶的显示方法及装置 | |
JP2007275318A (ja) | 画像表示装置、画像表示方法およびそのプログラム | |
CN112102275A (zh) | 肺主动脉血管图像提取方法、装置、存储介质及电子设备 | |
US9123163B2 (en) | Medical image display apparatus, method and program | |
US20220414870A1 (en) | Automated pattern recognition and scoring method of fibrosis from non invasive radiology imaging | |
Torrents-Barrena et al. | TTTS-STgan: stacked generative adversarial networks for TTTS fetal surgery planning based on 3D ultrasound | |
WO2021117043A1 (en) | Automatic stenosis detection | |
US20230222668A1 (en) | Image processing apparatus, image processing method, and recording medium | |
CN113538419B (zh) | 一种图像处理方法和系统 | |
Torrents-Barrena et al. | Automatic segmentation of the placenta and its peripheral vasculature in volumetric ultrasound for TTTS fetal surgery | |
Guo et al. | A computer-aided diagnostic system to discriminate SPIO-enhanced magnetic resonance hepatocellular carcinoma by a neural network classifier | |
CN114708283A (zh) | 图像目标的分割方法、装置、电子设备及存储介质 | |
CN104737204B (zh) | 用于确定肾脏的损伤特征值的方法和装置 | |
Wang et al. | A novel DAVnet3+ method for precise segmentation of bladder cancer in MRI | |
Che | Improved nonalcoholic fatty liver disease diagnosis from ultrasound data based on deep learning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20201030 |
|
WD01 | Invention patent application deemed withdrawn after publication |