CN113284126A - 人工神经网络图像分析预测脑积水分流手术疗效的方法 - Google Patents
人工神经网络图像分析预测脑积水分流手术疗效的方法 Download PDFInfo
- Publication number
- CN113284126A CN113284126A CN202110650101.3A CN202110650101A CN113284126A CN 113284126 A CN113284126 A CN 113284126A CN 202110650101 A CN202110650101 A CN 202110650101A CN 113284126 A CN113284126 A CN 113284126A
- Authority
- CN
- China
- Prior art keywords
- change
- network
- hydrocephalus
- patient
- volume
- 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
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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration by the use of more than one image, e.g. averaging, subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
- G06T2207/30016—Brain
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)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Probability & Statistics with Applications (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明提供一种人工神经网络图像分析预测脑积水分流手术疗效的方法。所述人工神经网络图像分析预测脑积水分流手术疗效的方法包括以下步骤:S1:脑积水分流手术前后影像学标本的收集和预处理:利用医学影像算法研究与临床统计研究的结合,对于医学影像部分,拟采用深度卷积神经网络的方法进行计算,获得相应的参数,采用回顾性的方法获取已有的病患的图片,并设计网络进行训练并进行调参。本发明提供的人工神经网络图像分析预测脑积水分流手术疗效的方法具有能够把脑积水的手术治疗从既往的临床经验主义,转化为结合大数据影像学分析并且通过人工神经网络达到个体化评估,同时能够为脑积水的研究和治疗提供新的思路的优点。
Description
技术领域
本发明涉及医疗技术领域,尤其涉及一种人工神经网络图像分析预测脑积水分流手术疗效的方法。
背景技术
脑积水是严重威胁人类健康的疾病,先天性脑积水对婴儿影响大,有较高的病死率和致残率,而获得性脑积水则是可以继发于脑出血、脑外伤、脑肿瘤、脑炎等各种神经系统疾病和损伤,是临床上病情加重、预后不良,甚至导致患者死亡的重要因素,即使经过积极的治疗,大部分患者仍然存在神经功能缺失,部分患者生活不能自理,终生卧床或行走不便,给患者的心理和生理造成了严重的影响,给家庭和社会造成了严重的负担。
脑积水的发病率高,在新生儿的发病率约为0.3%-0.4%,大多数患儿症状进行性加重,患儿出现头围增大、头疼、呕吐、眼底水肿,晚期可出现步态不稳、智力减退、性早熟、生长发育迟缓等。而后天获得性脑积水可继发于颅脑创伤、脑出血疾病、肿瘤、脑炎等等,仅仅在蛛网膜下腔出血后发生率就高达9%-36%[2-7]。不仅是外科医生在临床上面临的棘手问题,同时也给患者的康复造成了极大困难。
脑积水发病机制是多种原因引起的脑脊液分泌过多、循环受阻或吸收障碍而导致脑脊液在颅内的过多积蓄,其部位常发生在脑室内,也可累及蛛网膜下腔。脑积水的病理改变包括脑室系统扩大、脑实质变薄、白质脱髓鞘变、神经轴受压变形、胶质增生及神经细胞退行性变等。以上改变将会给患者的脑功能造成不可逆的损伤。
目前,对于脑积水的主要治疗方式包括脑室腹腔分流。然而,脑室腹腔分流不符合人体正常的生理结构,不仅并发症多,出血、感染、堵管等都会造成手术失败,而且患者需要终生带管。
即便如此,脑室腹腔分流仍然是目前全世界临床上治疗脑积水最常用的方法。
该方法目前存在的核心问题是:
1.手术指征不明确
首先,对于此类患者是否行分流手术临床上难以判断,主要根据症状和外科医生的经验进行选择。仅有的参考标准是影像学检查和腰穿实验。
但是,患者影像学检查表现差异极大,许多脑积水患者脑室轻度扩大但表现出极其严重的临床症状,有些患者虽然脑室扩大明显,但临床症状轻。
然而腰穿存在许多局限性,首先颅内压力和脑室扩大不成正比,甚至对于正常压力脑积水患者,腰穿检查压力正常。而腰穿后的放液实验缺乏评判标准,疗效极其主观。
以上问题就造成了,手术后患者预后难以预料。许多患者症状虽然经历了分流手术,但是术后症状长期不能缓解;还有许多本应该尽早行手术治疗,患者错过了治疗的最佳时机,造成了临床上无法逆转的脑功能损害。
2.颅内压力难以调控
目前临床上常见的脑室腹腔分流管已经具备调节压力功能。但是,对于压力的设置依然是临床医生遇到的巨大挑战。不同患者脑脊液分泌和吸收量差异极大,分流管压力设置还到患者年龄、病程、病因、脑组织顺应性和分流管压力等多方面因素的影响。
目前通用的做法是先根据医生经验设置初始压力,后根据患者症状变化,反复复查头颅CT,进行压力调节。大部分患者需要经历分流管压力设置过大,过小,再过大,反复调节。首先患者不得不接受多次的CT辐射、延长出院实践,或反复奔走求医。
更重要的是,患者的脑室结构的不断变化可能会造成脑组织撕裂出血、脑室裂隙综合征,一旦出现严重并发症就意味着手术的失败。
此外,关于脑积水形态学研究目前仍然存在巨大挑战。
有对多中心大样本的脑积水分流手术患者的Meta分析研究提出,脑室体积的变化居然不能作为判断分流手术疗效的指标,这一报道深入指出了脑积水治疗目前存在的最大问题——对于疗效的评价过于简单。
不同类型的脑积水对脑组织产生压迫的位置和程度都不同,常常会出现不同的症状。临床上最相关的分类是基于脑脊液循环阻塞的部位来指导治疗治疗。从侧脑室开始的脑室内梗阻最常见的部位是室间孔、第三脑室、中脑导水管和第四脑室。不同部位梗阻的患者的症状出现时间都不同,可以表现为一侧脑室扩大、双侧脑室扩大、三脑室扩大、四脑室扩大,或者整个脑室系统扩大,甚至还有一些表现为脑外间隙增大,这些患者而且对于分流的反应也大不相同。
但是目前影像学评估的方式仅限于在CT或者磁共振上进行一些简单的计算,比如Evan’s>0.3,主要体现脑室体部的扩大;然而在临床实验中颞角扩大、枕角扩大、额角扩大、三脑室变圆、胼胝体变薄成弓形、脑沟边窄、脑脊液外渗等等都是脑积水诊断的不同征象,在不同患者的影像学中表现各异,仅仅依靠医生的经验。而目前的分流方式仅仅为侧脑室额角或枕角置管,对于脑室形态变化的影响也是完全不同的。
目前关于分流手术的疗效判断标准不足,颅内压及其对脑功能的影响难以测量。因此,脑室形态学及脑组织受压部位的研究,特别是重要的组织结构,在分流手术前后形态的改变,对于深入理解脑积水对大脑的损害和分流手术后的治疗效果提供了新思路。
人工神经网络应用于脑积水诊断计算机辅助诊断或计算机辅助检测主要是指基于医学成像学的计算机辅助诊断技术。随着计算机技术及存储技术的发展,大量的数据被储存记录下来,诞生了深度学习技术,只需要大量的原始数据输入,机器将自动学习、总结数据特点,寻找最有代表性的特征,特征隐含在深度学习框架中,可供学习的数据越多,诊断就越精确。深度学习的CADx系统是深度学习等人工智能技术最先突破的领域,图像识别技术已被广泛使用。
目前,该领域全脑定量分析已成为神经科学研究的一个趋势,“人工智能+影像医学”更是现在发展的重点。图像识别是深度学习是人工智能技术进步最快的领域之一,卷积神经网络以及深度卷积神经网络等深度学习算法利用数据量以及计算量作为模型驱动力,通过局部连接和权值共享减少了神经网络需要训练的参数个数,最终实现了超越传统方法的图像识别性能。2017年ResNet算法识别错误率已经降低至3.57%,低于人眼5.1%的识别错误率,深度学习算法在图像识别领域已经达到初步实用阶段。为此,本实验收集了临床证实了的200例脑积水患者,利用人工智能和深度学习算法建立的神经影像全脑定量计算工具,对该模型进行验证,目的在于探索其准确性和可行性,为临床脑积水研究提供快速智能化的方法。
人工神经网络,简称神经网络或类神经网络,在机器学习和认知科学领域,是一种模仿生物神经网络的结构和功能的数学模型或计算模型,用于对函数进行估计或近似。神经网络由大量的人工神经元联结进行计算。大多数情况下人工神经网络能在外界信息的基础上改变内部结构,是一种自适应系统。通过训练样本的校正,对各个层的权重进行校正而创建模型的过程,称为自动学习过程。具体的学习方法则因网络结构和模型不同而不同,常用反向传播算法(Backpropagation/倒传递/逆传播,以output利用一次微分Delta rule来修正weight)来验证。
目前,越来越多的学者致力于开展将神经影像数据分析技术个体化应用于正常被试及神经精神疾病认知功能相关的研究。Finn基于人脑连接组计划的公开数据,提取静息态功能连接的特征,基于模式回归方法较为准确地识别了流体智力的个体差异,并预测了其分数值。在脑卒中患者中,Siegel等通过构建大尺度脑功能连接网络,从中提取特征,采用模式回归方法,很好地预测了卒中后的感觉运动及多种高级认知功能。目前在于脑积水患者中尚未见到此类研究。近年来,随着图形处理器为计算加速提供可负担得起的并行计算资源,深度学习构架可能已经转变为高级学习算法,通过隐藏的特征表示层逐步提取高级特征。深度卷积神经网络的灵感来自于人类的视觉系统,它可以对某些属性进行编码,也可以在原始数据由二维图像组成的明确假设的基础上减少超参数。CNNs在自然图像的多分类以及生物医学应用、肺间质疾病分类、AD早期诊断等方面取得了重大进展。
在脑积水中研究中的应用刚刚开始,而脑积水分流手术前后在形态学改变上尤其明显,非常适用CNNs研究。目前的研究中,基于深度学习的影像分割技术,可以将不同属性的像素区域分开,对图像内容进行精准分割。在此基础上,研究者拟利用深度分割模型对脑室进行分割和体积计算,并探讨分割区域以及体积计算的准确性和应用价值。但是,需要指出的是,传统的与认知相关的影像学研究存在固有的缺点,其采用的方法多为单变量方法,一般是在所有样本上进行单变量的组间比较和影像指标-认知评分的相关分析,进而探索相关认知过程的神经机制,但通过该研究方法得到的影像学差异或相关是否能推广到新的样本上,尚存在疑问,这也是诸多神经影像研究结果未转化到临床应用的重要原因之一。机器学习的交叉验证框架可以很好地解决此问题,该方法首先使用训练样本构建一个基于影像数据预测认知分数的模型,然后使用独立的测试样本验证该模型。如果可以很好地预测测试集的分数,可以认为该模型有效抓住了该认知能力的个体差异,模型使用的特征可以作为预测该认知能力的有效的神经影像学指标。此外,机器学习中的模式分类和模式回归是一种多元模式分析方法,相较于传统的单变量方法,可以更敏感地捕捉到轻微而空间弥散的信息。此外,基于机器学习方法的模式分类/回归模型可以构建基于脑影像特征预测脑积水手术疗效,对于脑积水病理改变的研究和对临床决策的指导具备很大的应用价值。
因此,有必要提供一种新的人工神经网络图像分析预测脑积水分流手术疗效的方法解决上述技术问题。
发明内容
本发明解决的技术问题是提供一种能够把脑积水的手术治疗从既往的临床经验主义,转化为结合大数据影像学分析并且通过人工神经网络达到个体化评估,同时能够为脑积水的研究和治疗提供新的思路的人工神经网络图像分析预测脑积水分流手术疗效的方法。
为解决上述技术问题,本发明提供的人工神经网络图像分析预测脑积水分流手术疗效的方法包括以下步骤:
S1:脑积水分流手术前后影像学标本的收集和预处理:
利用医学影像算法研究与临床统计研究的结合,对于医学影像部分,拟采用深度卷积神经网络的方法进行计算,获得相应的参数,采用回顾性的方法获取已有的病患的图片,并设计网络进行训练并进行调参,优化图像分割和变化位置预测的结果的准确率;
S2:人工神经网络分析单一平面脑室体积变化概率,预测术后脑室形态:
人工神经网络部分采取医学影像用的U形网络为基础,并根据研究对象及特征重新设计网络的输入、输出、模块顺序和模块细节,并对网络中的参数进行迭代性的调整;
S3:分析脑室体积变化与患者预后的关系,包括:
S31:脑室体积变化,关键点形态变化与患者预后关系分析;
S32:临床指标和脑室形态变化关系;
S33:验证脑组织关键点形态变化,与行为学改变的关系。
优选的,所述S1中,收集脑积水患者手术前后患者头颅CT图像,并配准;在手术前、术后2周、术后3月三个时间点对患者进行头颅CT检查。
优选的,所述S2中具体步骤如下:
S21:影像输入、输出准备:
对于从临床获得的病人术前影像,主要对其轴向进行线性插值,以获得三个方向分辨率相同的影像序列组成三维图像;
各向同性的原始图像更有利于三维卷积核获取特征;
同时对影像中的重点区域标注,作为图像分割的标签;
对于术后各时期的影像,除做与术前影像相同的处理外,还对比与术前影像头骨的相对位置,对影像进行配准,以消除因获取角度造成的脑脊液位置变化;
将配准后的术前、术后图像手工分割结果进行比较,将脑脊液情况、海马和丘脑有变化的体素分别标记为1,其余位置标记为0,做为脑脊液位置变化预测网络的训练标签;
对比Evan’s指数,人工测算脑室体积法验证模型的有效性,比较术后近期和术后远期的预测特征变化及脑室总体积的改变;
S22:基于图像分割的网络设计:
采用三维图像分割网络,在每个卷积组采用并联的不同尺寸的卷集核进行卷积提取特征;
在不同卷积组间采用残差模块以保持不同深度的特征的权重;
在降采样/升采样过程中使用在非轴向不重叠,轴向略有重叠的三维卷积代替常用的池化层;
用术前预处理后图像与手工标记结果作为输入输出,训练并验证图像分割准确性;
S23:脑脊液体积变化预测网络与关键位置相关计算
预测体积变化的网络选择复用分割网络,在每个降采样/升采样层前,增加提取体积变化位置的卷积层;在训练此网络时,将复用部分的网络参数设置为不可训练,只训练新添加的卷积部分,添加的网络结构和新的标签/输出;
在获得可能变化的体积位置后,根据可能变化的体素体积和计算出的变化概率,加权求和得出脑脊液体积变化的期望,做为此后统计分析的参数,同时,在网络分割结果中,对丘脑、海马及脑干位置的图像做腐蚀运算,将求得的位置与原位置相减,得出关键位置的邻域,并将此邻域与体积变化预测网络的结果做交集,得出相应关键位置体积变化的期望,做为后续统计分析的参数;
通过人工神经网络,对患者手术后脑室体积及关键区域的变化分析;
S24:临床相关参数与人工神经网络融合:
由于脑室形态还受到其他因素影响,手术后脑室的体积改变考虑其他因素,上述网络设计的基础上添加病人的其他因素信息,辅助网络进行体积变化位置的计算;
期选择指标包括病人的年龄、病因、病程、分流管压力选择、术前腰穿测压值,假设病人的年龄、病因、病程、分流管压力选择、术前腰穿测压值因素对所有位置的影响是相同的,将病人的年龄、病因、病程、分流管压力选择、术前腰穿测压值因素分别转换为所有位置数值相同的三维体素,并将结果与原网络结果在交叉熵运算之前进行合并,将此网络训练和计算的结果与没有添加临床参数的网络结果比较,分析临床参数与脑脊液变化的相关性。
优选的,所述S24中其他因素包括脑顺应性、脑积水病因、病程和患者年龄。
优选的,所述S31,收集患者术前,术后2周,术后3月的行为学指标进行统计分析,包括意识状态采用GCS评分、评估患者步态、评估认知功能、评估患者整体生活能力、分析其与脑室体积变化的关系,并采用logistic回归分析,分析其与脑室体积变化;
量表方法采用:简易精神状态量表检查患者MMSE评分由神经科医生在排除外界干扰下进行评估、临床系统评分及整体生活能力评估;分别采用正常压力脑积水分级评分与改良Rankin量表进行评估。
优选的,所述S32中临床指标和脑室形态变化关系包括:logistic回归分析脑室体积变化与患者的年龄、病因、病程、分流管压力选择、术前腰穿测压值的关系。
优选的,所述S33中验证脑组织关键点形态变化,与行为学改变的关系包括:分别选择关键点,分析其形态变化百分比与患者预后的关系,研究脑组织关键点变化,通过患者手术前后患者头颅CT图像,采用机器学习方法,预测其关键点形态变化与患者行为学预后的关系的准确性。
与相关技术相比较,本发明提供的人工神经网络图像分析预测脑积水分流手术疗效的方法具有如下有益效果:
本发明提供一种人工神经网络图像分析预测脑积水分流手术疗效的方法,通过脑室腹腔分流手术后脑室形态及临床表现改善,解释脑积水症状和脑室关系的评价指标,并且建立评估预测脑室腹腔分流手术疗效的人工神经网络模型,并且指导临床治疗方式的选择,在分流手术前,得出患者是否需要手术、合适的分流管初始压力、术后可能出现的脑室形态、术后可能的症状改善程度,能够把脑积水的手术治疗从既往的临床经验主义,转化为结合大数据影像学分析并且通过人工神经网络达到个体化评估,同时能够为脑积水的研究和治疗提供新的思路。
附图说明
图1为现有的人工神经网络运行机制示意图;
图2为本发明提供的人工神经网络图像分析预测脑积水分流手术疗效的方法的分别标注术前(A)、术后2周(B)和术后3月(C)头颅CT各不同层的示意图;
图3为本发明提供的人工神经网络图像分析预测脑积水分流手术疗效的方法的矢状位、冠状位、水平位分别标记脑室、海马和丘脑位置,并且3D-Slicer软件形成立体图形;
图4为本发明提供的人工神经网络图像分析预测脑积水分流手术疗效的方法的人工神经网络构建图;
图5为本发明提供的人工神经网络图像分析预测脑积水分流手术疗效的方法的利用人工神经网络训练预测分流手术后可能发生变化的部分的概率,并预测可能出现的脑室形态图;
图6为本发明提供的人工神经网络图像分析预测脑积水分流手术疗效的方法的整合分流手术前后脑室形态的立体模型图;
图7为本发明提供的人工神经网络图像分析预测脑积水分流手术疗效的方法的通过影像学结合临床表现已成功预测患者脑室形态、脑组织结构及临床症状变化发生率的示意图;
图8本发明提供的人工神经网络图像分析预测脑积水分流手术疗效的方法的原理流程图。
具体实施方式
下面结合附图和实施方式对本发明作进一步说明。
请结合参阅图1-8。人工神经网络图像分析预测脑积水分流手术疗效的方法:
1、脑积水分流手术前后影像学标本的收集和预处理:
本发明属于医学影像算法研究与临床统计研究的结合,对于医学影像部分,拟采用深度卷积神经网络的方法进行计算,获得相应的参数。此部分采用回顾性的方法获取已有的病患的图片,并设计网络进行训练并进行调参,优化图像分割和变化位置预测的结果的准确率,收集手术前后患者头颅CT图像300张,并配准,开展纵向研究,纳入300例脑积水患者,在手术前、术后2周、术后3月三个时间点对患者进行头颅CT检查。选择这三个时间点是因为研究已证明术后3月患者的认知及预后已恢复到一个稳定的水平(图2)。
2、人工神经网络分析单一平面脑室体积变化概率,预测术后脑室形态:
其中人工神经网络部分采取医学影像常用的U形网络为基础,并根据研究对象及特征重新设计网络的输入、输出、模块顺序和模块细节,并对网络中的参数进行迭代性的调整。具体技术路线及步骤如下:
2.1、影像输入、输出准备
对于从临床获得的病人术前影像,主要对其轴向进行线性插值,以获得三个方向分辨率相同的影像序列组成三维图像。各向同性的原始图像更有利于三维卷积核获取特征。同时对影像中的重点区域标注,作为图像分割的标签。对于术后各时期的影像,除做与术前影像相同的处理外,还需要对比与术前影像头骨的相对位置,对影像进行配准,以消除因获取角度造成的脑脊液位置变化。将配准后的术前、术后图像手工分割结果进行比较,将脑脊液情况、海马和丘脑有变化的体素分别标记为1,其余位置标记为0,做为脑脊液位置变化预测网络的训练标签。对比目前常用的Evan’s指数,人工测算脑室体积法验证模型的有效性,比较术后近期和术后远期的预测特征变化及脑室总体积的改变。
2.2、基于图像分割的网络设计
本网络拟采用基于U-net的三维图像分割网络,由于不同位置的脑部结构可能存在多尺度特征,因此在每个卷积组采用并联的不同尺寸的卷集核进行卷积提取特征。在不同卷积组间采用残差模块以保持不同深度的特征的权重。为充分保留原图像信息中的位置信息,在降采样/升采样过程中使用在非轴向不重叠,轴向略有重叠的三维卷积代替常用的池化层。此网络采用术前预处理后图像与手工标记结果作为输入输出,训练并验证图像分割准确性。网络结构见图4。
2.3、脑脊液体积变化预测网络与关键位置相关计算
由于脑脊液位置的变化发生于术前图像分割位置的边缘,因此预测体积变化的网络选择复用分割网络,但是在每个降采样/升采样层前,增加提取体积变化位置的卷积层。整个网络采用术前影像做为输入,如前所述处理后的体积变化标记图做为训练的标签和输出结果,预期的输出结果。在训练此网络时,将复用部分的网络参数设置为不可训练,而只训练新添加的卷积部分。添加的网络结构和新的标签/输出。
在获得可能变化的体积位置后,根据可能变化的体素体积和计算出的变化概率,加权求和得出脑脊液体积变化的期望,做为此后统计分析的参数。同时,在网络分割结果中,对丘脑等位置的图像做腐蚀运算,将求得的位置与原位置相减,得出关键位置的邻域,预期结果如图3,并将此邻域与体积变化预测网络的结果做交集,得出相应关键位置体积变化的期望,做为后续统计分析的参数。
通过人工神经网络,对患者手术后脑室体积及关键区域的变化分析。如丘脑、海马及脑干等部位受压对于患者认知、记忆功能影响巨大,该部位是否能通过分流手术缓解压力,成为对于患者预后判断的关键点。因此,重点选择以上关键点,对患者分流手术预后进行预测。
2.4、临床相关参数与人工神经网络融合
由于脑室形态还受到其他因素影响,如脑顺应性,脑积水病因、病程、患者年龄等,手术后脑室的体积改变应该考虑此类因素。因此,在上述网络设计的基础上添加病人的其他信息,辅助网络进行体积变化位置的计算。
前期选择指标包括病人的年龄、病因(转化为分类的类别索引)、病程(周数)、分流管压力选择、术前腰穿测压值。假设这些因素对所有位置的影响是相同的,因此将这些因素分别转换为所有位置数值相同的三维体素,并将结果与原网络结果在交叉熵运算之前进行合并。将此网络训练和计算的结果与没有添加临床参数的网络结果比较,分析临床参数与脑脊液变化的相关性。
2.5、模型评价
对上述模型的评价可以分为两个层面,首先是分割结果的准确性,此项为后续计算的基础。表示分割准确性的常用参数包括灵敏度、特异性、DICE参数等,本发明拟采用计算图像与手工标记图像比较,得出此三个参数做为分割准确性的评价标准。
对于脑脊液体积的变化的期望,也可以通过分别计算术前、术后手工标记的体积差与网络计算的变化的期望做百分比误差,做为评价标准。此外,所有网络计算出的参数都会与临床量表结果等做统计分析。
3、分析脑室体积变化与患者预后的关系
3.1、脑室体积变化,关键点形态变化与患者预后关系分析
收集患者术前,术后2周,术后3月的行为学指标进行统计分析。本发明收集的患者临床症状资料均为指南推荐且国际常用的指标,如意识状态采用GCS评分,评估患者步态时采用TUG,评估认知功能中采用量表MMSE评估患者整体生活能力时采用mRS,分析其与脑室体积变化的关系。采用logistic回归分析,分析其与脑室体积变化。
量表使用方法:简易精神状态量表检查(MMSE),患者MMSE评分由神经科医生在排除外界干扰下进行评估;临床系统评分及整体生活能力评估:分别采用正常压力脑积水分级评分(iNPHGS)与改良Rankin量表(mRS)进行评估。脑脊液分流术后临床症状改善的定义为:mRS降低1分或以上。脑积水发病相关因素包括脑GCS评分,Hunt-Hess分级等因素。
3.2、临床指标和脑室形态变化关系
logistic回归分析脑室体积变化与患者的年龄、病因(转化为分类的类别索引)、病程(周数)、分流管压力选择、术前腰穿测压值等关系。进一步验证手术脑室体积变化的相关因素。
3.3、验证脑组织关键点形态变化,与行为学改变的关系
分别选择关键点,分析其形态变化百分比与患者预后的关系,研究脑组织关键点变化。通过50例患者手术前后CT图片,采用机器学习方法,预测其关键点形态变化与患者行为学预后的关系的准确性。
具体实施如下:
一、脑积水患者的临床研究
前期已经收集脑积患者完整临床指标和影像学数据150例,建立脑积水研究数据库。提出患者年龄、GCS评分、蛛网膜下腔出血部、是否行脑室外引流手术均是影响脑积水形成的重要因素。
二、脑积水影像学分析
对动物模型和人脑积水标本均进行详细分析,对脑积水临床研究患者选择术前,术后2周,术后3月的CT图像,并且完成对脑组织相关重点结构的标注和3D模型构建(前期研究中暂标注脑室、丘脑、海马体)。
三、人工神经网络建立
本发明拟采用基于U-net的三维图像分割网络,由于不同位置的脑部结构可能存在多尺度特征,因此在每个卷积组采用并联的不同尺寸的卷集核进行卷积提取特征。在不同卷积组间采用残差模块以保持不同深度的特征的权重。
通过人工神经网络,对患者手术后脑室体积,及关键点(丘脑,海马)受压程度变化分析。由于丘脑、海马及脑干等部位受压对于患者认知、记忆功能影响巨大,该部位是否能通过分流手术缓解压力,成为对于患者预后判断的关键点。
与相关技术相比较,本发明提供的人工神经网络图像分析预测脑积水分流手术疗效的方法具有如下有益效果:
本发明提供一种人工神经网络图像分析预测脑积水分流手术疗效的方法,通过脑室腹腔分流手术后脑室形态及临床表现改善,解释脑积水症状和脑室关系的评价指标,并且建立评估预测脑室腹腔分流手术疗效的人工神经网络模型,并且指导临床治疗方式的选择,在分流手术前,得出患者是否需要手术、合适的分流管初始压力、术后可能出现的脑室形态、术后可能的症状改善程度,能够把脑积水的手术治疗从既往的临床经验主义,转化为结合大数据影像学分析并且通过人工神经网络达到个体化评估,同时能够为脑积水的研究和治疗提供新的思路。
以上所述仅为本发明的实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其它相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (7)
1.一种人工神经网络图像分析预测脑积水分流手术疗效的方法,其特征在于,包括以下步骤:
S1:脑积水分流手术前后影像学标本的收集和预处理:
利用医学影像算法研究与临床统计研究的结合,对于医学影像部分,拟采用深度卷积神经网络的方法进行计算,获得相应的参数,采用回顾性的方法获取已有的病患的图片,并设计网络进行训练并进行调参,优化图像分割和变化位置预测的结果的准确率;
S2:人工神经网络分析单一平面脑室体积变化概率,预测术后脑室形态:
人工神经网络部分采取医学影像用的U形网络为基础,并根据研究对象及特征重新设计网络的输入、输出、模块顺序和模块细节,并对网络中的参数进行迭代性的调整;
S3:分析脑室体积变化与患者预后的关系,包括:
S31:脑室体积变化,关键点、关键区域形态变化概率与患者预后关系统计分析;
S32:临床指标、关键区域形态和脑室形态变化关系。
S33:验证脑组织关键点形态变化,与行为学改变的关系。
2.根据权利要求1所述的人工神经网络图像分析预测脑积水分流手术疗效的方法,其特征在于,所述S1中,收集脑积水患者术前CT和MR T2影像,并配准以及术后即刻,术后2周、术后3个月的复查CT影像。
3.根据权利要求2所述的人工神经网络图像分析预测脑积水分流手术疗效的方法,其特征在于,所述S2中具体步骤如下:
S21:影像输入、输出准备:
对于从临床获得的病人术前影像,主要对其轴向进行线性插值,以获得三个方向分辨率相同的影像序列组成三维图像;
各向同性的原始图像更有利于三维卷积核获取特征;
同时对影像中的重点区域标注,作为图像分割的标签;
对于术后各时期的影像,除做与术前影像相同的处理外,还对比与术前影像头骨的相对位置,对影像进行配准,以消除因获取角度造成的脑脊液位置变化;
将配准后的术前、术后图像手工分割结果进行比较,将脑脊液情况、海马和丘脑有变化的体素分别标记为1,其余位置标记为0,做为脑脊液位置变化预测网络的训练标签;
对比Evan’s指数,人工测算脑室体积法验证模型的有效性,比较术后近期和术后远期的预测特征变化及脑室总体积的改变;
S22:基于图像分割的网络设计:
采用三维图像分割网络,在每个卷积组采用并联的不同尺寸的卷集核进行卷积提取特征;
在不同卷积组间采用残差模块以保持不同深度的特征的权重;
用术前预处理后图像与手工标记结果作为输入输出,训练并验证图像分割准确性;
S23:脑脊液体积变化预测网络与关键位置相关计算:
预测体积变化的网络选择复用分割网络,在每个降采样/升采样层前,增加提取体积变化位置的卷积层;在训练此网络时,将复用部分的网络参数设置为不可训练,只训练新添加的卷积部分,添加的网络结构和新的标签/输出;
在获得可能变化的体积位置后,根据可能变化的体素体积和计算出的变化概率,加权求和得出脑脊液体积变化的期望,做为此后统计分析的参数,同时,在网络分割结果中,对丘脑、海马及脑干位置的图像做腐蚀运算,将求得的位置与原位置相减,得出关键位置的邻域,并将此邻域与体积变化预测网络的结果做交集,得出相应关键位置体积变化的期望,做为后续统计分析的参数;
通过人工神经网络,对患者手术后脑室体积及关键区域的变化分析;
S24:临床相关参数与人工神经网络融合:
由于脑室形态还受到其他因素影响,手术后脑室的体积改变考虑其他因素,上述网络设计的基础上添加病人的其他因素信息,辅助网络进行体积变化位置的计算;
前期选择指标包括病人的年龄、病因、病程、分流管压力选择、术前腰穿测压值,假设病人的年龄、病因、病程、分流管压力选择、术前腰穿测压值因素对所有位置的影响是相同的,将病人的年龄、病因、病程、分流管压力选择、术前腰穿测压值因素分别转换为所有位置数值相同的三维体素,并将结果与原网络结果在交叉熵运算之前进行合并,将此网络训练和计算的结果与没有添加临床参数的网络结果比较,分析临床参数与脑脊液变化的相关性。
4.根据权利要求3所述的人工神经网络图像分析预测脑积水分流手术疗效的方法,其特征在于,所述S24中其他因素包括脑顺应性、脑积水病因、病程和患者年龄。
5.根据权利要求3所述的人工神经网络图像分析预测脑积水分流手术疗效的方法,其特征在于,所述S31,收集患者术前,术后2周,术后3月的行为学指标进行统计分析,包括意识状态采用GCS评分、评估患者步态、评估认知功能、评估患者整体生活能力、分析其与脑室体积变化的关系,并采用logistic回归分析,分析其与脑室体积变化;
量表方法采用:简易精神状态量表检查患者MMSE评分由神经科医生在排除外界干扰下进行评估、临床系统评分及整体生活能力评估;分别采用正常压力脑积水分级评分与改良Rankin量表进行评估。
6.根据权利要求5所述的人工神经网络图像分析预测脑积水分流手术疗效的方法,其特征在于,所述S32中临床指标和脑室形态变化关系包括:logistic回归分析脑室体积变化与患者的年龄、病因、病程、分流管压力选择、术前腰穿测压值的关系。
7.根据权利要求6所述的人工神经网络图像分析预测脑积水分流手术疗效的方法,其特征在于,所述S33中验证脑组织关键点形态变化,与行为学改变的关系包括:分别选择关键点,分析其形态变化百分比与患者预后的关系,研究脑组织关键点变化,通过患者手术前后患者头颅CT图像,采用机器学习方法,预测其关键点形态变化与患者行为学预后的关系的准确性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110650101.3A CN113284126B (zh) | 2021-06-10 | 2021-06-10 | 人工神经网络图像分析预测脑积水分流手术疗效的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110650101.3A CN113284126B (zh) | 2021-06-10 | 2021-06-10 | 人工神经网络图像分析预测脑积水分流手术疗效的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113284126A true CN113284126A (zh) | 2021-08-20 |
CN113284126B CN113284126B (zh) | 2022-06-24 |
Family
ID=77284151
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110650101.3A Active CN113284126B (zh) | 2021-06-10 | 2021-06-10 | 人工神经网络图像分析预测脑积水分流手术疗效的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113284126B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114783575A (zh) * | 2022-04-20 | 2022-07-22 | 北京中捷互联信息技术有限公司 | 一种医疗用图像处理系统及方法 |
CN115019957A (zh) * | 2022-06-06 | 2022-09-06 | 重庆邮电大学 | 基于强化学习的稠密迭代特征腹腔内压预测系统 |
CN115966309A (zh) * | 2023-03-17 | 2023-04-14 | 杭州堃博生物科技有限公司 | 复发位置预测方法、装置、非易失性存储介质及电子设备 |
CN116681892A (zh) * | 2023-06-02 | 2023-09-01 | 山东省人工智能研究院 | 基于多中心PolarMask模型改进的图像精准分割方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070192132A1 (en) * | 2006-02-10 | 2007-08-16 | Debra Thesman | System and method of prioritizing and administering healthcare to patients having multiple integral diagnoses |
CN104053448A (zh) * | 2011-12-13 | 2014-09-17 | 诺诺公司 | 一种蛛网膜下腔出血及局部缺血的治疗方法 |
CN108369642A (zh) * | 2015-12-18 | 2018-08-03 | 加利福尼亚大学董事会 | 根据头部计算机断层摄影解释和量化急症特征 |
CN108694718A (zh) * | 2018-05-28 | 2018-10-23 | 中山大学附属第六医院 | 直肠癌术前同期新辅助放化疗疗效评估系统和方法 |
CN109242865A (zh) * | 2018-09-26 | 2019-01-18 | 上海联影智能医疗科技有限公司 | 基于多图谱的医学图像自动分区系统、方法、装置及存储介质 |
CN110765835A (zh) * | 2019-08-19 | 2020-02-07 | 中科院成都信息技术股份有限公司 | 一种基于边缘信息的手术视频流程识别方法 |
CN111079901A (zh) * | 2019-12-19 | 2020-04-28 | 南开大学 | 基于小样本学习的急性脑卒中病变分割方法 |
CN111862136A (zh) * | 2020-06-22 | 2020-10-30 | 南开大学 | 基于卷积神经网络的多模态核磁影像缺血性脑卒中病变分割方法 |
CN112200810A (zh) * | 2020-09-30 | 2021-01-08 | 深圳市第二人民医院(深圳市转化医学研究院) | 多模态的自动化脑室分割系统及其使用方法 |
CN112927187A (zh) * | 2021-01-27 | 2021-06-08 | 张凯 | —种自动识别定位局灶性皮质发育不良癫痫病灶的方法 |
-
2021
- 2021-06-10 CN CN202110650101.3A patent/CN113284126B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070192132A1 (en) * | 2006-02-10 | 2007-08-16 | Debra Thesman | System and method of prioritizing and administering healthcare to patients having multiple integral diagnoses |
CN104053448A (zh) * | 2011-12-13 | 2014-09-17 | 诺诺公司 | 一种蛛网膜下腔出血及局部缺血的治疗方法 |
CN108369642A (zh) * | 2015-12-18 | 2018-08-03 | 加利福尼亚大学董事会 | 根据头部计算机断层摄影解释和量化急症特征 |
CN108694718A (zh) * | 2018-05-28 | 2018-10-23 | 中山大学附属第六医院 | 直肠癌术前同期新辅助放化疗疗效评估系统和方法 |
CN109242865A (zh) * | 2018-09-26 | 2019-01-18 | 上海联影智能医疗科技有限公司 | 基于多图谱的医学图像自动分区系统、方法、装置及存储介质 |
CN110765835A (zh) * | 2019-08-19 | 2020-02-07 | 中科院成都信息技术股份有限公司 | 一种基于边缘信息的手术视频流程识别方法 |
CN111079901A (zh) * | 2019-12-19 | 2020-04-28 | 南开大学 | 基于小样本学习的急性脑卒中病变分割方法 |
CN111862136A (zh) * | 2020-06-22 | 2020-10-30 | 南开大学 | 基于卷积神经网络的多模态核磁影像缺血性脑卒中病变分割方法 |
CN112200810A (zh) * | 2020-09-30 | 2021-01-08 | 深圳市第二人民医院(深圳市转化医学研究院) | 多模态的自动化脑室分割系统及其使用方法 |
CN112927187A (zh) * | 2021-01-27 | 2021-06-08 | 张凯 | —种自动识别定位局灶性皮质发育不良癫痫病灶的方法 |
Non-Patent Citations (3)
Title |
---|
HAO WANG 等: "Suprafloccular approach via the petrosal fissure and venous corridors for microvascular decompression of the trigeminal nerve: technique notes and clinical outcomes", 《JOURNAL OF NEUROSURG》 * |
吴西西 等: "计算机辅助设计共同性外斜视手术疗效观察", 《广西医科大学学报》 * |
贾翊平 等: "早期终板造瘘对动脉瘤性蛛网膜下腔出血后脑积水影响的研究进展", 《中国实验诊断学》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114783575A (zh) * | 2022-04-20 | 2022-07-22 | 北京中捷互联信息技术有限公司 | 一种医疗用图像处理系统及方法 |
CN114783575B (zh) * | 2022-04-20 | 2023-09-29 | 广州唯顶软件科技有限公司 | 一种医疗用图像处理系统及方法 |
CN115019957A (zh) * | 2022-06-06 | 2022-09-06 | 重庆邮电大学 | 基于强化学习的稠密迭代特征腹腔内压预测系统 |
CN115966309A (zh) * | 2023-03-17 | 2023-04-14 | 杭州堃博生物科技有限公司 | 复发位置预测方法、装置、非易失性存储介质及电子设备 |
CN116681892A (zh) * | 2023-06-02 | 2023-09-01 | 山东省人工智能研究院 | 基于多中心PolarMask模型改进的图像精准分割方法 |
CN116681892B (zh) * | 2023-06-02 | 2024-01-26 | 山东省人工智能研究院 | 基于多中心PolarMask模型改进的图像精准分割方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113284126B (zh) | 2022-06-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113284126B (zh) | 人工神经网络图像分析预测脑积水分流手术疗效的方法 | |
Zhang et al. | Multi-modal deep learning model for auxiliary diagnosis of Alzheimer’s disease | |
JP7140348B2 (ja) | 判別装置、うつ症状の判別方法、うつ症状のレベルの判定方法、うつ病患者の層別化方法、うつ症状の治療効果の判定方法及び脳活動訓練装置 | |
CN113571195B (zh) | 基于小脑功能连接特征的阿尔茨海默病早期的预测模型 | |
US11978208B2 (en) | Trained model, learning method, learning program, medical information acquisition device, medical information acquisition method, and medical information acquisition program | |
CN113077887B (zh) | 大脑白质病变自动化定量分析系统与判读方法 | |
CN113962311A (zh) | 知识数据和人工智能驱动的眼科多病种识别系统 | |
Rehman et al. | Notice of Retraction: Infrared Sensing Based Non-Invasive Initial Diagnosis of Chronic Liver Disease Using Ensemble Learning | |
CN115170540A (zh) | 一种基于多模态影像特征融合的轻度创伤性脑损伤分类方法 | |
CN113362944B (zh) | 一种基于机器学习的功能性消化不良和针刺疗效预测模型的评估方法 | |
Yang et al. | Diagnosis of Parkinson’s disease based on 3D ResNet: The frontal lobe is crucial | |
CN116051545B (zh) | 一种双模态影像的脑龄预测方法 | |
CN115424067A (zh) | 基于多重融合脑网络图技术实现抑郁症亚型分类处理的系统、方法、处理器及其存储介质 | |
CN111951219B (zh) | 基于眼眶ct图像的甲状腺眼病筛查方法、系统及设备 | |
Pallawi et al. | Study of Alzheimer’s disease brain impairment and methods for its early diagnosis: a comprehensive survey | |
CN114400086A (zh) | 一种基于深度学习的关节盘前移辅助诊断系统和方法 | |
ElNakieb et al. | Identifying brain pathological abnormalities of autism for classification using diffusion tensor imaging | |
Jain et al. | A review of deep learning-based disease detection in Alzheimer's patients | |
Wan et al. | Automatic diagnosis of different types of retinal vein occlusion based on fundus images | |
RU2811260C1 (ru) | Способ диагностики идиопатической нормотензивной гидроцефалии | |
Fang et al. | Multimodal Identification of Alzheimer's Disease: A Review | |
Memon et al. | Image pre-processing for differential diagnosis of multiple sclerosis using brain MRI | |
Parimala et al. | A Review: Binary Classification and Hybrid Segmentation of Brain Stroke using Transfer Learning-Based Approach | |
Ramos | Analysis of medical images to support decision-making in the musculoskeletal field | |
CN115938577A (zh) | 基于脑龄的ad风险预测系统及模型生成方法 |
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 |