CN113780425A - 一种肾小球滤过率自动计算方法 - Google Patents

一种肾小球滤过率自动计算方法 Download PDF

Info

Publication number
CN113780425A
CN113780425A CN202111070262.1A CN202111070262A CN113780425A CN 113780425 A CN113780425 A CN 113780425A CN 202111070262 A CN202111070262 A CN 202111070262A CN 113780425 A CN113780425 A CN 113780425A
Authority
CN
China
Prior art keywords
filtration rate
glomerular filtration
kidney
dynamic
module
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
Application number
CN202111070262.1A
Other languages
English (en)
Other versions
CN113780425B (zh
Inventor
蔡华伟
章毅
皮勇
赵祯
蒋丽莎
魏建安
郭际香
李林
陈利弘
陈媛媛
张海仙
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.)
Sichuan University
Original Assignee
Sichuan 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 Sichuan University filed Critical Sichuan University
Priority to CN202111070262.1A priority Critical patent/CN113780425B/zh
Publication of CN113780425A publication Critical patent/CN113780425A/zh
Application granted granted Critical
Publication of CN113780425B publication Critical patent/CN113780425B/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
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Epidemiology (AREA)
  • Medical Informatics (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Image Analysis (AREA)
  • Nuclear Medicine (AREA)

Abstract

本发明公开了一种肾小球滤过率自动计算方法，包括步骤：T1：通过肾动态显像图像获取肾小球滤过率GFR值的训练数据；T2：搭建神经网络模型，依次包括：特征提取模块、特征融合模块、回归模块；T3：对搭建的神经网络模型进行训练；T4：使用完成训练的神经网络模型对输入的肾动态显像图像进行肾小球滤过率的自动计算。本发明针对基于每例肾动态显像图像进行肾小球滤过率的计算，这一过程完全由计算机自动完成，仅需输入该次检查时由专业设备采集的肾动态显像图像，不需要其他的人为参数设置和特征指定，提高了基于核医学肾动态检查的肾小球滤过率诊断的精确性与时效性，有一致的处理结果标准以及相当的准确度，便于集成和大规模的应用。

Description

一种肾小球滤过率自动计算方法
技术领域
本发明涉及肾脏疾病诊断领域，具体涉及一种肾小球滤过率自动计算方法。
背景技术
肾脏疾病诊断的影像学方法中应用最多的是超声和核磁共振成像；MRI(MagneticResonance Imaging)，但这二者主要是提供肾脏解剖形态的信息，而无法对肾动态功能状态得出较好的诊断；因此临床常根据血清肌酐、血清尿素、尿酸水平来评估肾功能，但这些报告所得出的信息也是受检者标本所取得时的结果，而非实时的肾功能评估。核医学肾动态显像是将99mTc-DTPA显像剂引入机体，利用放射性探测仪器在体表测得放射性物质在脏器中的动态变化，分析计算机上的时间-放射性曲线，进而评估肾小球滤过率、辅助诊断疾病，是一种无创、简便、可重复的诊断脏器功能的方法，在尿路梗阻原因鉴别、移植前后肾功能监测、肾血管性高血压诊断、慢性肾脏疾病诊断和治疗等多种泌尿系统疾病中都有重要的应用价值。
然而，基于核医学肾动态检查图像的肾小球滤过率GFR(Glomerular FiltrationRate)计算，是对超过20张肾脏显像图像进行人工勾画肾区和背景区，再进行放射性计数统计和比较的。临床实际诊断时仍然存在耗时长、不同操作者对感兴趣区域ROI(region ofinterest)勾画存在差异、经验依赖比重高等问题，如何进一步提高基于核医学肾动态检查的肾小球滤过率诊断的精确性与时效性，成为目前核医学诊断中需要解决的难题。
发明内容
本发明提供了一种肾小球滤过率自动计算方法，不需要人为参数设置和特征指定，提高了肾小球滤过率诊断的精确性，本发明的肾小球滤过率自动计算方法包括以下步骤：
T1：通过肾动态显像图像样本获取肾小球滤过率GFR值的训练数据；
T2：搭建神经网络模型，依次包括：特征提取模块、特征融合模块、回归模块；
T3：使用训练数据对搭建的神经网络模型进行训练；
T4：将原始肾动态显像图像输入完成训练的神经网络模型，进行肾小球滤过率的自动计算。
在现有技术中，同一患者的肾脏显像图像经过不同的数据处理者勾画后往往会得出具有差异性的结论，因为不同的数据处理者可能存在不同的勾画习惯，在面对相同的图像时会在不同层面进行感兴趣区域的勾画。本发明通过搭建合适的深度神经网络模型对肾动态显像图像样本进行训练，得到成熟的神经网络模型，实现计算机针对输入的原始肾动态显像图像自动进行肾小球滤过率的计算。
神经网络的训练往往需要大量带标签的数据，步骤T1具体包括子步骤：
T11：收集由SPECT/CT设备采集的肾动态显像图像样本，从对应的临床报告中分别提取左、右肾的肾小球滤过率GFR值，将提取的左、右肾的肾小球滤过率GFR值与对应的肾动态显像图像关联为一组数据；
T12：将获取的训练数据按比例划分为训练集、验证集和测试集。
肾动态显像采集过程一般包含肾血流灌注成像2s/帧x30帧，肾功能成像1min/帧x20帧，共计50帧图像，21分钟。
每帧图像大小一般为128x128，但是不同设备采集标准不同，有些设备也会使用64x64大小的矩阵保存图像。GFR值的计算非常依赖图像中的原始计数，因此对于不同大小的图像应该分开处理，因此，在获取肾小球滤过率GFR值的训练数据过程中，针对步骤T11所述的由SPECT/CT设备采集的肾动态显像图像样本进行数据预处理：
或选定某一图像大小的肾动态显像图像，剔除其他图像大小的肾动态显像图像；
或将两种大小的图像进行分组，分别建立模型进行训练验证。
GFR值的计算依赖于肾摄取最高峰时的计数，肾摄取最高峰一般出现在图像采集过程中的2-3分钟中，因此，在获取肾小球滤过率GFR值的训练数据过程中，针对步骤T11所述的由SPECT/CT设备采集的肾动态显像图像样本进行数据预处理：选定肾动态显像采集过程中1-4分钟内的图像，剔除肾动态显像采集过程中其他时间段得到的肾动态显像图像。
在上述方案的基础上，进一步地有，在步骤T3所述的训练过程中，神经网络模型的单次训练包括以下子步骤：
T31：特征提取模块对同时输入的多帧肾动态显像图像进行深度特征提取；
T32：特征融合模块对特征提取模块从不同肾动态显像图像上提取到深度特征进行融合；
T33：回归模块对特征融合模块融合后得到的特征进行定量回归。
在上述方案的基础上，进一步地有，步骤T2所述的特征提取模块由多个依次连接的子模块，依次包括一个或多个子模块A、一个或多个子模块B、一个或多个子模块C；
子模块A由单元α和最大池化层Max pooling级联构成；
子模块B由两个单元γ级联构成；
子模块C由单元δ和单元γ级联构成；
其中，单元α包括：级联的卷积层Conv、批标准化层batch norm、线性整流激活函数ReLU；单元β包括：级联的卷积层Conv、批标准化层batch norm；
单元γ包括：级联的单元α、单元β、加法器、线性整流激活函数ReLU，且原始输入通过跳跃机制直接连接加法器；
单元δ包括：级联的单元α、单元β、加法器、线性整流激活函数ReLU，且原始输入还通过跳跃机制连接单元β后连接加法器。
在上述方案的基础上，进一步地有，步骤T2所述的特征提取模块包括依次连接的1个子模块A、1个子模块B和3个子模块C。
在上述方案的基础上，进一步地有，针对GFR的计算依赖于肾动态显像最高一帧的特点，步骤T2所述的特征融合模块选用max特征融合算子，对从不同肾动态显像图像上提取到深度特征进行融合：
Figure BDA0003259953160000031
其中
Figure BDA0003259953160000032
表示特征提取模块从输入的第k帧图像提取到的特征，K为输入的帧数，Fg是K个特征融合后的特征表达。
在上述方案的基础上，进一步地有，步骤T2所述的回归模块包括级联的全局平均池化层Global average pooling和全连接层Fully connected，分别对左、右肾的GFR值进行回归。
在上述方案的基础上，进一步地有，步骤T3和步骤T4之间还包括步骤：
T34：对训练完成的神经网络模型进行定量评价：
Figure BDA0003259953160000033
Figure BDA0003259953160000034
Figure BDA0003259953160000035
其中，RMSE表示均方根误差，MAE表示平均绝对误差，R2表示目标函数，n表示数据总量，i为变量，
Figure BDA0003259953160000036
表示第i个样本的肾小球滤过率GFR模型预测值、
Figure BDA0003259953160000037
表示所有样本的真实肾小球滤过率GFR值的平均值，yi表示第i个样本的真实肾小球滤过率GFR值；
R2的取值在0-1之间，R2的值越大表示模型的准确度越高，通过训练找到一组合适的权值，使得网络的目标函数R2最小。
步骤T4使用步骤T34中评价达标的神经网络模型，对输入的原始肾动态显像图像进行肾小球滤过率的自动计算。
本发明与现有技术相比，具有如下的优点和有益效果：
1.本发明针对基于每例肾动态显像图像进行肾小球滤过率的计算，这一过程完全由计算机自动完成，仅需输入该次检查时由专业设备采集的肾动态显像图像，不需要其他的人为参数设置和特征指定，提高了基于核医学肾动态检查的肾小球滤过率诊断的精确性与时效性。
2.本发明针对肾小球滤过率GFR值的计算依赖于肾动态显像最高一帧的特点，在特征提取阶段同时输入多帧肾动态显像图像，再在特征融合阶段对从不同肾动态显像图像上提取到深度特征进行融合。
3.本发明利用计算机技术来处理肾动态显像图像，自动计算肾小球滤过率，无需医生手动进行感兴趣区域的勾画，可减少人工操作，有一致的处理结果标准以及相当的准确度，便于集成和大规模的应用。
附图说明
为了更清楚地说明本发明示例性实施方式的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。在附图中：
图1为实施例1的神经网络模型结构示意图；
图2为特征提取模块结构示意图；
图3为回归模块结构示意图；
图4为子模块A结构示意图；
图5为子模块B结构示意图；
图6为子模块C结构示意图；
图7为单元α结构示意图；
图8为单元β结构示意图；
图9为单元γ结构示意图；
图10为单元δ结构示意图；
图11为实施例2的神经网络模型结构示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述事实和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，涉及的程序或者所述的程序可以存储于一计算机所可读取存储介质中，该程序在执行时，包括如下步骤：此时引出相应的方法步骤，所述的存储介质可以是ROM/RAM、磁碟、光盘等等。
实施例1：
在本实施例中，一种肾小球滤过率自动计算方法，不需要人为参数设置和特征指定，提高了肾小球滤过率诊断的精确性，具体包括以下步骤：
T1：通过肾动态显像图像获取肾小球滤过率GFR值的训练数据；
T2：如图1所示，搭建神经网络模型，依次包括：特征提取模块、特征融合模块、回归模块；
T3：采用反向传播算法对搭建的神经网络模型进行训练；
T4：使用完成训练的神经网络模型对输入的肾动态显像图像进行肾小球滤过率的自动计算。
在现有技术中，同一患者的肾脏显像图像经过不同的数据处理者勾画后往往会得出具有差异性的结论，因为不同的数据处理者可能存在不同的勾画习惯，在面对相同的图像时会在不同层面进行感兴趣区域的勾画。本发明通过搭建合适的深度神经网络模型对肾动态显像图像进行训练，得到成熟的神经网络模型，实现计算机针对输入的肾动态显像图像自动进行肾小球滤过率的计算。
神经网络的训练往往需要大量带标签的数据，步骤T1具体包括子步骤：
T11：肾动态显像图像采集及GFR值提取：收集由SPECT/CT设备采集的肾动态显像图像，从对应的临床报告中分别提取左、右肾的肾小球滤过率GFR值，将提取的左、右肾的肾小球滤过率GFR值与对应的肾动态显像图像关联为一组数据；
T12：数据集划分：将获取的训练数据按3:1:1的比例划分为训练集、验证集和测试集。
肾动态显像采集过程一般包含肾血流灌注成像2s/帧x30帧，肾功能成像1min/帧x20帧，共计50帧图像，21分钟。
每帧图像大小一般为128x128，但是不同设备采集标准不同，有些设备也会使用64x64大小的矩阵保存图像。GFR值的计算非常依赖图像中的原始计数，因此对于不同大小的图像应该分开处理，因此，在获取肾小球滤过率GFR值的训练数据过程中，针对步骤T11所述的由SPECT/CT设备采集的肾动态显像图像进行数据预处理：
或选定某一图像大小的肾动态显像图像，剔除其他图像大小的肾动态显像图像；
或将两种大小的图像进行分组，分别建立模型进行训练验证。
GFR值的计算依赖于肾摄取最高峰时的计数，肾摄取最高峰一般出现在图像采集过程中的2-3分钟中，因此，在获取肾小球滤过率GFR值的训练数据过程中，针对步骤T11所述的由SPECT/CT设备采集的肾动态显像图像进行数据预处理：选定肾动态显像采集过程中1-4分钟内的图像，剔除肾动态显像采集过程中其他时间段得到的肾动态显像图像。
优选的，在步骤T3所述的训练过程中，神经网络模型的单次训练包括以下子步骤：
T31：如图1所示，特征提取模块对同时输入的原始多帧肾动态显像图像进行深度特征提取；
T32：特征融合模块对特征提取模块从不同肾动态显像图像上提取到深度特征进行融合；
T33：回归模块对特征融合模块融合后得到的特征进行定量回归。
优选的，步骤T2所述的特征提取模块由多个依次连接的子模块，依次包括一个或多个子模块A、一个或多个子模块B、一个或多个子模块C；
如图4所示，子模块A由单元α和最大池化层Max pooling级联构成；
如图5所示，子模块B由两个单元γ级联构成；
如图6所示，子模块C由单元δ和单元γ级联构成；
其中，如图7所示，单元α包括：级联的卷积层Conv(Convolutional layer)、批标准化层batch norm(Batch Normalization)、线性整流激活函数ReLU；如图8所示，单元β包括：级联的卷积层Conv、批标准化层batch norm；
如图9所示，单元γ包括：级联的单元α、单元β、加法器、线性整流激活函数ReLU，且原始输入通过跳跃机制直接连接加法器；
如图10所示，单元δ包括：级联的单元α、单元β、加法器、线性整流激活函数ReLU，且原始输入还通过跳跃机制连接单元β后连接加法器。
优选的，如图2所示，步骤T2所述的特征提取模块包括依次连接的1个子模块A、1个子模块B和3个子模块C。
优选的，针对GFR的计算依赖于肾动态显像最高一帧的特点，步骤T2所述的特征融合模块选用max特征融合算子，对从不同肾动态显像图像上提取到深度特征进行融合：
Figure BDA0003259953160000071
其中
Figure BDA0003259953160000072
表示特征提取模块从输入的第k帧图像提取到的特征，K为输入的帧数，Fg是K个特征融合后的特征表达。
优选的，如图3所示，步骤T2所述的回归模块包括级联的全局平均池化层Globalaverage pooling和全连接层Fully connected(Fully connected layer)，分别对左、右肾的GFR值进行回归。
优选的，步骤T3和步骤T4之间还包括步骤：
T34：对训练完成的神经网络模型进行定量评价：
Figure BDA0003259953160000073
Figure BDA0003259953160000074
Figure BDA0003259953160000075
其中，RMSE表示均方根误差，MAE表示平均绝对误差，R2表示目标函数，n表示数据总量，i为变量，
Figure BDA0003259953160000076
表示第i个样本的肾小球滤过率GFR模型预测值、
Figure BDA0003259953160000077
表示所有样本的真实肾小球滤过率GFR值的平均值，yi表示第i个样本的真实肾小球滤过率GFR值；
R2的取值在0-1之间，R2的值越大表示模型的准确度越高，通过训练找到一组合适的权值，使得网络的目标函数R2最小。
步骤T4使用步骤T34中评价达标的神经网络模型，对输入的肾动态显像图像进行肾小球滤过率的自动计算。
为了进一步实现本发明的目的，本发明还提出了第二个实施例。
实施例2：
如图11所示，在实施例1的基础上，在实施例2的神经网络模型结构中，子模块A中的卷积层Conv为卷积核大小为7*7、步长为2的卷积层，最大池化层Max pooling为步长为2的最大池化层。
子模块B中的所有卷积层Conv均为卷积核大小为3*3、步长为1的卷积层；
子模块C中的单元α的卷积层Conv为卷积核大小为3*3、步长为2的卷积层；单元β1、单元γ内的所有卷积层Conv均为卷积核大小为3*3、步长为1的卷积层；单元β2内的卷积层Conv为卷积核大小为1*1、步长为2的卷积层。
回归模块中的全连接层Fully connected为输入为512个神经元、输出为2个神经元的全连接层。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，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他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种肾小球滤过率自动计算方法，其特征在于，包括以下步骤：
T1：通过肾动态显像图像样本获取肾小球滤过率GFR值的训练数据；
T2：搭建神经网络模型，依次包括：特征提取模块、特征融合模块、回归模块；
T3：使用训练数据对搭建的神经网络模型进行训练；
T4：将原始肾动态显像图像输入完成训练的神经网络模型，进行肾小球滤过率的自动计算。
2.根据权利要求1所述的一种肾小球滤过率自动计算方法，其特征在于，步骤T1具体包括子步骤：
T11：收集由SPECT/CT设备采集的肾动态显像图像样本，从对应的临床报告中分别提取左、右肾的肾小球滤过率GFR值，将提取的左、右肾的肾小球滤过率GFR值与对应的肾动态显像图像样本关联为一组数据；
T12：将获取的训练数据按比例划分为训练集、验证集和测试集。
3.根据权利要求2所述的一种肾小球滤过率自动计算方法，其特征在于，在获取肾小球滤过率GFR值训练数据的过程中，针对步骤T11所述的由SPECT/CT设备采集的肾动态显像图像样本进行数据预处理：选定某一图像大小的肾动态显像图像，剔除其他图像大小的肾动态显像图像。
4.根据权利要求2所述的一种肾小球滤过率自动计算方法，其特征在于，在获取肾小球滤过率GFR值的训练数据过程中，针对步骤T11所述的由SPECT/CT设备采集的肾动态显像图像样本进行数据预处理：选定肾动态显像采集过程中1-4分钟内的图像，剔除肾动态显像采集过程中其他时间段得到的肾动态显像图像。
5.根据权利要求1所述的一种肾小球滤过率自动计算方法，其特征在于，在步骤T3所述的训练过程中，神经网络模型的单次训练包括以下子步骤：
T31：特征提取模块对同时输入的多帧肾动态显像图像进行深度特征提取；
T32：特征融合模块对特征提取模块从不同肾动态显像图像上提取到深度特征进行融合；
T33：回归模块对特征融合模块融合后得到的特征进行定量回归。
6.根据权利要求1所述的一种肾小球滤过率自动计算方法，其特征在于，步骤T2所述的特征提取模块由多个级联的子模块构成，依次包括：一个或多个子模块A、一个或多个子模块B、一个或多个子模块C；
子模块A由单元α、最大池化层Max pooling级联构成；
子模块B由两个单元γ级联构成；
子模块C由单元δ、单元γ级联构成；
其中，单元α包括：级联的卷积层Conv、批标准化层batch norm、线性整流激活函数ReLU；单元β包括：级联的卷积层Conv、批标准化层batch norm；
单元γ包括：级联的单元α、单元β、加法器、线性整流激活函数ReLU，且原始输入通过跳跃机制直接连接加法器；
单元δ包括：级联的单元α、单元β、加法器、线性整流激活函数ReLU，且原始输入还通过跳跃机制连接单元β后连接加法器。
7.根据权利要求6所述的一种肾小球滤过率自动计算方法，其特征在于，步骤T2所述的特征提取模块包括依次连接的1个子模块A、1个子模块B和3个子模块C。
8.根据权利要求1所述的一种肾小球滤过率自动计算方法，其特征在于，步骤T2所述的特征融合模块对从不同肾动态显像图像上提取到深度特征进行融合：
Figure FDA0003259953150000021
其中
Figure FDA0003259953150000022
表示特征提取模块从输入的第k帧图像提取到的特征，K为输入的帧数，Fg是K个特征融合后的特征表达。
9.根据权利要求1所述的一种肾小球滤过率自动计算方法，其特征在于，步骤T2所述的回归模块包括级联的全局平均池化层Global average pooling和全连接层Fullyconnected。
10.根据权利要求1所述的一种肾小球滤过率自动计算方法，其特征在于，步骤T3和步骤T4之间还包括步骤：
T34：对训练完成的神经网络模型进行定量评价：
Figure FDA0003259953150000023
Figure FDA0003259953150000024
Figure FDA0003259953150000025
其中，RMSE表示均方根误差，MAE表示平均绝对误差，R2表示目标函数，n表示数据总量，i为变量，
Figure FDA0003259953150000026
表示第i个样本的肾小球滤过率GFR模型预测值、
Figure FDA0003259953150000027
表示所有样本的真实肾小球滤过率GFR值的平均值，yi表示第i个样本的真实肾小球滤过率GFR值；
R2的取值在0-1之间，R2的值越大表示模型的准确度越高，通过训练找到使得网络的目标函数R2最小的一组权值；
步骤T4使用步骤T34中评价达标的神经网络模型，对输入的原始肾动态显像图像进行肾小球滤过率的自动计算。
CN202111070262.1A 2021-09-13 2021-09-13 一种肾小球滤过率自动计算方法 Active CN113780425B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111070262.1A CN113780425B (zh) 2021-09-13 2021-09-13 一种肾小球滤过率自动计算方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111070262.1A CN113780425B (zh) 2021-09-13 2021-09-13 一种肾小球滤过率自动计算方法

Publications (2)

Publication Number Publication Date
CN113780425A true CN113780425A (zh) 2021-12-10
CN113780425B CN113780425B (zh) 2023-07-21

Family

ID=78843187

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111070262.1A Active CN113780425B (zh) 2021-09-13 2021-09-13 一种肾小球滤过率自动计算方法

Country Status (1)

Country Link
CN (1) CN113780425B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109378054A (zh) * 2018-12-13 2019-02-22 山西医科大学第医院 一种多模态图像辅助诊断系统及其搭建方法
CN110060234A (zh) * 2019-03-21 2019-07-26 山西医科大学第一医院 基于spect断层图像计算肾脏gfr值的方法和装置
US20190237186A1 (en) * 2014-04-02 2019-08-01 University Of Louisville Research Foundation, Inc. Computer aided diagnosis system for classifying kidneys
CN111781292A (zh) * 2020-07-15 2020-10-16 四川大学华西医院 一种基于深度学习模型的尿液蛋白质组学谱图数据分析系统
CN112270660A (zh) * 2020-09-30 2021-01-26 四川大学 基于深度神经网络的鼻咽癌放疗靶区自动分割方法
CN112669320A (zh) * 2021-03-22 2021-04-16 四川大学 一种基于深度神经网络的spect甲状腺显像智能识别方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190237186A1 (en) * 2014-04-02 2019-08-01 University Of Louisville Research Foundation, Inc. Computer aided diagnosis system for classifying kidneys
CN109378054A (zh) * 2018-12-13 2019-02-22 山西医科大学第医院 一种多模态图像辅助诊断系统及其搭建方法
CN110060234A (zh) * 2019-03-21 2019-07-26 山西医科大学第一医院 基于spect断层图像计算肾脏gfr值的方法和装置
CN111781292A (zh) * 2020-07-15 2020-10-16 四川大学华西医院 一种基于深度学习模型的尿液蛋白质组学谱图数据分析系统
CN112270660A (zh) * 2020-09-30 2021-01-26 四川大学 基于深度神经网络的鼻咽癌放疗靶区自动分割方法
CN112669320A (zh) * 2021-03-22 2021-04-16 四川大学 一种基于深度神经网络的spect甲状腺显像智能识别方法

Non-Patent Citations (10)

* Cited by examiner, † Cited by third party
Title
JUNYOUNG PARK等: "Measurement of Glomerular Filtration rate using Quantitative SPECT/CT and Deep-learning-based Kidney Segmentation", 《SCIENTIFIC REPORTS》 *
LI N等: "Improving accuracy of estimation glomerular filtration rate using artificial neural network:model development and validation", 《JOURNAL OF TRANSLATIONAL MEDICINE》 *
XU J等: "Evaluation of Glomerular Filtration rate in Chronic Kidney Disease by Radial Basis Function Neural network", 《TRANSPLATATION PROCEDINGS》 *
YONG PI等: "Deep regression using 99mTC-DTPA dynamic renal imaging for automatic calculation of the glomerular filtration rate", 《EUR RADIOL.》 *
ZHAO,ZHEN等: "Deep neural network based artificial intelligence assisted diagnosis of bone scintigraphy for cancer bone metastasis", 《SCIENTIFIC REPORTS》 *
唐江涛;李立新;冯伟华;杨滨;李林徽;刘新乐;王兰兰;: "免疫固定电泳和血轻链比值诊断以肾脏损伤为首发症状的多发性骨髓瘤的价值", 四川大学学报(医学版) *
梁哲: "改进的RBF神经网络在肾小球滤过率估算中的应用", 《中国优秀硕士学位论文全文数据库 信息科技辑（月刊）》 *
邹海英;李智;杨帆;: "基于特征选择的自适应模糊神经网络在肾小球滤过率中的应用", 软件导刊 *
陈有维;万福俊;何乐愚;陈杰;蒋阳;: "BP神经网络用于评估肾小球滤过率的研究", 临床医学 *
项希桥;: "SPECT肾动态显像评估肾功能的临床价值", 实用临床医药杂志 *

Also Published As

Publication number Publication date
CN113780425B (zh) 2023-07-21

Similar Documents

Publication Publication Date Title
US11748889B2 (en) Brain image segmentation method and apparatus, network device, and storage medium
CN114820654A (zh) 血管分割方法、装置、医疗影像设备及存储介质
CN111951280B (zh) 图像分割方法、装置、设备及存储介质
CN110363760B (zh) 用于识别医学图像的计算机系统
US20210327051A1 (en) Method, computer device and storage medium of fundus oculi image analysis
CN110874860B (zh) 基于混合损失函数的对称监督模型的目标提取方法
CN110570409B (zh) 基于混合卷积网络获取胎儿四腔心切面心动周期视频方法
CN110604597B (zh) 基于超声四腔心切面智能获取胎儿心动周期图像的方法
CN106066934A (zh) 一种基于Spark平台的阿尔茨海默病早期辅助诊断系统
CN110473167A (zh) 一种基于深度学习的尿沉渣图像识别系统及方法
Sholeh White blood cell segmentation for fresh blood smear images
Liu et al. ISE-YOLO: Improved squeeze-and-excitation attention module based YOLO for blood cells detection
CN113780425B (zh) 一种肾小球滤过率自动计算方法
CN109726753A (zh) 基于时间信号曲线的灌注动态影像的分割方法及系统
CN112801940A (zh) 模型评测方法、装置、设备及介质
Raff et al. Quantitation of grey matter, white matter, and cerebrospinal fluid from spin‐echo magnetic resonance images using an artificial neural network technique
CN112861958A (zh) 对肾脏病免疫荧光图片进行识别分类的方法及装置
CN116543154A (zh) 一种基于多层次语义特征的医学影像分割方法
CN114581425B (zh) 一种基于深度神经网络的心肌段缺损图像处理方法
CN114926396B (zh) 一种精神障碍类磁共振图像初步筛查模型构建方法
Rahnamayan et al. Tissue segmentation in medical images based on image processing chain optimization
Aribi et al. An automated system for the segmentation of dynamic scintigraphic images
Nasution et al. Comparison of red blood cells counting using two algorithms: Connected component labeling and backprojection of artificial neural network
CN113160261A (zh) 一种用于oct图像角膜层分割的边界增强卷积神经网络
CN110706803A (zh) 一种确定心肌纤维化的方法、装置、可读介质及电子设备

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