CN112200763A - 一种基于肝脏ct影像的肝功能分级方法 - Google Patents
一种基于肝脏ct影像的肝功能分级方法 Download PDFInfo
- Publication number
- CN112200763A CN112200763A CN202010855104.6A CN202010855104A CN112200763A CN 112200763 A CN112200763 A CN 112200763A CN 202010855104 A CN202010855104 A CN 202010855104A CN 112200763 A CN112200763 A CN 112200763A
- Authority
- CN
- China
- Prior art keywords
- image
- liver
- data
- sample set
- liver function
- 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.)
- Granted
Links
- 230000003908 liver function Effects 0.000 title claims abstract description 51
- 210000004185 liver Anatomy 0.000 title claims abstract description 36
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000012549 training Methods 0.000 claims abstract description 46
- 230000003187 abdominal effect Effects 0.000 claims abstract description 30
- 238000012360 testing method Methods 0.000 claims abstract description 22
- 238000013135 deep learning Methods 0.000 claims abstract description 16
- 238000012795 verification Methods 0.000 claims abstract description 10
- 239000011159 matrix material Substances 0.000 claims description 27
- 239000013598 vector Substances 0.000 claims description 26
- 206010028980 Neoplasm Diseases 0.000 claims description 9
- 210000004204 blood vessel Anatomy 0.000 claims description 9
- BPYKTIZUTYGOLE-IFADSCNNSA-N Bilirubin Chemical compound N1C(=O)C(C)=C(C=C)\C1=C\C1=C(C)C(CCC(O)=O)=C(CC2=C(C(C)=C(\C=C/3C(=C(C=C)C(=O)N\3)C)N2)CCC(O)=O)N1 BPYKTIZUTYGOLE-IFADSCNNSA-N 0.000 claims description 8
- DDRJAANPRJIHGJ-UHFFFAOYSA-N creatinine Chemical compound CN1CC(=O)NC1=N DDRJAANPRJIHGJ-UHFFFAOYSA-N 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 7
- 230000023555 blood coagulation Effects 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 229940109239 creatinine Drugs 0.000 claims description 4
- 102100027378 Prothrombin Human genes 0.000 claims description 3
- 108010094028 Prothrombin Proteins 0.000 claims description 3
- 210000001015 abdomen Anatomy 0.000 claims description 3
- 230000001476 alcoholic effect Effects 0.000 claims description 3
- 210000000941 bile Anatomy 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000000513 principal component analysis Methods 0.000 claims description 3
- 229940039716 prothrombin Drugs 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 238000003745 diagnosis Methods 0.000 abstract description 5
- 238000001514 detection method Methods 0.000 abstract description 3
- 210000005228 liver tissue Anatomy 0.000 abstract description 3
- 238000013136 deep learning model Methods 0.000 abstract description 2
- 230000001575 pathological effect Effects 0.000 description 4
- 208000019425 cirrhosis of liver Diseases 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000003902 lesion Effects 0.000 description 3
- 210000001519 tissue Anatomy 0.000 description 3
- 238000002054 transplantation Methods 0.000 description 3
- 206010057573 Chronic hepatic failure Diseases 0.000 description 2
- 208000010334 End Stage Liver Disease Diseases 0.000 description 2
- 206010016654 Fibrosis Diseases 0.000 description 2
- 238000001574 biopsy Methods 0.000 description 2
- 208000011444 chronic liver failure Diseases 0.000 description 2
- 230000007882 cirrhosis Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 201000007270 liver cancer Diseases 0.000 description 2
- 208000019423 liver disease Diseases 0.000 description 2
- 208000014018 liver neoplasm Diseases 0.000 description 2
- 238000004393 prognosis Methods 0.000 description 2
- 238000002271 resection Methods 0.000 description 2
- 210000002784 stomach Anatomy 0.000 description 2
- 102000009027 Albumins Human genes 0.000 description 1
- 108010088751 Albumins Proteins 0.000 description 1
- 206010003445 Ascites Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002489 hematologic effect Effects 0.000 description 1
- 230000002440 hepatic effect Effects 0.000 description 1
- 208000007386 hepatic encephalopathy Diseases 0.000 description 1
- 208000006454 hepatitis Diseases 0.000 description 1
- 231100000283 hepatitis Toxicity 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 230000002980 postoperative effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 210000002966 serum Anatomy 0.000 description 1
- 230000000472 traumatic effect Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- 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
- G06T2207/10081—Computed x-ray tomography [CT]
-
- 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
- G06T2207/20024—Filtering details
-
- 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)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Radiology & Medical Imaging (AREA)
- Artificial Intelligence (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Molecular Biology (AREA)
- Epidemiology (AREA)
- Evolutionary Computation (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开一种基于肝脏CT影像的肝功能分级方法。采集腹部CT医学图像，记录患者同期血液学检查等指标；对CT图像的肝脏组织提取感兴趣区域，并计算肝功能评分，建立数据集；对数据集进行分组；通过数据增强方法，用训练样本集CT图像基于多重二值编码的PCANet深度学习模型进行参数训练；对用训练样本集和验证样本集提取深度特征训练分类器，建立肝功能分级模型；在测试样本集上对模型进行评估测试。相对于组织病理学分级方法具有侵入性、诊断时间长，临床分级方法需要空腹血液学检查指标，检测时间受限等问题，利用肝脏CT影像及深度学习方法，实现通过CT图像对患者肝功能等级的智能分级，具有非侵入性、高效性、可重复性。
Description
技术领域
本发明涉及肝功能的智能诊断，图像处理，机器视觉领域，具体一种基于计算机视觉技术从肝脏CT影像中评估肝功能等级的方法。
背景技术
对不同肝病患者的肝功能进行评估在肝脏部分切除、创伤性介入治疗、肝移植供肝的选择及分配、肝移植后肝功能的监测等方面有着重要的作用。无论是肝癌或肝硬化，肝功能都对患者的预后起到了重要影响，准确反映慢性肝病患者肝功能失代偿情况对于患者的临床诊治具有重要意义。
目前，对肝功能进行分级的方法主要有病理学活检、血液学指标结合主观性指标评分等方法。病理学Laennec分期与肝硬化的临床分期以及肝静脉压力梯度具有良好相关性，但因其有创性限制了其在临床上的广泛使用。临床常用的肝功能分级方法：Child-Pugh分级、终末期肝病模型(MELD)等主要基于血清肌酐、胆红素、白蛋白等血液学检查指标及腹水、肝性脑病等临床主观指标计算评分，可以在一定程度上识别肝脏器质性病变的程度。MELD方法评价终末期肝病的严重程度，在预测终末期肝病死亡率及肝移植中广泛应用，并逐渐扩大到重型肝炎及肝癌中。
病理学活检需要从患者体内切取、钳取或穿刺等取出病变组织，具有侵入性，易受到标本取材的影响，血液学检查指标需要空腹进行，受到时间的限制。影像组学认为，CT影像与组织病变有良好的相关性，通过深入分析图像特征数据可以揭示出医学影像资料和临床预测、预后结果之间的潜在关系。设计有效的方法，建立基于CT影像的肝功能分级模型，可以在无法及时进行病理学检测、空腹血液学检查等情况下，为患者肝硬化程度评分、肝切除手术治疗以及术后死亡率的估计提供辅助诊断。与病理组织和分子生物学方法相比，基于影像的方法具有无创性，高效性，为肝功能评估提供了快速、有效的辅助诊断。
发明内容
针对上述问题，本发明提供了一种基于CT影像信息的肝功能分级方法，为患者肝功能等级评估提供一种非侵入性、高效的方法。
本发明的技术方案是：一种基于肝脏CT影像的肝功能分级方法，具体操作步骤如下：
步骤(1.1)，采集患者腹部CT医学图像，并记录患者同时期的生化全套检查数据、凝血五项数据及病因指标；
步骤(1.2)，提取腹部CT医学图像中不含有肿瘤和血管的肝脏感兴趣区域作为样本数据，并根据生化全套检查数据、凝血五项数据及病因指标计算出MELD评分作为样本数据的标签，建立数据集；
步骤(1.3)，对建立的数据集进行分组，将其分为训练样本集、验证样本集和测试样本集；
步骤(1.4)，对训练样本集中的肝脏感兴趣区域进行数据增强；
步骤(1.5)，利用增强后的训练样本集数据对深度学习网络的参数进行训练；
步骤(1.6)，利用已训练的深度学习网络对训练样本集和验证样本集提取相应的深度特征，通过对多分类器进行优化训练，建立基于腹部CT医学图像的肝功能分级模型；
步骤(1.7)，运用测试样本集的数据对已建立的肝功能分级模型进行评估测试。
进一步的，在步骤(1.1)中，所述采集腹部CT医学图像的图像格式为DICOM，大小为512×512像素。
进一步的，在所述步骤(1.2)中，建立数据集的具体操作内容：
(1.2.1)、在腹部CT医学图像的肝脏区域，提取大小为64×64像素、排除含有肿瘤和血管的感兴趣区域；
(1.2.2)、根据MELD评分系统，计算每位病人的肝功能评分，如下式所示：
MELD＝3.8×ln[胆红素(mg/dl)]+11.2×ln(INR)
+9.6×ln[肌酐(mg/dl)]+6.4×(病因)
其中，ln表示自然对数，“病因”选项中，胆汁性或酒精性为0，其他为1，INR表示凝血酶原时间国际标准化比值；根据MELD评分标准划分出“低危患者”、“中危患者”和“高危患者”；根据MELD评分设定每张图像的标签，建立肝功能分级的数据集。
进一步的，在所述步骤(1.3)中，对建立的数据集进行分组的具体内容包括随机选取70％数据作为训练样本集，随机选取20％作为验证样本集，剩下的10％作为测试样本集。
进一步的，在所述步骤(1.4)中，对训练样本集中的图像进行数据增强的具体内容包括：使用平移、翻转、旋转、裁剪及缩放的方法对训练样本集中的CT医学图像进行数据增强。
进一步的，在所述步骤(1.5)中，所述的深度学习网络是指一种基于多重二值编码的PCANet结构的卷积神经网络，其训练过程包括：
(1.5.1)、对N张m×n图像中每个像素及其邻域设定子块，将每个分块的矩阵按列优先，向量化为列向量，再依次级联成一个矩阵；其中，第i张图像表示为：
其中，xi,j表示图像Xi的第j个采样向量，后对每一个向量进行去均值处理，得到去均值后的向量
式中，
表示去均值后的向量，即：
对所有的腹部CT图像构造上述相同的矩阵，将其级联在一起，得到：
式中，N表示训练集中的腹部CT图像数量；
(1.5.2)、网络参数的训练：通过主成分分析寻找标准正交矩阵来最小化重构误差：
式中，
表示L1×L1的单位阵，从而训练得到的第一层的滤波器核为：
即提取矩阵X的协方差矩阵的前L1个最大特征值所对应的特征向量来组成所需的特征映射矩阵，其中，
表示将向量
投影映射为
ql(XXT)表示计算XXT的第l个主成分向量；
将学习得到的第一层的特征映射矩阵
与样本图像进行卷积运算，得到第一卷积层的输出为：
式中，Ii表示原始CT图像；
对第一层的滤波图像，再次取子块，级联和去均值处理，设第二层的样本输入表示为：
同理，使用协方差矩阵对应的特征向量构建L2个滤波器：
将第一层的输出与第二层获得的卷积核
进行卷积操作，得到第二卷积层的输出图像：
(1.5.3)、输出层：对于输出的L2组图像进行二值化编码，即：
式中，s(·)表示阶跃函数，对于输入大于0的数输出为1，否则为0；
对于每组图像进行交叉二值化编码，即：
其中，a,b表示图像的宽度和高度；
对于每组中的L1幅图像分别进行二值化编码，记作：
编码完成后，分别统计上述三种编码的直方图，即：
其中，
最后，腹部CT图像的特征表示为三种编码直方图的级联，如下式所示：
hi＝hi GB Uhi CB Uhi LB
式中，hi表示提取第i个原始ROI的腹部CT图像的最终深度特征向量。
进一步的，在所述步骤(1.7)中，对肝功能分级模型进行评估测试具体内容：运用已训练的深度学习网络对测试样本集中的腹部CT医学图像进行特征的提取，并对已建立的肝功能分级模型进行评估测试。
本发明的有益效果是：1、针对组织病理学分级具有侵入性、诊断时间长，血液学检查指标需要空腹，检测时间受限等问题，提供了一种基于CT影像的肝功能分级方法，利用肝脏CT影像特征及深度学习方法，实现通过CT影像对患者肝功能的智能分级，具有非侵入性、高效性、可重复性；2、利用基于多重二值编码的PCANet深度卷积神经网络，无监督的训练网络参数，自动学习肝脏CT图像的特征，利用多重二值编码及直方图统计，对单个特征图内和不同特征图间进行编码，获得更有辨别力的特征。
附图说明
图1是本发明的结构流程图；
图2是本发明中MELD评分为“低危”、“中危”和“高危”的肝脏CT图像示意图；
其中(a)、MELD评分为6分，“低危”，(b)、MELD评分为16分，“中危”，(c)、MELD评分为22分，“高危”；
图3是本发明中MELD肝脏组织ROI图像示意图，
其中，(a)、为“低危”，(b)、为“中危”，(c)、为“高危”肝脏组织图像；
图4是本发明中实施例一的结构示意图；
图5是本发明中实施例二的结构示意图。
具体实施方式
为了更清楚地说明本发明的技术方案，下面结合附图对本发明的技术方案做进一步的详细说明：
如图1-3所述；一种基于肝脏CT影像的肝功能分级方法，具体操作步骤如下：
步骤(1.1)，采集患者腹部CT医学图像，并记录患者同时期的生化全套检查数据、凝血五项数据及病因指标；
步骤(1.2)，提取腹部CT医学图像中不含有肿瘤和血管的肝脏感兴趣区域作为样本数据，并根据生化全套检查数据、凝血五项数据及病因指标计算出MELD评分作为样本数据的标签，建立数据集；
步骤(1.3)，对建立的数据集进行分组，将其分为训练样本集、验证样本集和测试样本集；
步骤(1.4)，对训练样本集中的肝脏感兴趣区域进行数据增强；
步骤(1.5)，利用增强后的训练样本集数据对深度学习网络的参数进行训练；
步骤(1.6)，利用已训练的深度学习网络对训练样本集和验证样本集提取相应的深度特征，通过对多分类器进行优化训练，建立基于腹部CT医学图像的肝功能分级模型；
步骤(1.7)，运用测试样本集的数据对已建立的肝功能分级模型进行评估测试。
进一步的，在步骤(1.1)中，所述采集腹部CT医学图像的图像格式为DICOM，大小为512×512像素；筛选包含肝脏区域的CT影像。
进一步的，在所述步骤(1.2)中，建立数据集的具体操作内容：
(1.2.1)、在腹部CT医学图像的肝脏区域，提取大小为64×64像素、排除含有肿瘤和血管的感兴趣区域；
(1.2.2)、根据MELD评分系统，计算每位病人的肝功能评分，如下式所示：
MELD＝3.8×ln[胆红素(mg/dl)]+11.2×ln(INR)+9.6×ln[肌酐(mg/dl)]+6.4×(病因)
其中，ln表示自然对数，“病因”选项中，胆汁性或酒精性为0，其他为1，INR表示凝血酶原时间国际标准化比值；根据MELD评分标准划分出“低危患者(MELD<15)”、“中危患者(15≤MELD≤18)”和“高危患者(MELD>18)”；根据MELD评分设定每张图像的标签，建立肝功能分级的数据集。
在肝脏区域，由具有专业背景知识的医生提取大小为38×38像素、不包含肿瘤和血管的肝脏感兴趣区域(ROI)，根据MELD评分设定每张图像的标签，建立数据集。
进一步的，在所述步骤(1.3)中，对建立的数据集进行分组的具体内容包括随机选取70％数据作为训练样本集，随机选取20％作为验证样本集，剩下的10％作为测试样本集。
进一步的，在所述步骤(1.4)中，对训练样本集中的图像进行数据增强的具体内容包括：使用平移、翻转、旋转、裁剪及缩放的方法对训练样本集中的CT医学图像进行数据增强；将数据集按照7:3分成训练集和验证集是随机进行的，且进行多次分组。
进一步的，在所述步骤(1.4)中，对训练集图像基于深度学习模型进行训练，提取出特征的具体内容：
进一步的，在所述步骤(1.5)中，所述的深度学习网络是指一种基于多重二值编码的PCANet结构的卷积神经网络，其训练过程包括：
(1.5.1)、对N张m×n图像中每个像素及其邻域设定子块，将每个分块的矩阵按列优先，向量化为列向量，再依次级联成一个矩阵；其中，第i张图像表示为：
其中，xi,j表示图像Xi的第j个采样向量，后对每一个向量进行去均值处理，得到去均值后的向量
式中，
表示去均值后的向量，即：
对所有的腹部CT图像构造上述相同的矩阵，将其级联在一起，得到：
式中，N表示训练集中的腹部CT图像数量；
(1.5.2)、网络参数的训练：通过主成分分析寻找标准正交矩阵来最小化重构误差：
式中，
表示L1×L1的单位阵，从而训练得到的第一层的滤波器核为：
即提取矩阵X的协方差矩阵的前L1个最大特征值所对应的特征向量来组成所需的特征映射矩阵，其中，
表示将向量
投影映射为
ql(XXT)表示计算XXT的第l个主成分向量；
将学习得到的第一层的特征映射矩阵
与样本图像进行卷积运算，得到第一卷积层的输出为：
式中，Ii表示原始CT图像；
对第一层的滤波图像，再次取子块，级联和去均值处理，设第二层的样本输入表示为：
同理，使用协方差矩阵对应的特征向量构建L2个滤波器：
将第一层的输出与第二层获得的卷积核
进行卷积操作，得到第二卷积层的输出图像：
(1.5.3)、输出层：对于输出的L2组图像进行二值化编码，即：
式中，s(·)表示阶跃函数，对于输入大于0的数输出为1，否则为0；
对于每组图像进行交叉二值化编码，即：
其中，a,b表示图像的宽度和高度；
对于每组中的L1幅图像分别进行二值化编码，记作：
编码完成后，分别统计上述三种编码的直方图，即：
其中，
最后，腹部CT图像的特征表示为三种编码直方图的级联，如下式所示：
hi＝hi GB Uhi CB Uhi LB
式中，hi表示提取第i个原始ROI的腹部CT图像的最终深度特征向量。
进一步的，在所述步骤(1.7)中，对肝功能分级模型进行评估测试具体内容：运用已训练的深度学习网络对测试样本集中的腹部CT医学图像进行特征的提取，并对已建立的肝功能分级模型进行评估测试。
具体实施例：
实施例1：患者1于某省人民医院采集腹部CT医学图像，图像大小为为512×512像素；经由医生提取出不含肿瘤和血管的肝脏感兴趣区域，并将其输入到深度学习网络获取对应的深度特征，然后通过肝功能分级模型进行肝功能分级，得出“低危”的结果，如图4所述。
实施例2：患者2于某省人民医院采集腹部CT医学图像，图像大小为为512×512像素；经由医生提取出不含肿瘤和血管的肝脏感兴趣区域，并将其输入到深度学习网络获取对应的深度特征，然后通过肝功能分级模型进行肝功能分级，得出“高危”的结果，如图5所述。
最后，应当理解的是，本发明中所述实施例仅用以说明本发明实施例的原则；其他的变形也可能属于本发明的范围；因此，作为示例而非限制，本发明实施例的替代配置可视为与本发明的教导一致；相应地，本发明的实施例不限于本发明明确介绍和描述的实施例。
Claims (7)
1.一种基于肝脏CT影像的肝功能分级方法，其特征在于，具体操作步骤如下：
步骤(1.1)，采集患者腹部CT医学图像，并记录患者同时期的生化全套检查数据、凝血五项数据及病因指标；
步骤(1.2)，提取腹部CT医学图像中不含有肿瘤和血管的肝脏感兴趣区域作为样本数据，并根据生化全套检查数据、凝血五项数据及病因指标计算出MELD评分作为样本数据的标签，建立数据集；
步骤(1.3)，对建立的数据集进行分组，将其分为训练样本集、验证样本集和测试样本集；
步骤(1.4)，对训练样本集中的肝脏感兴趣区域进行数据增强；
步骤(1.5)，利用增强后的训练样本集数据对深度学习网络的参数进行训练；
步骤(1.6)，利用已训练的深度学习网络对训练样本集和验证样本集提取相应的深度特征，通过对多分类器进行优化训练，建立基于腹部CT医学图像的肝功能分级模型；
步骤(1.7)，运用测试样本集的数据对已建立的肝功能分级模型进行评估测试。
2.根据权利要求1所述的一种基于肝脏CT影像的肝功能分级方法，其特征在于，在步骤(1.1)中，所述采集腹部CT医学图像的图像格式为DICOM，大小为512×512像素。
3.根据权利要求1所述的一种基于肝脏CT影像的肝功能分级方法，其特征在于，在所述步骤(1.2)中，建立数据集的具体操作内容：
(1.2.1)、在腹部CT医学图像的肝脏区域，提取大小为64×64像素、排除含有肿瘤和血管的感兴趣区域；
(1.2.2)、根据MELD评分系统，计算每位病人的肝功能评分，如下式所示：
MELD＝3.8×ln[胆红素(mg/dl)]+11.2×ln(INR)+9.6×ln[肌酐(mg/dl)]+6.4×(病因)
其中，ln表示自然对数，“病因”选项中，胆汁性或酒精性为0，其他为1，INR表示凝血酶原时间国际标准化比值；根据MELD评分标准划分出“低危患者”、“中危患者”和“高危患者”；根据MELD评分设定每张图像的标签，建立肝功能分级的数据集。
4.根据权利要求1所述的一种基于肝脏CT影像的肝功能分级方法，其特征在于，在所述步骤(1.3)中，对建立的数据集进行分组的具体内容包括随机选取70％数据作为训练样本集，随机选取20％作为验证样本集，剩下的10％作为测试样本集。
5.根据权利要求1所述的一种基于肝脏CT影像的肝功能分级方法，其特征在于，在所述步骤(1.4)中，对训练样本集中的图像进行数据增强的具体内容包括：使用平移、翻转、旋转、裁剪及缩放的方法对训练样本集中的CT医学图像进行数据增强。
6.根据权利要求1所述的一种基于肝脏CT影像的肝功能分级方法，其特征在于，在所述步骤(1.5)中，所述的深度学习网络是指一种基于多重二值编码的PCANet结构的卷积神经网络，其训练过程包括：
(1.5.1)、对N张m×n图像中每个像素及其邻域设定子块，将每个分块的矩阵按列优先，向量化为列向量，再依次级联成一个矩阵；其中，第i张图像表示为：
其中，xi,j表示图像Xi的第j个采样向量，后对每一个向量进行去均值处理，得到去均值后的向量
式中，
表示去均值后的向量，即：
对所有的腹部CT图像构造上述相同的矩阵，将其级联在一起，得到：
式中，N表示训练集中的腹部CT图像数量；
(1.5.2)、网络参数的训练：通过主成分分析寻找标准正交矩阵来最小化重构误差：
式中，
表示L1×L1的单位阵，从而训练得到的第一层的滤波器核为：
即提取矩阵X的协方差矩阵的前L1个最大特征值所对应的特征向量来组成所需的特征映射矩阵，其中，
表示将向量
投影映射为
ql(XXT)表示计算XXT的第l个主成分向量；
将学习得到的第一层的特征映射矩阵Wl 1与样本图像进行卷积运算，得到第一卷积层的输出为：
式中，Ii表示原始CT图像；
对第一层的滤波图像，再次取子块，级联和去均值处理，设第二层的样本输入表示为：
同理，使用协方差矩阵对应的特征向量构建L2个滤波器：
将第一层的输出与第二层获得的卷积核Wl 2进行卷积操作，得到第二卷积层的输出图像：
(1.5.3)、输出层：对于输出的L2组图像进行二值化编码，即：
式中，s(·)表示阶跃函数，对于输入大于0的数输出为1，否则为0；
对于每组图像进行交叉二值化编码，即：
其中，a,b表示图像的宽度和高度；
对于每组中的L1幅图像分别进行二值化编码，记作：
编码完成后，分别统计上述三种编码的直方图，即：
其中，
最后，腹部CT图像的特征表示为三种编码直方图的级联，如下式所示：
hi＝hi GB Uhi CB Uhi LB
式中，hi表示提取第i个原始ROI的腹部CT图像的最终深度特征向量。
7.根据权利要求1所述的一种基于肝脏CT影像的肝功能分级方法，其特征在于，在所述步骤(1.7)中，对肝功能分级模型进行评估测试具体内容：运用已训练的深度学习网络对测试样本集中的腹部CT医学图像进行特征的提取，并对已建立的肝功能分级模型进行评估测试。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010855104.6A CN112200763B (zh) | 2020-08-24 | 2020-08-24 | 一种基于肝脏ct影像的肝功能分级方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010855104.6A CN112200763B (zh) | 2020-08-24 | 2020-08-24 | 一种基于肝脏ct影像的肝功能分级方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112200763A true CN112200763A (zh) | 2021-01-08 |
| CN112200763B CN112200763B (zh) | 2024-08-06 |
Family
ID=74006156
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010855104.6A Active CN112200763B (zh) | 2020-08-24 | 2020-08-24 | 一种基于肝脏ct影像的肝功能分级方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112200763B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112820384A (zh) * | 2021-01-25 | 2021-05-18 | 福州宜星大数据产业投资有限公司 | 肝癌自动化中国分期方法及终端 |
| CN112862797A (zh) * | 2021-02-23 | 2021-05-28 | 复旦大学附属华山医院 | 一种肝纤维化无损预测方法及系统 |
| CN115019082A (zh) * | 2022-04-06 | 2022-09-06 | 江苏科技大学 | 一种非侵入性的肝功能分级系统 |
| CN115294126A (zh) * | 2022-10-08 | 2022-11-04 | 南京诺源医疗器械有限公司 | 一种病理图像的癌细胞智能识别方法 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2290611A1 (en) * | 2009-08-25 | 2011-03-02 | Fujifilm Corporation | Medical image diagnostic apparatus and method using a liver function anagiographic image, and computer readable recording medium on which is recorded a program therefor |
| CN103198305A (zh) * | 2013-04-19 | 2013-07-10 | 江苏科技大学 | 一种人脸视频图像验证方法及其嵌入式实现装置 |
| US20150051484A1 (en) * | 2013-08-14 | 2015-02-19 | Siemens Aktiengesellschaft | Histological Differentiation Grade Prediction of Hepatocellular Carcinoma in Computed Tomography Images |
| KR20180076504A (ko) * | 2016-12-28 | 2018-07-06 | 아주대학교산학협력단 | 신경망을 이용한 간 경변 예측 장치 및 방법 |
| US20180315182A1 (en) * | 2017-04-28 | 2018-11-01 | Siemens Healthcare Gmbh | Rapid assessment and outcome analysis for medical patients |
| CN109035172A (zh) * | 2018-08-08 | 2018-12-18 | 华中科技大学 | 一种基于深度学习的非局部均值超声图像去噪方法 |
| WO2019077108A2 (en) * | 2017-10-20 | 2019-04-25 | Genfit | AUTOMATED METHOD OF ASSESSING AND RECOGNIZING PROFILES ON HISTOLOGICAL IMAGES |
| CN209401316U (zh) * | 2018-11-15 | 2019-09-17 | 北京推想科技有限公司 | 一种智能阅片和选片的医用图像处理系统 |
| WO2019200753A1 (zh) * | 2018-04-17 | 2019-10-24 | 平安科技（深圳）有限公司 | 病变监测方法、装置、计算机设备和存储介质 |
| CN110415230A (zh) * | 2019-07-25 | 2019-11-05 | 东北大学 | 一种基于深度学习的ct切片图像语义分割系统及方法 |
| WO2019214026A1 (zh) * | 2018-05-09 | 2019-11-14 | 吉林大学珠海学院 | 一种基于PCANet的心电特征提取方法 |
| CN111178449A (zh) * | 2019-12-31 | 2020-05-19 | 浙江大学 | 结合计算机视觉特征和影像组学特征的肝癌图像分类方法和装置 |
| CN111401434A (zh) * | 2020-03-12 | 2020-07-10 | 西北工业大学 | 一种基于无监督特征学习的图像分类方法 |
-
2020
- 2020-08-24 CN CN202010855104.6A patent/CN112200763B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2290611A1 (en) * | 2009-08-25 | 2011-03-02 | Fujifilm Corporation | Medical image diagnostic apparatus and method using a liver function anagiographic image, and computer readable recording medium on which is recorded a program therefor |
| CN103198305A (zh) * | 2013-04-19 | 2013-07-10 | 江苏科技大学 | 一种人脸视频图像验证方法及其嵌入式实现装置 |
| US20150051484A1 (en) * | 2013-08-14 | 2015-02-19 | Siemens Aktiengesellschaft | Histological Differentiation Grade Prediction of Hepatocellular Carcinoma in Computed Tomography Images |
| KR20180076504A (ko) * | 2016-12-28 | 2018-07-06 | 아주대학교산학협력단 | 신경망을 이용한 간 경변 예측 장치 및 방법 |
| US20180315182A1 (en) * | 2017-04-28 | 2018-11-01 | Siemens Healthcare Gmbh | Rapid assessment and outcome analysis for medical patients |
| WO2019077108A2 (en) * | 2017-10-20 | 2019-04-25 | Genfit | AUTOMATED METHOD OF ASSESSING AND RECOGNIZING PROFILES ON HISTOLOGICAL IMAGES |
| WO2019200753A1 (zh) * | 2018-04-17 | 2019-10-24 | 平安科技（深圳）有限公司 | 病变监测方法、装置、计算机设备和存储介质 |
| WO2019214026A1 (zh) * | 2018-05-09 | 2019-11-14 | 吉林大学珠海学院 | 一种基于PCANet的心电特征提取方法 |
| CN109035172A (zh) * | 2018-08-08 | 2018-12-18 | 华中科技大学 | 一种基于深度学习的非局部均值超声图像去噪方法 |
| CN209401316U (zh) * | 2018-11-15 | 2019-09-17 | 北京推想科技有限公司 | 一种智能阅片和选片的医用图像处理系统 |
| CN110415230A (zh) * | 2019-07-25 | 2019-11-05 | 东北大学 | 一种基于深度学习的ct切片图像语义分割系统及方法 |
| CN111178449A (zh) * | 2019-12-31 | 2020-05-19 | 浙江大学 | 结合计算机视觉特征和影像组学特征的肝癌图像分类方法和装置 |
| CN111401434A (zh) * | 2020-03-12 | 2020-07-10 | 西北工业大学 | 一种基于无监督特征学习的图像分类方法 |
Non-Patent Citations (6)
| Title |
|---|
| CHIEN-CHENG LEE;CHENG-YUAN SHIH: "Classification of Liver Disease from CT Images Using Sigmoid Radial Basis Function Neural Network", 2009 WRI WORLD CONGRESS ON COMPUTER SCIENCE AND INFORMATION ENGINEERING * |
| MIAO LIAO, YU-QIAN ZHAO, WEI WANG, YE-ZHAN ZENG, QING YANG, FRANK Y. SHIH, BEI-JI ZOU: "Efficient liver segmentation in CT images based on graph cuts and bottleneck detection", PHYSICA MEDICANOVEMBER 2016, vol. 32, no. 11 * |
| XINGXING ZHU;MINGYUE DING;TAO HUANG;XIAOMENG JIN;XUMING ZHANG: "PCANet-Based Structural Representation for Nonrigid Multimodal Medical Image Registration", SENSORS, vol. 18, no. 5, 31 December 2018 (2018-12-31) * |
| 刘文娜，李蓉，谢元元，戴光荣: "肝炎肝硬化患者食管静脉曲张非侵入性预测指标的相关分析", 临床肝胆病杂志, vol. 30, no. 1, pages 4 - 9 * |
| 古险峰;冯学晓;: "基于深度无监督学习的图像分类算法", 平顶山学院学报, no. 02 * |
| 郭依正;陈健美;宋余庆;朱玉全;陆虎;: "医学肝脏图像Gabor小波纹理特征研究", 计算机应用与软件, no. 11 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112820384A (zh) * | 2021-01-25 | 2021-05-18 | 福州宜星大数据产业投资有限公司 | 肝癌自动化中国分期方法及终端 |
| CN112862797A (zh) * | 2021-02-23 | 2021-05-28 | 复旦大学附属华山医院 | 一种肝纤维化无损预测方法及系统 |
| CN112862797B (zh) * | 2021-02-23 | 2024-03-19 | 复旦大学附属华山医院 | 一种肝纤维化无损预测方法及系统 |
| CN115019082A (zh) * | 2022-04-06 | 2022-09-06 | 江苏科技大学 | 一种非侵入性的肝功能分级系统 |
| CN115019082B (zh) * | 2022-04-06 | 2024-05-07 | 江苏科技大学 | 一种非侵入性的肝功能分级系统 |
| CN115294126A (zh) * | 2022-10-08 | 2022-11-04 | 南京诺源医疗器械有限公司 | 一种病理图像的癌细胞智能识别方法 |
| CN115294126B (zh) * | 2022-10-08 | 2022-12-16 | 南京诺源医疗器械有限公司 | 一种病理图像的癌细胞智能识别方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112200763B (zh) | 2024-08-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112200763B (zh) | 一种基于肝脏ct影像的肝功能分级方法 | |
| CN109389584A (zh) | 基于cnn的多尺度鼻咽肿瘤分割方法 | |
| CN110245657A (zh) | 病理图像相似性检测方法及检测装置 | |
| WO2023207820A1 (zh) | 基于有监督深度子空间学习的胰腺术后糖尿病预测系统 | |
| CN101551854B (zh) | 不平衡医学影像处理系统及其处理方法 | |
| CN110751636A (zh) | 一种基于改进型编解码网络的眼底图像视网膜动脉硬化检测方法 | |
| CN115546605A (zh) | 一种基于图像标注和分割模型的训练方法及装置 | |
| CN108695000A (zh) | 基于超声图像的甲状腺弥漫性疾病智能诊断方法及系统 | |
| CN112102343A (zh) | 基于超声图像的ptc诊断系统 | |
| CN113269799A (zh) | 一种基于深度学习的宫颈细胞分割方法 | |
| Aslam et al. | Liver-tumor detection using CNN ResUNet | |
| CN115471512A (zh) | 一种基于自监督对比学习的医学影像分割方法 | |
| CN117495882B (zh) | 一种基于AGCH-Net和多尺度融合的肝脏肿瘤CT图像分割方法 | |
| CN111027548A (zh) | 基于影像组学的脑胶质瘤分子标记物无损预测方法和预测系统 | |
| CN114140437A (zh) | 一种基于深度学习的眼底硬渗出物分割方法 | |
| Yektaei et al. | Diagnosis of breast cancer using multiscale convolutional neural network | |
| CN112819765A (zh) | 一种肝脏图像处理方法 | |
| CN115631387B (zh) | 基于图卷积神经网络的肺癌病理高危因素预测方法和装置 | |
| CN114360718B (zh) | 一种基于特征拟合的pet/ct自动肺癌诊断分类系统及构建方法 | |
| CN116664932A (zh) | 一种基于主动学习的结直肠癌病理组织图像分类方法 | |
| CN114926486B (zh) | 一种基于多层级改进的甲状腺超声图像智能分割方法 | |
| CN113838020B (zh) | 一种基于钼靶影像的病变区域量化方法 | |
| Bharathi et al. | An efficient liver disease prediction based on deep convolutional neural network using biopsy images | |
| CN114764855A (zh) | 基于深度学习的膀胱镜下肿瘤智能分割方法、装置及设备 | |
| CN115019082B (zh) | 一种非侵入性的肝功能分级系统 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |