CN112862797A - 一种肝纤维化无损预测方法及系统 - Google Patents
一种肝纤维化无损预测方法及系统 Download PDFInfo
- Publication number
- CN112862797A CN112862797A CN202110203453.4A CN202110203453A CN112862797A CN 112862797 A CN112862797 A CN 112862797A CN 202110203453 A CN202110203453 A CN 202110203453A CN 112862797 A CN112862797 A CN 112862797A
- Authority
- CN
- China
- Prior art keywords
- radio frequency
- region
- frequency signal
- interest
- grade
- 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
- 208000019425 cirrhosis of liver Diseases 0.000 title claims abstract description 104
- 238000000034 method Methods 0.000 title claims abstract description 43
- 206010019668 Hepatic fibrosis Diseases 0.000 claims abstract description 122
- 238000013528 artificial neural network Methods 0.000 claims abstract description 31
- 238000002604 ultrasonography Methods 0.000 claims abstract description 22
- 210000005228 liver tissue Anatomy 0.000 claims abstract description 19
- 238000012360 testing method Methods 0.000 claims description 41
- 238000012549 training Methods 0.000 claims description 38
- 239000011159 matrix material Substances 0.000 claims description 24
- 238000012545 processing Methods 0.000 claims description 21
- 238000010276 construction Methods 0.000 claims description 12
- 238000013507 mapping Methods 0.000 claims description 12
- 238000003384 imaging method Methods 0.000 claims description 11
- 238000005070 sampling Methods 0.000 claims description 8
- 238000012285 ultrasound imaging Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 3
- 239000000523 sample Substances 0.000 description 43
- 230000001066 destructive effect Effects 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 241000700159 Rattus Species 0.000 description 6
- 238000002372 labelling Methods 0.000 description 6
- 238000011282 treatment Methods 0.000 description 6
- 238000001574 biopsy Methods 0.000 description 4
- 201000010099 disease Diseases 0.000 description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 4
- 210000004185 liver Anatomy 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 210000004204 blood vessel Anatomy 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000002440 hepatic effect Effects 0.000 description 2
- 208000019423 liver disease Diseases 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012731 temporal analysis Methods 0.000 description 2
- 230000001225 therapeutic effect Effects 0.000 description 2
- 238000000700 time series analysis Methods 0.000 description 2
- 210000001519 tissue Anatomy 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 206010016654 Fibrosis Diseases 0.000 description 1
- 206010019663 Hepatic failure Diseases 0.000 description 1
- 208000037273 Pathologic Processes Diseases 0.000 description 1
- 108010076504 Protein Sorting Signals Proteins 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000007882 cirrhosis Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000012317 liver biopsy Methods 0.000 description 1
- 208000007903 liver failure Diseases 0.000 description 1
- 231100000835 liver failure Toxicity 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000009054 pathological process Effects 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 230000004044 response Effects 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/94—Dynamic range modification of images or parts thereof based on local image properties, e.g. for local contrast enhancement
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10132—Ultrasound image
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Multimedia (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本发明公开了一种肝纤维化无损预测方法及系统，所述方法包括：采集肝组织的第一射频信号；根据所述第一射频信号重建所述肝组织的超声灰度图像；在所述超声灰度图像中标注感兴趣区域；根据标注的所述感兴趣区域，从所述第一射频信号中提取与所述感兴趣区域对应的射频信号，以得到第二射频信号；以及利用所述第二射频信号和Bi‑LSTM神经网络构建肝纤维化分级预测模型，以对所述感兴趣区域的肝纤维化的等级进行无损预测。本发明可以利用从第一射频信号中提取到的与感兴趣区域对应的第二射频信号以及Bi‑LSTM神经网络构建肝纤维化分级预测模型，从而对感兴趣区域的肝纤维化的等级进行精确且无损的预测。
Description
技术领域
本发明涉及医学影像分析技术领域，尤其涉及一种基于超声波射频信号的肝纤维化无损预测方法及系统。
背景技术
慢性肝病是世界范围内肝功能衰竭和死亡的重要原因，肝纤维化则是大多数慢性肝病的共同病理过程。肝纤维化和早期肝硬化如经有效干预和积极治疗，可逆转恢复或延缓病情的进展，最终减少并发症的发生，从而改善预后。因此，及时准确地诊断肝纤维化的程度对临床判断肝纤维化进程、采取治疗措施及疗效监测均具有重大的意义。
目前，肝活检是肝纤维化分期的金标准，但它是有创的即有损的，存在一定的潜在风险，不适用于连续监测治疗反应。此外，肝纤维化的常规病理分期系统使用数字分类标记(即0-4期)，主要是对肝小叶结构变化的主观描述，且未与肝纤维化程度密切相关。因此，在对肝纤维化严重程度分级诊断过程中，急需一种无损的且与肝纤维化程度本身密切相关的预测方法和预测系统。
发明内容
本发明的目的在于提供一种肝纤维化无损预测方法及系统，以通过肝组织的射频信号构建肝纤维化分级预测模型，从而对肝纤维化的等级进行无损预测。
为了达到上述目的，本发明通过以下技术方案实现：
一种肝纤维化无损预测方法，包括：
采集肝组织的第一射频信号；
根据所述第一射频信号重建所述肝组织的超声灰度图像；
在所述超声灰度图像中标注感兴趣区域；
根据标注的所述感兴趣区域，从所述第一射频信号中提取与所述感兴趣区域对应的射频信号，以得到第二射频信号；以及
利用所述第二射频信号和Bi-LSTM神经网络构建肝纤维化分级预测模型，以对所述感兴趣区域的肝纤维化的等级进行无损预测。
优选地，所述根据所述第一射频信号重建所述肝组织的超声灰度图像的步骤包括：
采用超声成像算法对所述第一射频信号进行成像处理，以重建所述超声灰度图像。
优选地，执行所述利用所述第二射频信号和Bi-LSTM神经网络构建肝纤维化分级预测模型的步骤之前还包括：
根据所述第二射频信号获取所述第二射频信号对应的数据矩阵；
对所述第二射频信号对应的数据矩阵中的每一列进行采样，以获取所述感兴趣区域的一维数据。
优选地，所述利用所述第二射频信号和Bi-LSTM神经网络构建肝纤维化分级预测模型的步骤包括：
将所述感兴趣区域的一维数据划分为训练样本和独立测试样本；
采用Scheuer评分系统将所述肝纤维化划分为若干个所述等级；
根据所述肝纤维化的所有所述等级，将所述感兴趣区域的一维数据中的所述训练样本作为输入数据，利用所述Bi-LSTM神经网络构建若干个等级分类器；以及
将所有所述等级分类器集成为所述肝纤维化分级预测模型。
优选地，所述利用所述第二射频信号和Bi-LSTM神经网络构建肝纤维化分级预测模型的步骤还包括：
将所述感兴趣区域的一维数据中的所述独立测试样本作为输入数据输入至所述肝纤维化分级预测模型，以预测所述独立测试样本中所述肝纤维化的所述等级及其概率值。
优选地，所述肝纤维化无损预测方法，还包括：
根据所述肝纤维化的所有所述等级，将预设区间对应划分为若干个子区间；
将所述肝纤维化分级预测模型预测的所述肝纤维化的所述等级的概率值对应映射至所述子区间；以及
将每一所述子区间映射至任一颜色对应的RGB值范围内，以将预测的所述肝纤维化的所述等级及其概率值在标注的所述感兴趣区域内进行伪彩色显示。
另一方面，本发明还提供一种肝纤维化无损预测系统，包括：
信号采集模块，用于采集肝组织的第一射频信号；
图像处理模块，用于根据所述第一射频信号重建所述肝组织的超声灰度图像；
图像标注模块，用于在所述超声灰度图像中标注感兴趣区域；
信号提取模块，用于根据标注的所述感兴趣区域，从所述第一射频信号中提取与所述感兴趣区域对应的射频信号，以得到第二射频信号；以及
模型构建模块，用于利用所述第二射频信号和Bi-LSTM神经网络构建肝纤维化分级预测模型，以对所述感兴趣区域的肝纤维化的等级进行无损预测。
优选地，所述图像处理模块采用超声成像算法对所述第一射频信号进行成像处理，以重建所述超声灰度图像。
优选地，所述肝纤维化无损预测系统，还包括：信号处理模块；所述信号处理模块用于根据所述第二射频信号获取所述第二射频信号对应的数据矩阵；以及
对所述第二射频信号对应的数据矩阵中的每一列进行采样，以获取所述感兴趣区域的一维数据。
优选地，所述模型构建模块包括：
数据划分单元，用于将所述感兴趣区域的一维数据划分为训练样本和独立测试样本；
等级划分单元，其采用Scheuer评分系统将所述肝纤维化划分为若干个所述等级；
分类器构建单元，用于根据所述肝纤维化的所有所述等级，将所述感兴趣区域的一维数据中的所述训练样本作为输入数据，利用所述Bi-LSTM神经网络构建若干个等级分类器；以及
预测模型构建单元，用于将所有所述等级分类器集成为所述肝纤维化分级预测模型。
优选地，所述模型构建模块还包括：
预测单元，用于将所述感兴趣区域的一维数据中的所述独立测试样本作为输入数据输入至所述肝纤维化分级预测模型，以预测所述独立测试样本中所述肝纤维化的所述等级及其概率值。
优选地，所述肝纤维化无损预测系统，还包括：色彩叠加模块；所述色彩叠加模块用于根据所述肝纤维化的所有所述等级，将预设区间对应划分为若干个子区间；
将所述肝纤维化分级预测模型预测的所述肝纤维化的所述等级的概率值对应映射至所述子区间；以及
将每一所述子区间映射至任一颜色对应的RGB值范围内，以将预测的所述肝纤维化的所述等级及其概率值在标注的所述感兴趣区域内进行伪彩色显示。
本发明与现有技术相比至少具有以下优点之一：
本发明提供的一种肝纤维化无损预测方法及系统，可以利用从第一射频信号中提取到的与感兴趣区域对应的第二射频信号以及Bi-LSTM神经网络构建肝纤维化分级预测模型，从而对感兴趣区域的肝纤维化的等级进行精确且无损的预测。
本发明采用的Bi-LSTM神经网络中Bi-LSTM层作为隐含层可以同时考虑过去和即将出现的信息，使得的Bi-LSTM神经网络可以从两个方向分析与感兴趣区域对应的第二射频信号序列，进而从与感兴趣区域对应的第二射频信号中提取更丰富的肝纤维化信息，以提高对感兴趣区域的肝纤维化的等级的预测精度。
本发明采用的Bi-LSTM神经网络通过增加Bi-LSTM层的层数，可以捕获与感兴趣区域对应的第二射频信号中更深层、更高级别的特征，从而对感兴趣区域的肝纤维化的等级进行精确的无损预测。
本发明可以在感兴趣区域内将预测的肝纤维化的等级及其概率值进行伪彩色显示，从而达到可视化的效果，使得医护人员能够直观地观察到感兴趣区域内肝纤维化的不同等级的分布特点，进而为临床病情分析和治疗以及活检穿刺提供一种无创、便捷的参考信息。
附图说明
图1是本发明一实施例提供的一种肝纤维化无损预测方法的流程图；
图2是本发明一实施例提供的一种肝纤维化无损预测方法的第一射频信号图；
图3是本发明一实施例提供的一种肝纤维化无损预测方法的感兴趣区域示意图；
图4是本发明一实施例提供的一种肝纤维化无损预测方法的第二射频信号图；
图5是本发明一实施例提供的一种肝纤维化无损预测方法的等级分类器的Bi-LSTM神经网络结构图；
图6是本发明一实施例提供的一种肝纤维化无损预测方法的肝纤维化分级预测模型的结构图；
图7是本发明一实施例提供的一种肝纤维化无损预测方法的预测结果展示图；
图8是本发明一实施例提供的一种肝纤维化无损预测系统的结构示意图。
具体实施方式
以下结合附图和具体实施方式对本发明提出的一种肝纤维化无损预测方法及系统作进一步详细说明。根据下面说明，本发明的优点和特征将更清楚。需要说明的是，附图采用非常简化的形式且均使用非精准的比例，仅用以方便、明晰地辅助说明本发明实施方式的目的。为了使本发明的目的、特征和优点能够更加明显易懂，请参阅附图。须知，本说明书所附图式所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容能涵盖的范围内。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
结合附图1～7所示，本实施例提供一种肝纤维化无损预测方法，包括：步骤S110、采集肝组织的第一射频信号；步骤S120、根据所述第一射频信号重建所述肝组织的超声灰度图像；步骤S130、在所述超声灰度图像中标注感兴趣区域；步骤S140、根据标注的所述感兴趣区域，从所述第一射频信号中提取与所述感兴趣区域对应的射频信号，以得到第二射频信号；以及步骤S150、利用所述第二射频信号和Bi-LSTM神经网络构建肝纤维化分级预测模型，以对所述感兴趣区域的肝纤维化的等级进行无损预测。
具体的，基于超声射频信号的疾病诊断研究大致可以分为基于多例射频信号的时间序列分析方法和基于单例射频信号的分析方法两大类；其中基于多例射频信号的时间序列分析方法需要存储的信号数据多达两百例以上，其计算成本和存储成本较高，且其研究尚处于初级阶段，在技术上仍然不成熟。本实施例中提供的所述肝纤维化无损预测方法则属于基于单例射频信号的分析方法，基于单例射频信号的分析方法具备较为成熟的条件，不仅能够反映组织微结构的变化，同时在计算成本上也具有明显的优势，因此本实施例提供的所述肝纤维化无损预测方法可以实现对所述肝纤维化程度准确且快速的预测，但本发明不以此为限。
具体的，在本实施例中，所述步骤S110中，可以选取所述肝纤维化程度不同的若干只大鼠，并对每一所述大鼠进行肝脏超声检查，以完成对每一所述大鼠的所述肝组织的所述第一射频信号的采集；优选地，可以采集160例所述第一射频信号，但本发明不以此为限。
请继续参考图1、图2和图3，所述步骤S120包括：采用超声成像算法对所述第一射频信号进行成像处理，以重建所述超声灰度图像。
具体的，在本实施例中，对于采集的每一例所述第一射频信号，可以采用所述超声成像算法进行成像处理，以重建每一所述第一射频信号对应的所述超声灰度图像，从而便于在所述超声灰度图像上标注所述感兴趣区域即肝实质区域。更具体的，所述超声成像算法包括滤波处理、时间增益补偿、包络检测(希尔伯特变换)、二次采样和对数压缩等，但本发明不以此为限。
请继续参考图3，所述步骤S130中，针对肝纤维化弥漫性的特点，可以按照预设要求对所述感兴趣区域进行标注，所述预设要求包括：(a)标注的所述感兴趣区域应尽量保持在同样的深度；(b)以非固定尺寸的矩形且尽量选取质地均匀的所述感兴趣区域进行标注；(c)标注所述感兴趣区域时应尽量避免血管区域，但本发明不以此为限。
请继续参考图1和图4，执行所述步骤S150之前还包括：根据所述第二射频信号获取所述第二射频信号对应的数据矩阵；对所述第二射频信号对应的数据矩阵中的每一列进行采样，以获取所述感兴趣区域的一维数据。
具体的，所述第一射频信号对应的数据矩阵为2维矩阵，其中2维矩阵的每一列代表超声探头的一个扫描线所采集的信号数据。由于所述第二射频信号是从所述第一射频信号中提取得到的，则所述第二射频信号的数量与所述第一射频信号的数量保持一致，且所述第二射频信号对应的数据矩阵同样是2维矩阵。对所述第二射频信号对应的2维矩阵中的每一列进行采样，则可以得到与所述第二射频信号对应的所述感兴趣区域的一维数据；优选地，所述感兴趣区域的一维数据的长度为128，但本发明不以此为限。
在本实施例中，所述第一射频信号的数量160例，则所述第二射频信号的数量同样为160例，与所述第二射频信号对应的所述感兴趣区域的一维数据的数量远远大于所述第二射频信号的数量，总计为172011例。
请同时参考图1、图5至图7，所述步骤S150包括：将所述感兴趣区域的一维数据划分为训练样本和独立测试样本；采用Scheuer评分系统将所述肝纤维化划分为若干个所述等级；根据所述肝纤维化的所有所述等级，将所述感兴趣区域的一维数据中的所述训练样本作为输入数据，利用所述Bi-LSTM神经网络构建若干个等级分类器；以及将所有所述等级分类器集成为所述肝纤维化分级预测模型。
可以理解的是，在一些其他的实施例中，所述步骤S150还包括：将所述感兴趣区域的一维数据中的所述独立测试样本作为输入数据输入至所述肝纤维化分级预测模型，以预测所述独立测试样本中所述肝纤维化的所述等级及其概率值。
具体的，在本实施例中，可以按照预设比例将所述感兴趣区域的一维数据划分为所述训练样本和所述独立测试样本；其中所述训练样本可以用于构建所述等级分类器，所述独立测试样本则可以用于测试所述肝纤维化分级预测模型的预测精度。更具体的，可以从所述训练样本中选取80％的数据作为训练集，用于对所述等级分类器进行训练；同时还可以从所述训练样本中分离出20％的数据作为验证集，用于对所述等级分类器进行验证，以初步评估和调整所述等级分类器的超参数，从而实现对所述等级分类器的监督式训练，进而使所述等级分类器的精度更高。优选地，可以选取150例所述第二射频信号对应的所述感兴趣区域的一维数据作为所述训练样本，10例所述第二射频信号对应的所述感兴趣区域的一维数据作为所述独立测试样本，但本发明不以此为限。
具体的，在本实施例中，可以采用Scheuer评分系统将所述肝纤维化划分为五个所述等级，分别为第一等级、第二等级、第三等级、第四等级和第五等级，其中所述第一等级表示所述肝纤维化程度最轻，所述第五等级表示所述肝纤维化程度最重；则根据所述肝纤维化的五个所述等级，可以利用所述训练样本和所述Bi-LSTM神经网络构建四个所述等级分类器，分别为第一等级分类器、第二等级分类器、第三等级分类器和第四等级分类器；其中所述第一等级分类器用于判别所述肝纤维化是否为所述第一等级并计算为所述第一等级的概率值；所述第二等级分类器用于判别所述肝纤维化是否为所述第二等级并计算为所述第二等级的概率值；所述第三等级分类器用于判别所述肝纤维化是否为所述第三等级并计算为所述第三等级的概率值；所述第四等级分类器用于判别所述肝纤维化是否为所述第四等级并计算为所述第四等级的概率值；优选地，每一所述等级分类器均为二分类模型，且可以采用one-hot的方式对两个类别的数据进行标记，但本发明不以此为限。
更具体的，如图5所示，构建每一所述等级分类器时，采用的所述Bi-LSTM神经网络可以为多层网络，依序包括一个输入层、五个Bi-LSTM层、一个全连接层、一个Dropout层、一个Flatten层和一个输出层；其中所述Bi-LSTM神经网络的隐含层主要由五个具有128个神经元的所述Bi-LSTM层和一个具有64神经元、采用Relu函数作为激活函数的所述全连接层构成。所述Bi-LSTM层可以同时考虑过去和即将出现的信息，则将所述Bi-LSTM层作为隐含层可以从输入数据中提取更全面的特征信息；同时通过增加所述Bi-LSTM层的层数，所述Bi-LSTM神经网络则可以捕获输入数据中更深层、更高级别的特征。对于多层网络而言，每一层将上一层的输出作为输入；所述输入层可以输入所述感兴趣区域的一维数据中的所述训练样本，以作为输入数据；每一所述Bi-LSTM层可以用于提取输入数据的高通量特征，且每一所述Bi-LSTM层的输出包含了前向和反向处理过程中提取的信息，同时每一所述Bi-LSTM层可以通过反向传播调整权重和偏差，以交叉熵函数作为代价函数，以及采用Adam算法作为梯度优化算法；所述全连接层和所述Flatten层可以用于将局部特征整合为全局特征；所述Dropout层可以用于抑制所述等级分类器的过拟合；所述输出层可以采用Softmax函数，以便于获取输入数据属于某个类别的概率值，使得此时所述等级分类器的输出数据可以为所述肝纤维化属于某一等级的概率值，但本发明不以此为限。
在本实施例中，所述感兴趣区域的一维数据的所述训练样本和所述独立测试样本的详细信息如表1所示，其中所述训练样本和所述独立测试样本对应的所述等级为标注的所述感兴趣区域的所述肝纤维化的实际等级。基于所述感兴趣区域的一维数据的所述训练样本构建的四个所述等级分类器的训练结果如表2所示，从中可以看出四个所述等级分类器在其训练集和验证集的准确率(Accuracy)和AUROC分别高于0.80和0.93，表明四个所述等级分类器均得到了有效的训练，可用于后续对所述独立测试样本或其它数据的所述肝纤维程度的预测；其中每一所述等级分类器的训练集和验证集的准确率和AUROC均是根据每一所述等级分类器对所述感兴趣区域的所述肝纤维化的判别结果和对应所述肝纤维化的实际等级进行比较所得到的。
表1感兴趣区域的一维数据的详细信息
表2等级分类器的训练结果
具体的，在本实施例中，针对肝纤维化的弥漫性特点，可以采用模型融合算法(例如Voting算法、Bagging算法、Stacking算法及Boosting算法等)将四个所述等级分类器集成为所述肝纤维化分级预测模型，即所述肝纤维化分级预测模型为五分类模型。如图6所示，所述肝纤维化分级预测模型中所述第一等级分类器、所述第二等级分类器、所述第三等级分类器和所述第四等级分类器可以依序连接。在向所述肝纤维化分级预测模型中输入所述感兴趣区域的一维数据中的所述独立测试样本后，首先可以由所述第一等级分类器从所述独立测试样本中筛选出所述肝纤维化属于所述第一等级的数据；对于所述肝纤维化不属于所述第一等级的数据则可以传输至后面的所述第二等级分类器，并由所述第二等级分类器从中筛选出所述肝纤维化属于所述第二等级的数据；对于所述肝纤维化不属于所述第二等级的数据则可以传输至后面的所述第三等级分类器，并由所述第三等级分类器从中筛选出所述肝纤维化属于所述第三等级的数据；对于所述肝纤维化不属于所述第三等级的数据则可以传输至后面的所述第四等级分类器，并由所述第四等级分类器从中筛选出所述肝纤维化属于所述第四等级的数据；对于所述肝纤维化不属于所述第四等级的数据则可以认为其是所述肝纤维化属于所述第五等级的数据；最后所述肝纤维化分级预测模型的输出数据则为所述感兴趣区域的一维数据的所述独立测试样本中所述肝纤维化分别属于所述第一等级、所述第二等级、所述第三等级、所述第四等级及所述第五等级的概率值，从而完成对所述独立测试样本的所述肝纤维化的预测。所述肝纤维化分级预测模型还可以采用投票策略，将其中最大概率值对应的所述等级作为所述独立测试样本的整体肝纤维化等级，即为标注的所述感兴趣区域的整体肝纤维化的预测结果；同时将预测得到的所述独立测试样本的整体肝纤维化等级与所述独立测试样本的所述肝纤维化的实际等级进行对比，即可得到所述肝纤维化分级预测模型的预测精度，若预测精度满足要求，则所述肝纤维化分级预测模型可推广应用于肝纤维化的无损预测。优选地，可以采用Voting算法将四个所述等级分类器集成为所述肝纤维化分级预测模型，但本发明不以此为限。
请同时参考图1和图7，所述肝纤维化无损预测方法，还包括：根据所述肝纤维化的所有所述等级，将预设区间对应划分为若干个子区间；将所述肝纤维化分级预测模型预测的所述肝纤维化的所述等级的概率值对应映射至所述子区间；以及将每一所述子区间映射至任一颜色对应的RGB值范围内，以将预测的所述肝纤维化的所述等级及其概率值在标注的所述感兴趣区域内进行伪彩色显示。
具体的，根据所述肝纤维化的五个所述等级，可以将所述预设区间对应划分为五个所述子区间，即所述子区间的数量与所述等级的数量一一对应，且每一所述子区间可以映射至任一颜色对应的RGB值范围内，以在所述超声灰度图像的所述感兴趣区域内将预测的所述肝纤维化的所述等级及其概率值进行伪彩色显示(如图7所示)，从而达到可视化的效果，使得医护人员能够直观地观察到标注的所述感兴趣区域内所述肝纤维化的所述等级的分布特点，进而为临床病情分析和治疗以及活检穿刺提供一种无创、便捷的参考信息，但本发明不以此为限。
在本实施例中，五个所述子区间分别为第一子区间、第二子区间、第三子区间、第四子区间和第五子区间，则所述肝纤维化分级预测模型的所述预测结果中，所述肝纤维化属于所述第一等级的概率值可以映射至所述第一子区间，所述肝纤维化属于所述第二等级的概率值可以映射至所述第二子区间，所述肝纤维化属于所述第三等级的概率值可以映射至所述第三子区间，所述肝纤维化属于所述第四等级的概率值可以映射至所述第四子区间，所述肝纤维化属于所述第五等级的概率值可以映射至所述第五子区间。优选地，所述预设区间可以为0～1区间，所述第一子区间可以为0～0.2区间，所述第二子区间可以为0.2～0.4区间，所述第三子区间可以为0.4～0.6区间，所述第四子区间可以为0.6～0.8区间，所述第五子区间可以为0.8～1区间。
具体的，在本实施例中，还可以根据所述肝纤维化分级预测模型预测的所述肝纤维化的所有所述等级的概率值计算所述感兴趣区域的肝纤维化均值，并将其直接展示在标注的所述感兴趣区域内，但本发明不以此为限。
基于同一发明构思，结合附图8所示，本实施例还提供一种肝纤维化无损预测系统，包括：信号采集模块110，用于采集肝组织的第一射频信号；图像处理模块120，用于根据所述第一射频信号重建所述肝组织的超声灰度图像；图像标注模块130，用于在所述超声灰度图像中标注感兴趣区域；信号提取模块140，用于根据标注的所述感兴趣区域，从所述第一射频信号中提取与所述感兴趣区域对应的射频信号，以得到第二射频信号；以及模型构建模块150，用于利用所述第二射频信号和Bi-LSTM神经网络构建肝纤维化分级预测模型，以对所述感兴趣区域的肝纤维化的等级进行无损预测。
请继续参考图8，所述图像处理模块120采用超声成像算法对所述第一射频信号进行成像处理，以重建所述超声灰度图像。
具体的，在本实施例中，可以选取所述肝纤维化程度不同的若干只大鼠，并对每一所述大鼠进行肝脏超声检查，并通过所述信号采集模块110完成对所有所述大鼠的所述肝组织的所述第一射频信号的采集；优选地，所述信号采集模块110可以采集160例所述第一射频信号，但本发明不以此为限。
具体的，在本实施例中，对于所述信号采集模块110采集的每一例所述第一射频信号，所述图像处理模块120可以采用所述超声成像算法进行成像处理，以重建每一所述第一射频信号对应的所述超声灰度图像，从而便于在所述超声灰度图像上标注所述感兴趣区域即肝实质区域。更具体的，所述超声成像算法包括滤波处理、时间增益补偿、包络检测(希尔伯特变换)、二次采样和对数压缩等，但本发明不以此为限。
具体的，在本实施例中，通过所述图像标注模块130对所述感兴趣区域进行标注时，针对肝纤维化弥漫性的特点，可以按照预设要求进行，所述预设要求包括：(a)标注的所述感兴趣区域应尽量保持在同样的深度；(b)以非固定尺寸的矩形且尽量选取质地均匀的所述感兴趣区域进行标注；(c)标注所述感兴趣区域时应尽量避免血管区域，但本发明不以此为限。
请继续参考图8，所述肝纤维化无损预测系统，还包括：信号处理模块160；所述信号处理模块160用于根据所述第二射频信号获取所述第二射频信号对应的数据矩阵；以及对所述第二射频信号对应的数据矩阵中的每一列进行采样，以获取所述感兴趣区域的一维数据。
具体的，所述信号采集模块110采集的所述第一射频信号对应的数据矩阵为2维矩阵，其中2维矩阵的每一列代表超声探头的一个扫描线所采集的信号数据。由于所述第二射频信号是通过所述信号提取模块140从所述第一射频信号中提取得到的，则所述第二射频信号的数量与所述第一射频信号的数量保持一致，且所述第二射频信号对应的数据矩阵同样是2维矩阵。所述信号处理模块160通过对所述第二射频信号对应的2维矩阵中的每一列进行采样，则可以得到与所述第二射频信号对应的所述感兴趣区域的一维数据；优选地，所述感兴趣区域的一维数据的长度为128，但本发明不以此为限。
在本实施例中，由于所述第一射频信号的数量160例，则所述第二射频信号的数量同样为160例，与所述第二射频信号对应的所述感兴趣区域的一维数据的数量则为172011例。
请继续参考图8，所述模型构建模块150包括：数据划分单元，用于将所述感兴趣区域的一维数据划分为训练样本和独立测试样本；等级划分单元，其采用Scheuer评分系统将所述肝纤维化划分为若干个所述等级；分类器构建单元，用于根据所述肝纤维化的所有所述等级，将所述感兴趣区域的一维数据中的所述训练样本作为输入数据，利用所述Bi-LSTM神经网络构建若干个等级分类器；以及预测模型构建单元，用于将所有所述等级分类器集成为所述肝纤维化分级预测模型。
可以理解的是，在一些其他的实施例中，所述模型构建模块150还包括：预测单元，用于将所述感兴趣区域的一维数据中的所述独立测试样本作为输入数据输入至所述肝纤维化分级预测模型，以预测所述独立测试样本中所述肝纤维化的所述等级及其概率值。
具体的，在本实施例中，通过所述模型构建模块150中的所述数据划分单元可以按照预设比例将所述感兴趣区域的一维数据划分为所述训练样本和所述独立测试样本；其中所述训练样本可以用于构建所述等级分类器，所述独立测试样本则可以用于测试所述肝纤维化分级预测模型的预测精度。更具体的，可以从所述训练样本中选取80％的数据作为训练集，用于对所述等级分类器进行训练；同时还可以从所述训练样本中分离出20％的数据作为验证集，用于对所述等级分类器进行验证，以对初步评估和调整所述等级分类器的超参数，从而实现对所述等级分类器的监督式训练，进而使所述等级分类器的精度更高。优选地，可以选取150例所述第二射频信号对应的所述感兴趣区域的一维数据作为所述训练样本，10例所述第二射频信号对应的所述感兴趣区域的一维数据作为所述独立测试样本，但本发明不以此为限。
具体的，在本实施例中，所述等级划分单元可以采用Scheuer评分系统将所述肝纤维化划分为五个所述等级，分别为所述第一等级、所述第二等级、所述第三等级、所述第四等级和所述第五等级，其中所述第一等级表示所述肝纤维化程度最轻，所述第五等级表示所述肝纤维化程度最重；则所述分类器构建单元根据所述肝纤维化的五个所述等级，可以利用所述训练样本和所述Bi-LSTM神经网络构建四个所述等级分类器，分别为所述第一等级分类器、所述第二等级分类器、所述第三等级分类器和所述第四等级分类器。优选地，每一所述等级分类器均为二分类模型，且可以采用one-hot的方式对两个类别的数据进行标记，但本发明不以此为限。
具体的，在本实施例中，针对肝纤维化的弥漫性特点，所述预测模型构建单元可以采用模型融合算法(例如Voting算法、Bagging算法、Stacking算法及Boosting算法等)将四个所述等级分类器集成为所述肝纤维化分级预测模型，即所述肝纤维化分级预测模型为五分类模型。如图5所示，所述肝纤维化分级预测模型中所述第一等级分类器、所述第二等级分类器、所述第三等级分类器和所述第四等级分类器可以依序连接。优选地，所述预测模型构建单元可以采用Voting算法将四个所述等级分类器集成为所述肝纤维化分级预测模型，但本发明不以此为限。
具体的，在本实施例中，通过所述预测单元可以向已构建的所述肝纤维化分级预测模型中输入所述感兴趣区域的一维数据中的所述独立测试样本，首先可以由所述肝纤维化分级预测模型中的所述第一等级分类器从所述独立测试样本中筛选出所述肝纤维化属于所述第一等级的数据；对于所述肝纤维化不属于所述第一等级的数据则可以传输至后面的所述第二等级分类器，并由所述第二等级分类器从中筛选出所述肝纤维化属于所述第二等级的数据；对于所述肝纤维化不属于所述第二等级的数据则可以传输至后面的所述第三等级分类器，并由所述第三等级分类器从中筛选出所述肝纤维化属于所述第三等级的数据；对于所述肝纤维化不属于所述第三等级的数据则可以传输至后面的所述第四等级分类器，并由所述第四等级分类器从中筛选出所述肝纤维化属于所述第四等级的数据；对于所述肝纤维化不属于所述第四等级的数据则可以认为其是所述肝纤维化属于所述第五等级的数据；最后所述肝纤维化分级预测模型的输出数据则为所述感兴趣区域的一维数据的所述独立测试样本中所述肝纤维化分别属于所述第一等级、所述第二等级、所述第三等级、所述第四等级及所述第五等级的概率值，从而使得所述预测单元完成对所述独立测试样本的所述肝纤维化的预测。所述肝纤维化分级预测模型还可以采用投票策略，将其中最大概率值对应的所述等级作为所述独立测试样本的整体肝纤维化等级，即为所述预测单元输出的所述感兴趣区域的整体肝纤维化的预测结果，但本发明不以此为限。
请继续参考图8，所述肝纤维化无损预测系统，还包括：色彩叠加模块170；所述色彩叠加模块170用于根据所述肝纤维化的所有所述等级，将预设区间对应划分为若干个子区间；将所述肝纤维化分级预测模型预测的所述肝纤维化的所述等级的概率值对应映射至所述子区间；以及将每一所述子区间映射至任一颜色对应的RGB值范围内，以将预测的所述肝纤维化的所述等级及其概率值在标注的所述感兴趣区域内进行伪彩色显示。
具体的，在本实施例中，根据所述肝纤维化的五个所述等级，所述色彩叠加模块170可以将所述预设区间对应划分为五个所述子区间，即所述子区间的数量与所述等级的数量一一对应，且每一所述子区间可以映射至任一颜色对应的RGB值范围内，以在所述超声灰度图像的所述感兴趣区域内将预测的所述肝纤维化的所述等级及其概率值进行伪彩色显示，从而达到可视化的效果，使得医护人员能够直观地观察到标注的所述感兴趣区域内所述肝纤维化的所述等级的分布特点，进而为临床病情分析和治疗以及活检穿刺提供一种无创、便捷的参考信息，但本发明不以此为限。
具体的，在本实施例中，所述色彩叠加模块170还可以根据所述肝纤维化分级预测模型预测的所述肝纤维化的所有所述等级的概率值计算所述感兴趣区域的肝纤维化均值，并将其直接展示在标注的所述感兴趣区域内，但本发明不以此为限。
综上所述，本实施例提供的一种肝纤维化无损预测方法及系统，可以在由肝组织的第一射频信号重建的超声灰度图像中标注感兴趣区域，并利用从第一射频信号中提取到的与感兴趣区域对应的第二射频信号以及Bi-LSTM神经网络构建肝纤维化分级预测模型，从而对感兴趣区域的肝纤维化的等级进行无损预测。本实施例采用的Bi-LSTM神经网络中的Bi-LSTM层可以同时考虑过去和即将出现的信息，同时通过增加Bi-LSTM层的层数，可以捕获与感兴趣区域对应的第二射频信号中更深层、更高级别的特征，从而对感兴趣区域的肝纤维化的等级进行精确的无损预测；本实施例还可以在感兴趣区域内将预测的肝纤维化的等级及其概率值进行伪彩色显示，从而达到可视化的效果，使得医护人员能够直观地观察到感兴趣区域内肝纤维化的不同等级的分布特点，进而为临床病情分析和治疗以及活检穿刺提供一种无创、便捷的参考信息。
尽管本发明的内容已经通过上述优选实施例作了详细介绍，但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后，对于本发明的多种修改和替代都将是显而易见的。因此，本发明的保护范围应由所附的权利要求来限定。
Claims (10)
1.一种肝纤维化无损预测方法，其特征在于，包括：
采集肝组织的第一射频信号；
根据所述第一射频信号重建所述肝组织的超声灰度图像；
在所述超声灰度图像中标注感兴趣区域；
根据标注的所述感兴趣区域，从所述第一射频信号中提取与所述感兴趣区域对应的射频信号，以得到第二射频信号；以及
利用所述第二射频信号和Bi-LSTM神经网络构建肝纤维化分级预测模型，以对所述感兴趣区域的肝纤维化的等级进行无损预测。
2.如权利要求1所述的肝纤维化无损预测方法，其特征在于，所述根据所述第一射频信号重建所述肝组织的超声灰度图像的步骤包括：
采用超声成像算法对所述第一射频信号进行成像处理，以重建所述超声灰度图像。
3.如权利要求1所述的肝纤维化无损预测方法，其特征在于，执行所述利用所述第二射频信号和Bi-LSTM神经网络构建肝纤维化分级预测模型，以对所述感兴趣区域的肝纤维化的等级进行无损预测的步骤之前还包括：
根据所述第二射频信号获取所述第二射频信号对应的数据矩阵；
对所述第二射频信号对应的数据矩阵中的每一列进行采样，以获取所述感兴趣区域的一维数据。
4.如权利要求3所述的肝纤维化无损预测方法，其特征在于，所述利用所述第二射频信号和Bi-LSTM神经网络构建肝纤维化分级预测模型，以对所述感兴趣区域的肝纤维化的等级进行无损预测的步骤包括：
将所述感兴趣区域的一维数据划分为训练样本和独立测试样本；
采用Scheuer评分系统将所述肝纤维化划分为若干个所述等级；
根据所述肝纤维化的所有所述等级，将所述感兴趣区域的一维数据中的所述训练样本作为输入数据，利用所述Bi-LSTM神经网络构建若干个等级分类器；
将所有所述等级分类器集成为所述肝纤维化分级预测模型；以及
将所述感兴趣区域的一维数据中的所述独立测试样本输入至所述肝纤维化分级预测模型，以预测所述独立测试样本中所述肝纤维化的所述等级及其概率值。
5.如权利要求4所述的肝纤维化无损预测方法，其特征在于，还包括：
根据所述肝纤维化的所有所述等级，将预设区间对应划分为若干个子区间；
将所述肝纤维化分级预测模型预测的所述肝纤维化的所述等级的概率值对应映射至所述子区间；以及
将每一所述子区间映射至任一颜色对应的RGB值范围内，以将预测的所述肝纤维化的所述等级及其概率值在标注的所述感兴趣区域内进行伪彩色显示。
6.一种肝纤维化无损预测系统，其特征在于，包括：
信号采集模块(110)，用于采集肝组织的第一射频信号；
图像处理模块(120)，用于根据所述第一射频信号重建所述肝组织的超声灰度图像；
图像标注模块(130)，用于在所述超声灰度图像中标注感兴趣区域；
信号提取模块(140)，用于根据标注的所述感兴趣区域，从所述第一射频信号中提取与所述感兴趣区域对应的射频信号，以得到第二射频信号；以及
模型构建模块(150)，用于利用所述第二射频信号和Bi-LSTM神经网络构建肝纤维化分级预测模型，以对所述感兴趣区域的肝纤维化的等级进行无损预测。
7.如权利要求6所述的肝纤维化无损预测系统，其特征在于，所述图像处理模块(120)采用超声成像算法对所述第一射频信号进行成像处理，以重建所述超声灰度图像。
8.如权利要求6所述的肝纤维化无损预测系统，其特征在于，还包括：信号处理模块(160)；所述信号处理模块(160)用于根据所述第二射频信号获取所述第二射频信号对应的数据矩阵；以及
对所述第二射频信号对应的数据矩阵中的每一列进行采样，以获取所述感兴趣区域的一维数据。
9.如权利要求8所述的肝纤维化无损预测系统，其特征在于，所述模型构建模块(150)包括：
数据划分单元，用于将所述感兴趣区域的一维数据划分为训练样本和独立测试样本；
等级划分单元，其采用Scheuer评分系统将所述肝纤维化划分为若干个所述等级；
分类器构建单元，用于根据所述肝纤维化的所有所述等级，将所述感兴趣区域的一维数据中的所述训练样本作为输入数据，利用所述Bi-LSTM神经网络构建若干个等级分类器；
预测模型构建单元，用于将所有所述等级分类器集成为所述肝纤维化分级预测模型；以及
预测单元，用于将所述感兴趣区域的一维数据中的所述独立测试样本输入至所述肝纤维化分级预测模型，以预测所述独立测试样本中所述肝纤维化的所述等级及其概率值。
10.如权利要求9所述的肝纤维化无损预测系统，其特征在于，还包括：色彩叠加模块(170)；所述色彩叠加模块(170)用于根据所述肝纤维化的所有所述等级，将预设区间对应划分为若干个子区间；
将所述肝纤维化分级预测模型预测的所述肝纤维化的所述等级的概率值对应映射至所述子区间；以及
将每一所述子区间映射至任一颜色对应的RGB值范围内，以将预测的所述肝纤维化的所述等级及其概率值在标注的所述感兴趣区域内进行伪彩色显示。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110203453.4A CN112862797B (zh) | 2021-02-23 | 2021-02-23 | 一种肝纤维化无损预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110203453.4A CN112862797B (zh) | 2021-02-23 | 2021-02-23 | 一种肝纤维化无损预测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112862797A true CN112862797A (zh) | 2021-05-28 |
| CN112862797B CN112862797B (zh) | 2024-03-19 |
Family
ID=75990340
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110203453.4A Active CN112862797B (zh) | 2021-02-23 | 2021-02-23 | 一种肝纤维化无损预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112862797B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113397600A (zh) * | 2021-06-18 | 2021-09-17 | 复旦大学 | 基于超声射频信号弹性重建的肝纤维化评估方法 |
Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2000051080A1 (en) * | 1999-02-23 | 2000-08-31 | The Board Of Regents Of The University Of Oklahoma | Computer system for analyzing images and detecting early signs of abnormalities |
| US20110282181A1 (en) * | 2009-11-12 | 2011-11-17 | Ge Wang | Extended interior methods and systems for spectral, optical, and photoacoustic imaging |
| CN102737153A (zh) * | 2011-04-07 | 2012-10-17 | 中国人民解放军第三〇二医院 | 神经网络肝纤维化诊断方法及系统 |
| CN104657624A (zh) * | 2015-03-18 | 2015-05-27 | 汪艳 | 一种肝硬化全量化分析方法 |
| CN105009174A (zh) * | 2013-01-08 | 2015-10-28 | 新加坡科技研究局 | 用于评估组织纤维化的方法及系统 |
| CN106127256A (zh) * | 2016-06-30 | 2016-11-16 | 张云超 | 一种肝纤维化检测方法及装置 |
| CN106709907A (zh) * | 2016-12-08 | 2017-05-24 | 上海联影医疗科技有限公司 | Mr图像的处理方法及装置 |
| CN108241865A (zh) * | 2016-12-26 | 2018-07-03 | 哈尔滨工业大学 | 基于超声图像的多尺度多子图肝纤维化多级量化分期方法 |
| CN109473175A (zh) * | 2018-11-07 | 2019-03-15 | 中山大学附属第三医院（中山大学肝脏病医院） | 一种针对肝纤维化的非侵入性血清学评分模型及其设计方法 |
| CN110265139A (zh) * | 2019-02-01 | 2019-09-20 | 中国医药大学附设医院 | 肝纤维化评估模型、肝纤维化评估系统及其评估方法 |
| TWI685854B (zh) * | 2019-02-01 | 2020-02-21 | 中國醫藥大學附設醫院 | 肝纖維化評估模型、肝纖維化評估系統及肝纖維化評估方法 |
| 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 |
| CN111783792A (zh) * | 2020-05-31 | 2020-10-16 | 浙江大学 | 一种提取b超图像显著纹理特征的方法及其应用 |
| CN112200763A (zh) * | 2020-08-24 | 2021-01-08 | 江苏科技大学 | 一种基于肝脏ct影像的肝功能分级方法 |
| CN112382395A (zh) * | 2020-11-11 | 2021-02-19 | 上海森亿医疗科技有限公司 | 基于机器学习的一体化建模系统 |
-
2021
- 2021-02-23 CN CN202110203453.4A patent/CN112862797B/zh active Active
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2000051080A1 (en) * | 1999-02-23 | 2000-08-31 | The Board Of Regents Of The University Of Oklahoma | Computer system for analyzing images and detecting early signs of abnormalities |
| US20110282181A1 (en) * | 2009-11-12 | 2011-11-17 | Ge Wang | Extended interior methods and systems for spectral, optical, and photoacoustic imaging |
| CN102737153A (zh) * | 2011-04-07 | 2012-10-17 | 中国人民解放军第三〇二医院 | 神经网络肝纤维化诊断方法及系统 |
| CN105009174A (zh) * | 2013-01-08 | 2015-10-28 | 新加坡科技研究局 | 用于评估组织纤维化的方法及系统 |
| CN104657624A (zh) * | 2015-03-18 | 2015-05-27 | 汪艳 | 一种肝硬化全量化分析方法 |
| CN106127256A (zh) * | 2016-06-30 | 2016-11-16 | 张云超 | 一种肝纤维化检测方法及装置 |
| CN106709907A (zh) * | 2016-12-08 | 2017-05-24 | 上海联影医疗科技有限公司 | Mr图像的处理方法及装置 |
| CN108241865A (zh) * | 2016-12-26 | 2018-07-03 | 哈尔滨工业大学 | 基于超声图像的多尺度多子图肝纤维化多级量化分期方法 |
| CN109473175A (zh) * | 2018-11-07 | 2019-03-15 | 中山大学附属第三医院（中山大学肝脏病医院） | 一种针对肝纤维化的非侵入性血清学评分模型及其设计方法 |
| CN110265139A (zh) * | 2019-02-01 | 2019-09-20 | 中国医药大学附设医院 | 肝纤维化评估模型、肝纤维化评估系统及其评估方法 |
| TWI685854B (zh) * | 2019-02-01 | 2020-02-21 | 中國醫藥大學附設醫院 | 肝纖維化評估模型、肝纖維化評估系統及肝纖維化評估方法 |
| 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 |
| CN111783792A (zh) * | 2020-05-31 | 2020-10-16 | 浙江大学 | 一种提取b超图像显著纹理特征的方法及其应用 |
| CN112200763A (zh) * | 2020-08-24 | 2021-01-08 | 江苏科技大学 | 一种基于肝脏ct影像的肝功能分级方法 |
| CN112382395A (zh) * | 2020-11-11 | 2021-02-19 | 上海森亿医疗科技有限公司 | 基于机器学习的一体化建模系统 |
Non-Patent Citations (5)
| Title |
|---|
| MARIA CHIARA CHINDAMO;JEROME BOURSIER;RONIR RAGGIO LUIZ;ISABELLE FOUCHARD-HUBERT;VERA LÚCIA NUNES PANNAIN;JO?O MARCELLO DE ARAÚJO : "Fibrosis assessment using Fibro Meter combined to first generation tests in hepatitis C", WORLD JOURNAL OF HEPATOLOGY, no. 06, 28 February 2017 (2017-02-28) * |
| VINIT BALIYAN;CHANDAN J DAS;RAJU SHARMA;ARUN KUMAR GUPTA;: "Diffusion weighted imaging: Technique and applications", WORLD JOURNAL OF RADIOLOGY, no. 09, 28 September 2016 (2016-09-28) * |
| 付甜甜等: "计算机辅助超声影像组学预测肝纤维化进程的实验研究", 《中国超声医学杂志》 * |
| 吴越;冯对平;: "影像学方法评价肝纤维化的研究进展", 影像诊断与介入放射学, no. 04, 25 August 2020 (2020-08-25) * |
| 曾凤霞;陈卫国;秦耿耿;: "人工智能技术在肝纤维化定量评价中的研究进展", 国际医学放射学杂志, no. 05, 15 September 2020 (2020-09-15) * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113397600A (zh) * | 2021-06-18 | 2021-09-17 | 复旦大学 | 基于超声射频信号弹性重建的肝纤维化评估方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112862797B (zh) | 2024-03-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Araki et al. | Stroke risk stratification and its validation using ultrasonic echolucent carotid wall plaque morphology: a machine learning paradigm | |
| CN109770932B (zh) | 多模态脑部神经影像特征的处理方法 | |
| Baygin et al. | Exemplar Darknet19 feature generation technique for automated kidney stone detection with coronal CT images | |
| TWI684997B (zh) | 骨齡評估與身高預測模型之建立方法、骨齡評估與身高預測系統及骨齡評估與身高預測方法 | |
| CN107220966A (zh) | 一种基于影像组学的脑胶质瘤分级预测方法 | |
| CN101667289B (zh) | 基于nsct特征提取和监督分类的视网膜图像分割方法 | |
| CN103356241A (zh) | 二维超声设备成像质量评估系统及评估方法 | |
| CN113706491B (zh) | 基于混合注意力弱监督迁移学习的半月板损伤分级方法 | |
| CN110021425A (zh) | 一种比较检测器及其构建方法与宫颈癌细胞检测方法 | |
| CN112508953B (zh) | 基于深度神经网络的脑膜瘤快速分割定性方法 | |
| CN111275706A (zh) | 一种基于剪切波弹性成像超声组学深度分析方法及系统 | |
| CN109273094A (zh) | 一种基于Boosting算法的川崎病风险评估模型的构建方法及构建系统 | |
| CN104217437A (zh) | 前列腺kvct图像的病变区域分割方法 | |
| CN112305006A (zh) | 一种基于核磁共振信号的肿瘤组织标本的识别方法及系统 | |
| CN115564741A (zh) | 基于ct图像量化食管胃底静脉曲张的装置 | |
| Khan et al. | Benchmark methodological approach for the application of artificial intelligence to lung ultrasound data from covid-19 patients: From frame to prognostic-level | |
| CN112862797B (zh) | 一种肝纤维化无损预测方法及系统 | |
| CN111833330A (zh) | 基于影像与机器嗅觉融合的肺癌智能检测方法及系统 | |
| Cheng et al. | Quantitative evaluation of liver fibrosis based on ultrasound radio frequency signals: An animal experimental study | |
| Xing et al. | Automatic detection of A‐line in lung ultrasound images using deep learning and image processing | |
| Kamaruzaman et al. | Systematic literature review: application of deep learning processing technique for fig fruit detection and counting | |
| CN112200810B (zh) | 多模态的自动化脑室分割系统及其使用方法 | |
| Maulana et al. | Performance analysis and feature extraction for classifying the severity of atopic dermatitis diseases | |
| CN113706518A (zh) | 一种基于人工智能的股骨头坏死分期分析方法及系统 | |
| Hu et al. | Automatic placenta abnormality detection using convolutional neural networks on ultrasound texture |
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 |