CN113408533B - 基于胎儿超声影像特征组学的染色体异常预测模型的构建方法及诊断设备 - Google Patents

基于胎儿超声影像特征组学的染色体异常预测模型的构建方法及诊断设备 Download PDF

Info

Publication number
CN113408533B
CN113408533B CN202110967260.6A CN202110967260A CN113408533B CN 113408533 B CN113408533 B CN 113408533B CN 202110967260 A CN202110967260 A CN 202110967260A CN 113408533 B CN113408533 B CN 113408533B
Authority
CN
China
Prior art keywords
fetus
chromosome
ultrasonic image
chromosome abnormality
sample
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.)
Active
Application number
CN202110967260.6A
Other languages
English (en)
Other versions
CN113408533A (zh
Inventor
吴青青
孙永清
董迪
宋世晶
冯丽
王晶晶
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
BEIJING OBSTETRICS AND GYNECOLOGY HOSPITAL CAPITAL MEDICAL UNIVERSITY
Original Assignee
BEIJING OBSTETRICS AND GYNECOLOGY HOSPITAL CAPITAL MEDICAL UNIVERSITY
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by BEIJING OBSTETRICS AND GYNECOLOGY HOSPITAL CAPITAL MEDICAL UNIVERSITY filed Critical BEIJING OBSTETRICS AND GYNECOLOGY HOSPITAL CAPITAL MEDICAL UNIVERSITY
Priority to CN202110967260.6A priority Critical patent/CN113408533B/zh
Publication of CN113408533A publication Critical patent/CN113408533A/zh
Application granted granted Critical
Publication of CN113408533B publication Critical patent/CN113408533B/zh
Priority to PCT/CN2022/085366 priority patent/WO2023024524A1/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • 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
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Theoretical Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Epidemiology (AREA)
  • General Engineering & Computer Science (AREA)
  • Pathology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Ultra Sonic Daignosis Equipment (AREA)

Abstract

本发明涉及基于胎儿超声影像特征组学的染色体异常预测模型的构建方法及诊断设备。模型的构建方法包括：分别获取染色体正常胎儿的超声图像中三个ROI目标区域图像和染色体异常胎儿的超声图像中三个ROI目标区域图像，所述三个ROI目标区域图像包括胎儿颈后区域、颜面部区域和中脑区域，分别提取ROI目标区域图像的特征，对提取的ROI目标区域图像的特征进行融合，得到超声图像中胎儿是染色体正常或染色体异常的分类结果；将获得的分类结果与医生的手动分类结果进行比对，根据比对结果优化分类器；得到染色体异常预测模型。本发明在构建模型时从临床实际问题出发，具有重要的临床应用和推广价值。

Description

基于胎儿超声影像特征组学的染色体异常预测模型的构建方 法及诊断设备
技术领域
本发明涉及智能医疗技术领域，更具体地，涉及基于胎儿超声影像特征组学的染色体异常预测模型的构建方法、风险诊断系统、风险诊断设备和计算机可读存储介质。
背景技术
染色体异常包括21三体、18三体、13三体、性染色体异常等染色体畸变，尤其是唐氏综合征（Down syndrome, DS）又称21-三体综合征，是最常见的染色体非整倍体异常，并且高龄孕妇发生该病的风险会增加。胎儿染色体异常疾病不仅给患儿家庭带来了沉重的负担，也给社会带来了负担，现今对其尚无有效的治疗方法，提高产前筛查及诊断的水平、加大筛查力度对预防出生缺陷的意义重大。近年来，高龄产妇大幅增加，胎儿染色体异常的产前筛查面临新的挑战。孕中期筛查发现胎儿染色体异常时，已错过最佳干预时间，对染色体异常胎儿进行早期筛查是实现早期干预的重要环节，它可使出生缺陷的筛查时间前移，为孕妇提供较早的知情选择机会。
超声影像特征组学技术可从超声图像中高通量地提取海量定量影像信息，并通过构建大数据模型对海量影像数据信息进行处理、预测和分析，辅助医生对疾病做出更准确的判断。近年来，影像组学技术方法被广泛应用于超声领域，如从超声图像中识别卵巢肿瘤、对局灶性和弥漫性肝病进行分类等。但目前还没有针对染色体异常的临床胎儿超声影像构建的智能诊断系统。
发明内容
本研究首次开发了一种基于胎儿超声影像特征组学的染色体异常预测模型，该模型可用于预测染色体异常患病风险，辅助医生对疾病做出更准确的判断以及治疗决策。
一种基于胎儿超声影像特征组学的染色体异常预测模型的构建方法，包括：
分别获取染色体正常胎儿的超声图像中三个ROI目标区域图像和染色体异常胎儿的超声图像中三个ROI目标区域图像，所述三个ROI目标区域图像包括胎儿颈后区域、颜面部区域和中脑区域；
分别提取所述三个ROI目标区域图像的特征；
对提取的所述三个ROI目标区域图像的特征进行融合；
输入分类器中，得到超声图像中胎儿是染色体正常或染色体异常的分类结果；
将获得的分类结果与医生的手动分类结果进行比对，根据比对结果优化分类器；
得到染色体异常预测模型。
染色体异常又称为染色体病，是指各类染色体异常导致的一大类疾病。根据染色体异常的性质，可分为染色体数目异常和染色体结构异常两大类。
染色体数目异常包括21-三体综合征、18-三体综合征、13-三体综合征、8-三体嵌合征、9-三体嵌合征、klinfelter综合征、tunner综合征、X三体综合征、XYY综合征、性发育疾病等。
染色体结构异常包括染色体缺失、染色体重复、染色体易位、染色体倒位、环形染色体、等臂染色体、染色体插入、小的额外标记染色体等。
优选的，胎儿颈后区域需包括胎儿的颈项透明层、颈后皮肤等结构；胎儿颜面部区域需包括胎儿的前额、鼻骨、上颌骨、下颌骨等结构；中脑区域需包括胎儿的间脑、脑干、第四脑室、小脑延髓池等结构。
进一步，采用ROI目标区域检测模型获取胎儿的超声图像中三个ROI目标区域图像。
进一步，所述ROI目标区域检测模型的构建方法为：
获取胎儿的超声图像；
从所述超声图像中提取ROI区域；
将得到的ROI区域分别与医生手动圈定的胎儿颈后区域、颜面部区域和中脑区域进行比对，生成损失值，反向传播，进行ROI区域提取的优化；
得到ROI目标区域检测模型。
进一步，通过fast-RCNN等模型初步从超声图像中提取ROI区域。
进一步，所述医生手动圈定的胎儿颈后区域、颜面部区域和中脑区域为医生在图像处理软件中圈定，可选的，圈定时，设定第一次选中的点为中心。
所述图像处理软件可以是OPENCV，在OPENCV中利用数据结构Rect 来圈定ROI区域。
进一步，所述提取三个ROI目标区域图像的特征可采用下列方法中的一种或几种模型：VGG、InceptionV3、Xception、MobileNet、AlexNet、LeNet、ZF_Net、ResNet。
进一步，所述分类器可采用下列分类模型中的一种或几种：KNN、Bayesian、决策树（Decision Tree）、随机森林（Random Forest）、SVM、逻辑回归（Logistic regression）、Ensemble-Boosting、Ensemble-Bagging。
决策树（Decision Tree）一般是其他算法的基石，可以同时处理不同类型的数据，该模型比较容易理解不同属性对于结果的影响程度。
随机森林（Random Forest）是决策树的随机集成，该模型适用于数据维度不太高又想达到较高准确性的时候。
Ensemble-Boosting每次寻找一个可以解决当前错误的分类器，最后进行权重加和，该模型自带特征选择，发现有效的特征，也方便理解高维数据。
Ensemble-Bagging训练多个弱分类器投票解决，随机选取训练集，避免了过拟合。
融合包括不同的融合方式，一种是在特征层面进行的融合，称为前端融合或特征融合；另外一种是在结果层面进行的融合，称为后端融合或结果融合。
所述融合包括对ROI目标区域图像特征进行前端融合或后端融合，所述前端融合为ROI目标区域图像特征进行特征融合后送入到分类器中；所述后端融合为分别将三个ROI目标区域图像特征分别送入到各自的分类器中，进而将三个ROI目标区域图像分类器的结果进行融合。
进一步，所述对提取的三个ROI目标区域图像的特征进行融合的融合函数为F=W*(concat(En(in), Eh(ih), Ef(if)))+b，其中in、ih、if分别表示颈后区域、颜面部区域、中脑区，E表示特征提取模块，b表示偏置项，W表示权重。
进一步，所述对提取的三个ROI目标区域图像的特征进行融合还包括对提取的三个ROI目标区域图像的特征及临床信息特征进行融合；可选的，融合函数为F=W*(concat(En(in), Eh(ih), Ef(if), Ec(ic)))+b，其中in、ih、if、ic分别表示颈后区域、颜面部区域、中脑区域和临床信息，E表示特征提取模块，b表示偏置项，W表示权重。
本发明的另一个目的在于提供一种基于胎儿超声影像特征组学的染色体异常风险诊断设备，所述设备包括：存储器和处理器；
所述存储器用于存储程序指令；
所述处理器用于调用程序指令，当程序指令被执行时，用于执行以下操作：
获取待测样本的胎儿的超声图像或获取待测样本的胎儿的超声图像和临床信息；
输入到染色体异常预测模型，所述染色体异常预测模型采用上述染色体异常预测模型的构建方法构建而成；
获得待测样本是染色体正常或染色体异常的分类结果。
进一步，所述处理器用于调用程序指令，当程序指令被执行时，用于执行以下操作：
获取待测样本的胎儿的超声图像或胎儿的超声图像和临床信息；
将获取待测样本的胎儿的超声图像，输入到胎儿超声影像标准判断模型，得到超声图像是否标准的分类结果；当分类结果为不标准时，终止染色体异常风险预测，当分类结果为标准时，将获取待测样本的胎儿的超声图像或获取待测样本的胎儿的超声图像和临床信息输入到染色体异常预测模型；
获得待测样本是染色体正常或染色体异常的分类结果。
进一步，所述处理器用于调用程序指令，当程序指令被执行时，用于执行以下操作：
获取待测样本的胎儿的超声图像或胎儿的超声图像和临床信息；
将获取待测样本的胎儿的超声图像输入到胎儿影像标准判断模型，得到超声图像是否标准的分类结果；
当分类结果为不标准时，终止染色体异常风险预测，当分类结果为标准时，将获取待测样本的胎儿的超声图像或获取待测样本的胎儿的超声图像和临床信息输入到染色体异常预测模型，获得待测样本是染色体正常或染色体异常的分类结果；
当待测样本是染色体正常时，终止染色体异常风险预测，当结果为染色体异常时，将获取待测样本的胎儿的超声图像输入到胎儿超声影像染色体异常多分类模型，得到染色体异常疾病分类结果。
可选的，所述分类结果为样本的染色体异常疾病为下列部分疾病中的一种：21-三体综合征、18-三体综合征、13-三体综合征、8-三体嵌合征、9-三体嵌合征、klinfelter综合征、tunner综合征、X三体综合征、XYY综合征、性发育疾病等；
可选的，所述分类结果为样本的染色体异常疾病为下列部分疾病中的一种：染色体缺失、染色体重复、染色体易位、染色体倒位、环形染色体、等臂染色体、染色体插入、小的额外标记染色体等。
可选的，所述分类结果为样本的染色体异常疾病为下列部分疾病中的一种：21-三体综合征、18-三体综合征、13-三体综合征、8-三体嵌合征、9-三体嵌合征、klinfelter综合征、tunner综合征、X三体综合征、XYY综合征、性发育疾病、染色体缺失、染色体重复、染色体易位、染色体倒位、环形染色体、等臂染色体、染色体插入、小的额外标记染色体等。
本发明的另一个目的在于提供一种基于胎儿超声影像特征组学的染色体异常风险诊断系统，包括：
获取单元，用于获取待测样本的胎儿的超声图像或胎儿的超声图像和临床信息；
处理单元，用于将所述待测样本的胎儿的超声图像或胎儿的超声图像和临床信息输入染色体异常预测模型，所述染色体异常预测模型采用上述构建方法构建而成；
显示单元，用于输出待测样本是染色体正常或染色体异常的分类结果。
进一步的，一种基于胎儿超声影像特征组学的染色体异常风险诊断系统，包括：
获取单元，用于获取待测样本的胎儿的超声图像或胎儿的超声图像和临床信息；
预处理单元，所述预处理单元用于得到超声图像是否标准的分类结果；
处理单元，用于将所述待测样本的胎儿的超声图像或胎儿的超声图像和临床信息输入染色体异常预测模型，所述染色体异常预测模型采用上述构建方法构建而成；
显示单元，用于输出待测样本是染色体正常或染色体异常的分类结果。
进一步的，一种基于胎儿超声影像特征组学的染色体异常风险诊断系统，包括：
获取单元，用于获取待测样本的胎儿的超声图像或胎儿的超声图像和临床信息；
预处理单元，所述预处理单元用于得到超声图像是否标准的分类结果；
处理单元，用于将所述待测样本的胎儿的超声图像或胎儿的超声图像和临床信息输入染色体异常预测模型，所述染色体异常预测模型采用上述构建方法构建而成；
显示单元，用于输出待测样本是染色体正常或染色体异常的分类结果；
分类单元，用于输出染色体异常疾病分类结果。
一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现上述基于胎儿超声影像特征组学的染色体异常预测模型的构建方法。
本申请的优点：
1．根据染色体异常超声图像的特点，结合疾病超声影像关键部位，对特定的ROI目标区域（胎儿颈后区域、颜面部区域和中脑区域）图像进行图像处理，一方面提高模型的检测准确率，过滤非必要超声影像信息，另一方面减少模型的算力；
2．为了获得更加精准的预测结果，本发明在对图像数据特征处理的同时结合临床信息，将三个ROI目标区域图像特征和临床信息特征进行融合，获得精准的分类结果；
3．为了克服现有临床胎儿超声影像获取不标准导致的误诊等问题，本发明在风险诊断前先通过一个胎儿影像标准判断模型判断图像是否标准，从而避免误诊；
4．为了给临床医生提供更精准的预测结果，本发明还提供了胎儿超声影像染色体异常多分类模型，当染色体异常预测模型输出结果为染色体异常时，将获取待测样本的胎儿的超声图像输入到胎儿超声影像染色体异常多分类模型，得到染色体异常疾病分类结果。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获取其他的附图。
图1是本发明实施例提供的基于胎儿超声影像特征组学的染色体异常预测模型的构建示意流程图；
图2是本发明实施例提供的常ROI目标区域检测模型的构建示意流程图；
图3是本发明实施例提供的基于胎儿超声影像特征组学的染色体异常风险诊断示意流程图；
图4是本发明实施例提供的基于胎儿超声影像特征组学的染色体异常风险诊断系统示意图；
图5是本发明实施例提供的基于胎儿超声影像特征组学的染色体异常风险诊断设备示意图；
图6是本发明实施例提供的医生在图像处理软件中圈定染色体异常胎儿的三个ROI目标区域图像，A: 21-三体胎儿颜面部区域，B：21-三体胎儿中脑区域，C：21-三体胎儿颈后区域；
图7是本发明实施例提供的医生在图像处理软件中圈定染色体正常胎儿的三个ROI目标区域图像，A: 染色体正常胎儿颜面部区域，B：染色体正常胎儿中脑区域，C：染色体正常胎儿颈后区域。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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。
在本发明的说明书和权利要求书及上述附图中的描述的一些流程中，包含了按照特定顺序出现的多个操作，但是应该清楚了解，这些操作可以不按照其在本文中出现的顺序来执行或并行执行，操作的序号如S101、S102等，仅仅是用于区分开各个不同的操作，序号本身不代表任何的执行顺序。另外，这些流程可以包括更多或更少的操作，并且这些操作可以按顺序执行或并行执行。需要说明的是，本文中的“第一”、“第二”等描述，是用于区分不同的消息、设备、模块等，不代表先后顺序，也不限定“第一”和“第二”是不同的类型。
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，本领域技术人员在没有作出创造性劳动前提下所获取的所有其他实施例，都属于本发明保护的范围。
图1是本发明实施例提供的基于影像组学的染色体异常预测模型的构建示意流程图，具体地，所述方法包括如下步骤：
S101：别获取染色体正常胎儿的超声图像中三个ROI目标区域图像和染色体异常胎儿的超声图像中三个ROI目标区域图像，所述三个ROI目标区域图像包括胎儿颈后区域、颜面部区域和中脑区域；
在一个实施例中，胎儿颈后区域需包括胎儿的颈项透明层、颈后皮肤等结构；胎儿颜面部区域需包括胎儿的前额、鼻骨、上颌骨、下颌骨等结构；中脑区域需包括胎儿的间脑、脑干、第四脑室、小脑延髓池等结构。
在一个实施例中，采用ROI目标区域检测模型获取胎儿的超声图像中三个ROI目标区域图像。
在一个实施例中， ROI目标区域检测模型的构建方法为：
获取常胎儿的超声图像；
从所述超声图像中提取ROI区域；
将得到的ROI区域分别与医生手动圈定的胎儿颈后区域、颜面部区域和中脑区域进行比对，生成损失值，反向传播，进行ROI区域提取的优化；
获得染色体异常ROI检测模型。
在一个实施例中，医生手动圈定的染色体正常胎儿和染色体异常胎儿的超声图像中胎儿颈后区域、颜面部区域和中脑区域为医生在图像处理软件中圈定，参见图6和图7。
在一个实施例中，由资深医生在OPENCV中利用数据结构Rect 来提取ROI区域，每张超声图像的ROI区域分别包括胎儿颈后区域、颜面部区域和中脑区域。
在一个实施例中，资深医生圈定ROI区域时，设定第一次选中的点为中心。
在一个实施例中，先对胎儿超声图像进行归一化处理，再由资深医生手动圈定图像的胎儿颈后区域、颜面部区域和中脑区域。
S102：分别提取所述三个ROI目标区域图像的特征；
在一个实施例中，提取三个ROI目标区域图像的特征可采用下列方法中的一种或几种模型：VGG、InceptionV3、Xception、MobileNet、AlexNet、LeNet、ZF_Net、ResNet。
S103：对提取的所述三个ROI目标区域图像的特征进行融合；
在一个实施例中，对提取的三个ROI目标区域图像的特征进行融合还包括对提取的三个ROI目标区域图像的特征及临床信息特征进行融合；可选的，融合函数为F=W*(concat(En(in), Eh(ih), Ef(if), Ec(ic)))+b，其中in、ih、if、ic分别表示颈后区域、颜面部区域、中脑区域和临床信息，E表示特征提取模块，b表示偏置项，W表示权重。
S104：输入分类器中，得到超声图像中胎儿是染色体正常或染色体异常的分类结果；
在一个实施例中，分类器可采用下列分类模型中的一种或几种：KNN、Bayesian、决策树、随机森林、SVM、逻辑回归、Ensemble-Boosting、Ensemble-Bagging。
S105：将获得的分类结果与医生的手动分类结果进行比对，根据比对结果优化模型；
S106：得到染色体异常预测模型。
在一个实施例中，将获得的分类结果与医生的手动分类结果进行比对，生成损失值，反向传播，优化模型。
在一个实施例中，数据来自中国北京首都医科大学附属北京妇产医院，从我们的数据库中选择了妊娠 11-13+6周单胎妊娠胎儿面部正中矢状面的二维 (2D) 图像。选择标准如下：
(a)胎儿核型通过羊膜腔穿刺术确定；
(b) 胎儿的鼻骨、额骨、鼻骨上方的皮肤以及上颌骨和下颌骨的前缘清楚地显示在图像上。
纳入羊膜穿刺术确诊的302 个 21 三体病例，与使用与 21 三体病例相同的标准随机选择的 322 个整倍体病例相匹配。所有病例以约8:2的比例分为训练集（257个整倍体病例+241个21三体病例）和验证集（65个整倍体病例+61个21三体病例）。由资深放射线医师手动圈定训练集和验证集中图像的胎儿颈后区域、颜面部区域和中脑区域。
图2是本发明实施例提供的ROI目标区域检测模型的构建示意流程图，具体地，所述方法包括如下步骤：
S201：获取胎儿的超声图像；
在一个实施例中，胎儿的超声图像可以是一定数量染色体正常胎儿的超声图像和染色体异常胎儿超声图像的集合，也可以是一定数量染色体正常胎儿的超声图像的集合。
S202：从所述超声图像中提取ROI区域；
S203：将得到的ROI区域分别与医生手动圈定的胎儿颈后区域、颜面部区域和中脑区域进行比对，生成损失值，反向传播，进行ROI区域提取的优化；
S204：得到ROI目标区域检测模型。
图3是基于影像组学的染色体异常风险诊断示意流程图，具体地，所述方法包括如下步骤：
S301：获取待测样本的胎儿的超声图像；
S302：输入到染色体异常预测模型，所述染色体异常预测模型采用上述构建方法构建而成；
S303：获得待测样本是染色体正常或染色体异常的分类结果；
在一个实施例中，获取待测样本的胎儿的超声图像和临床信息。
在一个实施例中，临床信息为孕妇的年龄（小于或大于35岁孕妇年龄的分界线）。
在一个实施例中，获取待测样本的胎儿的超声图像，输入到胎儿影像标准判断模型，得到超声图像是否标准的分类结果；当分类结果为不标准时，终止染色体异常风险预测，当分类结果为标准时，将获取待测样本的胎儿的超声图像或获取待测样本的胎儿的超声图像和临床信息输入到染色体异常预测模型。
在一个实施例中，胎儿超声影像标准判断模型的构建过程为：
获取胎儿的标准和非标准超声图像，采用可监督的机器/深度学习模型，将得到的分类结果与实际结果进行比对，生成损失值，反向传播，进行模型优化，获得胎儿超声影像标准判断模型。
在一个实施例中，胎儿超声影像染色体异常多分类模型构建过程为：
获得不同种类胎儿染色体异常疾病的超声图像，根据疾病种类进行分组，采用可监督的机器/深度学习模型，将得到的分类结果与实际结果进行比对，生成损失值，反向传播，进行模型优化，获得胎儿超声影像染色体异常多分类模型。
在一个实施例中，获得不同种类胎儿染色体异常疾病的超声图像，所述不同种类为下列疾病中的2种或多种：21-三体综合征、18-三体综合征、13-三体综合征、8-三体嵌合征、9-三体嵌合征、klinfelter综合征、tunner综合征、X三体综合征、XYY综合征、性发育疾病、染色体缺失、染色体重复、染色体易位、染色体倒位、环形染色体、等臂染色体、染色体插入、小的额外标记染色体等，根据疾病种类进行分组，采用可监督的机器/深度学习模型，将得到的分类结果与实际结果进行比对，生成损失值，反向传播，进行模型优化，获得胎儿超声影像染色体异常多分类模型。
在一个实施例中，数据来自中国北京首都医科大学附属北京妇产医院/北京妇幼保健院，从我们的数据库中选择了妊娠 11-13+6周单胎妊娠正常胎儿面部正中矢状面的二维 (2D) 图像，标准和非标准图像各120张，由资深医生手动评估胎儿的超声图像是否为标准平面。所有图像以约8:2的比例分为训练集（96张标准+96张非标准图像）和验证集（24张标准+24张非标准图像），采用可监督的机器/深度学习模型，将得到的分类结果与实际结果进行比对，生成损失值，反向传播，进行模型优化，获得胎儿超声影像标准判断模型。将获得的获得胎儿超声影像标准判断模型进行交叉验证（5-10倍），得到模型预测的准确率，当模型的准确率大于0.8或大于0.85后停止模型的优化。
图4是本发明实施例提供的基于胎儿超声影像特征组学染色体异常风险诊断系统示意图，所述风险诊断系统包括：
获取单元401，用于获取待测样本的胎儿的超声图像或胎儿的超声图像和临床信息；
处理单元402，用于将所述待测样本的胎儿的超声图像或胎儿的超声图像和临床信息输入染色体异常预测模型，所述染色体异常预测模型采用上述构建方法构建而成；
显示单元403，用于输出待测样本是染色体正常或染色体异常的分类结果。
基于胎儿超声影像特征组学染色体异常风险诊断系统示意图，所述风险诊断系统包括：
获取单元，用于获取待测样本的胎儿的超声图像或胎儿的超声图像和临床信息；
预处理单元：用于得到超声图像是否标准的分类结果。
处理单元，用于将所述待测样本的胎儿的超声图像或胎儿的超声图像和临床信息输入染色体异常预测模型，所述染色体异常预测模型采用上述染色体异常预测模型的构建方法构建而成；
显示单元，用于输出待测样本是染色体正常或染色体异常的分类结果。
基于胎儿超声影像特征组学染色体异常风险诊断系统示意图，所述风险诊断系统包括：
获取单元，用于获取待测样本的胎儿的超声图像或胎儿的超声图像和临床信息；
预处理单元：用于得到超声图像是否标准的分类结果。
处理单元，用于将所述待测样本的胎儿的超声图像或胎儿的超声图像和临床信息输入染色体异常预测模型，所述染色体异常预测模型采用上述染色体异常预测模型的构建方法构建而成；
显示单元，用于输出待测样本是染色体正常或染色体异常的分类结果；
分类单元，用于输出染色体异常疾病分类结果。
图5是本发明实施例提供的基于胎儿超声影像组学的染色体异常风险诊断设备示意图，所述设备包括：存储器和处理器；
所述存储器用于存储程序指令；
所述处理器用于调用程序指令，当程序指令被执行时，用于执行以下操作：
获取待测样本的胎儿的超声图像或获取待测样本的胎儿的超声图像和临床信息；
输入到染色体异常预测模型，所述染色体异常预测模型采用上述染色体异常预测模型的构建方法构建而成；
获得待测样本是染色体正常或染色体异常的分类结果。
在一个实施例中，本发明提供的基于胎儿超声影像特征组学的染色体异常风险诊断设备，所述设备包括：存储器和处理器；
所述存储器用于存储程序指令；
所述处理器用于调用程序指令，当程序指令被执行时，用于执行以下操作：
获取待测样本的胎儿的超声图像或获取待测样本的胎儿的超声图像和临床信息；
获取待测样本的胎儿的超声图像，输入到胎儿超声影像标准判断模型，得到超声图像是否标准的分类结果；当分类结果为不标准时，终止染色体异常风险预测，当分类结果为标准时，将获取待测样本的胎儿的超声图像或获取待测样本的胎儿的超声图像和临床信息输入到染色体异常预测模型；
获得待测样本是染色体正常或染色体异常的分类结果。
在一个实施例中，本发明提供的基于胎儿超声影像特征组学的染色体异常风险诊断设备，所述设备包括：存储器和处理器；
所述存储器用于存储程序指令；
所述处理器用于调用程序指令，当程序指令被执行时，用于执行以下操作：
获取待测样本的胎儿的超声图像或获取待测样本的胎儿的超声图像和临床信息；
获取待测样本的胎儿的超声图像，输入到胎儿影像标准判断模型，得到超声图像是否标准的分类结果；当分类结果为不标准时，终止染色体异常风险预测，当分类结果为标准时，将获取待测样本的胎儿的超声图像或获取待测样本的胎儿的超声图像和临床信息输入到染色体异常预测模型，获得待测样本是染色体正常或染色体异常的分类结果；
当待测样本是染色体正常时，终止染色体异常风险预测，当结果为染色体异常时，将获取待测样本的胎儿的超声图像输入到胎儿超声影像染色体异常多分类模型，得到染色体异常疾病分类结果。
在一个实施例中，所述临床信息为孕妇年龄。
本发明的一个目的在于提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的染色体异常风险预测。
本验证实施例的验证结果表明，为适应症分配固有权重相对于默认设置来说可以适度改善本方法的性能。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器（ROM，Read Only Memory）、随机存取存储器（RAM，RandomAccess Memory）、磁盘或光盘等。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
以上对本发明所提供的一种计算机设备进行了详细介绍，对于本领域的一般技术人员，依据本发明实施例的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种基于胎儿超声影像特征组学的染色体异常预测模型的构建方法，包括：
分别获取染色体正常胎儿的超声图像中三个ROI目标区域图像和染色体异常胎儿的超声图像中三个ROI目标区域图像，所述三个ROI目标区域图像包括胎儿颈后区域、颜面部区域和中脑区域，所述胎儿颈后区域包括胎儿的颈项透明层、颈后皮肤；所述胎儿颜面部区域包括胎儿的前额、鼻骨、上颌骨、下颌骨；所述中脑区域包括胎儿的间脑、脑干、第四脑室、小脑延髓池；
分别提取所述三个ROI目标区域图像的特征；
对提取的所述三个ROI目标区域图像的特征进行融合；
输入分类器中，得到超声图像中胎儿是染色体正常或染色体异常的分类结果，当分类结果为染色体异常时，将胎儿的超声图像输入到胎儿超声影像染色体异常多分类模型，得到染色体异常疾病分类结果；
将获得的分类结果与医生的手动分类结果进行比对，根据比对结果优化分类器；
得到染色体异常预测模型。
2.根据权利要求1所述的染色体异常预测模型的构建方法，其特征在于，采用ROI目标区域检测模型获取胎儿的超声图像中三个ROI目标区域图像；
所述ROI目标区域检测模型的构建方法为：
获取胎儿的超声图像；
从所述超声图像中提取ROI区域；
将得到的ROI区域分别与医生手动圈定的胎儿颈后区域、颜面部区域和中脑区域进行比对，生成损失值，反向传播，进行ROI区域提取的优化；
得到ROI目标区域检测模型。
3.根据权利要求1所述的染色体异常预测模型的构建方法，其特征在于，所述提取三个ROI目标区域图像的特征可采用下列方法中的一种或几种模型：VGG、Inception、Xception、MobileNet、AlexNet、LeNet、ZF_Net、ResNet、ResNeXt、ResNeSt；所述分类器可采用下列分类模型中的一种或几种：KNN、决策树、随机森林、SVM、逻辑回归、Ensemble-Boosting、Ensemble-Bagging。
4.根据权利要求1所述的染色体异常预测模型的构建方法，其特征在于，所述对提取的三个ROI目标区域图像的特征进行融合还包括对提取的三个ROI目标区域图像的特征及临床信息特征进行融合。
5.根据权利要求4所述的染色体异常预测模型的构建方法，其特征在于，所述融合的融合函数为F=W*(concat(En(in), Eh(ih), Ef(if), Ec(ic)))+b，其中in、ih、if、ic分别表示颈后区域、颜面部区域、中脑区域和临床信息，E表示特征提取模块，b表示偏置项，W表示权重。
6.一种基于胎儿超声影像特征组学的染色体异常风险诊断设备，所述设备包括：存储器和处理器；
所述存储器用于存储程序指令；
所述处理器用于调用程序指令，当程序指令被执行时，用于执行以下操作：
获取待测样本的胎儿的超声图像或获取待测样本的胎儿的超声图像和临床信息；
输入到染色体异常预测模型，所述染色体异常预测模型采用权利要求1-5任意一项染色体异常预测模型的构建方法构建而成；
获得待测样本是染色体正常或染色体异常的分类结果。
7.根据权利要求6所述的染色体异常风险诊断设备，其特征在于，获取待测样本的胎儿的超声图像，输入到胎儿超声影像标准判断模型，得到超声图像是否标准的分类结果；
当分类结果为不标准时，终止染色体异常风险预测，当分类结果为标准时，将获取待测样本的胎儿的超声图像或获取待测样本的胎儿的超声图像和临床信息输入到染色体异常预测模型，获得待测样本是染色体正常或染色体异常的分类结果；
当待测样本是染色体正常时，终止染色体异常风险预测，当结果为染色体异常时，将获取待测样本的胎儿的超声图像输入到胎儿超声影像染色体异常多分类模型，得到染色体异常疾病分类结果。
8.一种基于胎儿超声影像特征组学的染色体异常风险诊断系统，包括：
获取单元，用于获取待测样本的胎儿的超声图像或胎儿的超声图像和临床信息；
处理单元，用于将所述待测样本的胎儿的超声图像或胎儿的超声图像和临床信息输入染色体异常预测模型，所述染色体异常预测模型采用权利要求1-5任意一项染色体异常预测模型的构建方法构建而成；
显示单元，用于输出待测样本是染色体正常或染色体异常的分类结果，当待测样本是染色体正常时，终止染色体异常风险预测，当结果为染色体异常时，将获取待测样本的胎儿的超声图像输入到胎儿超声影像染色体异常多分类模型，得到染色体异常疾病分类结果。
9.根据权利要求8所述的染色体异常风险诊断系统，其特征在于，所述染色体异常风险诊断系统还包括预处理单元，所述预处理单元用于得到超声图像是否标准的分类结果；所述染色体异常风险诊断系统还包括分类单元，用于输出染色体异常疾病分类结果。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-5任意一项所述的基于胎儿超声影像特征组学的染色体异常预测模型的构建方法。
CN202110967260.6A 2021-08-23 2021-08-23 基于胎儿超声影像特征组学的染色体异常预测模型的构建方法及诊断设备 Active CN113408533B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202110967260.6A CN113408533B (zh) 2021-08-23 2021-08-23 基于胎儿超声影像特征组学的染色体异常预测模型的构建方法及诊断设备
PCT/CN2022/085366 WO2023024524A1 (zh) 2021-08-23 2022-04-06 基于胎儿超声影像特征组学的染色体异常预测模型的构建方法及诊断设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110967260.6A CN113408533B (zh) 2021-08-23 2021-08-23 基于胎儿超声影像特征组学的染色体异常预测模型的构建方法及诊断设备

Publications (2)

Publication Number Publication Date
CN113408533A CN113408533A (zh) 2021-09-17
CN113408533B true CN113408533B (zh) 2021-12-10

Family

ID=77674476

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110967260.6A Active CN113408533B (zh) 2021-08-23 2021-08-23 基于胎儿超声影像特征组学的染色体异常预测模型的构建方法及诊断设备

Country Status (2)

Country Link
CN (1) CN113408533B (zh)
WO (1) WO2023024524A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113408533B (zh) * 2021-08-23 2021-12-10 首都医科大学附属北京妇产医院 基于胎儿超声影像特征组学的染色体异常预测模型的构建方法及诊断设备

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130261984A1 (en) * 2012-03-30 2013-10-03 Illumina, Inc. Methods and systems for determining fetal chromosomal abnormalities
EP2836833A4 (en) * 2012-04-13 2015-10-14 Univ Wayne State PRENATAL DETECTION OF DOWN SYNDROME AND TRISOMY 18
CN109063740A (zh) * 2018-07-05 2018-12-21 高镜尧 超声影像关键目标的检测模型构建及检测方法、装置
CN109146848A (zh) * 2018-07-23 2019-01-04 东北大学 一种融合多模态乳腺图像的计算机辅助参考系统及方法
US20200111212A1 (en) * 2018-10-05 2020-04-09 China Medical University Hospital Chromosome Abnormality Detecting Model, Detecting System Thereof, And Method For Detecting Chromosome Abnormality
WO2021107676A1 (ko) * 2019-11-29 2021-06-03 주식회사 녹십자지놈 인공지능 기반 염색체 이상 검출 방법
CN212032180U (zh) * 2020-01-17 2020-11-27 凌奕 一种自动评估胎儿颈项透明层超声图像质量的系统
CN112733873A (zh) * 2020-09-23 2021-04-30 浙江大学山东工业技术研究院 一种基于深度学习的染色体核型图分类方法及装置
CN112288706B (zh) * 2020-10-27 2022-06-24 武汉大学 一种自动化的染色体核型分析以及异常检测方法
CN112990319A (zh) * 2021-03-18 2021-06-18 武汉互创联合科技有限公司 基于深度学习的染色体整倍性预测系统、方法、终端、介质
CN113408533B (zh) * 2021-08-23 2021-12-10 首都医科大学附属北京妇产医院 基于胎儿超声影像特征组学的染色体异常预测模型的构建方法及诊断设备

Also Published As

Publication number Publication date
CN113408533A (zh) 2021-09-17
WO2023024524A1 (zh) 2023-03-02

Similar Documents

Publication Publication Date Title
EP3916674B1 (en) Brain image segmentation method, apparatus, network device and storage medium
CN107680676B (zh) 一种基于电子病历数据驱动的妊娠期糖尿病预测方法
CN108305671B (zh) 由计算机实现的医学图像调度方法、调度系统及存储介质
CN111681219A (zh) 基于深度学习的新冠肺炎ct图像分类方法、系统及设备
US10521911B2 (en) Identification of defects in imaging scans
Agrawal et al. Assistive framework for automatic detection of all the zones in retinopathy of prematurity using deep learning
CN113077875B (zh) Ct影像的处理方法及装置
Agrawal et al. Deep dive in retinal fundus image segmentation using deep learning for retinopathy of prematurity
Tan et al. The use of explainable artificial intelligence to explore types of fenestral otosclerosis misdiagnosed when using temporal bone high-resolution computed tomography
WO2023198224A1 (zh) 一种精神障碍类磁共振图像初步筛查模型构建方法
Tsietso et al. Multi-input deep learning approach for breast cancer screening using thermal infrared imaging and clinical data
Arroyo et al. No sonographer, no radiologist: New system for automatic prenatal detection of fetal biometry, fetal presentation, and placental location
CN113408533B (zh) 基于胎儿超声影像特征组学的染色体异常预测模型的构建方法及诊断设备
Dan et al. DeepGA for automatically estimating fetal gestational age through ultrasound imaging
Płotka et al. BabyNet++: Fetal birth weight prediction using biometry multimodal data acquired less than 24 hours before delivery
CN116933135A (zh) 基于跨模态融合级联的癌症分期预测模型建模系统及方法
Zhang et al. Value of rehabilitation training for children with cerebral palsy diagnosed and analyzed by computed tomography imaging information features under deep learning
CN113255718B (zh) 一种基于深度学习级联网络方法的宫颈细胞辅助诊断方法
Nalla et al. Influence of Convolutional Neural Network Depth on the Efficacy of Automated Breast Cancer Screening Systems
Ferreira et al. Ensemble learning for fetal ultrasound and maternal–fetal data to predict mode of delivery after labor induction
Ramesh et al. Alzheimer's Disease (AD) Diagnosis from Brain MRI Image using Neural Network Algorithm
Hatanaka et al. Automated lesion detection in retinal images
Zhou Prediction and value of ultrasound image in diagnosis of fetal central nervous system malformation under deep learning algorithm
Ramos Analysis of medical images to support decision-making in the musculoskeletal field
Asha et al. Segmentation and classification of fetal spina bifida using DED with FM2DCN

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