CN114938974A - 一种基于超声弹性技术预测胰瘘风险的方法及系统 - Google Patents
一种基于超声弹性技术预测胰瘘风险的方法及系统 Download PDFInfo
- Publication number
- CN114938974A CN114938974A CN202210629679.5A CN202210629679A CN114938974A CN 114938974 A CN114938974 A CN 114938974A CN 202210629679 A CN202210629679 A CN 202210629679A CN 114938974 A CN114938974 A CN 114938974A
- Authority
- CN
- China
- Prior art keywords
- risk
- pancreatic fistula
- pancreatic
- prediction model
- fistula
- 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.)
- Pending
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/48—Diagnostic techniques
- A61B8/485—Diagnostic techniques involving measuring strain or elastic properties
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/08—Detecting organic movements or changes, e.g. tumours, cysts, swellings
- A61B8/0833—Detecting organic movements or changes, e.g. tumours, cysts, swellings involving detecting or locating foreign bodies or organic structures
- A61B8/085—Detecting organic movements or changes, e.g. tumours, cysts, swellings involving detecting or locating foreign bodies or organic structures for locating body or organic structures, e.g. tumours, calculi, blood vessels, nodules
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/5215—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/5215—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data
- A61B8/5223—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data for extracting a diagnostic or physiological parameter from medical diagnostic data
-
- 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
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Surgery (AREA)
- Heart & Thoracic Surgery (AREA)
- Radiology & Medical Imaging (AREA)
- Molecular Biology (AREA)
- Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Biophysics (AREA)
- Veterinary Medicine (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Vascular Medicine (AREA)
- Physiology (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本发明涉及一种基于超声弹性技术预测胰瘘风险的方法及系统,属于医学影像技术领域。方法包括:获取临床实证的围手术期胰瘘风险因素,对所述风险因素进行评估,确定待选因素;根据所述待选因素,构建预测胰瘘风险的初期预测模型;对所述初期预测模型进行验证和优化,得到最优胰瘘风险预测模型;术前采集多模态超声影像,得到预测胰瘘风险所需的参数数据,将所述参数数据输入所述最优胰瘘风险预测模型中,预测胰瘘发生的可能性。本发明以超声弹性技术测量术前胰腺组织弹性值数据为依托,建立超声可视化定量预测胰腺切除术后胰瘘风险的新模型,预测准确率高,为临床决策提供可靠信息。
Description
技术领域
本发明属于医学影像技术领域,尤其涉及一种基于超声弹性技术预测胰瘘风险的方法及系统。
背景技术
胰十二指肠切除术是治疗壶腹周围恶性肿瘤、癌前病变和部分良性肿瘤的标准术式。术后胰瘘(Pancreatic Fistula)是胰腺切除术后危及患者生命的主要并发症,发生率为3%-45%。对术后胰瘘的预测和防治仍是胰腺外科的难题之一,建立完善的术前预测体系,定量分析胰腺肿瘤患者术后胰瘘发生的风险,选择适合个体的诊疗计划,对高危人群采取相应的术前预防措施及术后监护手段,是近年来临床研究热点。
研究显示,术后胰瘘的发生是多种因素相互作用的结果,其病理生理机制十分复杂。其发生的危险因素进行包括:BMI过高(BMI≥25kg/m2)、血清白蛋白过低(<25g/L)、高龄(>65岁)、胰腺质地软、胰管过细(<3mm)、手术时间长(>5h)、术中出血量大(>1000mL)等。根据最新的美国外科协会的推荐,胰瘘风险评分(FRS)旨在提供外科医生一个简单,实时的定量风险评估工具决策方法。在所有的术前预测指标中,胰腺硬度的评估尚缺乏客观定量的指标,更多的时候是依赖于外科医生术中触诊的手感和经验判断,主观性较强,极易造成判断的差异。另外对于目前最新的腹腔镜手术及达芬奇机器人手术而言,无法通过术中触觉评估胰腺硬度。如何简单、准确、无创、可重复地术前量化评估胰腺质地及纤维化程度,预测术后可能发生胰瘘的风险,是提高患者的预后的重要手段。胰腺癌的手术治疗正迫切需要一个重复性强、稳定可依赖、确切可靠以及经济适用的影像学评价方法,以此准确预测术后胰瘘的发生可能性。影像学在胰腺癌患者的病灶检出、诊断和分期方面的作用已经得到了临床充分的验证和应用。然而,目前临床尚无精准、有效地无创预测胰瘘发生的敏感影像学方法。然而,目前对于胰瘘风险指标的定量评估尚缺乏客观有效的方法,更多时候是仰赖临床医师的经验判断,例如在开腹术中凭借触诊胰腺的方式,对胰腺质地进行定性评估,不仅容易存在观察者间差异、结果难以量化,缺乏术前预测的可能性。因此,探索一种能够早期敏感、准确无创、定量预测胰腺切除手术后并发胰瘘风险的方法十分重要。
发明内容
本发明的主要目的在于克服现有技术的缺点与不足,提供一种基于超声弹性技术预测胰瘘风险的方法及系统,以超声弹性技术测量术前胰腺组织弹性值数据为依托,建立超声可视化定量预测胰腺切除术后胰瘘风险的新模型,预测准确率高,为临床决策提供可靠信息。
根据本发明的一个方面,本发明提供了一种基于超声弹性技术预测胰瘘风险的方法,所述方法包括以下步骤:
S1:获取临床实证的围手术期胰瘘风险因素,对所述风险因素进行评估,确定待选因素;
S2:根据所述待选因素,构建预测胰瘘风险的初期预测模型;
S3:对所述初期预测模型进行验证和优化,得到最优胰瘘风险预测模型;
S4:术前采集多模态超声影像,得到预测胰瘘风险所需的参数数据,将所述参数数据输入所述最优胰瘘风险预测模型中,预测胰瘘发生的可能性。
优选地,所述胰瘘风险因素包括:
性别、年龄、BMI指数、接受手术类型、病变大小、是否存在主胰管扩张直径MPD减小和超声剪切波量化的胰腺体部超声弹性值SWV。
优选地,所述对所述风险因素进行评估,确定待选因素包括:
使用T检验或U检验比较发生胰瘘患者和未发生胰瘘患者、或不同等级胰瘘患者间待选风险因素的差异性,或应用逻辑回归检验,评估每一风险因素与发生胰瘘的相关性,从而确定待选因素。
优选地,所述根据所述待选因素,构建预测胰瘘风险的初期预测模型包括:
根据经过检验确定的与胰瘘发生风险具有显著相关性的因素,构建初期预测模型,所述初期预测模型为多因素逻辑回归模型。
优选地,所述对所述初期预测模型进行验证和优化,得到最优胰瘘风险预测模型包括:
采用留一交互验证法对所述初期预测模型进行验证和优化,得到最优胰瘘风险预测模型,所述最优胰瘘风险预测模型为:
其中,Probability表示胰瘘风险预测可能性,MPD diameter为主胰管扩张内径,SWV为胰腺体部超声弹性值。
优选地,所述术前采集多模态超声影像,得到预测胰瘘风险所需的参数数据包括:
将预定大小的弹性取样框置于胰腺感兴趣区域,冻结弹性成像图像质量满足预设条件的图像,分别对胰腺病灶及胰腺实质进行多次胰腺体部超声弹性值测量,对多次的测量值进行处理后作为最终的测量结果。
根据本发明的另一个方面,本发明还提供了一种基于超声弹性技术预测胰瘘风险的系统,所述系统包括:
获取模块,用于获取临床实证的围手术期胰瘘风险因素,对所述风险因素进行评估,确定待选因素;
构建模块,用于根据所述待选因素,构建预测胰瘘风险的初期预测模型;
优化模块,用于对所述初期预测模型进行验证和优化,得到最优胰瘘风险预测模型;
预测模块,用于术前采集多模态超声影像,得到预测胰瘘风险所需的参数数据,将所述参数数据输入所述最优胰瘘风险预测模型中,预测胰瘘发生的可能性。
优选地,所述构建模块根据所述待选因素,构建预测胰瘘风险的初期预测模型包括:
根据经过检验确定的与胰瘘发生风险具有显著相关性的因素,构建初期预测模型,所述初期预测模型为多因素逻辑回归模型。
优选地,所述优化模块对所述初期预测模型进行验证和优化,得到最优胰瘘风险预测模型包括:
采用留一交互验证法对所述初期预测模型进行验证和优化,得到最优胰瘘风险预测模型,所述最优胰瘘风险预测模型为:
其中,Probability表示胰瘘风险预测可能性,MPD diameter为主胰管扩张内径,SWV为胰腺体部超声弹性值。
优选地,所述预测模块术前采集多模态超声影像,得到预测胰瘘风险所需的参数数据包括:
将预定大小的弹性取样框置于胰腺感兴趣区域,冻结弹性成像图像质量满足预设条件的图像,分别对胰腺病灶及胰腺实质进行多次胰腺体部超声弹性值测量,对多次的测量值进行处理后作为最终的测量结果。
有益效果:本发明通过引进超声剪切波弹性定量技术取代既往依赖术中对胰腺直接触诊的定性评估,结合对临床风险指标的多因素综合评价,实现真正临床可用的术前、无创、定量评估胰腺切除手术后并发胰瘘的风险,使预测模型的效力与精确度最大化。
通过参照以下附图及对本发明的具体实施方式的详细描述,本发明的特征及优点将会变得清楚。
附图说明
图1是基于超声弹性技术预测胰瘘风险的方法流程图;
图2是胰腺术前肿瘤及其周边组织超声弹性值的获取示意图;
图3是基于超声弹性技术预测胰瘘风险的系统示意图。
具体实施方式
下面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,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1
图1是基于超声弹性技术预测胰瘘风险的方法流程图。如图1所示,本发明提供了一种基于超声弹性技术预测胰瘘风险的方法,所述方法包括以下步骤:
S1:获取临床实证的围手术期胰瘘风险因素,对所述风险因素进行评估,确定待选因素。
优选地,所述胰瘘风险因素包括:性别、年龄、BMI指数、接受手术类型、病变大小、是否存在主胰管扩张直径MPD减小和超声剪切波量化的胰腺体部超声弹性值SWV。
具体地,围手术期是围绕手术的一个全过程,从病人决定接受手术治疗开始,到手术治疗直至基本康复,包含手术前、手术中及手术后的一段时间。
纳入的胰瘘风险因素是根据2016International Study Group of PancreaticFistula(2016ISGPF)推荐、胰腺外科手术指南建议,并在临床模型的搭建中进行验证的高相关性指标,待选因素包括:性别、年龄、BMI指数、接受手术类型(胰十二指肠切除术/远端胰腺切除术)、病变大小(mm)、是否存在MPD直径减小(≤3mm)和超声剪切波量化的胰腺质地(SWV值,m/s)。
优选地,所述对所述风险因素进行评估,确定待选因素包括:
使用T检验或U检验比较发生胰瘘患者和未发生胰瘘患者、或不同等级胰瘘患者间待选风险因素的差异性,或应用逻辑回归检验,评估每一风险因素与发生胰瘘的相关性,从而确定待选因素。
具体地,胰腺切除术后7-14天为并发胰瘘的高峰期,期间通过随访密切注意是否出现胰瘘相关的临床表现及患者生命体征的变化。术后胰瘘的诊断标准依照2016ISGPF的标准:经过完整的术后3周的随访,若在引流液淀粉酶大于诊断阈值(3倍正常值上限以上)同时出现感染相关症状体征,患者则会被诊断为临床胰瘘(Clinical Fistula,Grade Bpancreatic fistula);若患者出现需要再入院的情形或死亡时,则诊断为C级胰瘘(GradeC pancreatic fistula)。CT、ERCP、瘘管造影等辅助检查,可用于协助随访术后胰瘘发生与否。用于评估胰瘘风险的待选因素有:根据术后随访结果胰瘘发生与否和术前采集待选风险因素数据,可使用T检验或U检验比较发生胰瘘患者和未发生胰瘘患者、或不同等级胰瘘患者间待选风险因素的差异性;或应用逻辑回归检验,评估每一风险因素与发生胰瘘的相关性。
S2:根据所述待选因素,构建预测胰瘘风险的初期预测模型。
优选地,所述根据所述待选因素,构建预测胰瘘风险的初期预测模型包括:根据经过检验确定的与胰瘘发生风险具有显著相关性的因素,构建初期预测模型,所述初期预测模型为多因素逻辑回归模型。
具体地,对于上述检验中对胰瘘发生风险具有明显显著相关性的因素,纳入多因素逻辑回归并使用逐步回归法将多因素回归中仍具有显著性的因素用于构建模型。最终模型为结合独立预测因子的多因素逻辑回归模型,其对应参数应由纳入患者数据拟合得出,使用时输入对应因素的数值计算出胰瘘风险概率。
建模使用的参数包括:1)术前:BMI指数、术前血清γ-GGT、胰管直径、胰腺肿瘤及周边正常组织的超声弹性VTIQ测值。2)术中:手术持续时间、失血量;3)术后:胰腺肿瘤的病理结果良性/恶性。
S3:对所述初期预测模型进行验证和优化,得到最优胰瘘风险预测模型。
优选地,所述对所述初期预测模型进行验证和优化,得到最优胰瘘风险预测模型包括:采用留一交互验证法对所述初期预测模型进行验证和优化,得到最优胰瘘风险预测模型,所述最优胰瘘风险预测模型为:
其中,Probability表示胰瘘风险预测可能性,MPD diameter为主胰管扩张内径,SWV为胰腺体部超声弹性值。
具体地,初期预测模型采用留一交互验证法,用以模拟模型建立后对新增单个患者的预测效能。即对于已有病例采用总体样本量N–1个病例于模型建立并用以预测剩下一例病例的胰瘘风险,重复N次直至每个病例具有由上述方法建立的模型预测概率。在初期预测模型的基础上设计新的前瞻性队列,在进一步临床实际应用过程中验证预测模型的诊断效力与临床获益,并根据新纳入患者数据和随访结果,按上述方法所得出的风险因子进行模型更新,使得模型参数得以贴近新的病例数据。同时,与既往基于围手术期的模型相比较,在不降低预测效能的前提下,实现真正的术前无创预测。
S4:术前采集多模态超声影像,得到预测胰瘘风险所需的参数数据,将所述参数数据输入所述最优胰瘘风险预测模型中,预测胰瘘发生的可能性。
优选地,所述术前采集多模态超声影像,得到预测胰瘘风险所需的参数数据包括:
将预定大小的弹性取样框置于胰腺感兴趣区域,冻结弹性成像图像质量满足预设条件的图像,分别对胰腺病灶及胰腺实质进行多次胰腺体部超声弹性值测量,对多次的测量值进行处理后作为最终的测量结果。
受检者取仰卧位,先采用常规超声评估胰腺肿瘤的内部回声、彩色血流信号。待观察区域超声图像稳定后,选择最佳观察切面,嘱患者放松,屏住呼吸,选择VT按钮切换至VTIQ超声剪切波弹性成像模式,将10mm×10mm弹性取样框置于门静脉前方胰腺体部,注意避开胰腺周围的大血管及肿瘤内部坏死区。当弹性取样框内颜色显示为均匀绿色时,表示弹性成像图像质量IQR满意,冻结图像,进行SWV(m/sec)测量。分别对胰腺肿瘤及同一深度的门静脉前方胰腺体部组织测量3次,取其平均值。获得ROI内胰腺病灶的弹性值SWV(单位m/sec),重复检测3次,取3次测量值的中位数。获得周边同一深度正常胰腺实质的弹性值SWV(单位m/sec),重复检测3次,取3次测量值的中位数,如图2所示。计算胰腺肿瘤与周边胰腺实质的弹性值比率,输入至术前无创临床胰瘘预测模型,获取该患者胰瘘发生的可能性。
本实施例通过引进超声剪切波弹性定量技术取代既往依赖术中对胰腺直接触诊的定性评估,结合对临床风险指标的多因素综合评价,实现真正临床可用的术前、无创、定量评估胰腺切除手术后并发胰瘘的风险,使预测模型的效力与精确度最大化。
实施例2
图3是基于超声弹性技术预测胰瘘风险的系统示意图。如图3所示,本发明还提供了一种基于超声弹性技术预测胰瘘风险的系统,所述系统包括:
获取模块301,用于获取临床实证的围手术期胰瘘风险因素,对所述风险因素进行评估,确定待选因素;
构建模块302,用于根据所述待选因素,构建预测胰瘘风险的初期预测模型;
优化模块303,用于对所述初期预测模型进行验证和优化,得到最优胰瘘风险预测模型;
预测模块304,用于术前采集多模态超声影像,得到预测胰瘘风险所需的参数数据,将所述参数数据输入所述最优胰瘘风险预测模型中,预测胰瘘发生的可能性。
优选地,所述构建模块302根据所述待选因素,构建预测胰瘘风险的初期预测模型包括:
根据经过检验确定的与胰瘘发生风险具有显著相关性的因素,构建初期预测模型,所述初期预测模型为多因素逻辑回归模型。
优选地,所述优化模块303对所述初期预测模型进行验证和优化,得到最优胰瘘风险预测模型包括:
采用留一交互验证法对所述初期预测模型进行验证和优化,得到最优胰瘘风险预测模型,所述最优胰瘘风险预测模型为:
其中,Probability表示胰瘘风险预测可能性,MPD diameter为主胰管扩张内径,SWV为胰腺体部超声弹性值。
优选地,所述预测模块304术前采集多模态超声影像,得到预测胰瘘风险所需的参数数据包括:
将预定大小的弹性取样框置于胰腺感兴趣区域,冻结弹性成像图像质量满足预设条件的图像,分别对胰腺病灶及胰腺实质进行多次胰腺体部超声弹性值测量,对多次的测量值进行处理后作为最终的测量结果。
本实施例2中各个模块所实现的功能的具体实施过程与实施例1中的实施过程相同,在此不再赘述。
以上所述仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是在本发明的构思下,利用本发明说明书及附图内容所作的等效结构变换,或直接/间接运用在其他相关的技术领域均包括在本发明的专利保护范围内。
Claims (10)
1.一种基于超声弹性技术预测胰瘘风险的方法,其特征在于,所述方法包括以下步骤:
S1:获取临床实证的围手术期胰瘘风险因素,对所述风险因素进行评估,确定待选因素;
S2:根据所述待选因素,构建预测胰瘘风险的初期预测模型;
S3:对所述初期预测模型进行验证和优化,得到最优胰瘘风险预测模型;
S4:术前采集多模态超声影像,得到预测胰瘘风险所需的参数数据,将所述参数数据输入所述最优胰瘘风险预测模型中,预测胰瘘发生的可能性。
2.根据权利要求1所述的方法,其特征在于,所述胰瘘风险因素包括:
性别、年龄、BMI指数、接受手术类型、病变大小、是否存在主胰管扩张直径MPD减小和超声剪切波量化的胰腺体部超声弹性值SWV。
3.根据权利要求2所述的方法,其特征在于,所述对所述风险因素进行评估,确定待选因素包括:
使用T检验或U检验比较发生胰瘘患者和未发生胰瘘患者、或不同等级胰瘘患者间待选风险因素的差异性,或应用逻辑回归检验,评估每一风险因素与发生胰瘘的相关性,从而确定待选因素。
4.根据权利要求3所述的方法,其特征在于,所述根据所述待选因素,构建预测胰瘘风险的初期预测模型包括:
根据经过检验确定的与胰瘘发生风险具有显著相关性的因素,构建初期预测模型,所述初期预测模型为多因素逻辑回归模型。
6.根据权利要求1所述的方法,其特征在于,所述术前采集多模态超声影像,得到预测胰瘘风险所需的参数数据包括:
将预定大小的弹性取样框置于胰腺感兴趣区域,冻结弹性成像图像质量满足预设条件的图像,分别对胰腺病灶及胰腺实质进行多次胰腺体部超声弹性值测量,对多次的测量值进行处理后作为最终的测量结果。
7.一种基于超声弹性技术预测胰瘘风险的系统,其特征在于,所述系统包括:
获取模块,用于获取临床实证的围手术期胰瘘风险因素,对所述风险因素进行评估,确定待选因素;
构建模块,用于根据所述待选因素,构建预测胰瘘风险的初期预测模型;
优化模块,用于对所述初期预测模型进行验证和优化,得到最优胰瘘风险预测模型;
预测模块,用于术前采集多模态超声影像,得到预测胰瘘风险所需的参数数据,将所述参数数据输入所述最优胰瘘风险预测模型中,预测胰瘘发生的可能性。
8.根据权利要求7所述的系统,其特征在于,所述构建模块根据所述待选因素,构建预测胰瘘风险的初期预测模型包括:
根据经过检验确定的与胰瘘发生风险具有显著相关性的因素,构建初期预测模型,所述初期预测模型为多因素逻辑回归模型。
10.根据权利要求7所述的系统,其特征在于,所述预测模块术前采集多模态超声影像,得到预测胰瘘风险所需的参数数据包括:
将预定大小的弹性取样框置于胰腺感兴趣区域,冻结弹性成像图像质量满足预设条件的图像,分别对胰腺病灶及胰腺实质进行多次胰腺体部超声弹性值测量,对多次的测量值进行处理后作为最终的测量结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210629679.5A CN114938974A (zh) | 2022-06-06 | 2022-06-06 | 一种基于超声弹性技术预测胰瘘风险的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210629679.5A CN114938974A (zh) | 2022-06-06 | 2022-06-06 | 一种基于超声弹性技术预测胰瘘风险的方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114938974A true CN114938974A (zh) | 2022-08-26 |
Family
ID=82909830
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210629679.5A Pending CN114938974A (zh) | 2022-06-06 | 2022-06-06 | 一种基于超声弹性技术预测胰瘘风险的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114938974A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116999092A (zh) * | 2023-08-18 | 2023-11-07 | 上海交通大学医学院附属第九人民医院 | 基于超声图像识别技术的困难气道评估方法及装置 |
-
2022
- 2022-06-06 CN CN202210629679.5A patent/CN114938974A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116999092A (zh) * | 2023-08-18 | 2023-11-07 | 上海交通大学医学院附属第九人民医院 | 基于超声图像识别技术的困难气道评估方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sugimoto et al. | What is the nature of pancreatic consistency? Assessment of the elastic modulus of the pancreas and comparison with tactile sensation, histology, and occurrence of postoperative pancreatic fistula after pancreaticoduodenectomy | |
Tourasse et al. | Elastography in the assessment of sentinel lymph nodes prior to dissection | |
Paluch et al. | Shear-wave elastography: a new potential method to diagnose ulnar neuropathy at the elbow | |
Du et al. | Combination of ultrasound elastography with TI-RADS in the diagnosis of small thyroid nodules (≤ 10 mm): A new method to increase the diagnostic performance | |
Young et al. | Initial accuracy of and learning curve for transvaginal ultrasound with bowel preparation for deep endometriosis in a US tertiary care center | |
CN111134619B (zh) | 多模态光声/超声成像的类风湿性关节炎评分系统及应用 | |
Hu et al. | Nomogram for individualised prediction of liver failure risk after hepatectomy in patients with resectable hepatocellular carcinoma: the evidence from ultrasound data | |
CN103648401A (zh) | 用于评定患者的骨组织的质量的超声波设备 | |
Liu et al. | A new hysteroscopic scoring system for diagnosing chronic endometritis | |
CN114938974A (zh) | 一种基于超声弹性技术预测胰瘘风险的方法及系统 | |
Goudot et al. | Carotid plaque vulnerability assessed by combined shear wave elastography and ultrafast doppler compared to histology | |
CN111481233B (zh) | 胎儿颈项透明层厚度测量方法 | |
CN113948211B (zh) | 胰腺切除术前无创定量评估术后并发胰瘘风险的预测模型 | |
Dźwigała et al. | High-resolution ultrasound imaging of skin involvement in systemic sclerosis: a systematic review | |
Saw et al. | Motorizing and optimizing ultrasound strain elastography for detection of intrauterine growth restriction pregnancies | |
Hu et al. | Association of early adulthood 25-year blood pressure trajectories with cerebral lesions and brain structure in midlife | |
Bauman et al. | Ultrasonographic determination of pubic symphyseal widening in trauma: the FAST-PS study | |
RU2681515C1 (ru) | Способ дифференциальной диагностики кистозных образований поджелудочной железы | |
Cho et al. | US elastography using carotid artery pulsation may increase the diagnostic accuracy for thyroid nodules with US-pathology discordance | |
Kim et al. | Thyroid nodule parameters influencing performance of ultrasound elastography using intrinsic compression | |
JP2002345821A (ja) | 関節腔内の超音波解析システム | |
KR102184992B1 (ko) | 유방암 환자에서 수술 중 겨드랑이 림프절 전이 진단을 위한 디바이스 | |
Nakashima et al. | Auto strain ratio system for the quality control of breast strain elastography | |
Lee et al. | Prophylactic fixation or surveillance: predicting subsequent displacement of lateral condyle of humeral fractures based on soft tissue swelling | |
RU2523138C1 (ru) | Способ прогнозирования риска развития прогрессии заболевания после выполнения радиочастотной термоаблации метастазов колоректального рака в печень |
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 |