CN115064267A - 一种胆道闭锁风险评估系统及其建立方法 - Google Patents

一种胆道闭锁风险评估系统及其建立方法 Download PDF

Info

Publication number
CN115064267A
CN115064267A CN202210882433.9A CN202210882433A CN115064267A CN 115064267 A CN115064267 A CN 115064267A CN 202210882433 A CN202210882433 A CN 202210882433A CN 115064267 A CN115064267 A CN 115064267A
Authority
CN
China
Prior art keywords
module
model analysis
image
biliary
mmp
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
CN202210882433.9A
Other languages
English (en)
Other versions
CN115064267B (zh
Inventor
方焯
刘釜均
邓嘉乐
蔡啸
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.)
Shanghai Youming Autometric Medical Technology Co ltd
Tianjin Aotian Medical Technology Co ltd
Suzhou Yaoming Zekang Biotechnology Co ltd
Original Assignee
Shanghai Youming Autometric Medical Technology Co ltd
Tianjin Aotian Medical Technology Co ltd
Suzhou Yaoming Zekang Biotechnology Co ltd
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 Shanghai Youming Autometric Medical Technology Co ltd, Tianjin Aotian Medical Technology Co ltd, Suzhou Yaoming Zekang Biotechnology Co ltd filed Critical Shanghai Youming Autometric Medical Technology Co ltd
Priority to CN202210882433.9A priority Critical patent/CN115064267B/zh
Publication of CN115064267A publication Critical patent/CN115064267A/zh
Application granted granted Critical
Publication of CN115064267B publication Critical patent/CN115064267B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • 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
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Pathology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Epidemiology (AREA)
  • Theoretical Computer Science (AREA)
  • Primary Health Care (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Quality & Reliability (AREA)
  • Biophysics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Ultra Sonic Daignosis Equipment (AREA)

Abstract

本发明公开了一种胆道闭锁风险评估系统及其建立方法。胆道闭锁风险评估系统包括预处理模块、特征提取模块、模型分析模块和结果输出模块；在预处理模块中输入病人的B超图像和MMP‑7检测结果，预处理模块在B超图像中截取出关键区域；在特征提取模块中，从关键区域提取出用于模型分析的图像特征，并对用于模型分析的图像特征进行数据标准化处理；在特征提取模块中，将MMP‑7检测结果进行数据标准化处理；在模型分析模块中，采用特征提取模块输出的用于模型分析的图像特征和MMP‑7的标准化数据作为变量，通过模型计算出胆道闭锁风险分数。本发明的胆道闭锁风险评估系统显著提高了胆道闭锁诊断准确率。

Description

一种胆道闭锁风险评估系统及其建立方法
技术领域
本发明属于体外诊断技术领域，具体涉及一种胆道闭锁风险评估系统及其建立方法。
背景技术
胆道闭锁是小儿严重肝胆外科疾病，其特征为肝外胆管阻塞，进而导致肝内胆汁淤积、肝脏损伤、肝脏进行性纤维化，若不及时诊断及治疗，患儿于1-2岁内即因肝功能衰竭而死亡。有数据统计，由于胆道闭锁所引发的肝移植手术占一岁以下婴幼儿肝移植手术的75％左右。并且亚洲地区发病率最高，据估计大陆地区每年出生的胆道闭锁患儿总数可达千余例。
肝门空肠吻合术（Kasai portoenterostomy，KP）即葛西手术是胆道闭锁的首选治疗方案。临床研究表明该手术的预后效果与接受手术时间有着密切的关系。如果能够在病程早期（出生60天以内）进行Kasai手术，术后黄疸消除率和自体肝生存率显著提高，若超过90日龄，则患儿肝脏损伤及肝硬化较严重，往往预后较差，因此及时准确的早期诊断对于患儿有着重要的意义。
目前临床上胆道闭锁的最终诊断依赖于病理检查及术中胆道造影等侵入性检查，而这些侵入性检查不仅创伤较大，且有近20%的患儿术后发现不是胆道闭锁。因此一种非侵入性的术前精准预诊手段有待解决。
超声检查是一种简单，非侵入性的诊断方法，然而，主要由于诊断本身准确率有限（灵敏度74.9%）并且B超医生技术跟经验有限，大多数医院（尤其是位于不发达地区的医院）通过B超检查仍难以做出正确的诊断。因此，相当一部分潜在的胆道闭锁患者经常被误诊，并接受不恰当的治疗。在中国，胆道闭锁患者的平均手术年龄达到70天以上。所以超声检查受制于医生对图像的主观判断以及各个医院检测设备的好坏，其诊断缺乏客观性及统一性。
基质金属蛋白酶-7（MMP-7），也称为基质溶解素，是一种通过分解细胞外基质参与细胞间信号传递的蛋白酶，与胆道闭锁患儿的肝纤维化有关，其浓度变化或与胆管上皮细胞损伤相关。近期研究表明血清中MMP-7的浓度升高对胆道闭锁的诊断有很大帮助，其诊断准确度较胆红素、B超等传统检测已有显著提升，单一指标的准确性在90%左右，但是仍存在一定的误诊、漏诊可能。
由于上述检查都有各自的局限性，如何结合现有检测方法的优点，对现有的胆道闭锁诊断方法进行优化，构建一种具有高敏感性、特异性且无创的风险评估系统，成为业界研究人员长期以来一直努力的方向。
发明内容
本发明提供了一种胆道闭锁风险评估系统及其建立方法。采用本发明的技术方案，能够方便、高效、精准地对小儿胆道闭锁进行评估、筛查和/或诊断，显著提高了胆道闭锁诊断准确率，实现了无创精准诊断。
为实现本发明的目的，本发明采用的技术方案为：
一种胆道闭锁风险评估系统，包括预处理模块、特征提取模块、模型分析模块和结果输出模块；
在所述预处理模块中输入病人的B超图像和MMP-7检测结果，预处理模块在B超图像中截取出关键区域；
在所述特征提取模块中，从关键区域提取出用于模型分析的图像特征，并对用于模型分析的图像特征进行数据标准化处理；
在所述特征提取模块中，将MMP-7检测结果进行数据标准化处理；
在所述模型分析模块中，采用所述特征提取模块输出的用于模型分析的图像特征和MMP-7的标准化数据作为变量，通过模型计算出胆道闭锁风险分数；
所述结果输出模块将胆道闭锁风险分数与截断值比较，对病人胆道闭锁风险进行评估。
具体地，关键区域包括胆、肝门三角洲、胆总管和/或肝动脉。
具体地，用于模型分析的图像特征包括灰度值大小特征、位置特征、尺寸特征、形状特征，和/或质地特征。
具体地，在所述特征提取模块中，对关键区域的灰度值进行分析、数据挖掘，提取出用于模型分析的图像特征。
具体地，用于模型分析的图像特征通过变量筛选模块应用LASSO算法筛选得到。
本发明还提供了一种上述胆道闭锁风险评估系统的建立方法，包括以下步骤：
步骤1、获取病人的B超图像和MMP-7检测结果；
步骤2、在B超图像中截取出关键区域；
步骤3、从关键区域中提取出用于变量筛选的图像特征，并对用于变量筛选的图像特征进行数据标准化处理；将MMP-7检测结果进行数据标准化处理；
步骤4、将步骤3处理后的用于变量筛选的图像特征和MMP-7的标准化数据应用LASSO算法进行变量筛选，筛选出与胆道闭锁具有显著相关性的变量；
步骤5、将与胆道闭锁具有显著相关性的变量作为模型分析模块的输入变量。
具体地，所述与胆道闭锁具有显著相关性的变量包括MMP-7。
具体地，LASSO算法通过k次重复进行变量筛选，筛选出的与胆道闭锁具有显著相关性的变量为3-10项，包括MMP-7和2-9项用于模型分析的图像特征。
具体地，模型分析模块通过逻辑回归模型拟合训练，采用交叉验证法调整模型。
本发明胆道闭锁风险评估系统创新地结合了B超图像和血液MMP-7检测结果，利用AI智能算法辅助医生对胆道闭锁风险进行客观判断。本发明胆道闭锁风险评估系统诊断胆道闭锁的准确率达到98%以上，极高的准确度给医生提供了客观判读医疗图像的辅助方法，同时结合血液标志物提供了一个客观准确的无创精准诊断胆道闭锁的方式，可大大避免漏诊误诊，降低手术确诊探查阴性率，实现了早发现、早诊断、早治疗，合理调配院内资源，减轻医院及患者家庭负担，提高患儿自体肝存活率，改善肝移植预后效果，提高患儿生存质量及生存年限。
附图说明
图1为本发明胆道闭锁风险评估流程示意图；
图2为本发明胆道闭锁风险分数在BA和非BA组中的表达情况；
图3为本发明胆道闭锁风险评估系统诊断胆道闭锁的准确率。
具体实施方式
下面将对本发明的技术方案进行清楚、完整的描述，显然，所描述的实施例是本发明的一部分实施例，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的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。
如前所述，基于现有技术中胆道闭锁诊断方案的不足，本发明提供了一种胆道闭锁风险评估系统及其建立方法。
本发明具体实施方式一方面提供了一种胆道闭锁风险评估系统，包括预处理模块、特征提取模块、模型分析模块和结果输出模块。
1、预处理模块
在所述预处理模块中输入病人的B超图像和MMP-7检测结果，预处理模块在B超图像中截取出关键区域。
本发明B超图像结合血液MMP-7检测结果相比单独使用B超图像大幅度提高了检测准确度，有效避免了病人被误诊并接受不恰当的治疗。血液MMP-7是检测胆道闭锁非常新颖的指标，在临床上较少使用，更没有现有技术将血液MMP-7与B超图像结合使用来判断胆道闭锁风险。本发明预处理模块仅需要输入B超图像和血液MMP-7检测结果，无需粪便颜色、转氨酶、胆红素等其它血液生化指标，无需各种各样的检查，模型简单有效，缩短了检查流程和时间，减小了误诊率。
本发明优选地，输入病人的B超图像为1-20张。进一步优选地，输入病人的B超图像为5-15张。进一步优选地，输入病人的B超图像为6-10张。
本发明截取出的关键区域包括胆、肝门三角洲、胆总管和/或肝动脉。
截取时，以不对器官部分进行裁切为原则，尽量使关键区域填充截取后的图像。
截取后的图像中，每个图像包括至少一个关键区域。
优选地，本发明所述关键区域包括胆、肝门三角洲、胆总管和肝动脉四个区域。截取出的四个关键区域的图像中，每个图像包括至少一个关键区域。
缩小所需分析的图像的大小以提高后续算法输出结果速度。优选地，图像大小缩小至500 * 500 像素（px）至 100*100像素（px）。
本发明采用的通过预处理模块在B超图像中截取出关键区域，再通过特征提取模块从关键区域提取出图像特征的方式，相比在B超图像上直接提取图像特征具有更高的提取精度，避免了图片中大片空白的无用信息对最终结果造成的比较大的影响，有效的避免了误差，对图像的分析也更加精确。
进一步地，本发明在预处理模块中，将关键区域的图像像素转化为灰度值。
具体地，将截取的关键区域的图像像素转化为RGB值后进行反色处理，并采用加权平均值算法转化成灰度值（0-255）。
反色处理通过反色算法突出截取器官在图像中的位置及清晰程度。
具体地，在一种实施方式下，将截取的胆、肝门三角洲、胆总管和肝动脉四个关键区域的图像同时输入评估系统，使用Python将全部像素全部转化为RGB三个通道值，通过反色算法突出截取器官在图像中的位置及清晰程度，之后对RGB值采用加权平均值算法转化成灰度值（0-255）。
本发明将灰度值填入像素位置形成对应的灰度值矩阵，输入后续模块进行分析。
2、特征提取模块
在所述特征提取模块中，从关键区域提取出图像特征，并对图像特征进行数据标准化处理。
其中，图像特征可以为用于模型分析的图像特征，也可以为用于变量筛选的图像特征。
在一种实施方式下，采用本发明胆道闭锁风险评估系统对病人患胆道闭锁的风险进行评估时，即前瞻性预测时，在所述特征提取模块中，可以从关键区域直接提取出用于模型分析的图像特征，并对用于模型分析的图像特征进行数据标准化处理。
在一种实施方式下，在本发明胆道闭锁风险评估系统的建立过程中，在所述特征提取模块中，从关键区域提取出用于变量筛选的图像特征，并对用于变量筛选的图像特征进行数据标准化处理。
在本发明特征提取模块中，将MMP-7检测结果也进行数据标准化处理。
在本发明特征提取模块中，对关键区域的灰度值进行分析、数据挖掘，提取出用于模型分析的图像特征/用于变量筛选的图像特征。
优选地，本发明用于模型分析的图像特征/用于变量筛选的图像特征包括灰度值大小特征、位置特征、尺寸特征、形状特征，和/或质地特征。
本发明灰度值大小特征包括胆灰度值上下限、肝门三角洲灰度值上下限、胆总管灰度值上下限、肝动脉灰度值上下限等。
位置特征包括胆位置坐标（上下左右四个坐标点位置）、肝门三角洲位置坐标（上下左右四个坐标点位置）、肝位置坐标（上下左右四个坐标点位置）、胆总管位置坐标（上下左右四个坐标点位置）等。
尺寸特征包括胆囊大小、肝门三角洲大小、肝动脉直径、胆总管直径、肝门纤维块大小、胆壁厚度等。
形状特征包括胆形状是否规律、肝门三角洲形状是否规律、胆总管形状是否规律等。
质地特征包括肝质地、胆囊充盈程度、肝门三角洲混杂程度等。
本发明从关键区域提取出图像特征的方法包括以下步骤：
（1）提取大小特征、位置特征，和/或质地特征；
（2）使用形态学边界检测算法检测边界；
（3）提取尺寸特征和/或形状特征。
本发明灰度值大小特征、位置特征均采用本领域常规方法提取。
本发明质地特征优选通过将灰度值矩阵转化为灰度值一维数列，并计算数列的标准差获得。
在一种示例性的实施方式下，通过如下方法计算：
假设存在以下灰度值矩阵：
[ 0 0 0 124 230 100 0 0 ]
[ 11 100 210 234 250 178 11 11]
[ 0 70 255 255 255 134 104 0]
[ 0 0 0 34 108 35 10 0]
对矩阵中所有数据进行标准差计算可得到质地相关变量，对矩阵和标准器官形状所生成的灰度值矩阵进行差值计算，可得到相关数值，通过公式标准化数值= (x-μ)/σ对数值进行标准化，x为原数值，μ为训练集中相关差值的平均值，σ为训练集中相关差值的标准差。
形态学边界检测算法是图像识别的重要基础，准确的病区边缘可以为诊断提供客观依据。Sobel、Robert、Prewitt、Log等等算子实现方便，处理很快，但是很容易被噪声影响。本发明形态学边界检测算法采用灰度梯度算子。
具体地，本发明形态学边界检测算法根据像素所在位置灰度下降最快的方向计算其变化率并确认边界方向。具体地，使用膨胀运算使得大于截断值的灰度值膨胀至255（白色）。截断值为最大灰度值/（20-35）的数值，优选为最大灰度值/30的数值。该方法保持图像整体灰度和大的亮区域不受影响，在图像上让器官边界更加清晰，对于摆脱B超图像中的噪声非常有效。
本发明尺寸特征优选使用欧氏距离计算。通过在图像数据形成的灰度值矩阵，使用欧氏距离（Euclidean Distance）计算两点之间的距离，统计各点到中心点的距离信息，找到距离图像中心点最远并与中心点连续（从图像中心到最远点中间的灰度值皆大于阈值），并找到相反方向的另一最远点，使用两点之间的距离作为器官的长或宽。
本发明形状特征优选通过计算与对应健康器官的标准形状的相似度获得。相似度采用标准差公式计算。具体地，确定出灰度值相差小于等于容差的相邻像素点，然后识别由所述相邻像素点构成的形状，通过与对应健康器官的标准形状进行比对，比较两者线条的灰度值矩阵差异，采用标准差公式计算其相似度作为形状特征。
本发明通过提取关键区域的灰度值大小特征、位置特征、尺寸特征、形状特征，和/或质地特征等图像特征，对B超图像中与胆道闭锁相关的特征进行了系统地、有针对性地挖掘，并对选取的图像特征进行了上述标准化处理，转化为人工智能可以处理的标准化数据。同时，针对不同B超设备根据分辨率不同，读片医生的主观判读等极易造成判读误差的原因，本发明提供了一种客观且可以广泛应用于不同优劣设备的评估方式。
在一种实施方式下，本发明用于变量筛选的图像特征为10-50项。
在一种实施方式下，本发明用于变量筛选的图像特征为20-40项，优选为30-37项。
在一种实施方式下，本发明用于变量筛选的图像特征包括2-10项灰度值大小特征、4-20项位置特征、1-10项尺寸特征、1-5项形状特征，和/或1-5项质地特征。
在一种实施方式下，本发明用于变量筛选的图像特征包括6-8项灰度值大小特征、12-16项位置特征、4-6项尺寸特征、2-3项形状特征，和/或3-4项质地特征。
用于变量筛选的图像特征在关键区域中易于识别，并可进行数据标准化处理。提取的图像特征根据各特征对胆道闭锁诊断的敏感度、特异度、赤池信息准则（AIC）等因素综合选择，各图像特征共同作用，提高了胆道闭锁评估的准确度，同时避免了一些重复特征之间的相互制衡，最大化各变量的作用。
在一种实施方式下，本发明用于变量筛选的图像特征包括胆囊充盈程度、肝门三角洲混杂程度。
在一种实施方式下，本发明用于变量筛选的图像特征包括胆囊充盈程度、胆囊大小、肝门三角洲混杂程度、肝门三角洲大小、胆总管直径。
在一种实施方式下，本发明用于变量筛选的图像特征包括胆灰度值上下限、肝门三角洲灰度值上下限、胆总管灰度值上下限、肝动脉灰度值上下限、胆位置坐标（上下左右四个坐标点位置）、肝门三角洲位置坐标（上下左右四个坐标点位置）、肝位置坐标（上下左右四个坐标点位置）、胆总管位置坐标（上下左右四个坐标点位置）、胆囊大小、肝门三角洲大小、肝门三角洲混杂程度、肝动脉直径、胆总管直径、胆囊是否在图像中缺失、胆形状是否规律、肝门三角洲形状是否规律、胆总管形状是否规律、肝质地、肝门纤维块大小、胆囊充盈程度、胆壁厚度。
本发明中，上下限代表2项特征，位置坐标（上下左右四个坐标点位置）代表4项特征。
在一种实施方式下，本发明用于模型分析的图像特征包括肝门三角洲混杂程度、胆囊充盈程度。
在一种实施方式下，本发明用于模型分析的图像特征包括胆囊大小、肝门三角洲混杂程度、胆囊是否在图像中缺失、胆形状是否规律、肝质地、肝门纤维块大小、胆囊充盈程度。
在一种实施方式下，本发明用于模型分析的图像特征包括肝动脉直径、胆囊充盈程度、胆囊大小、肝门三角洲混杂程度、肝门三角洲大小、肝质地、胆总管直径、胆形状是否规律。
优选地，本发明用于模型分析的图像特征通过变量筛选模块应用LASSO算法筛选得到。具体地，筛选方法为：从关键区域中提取出用于变量筛选的图像特征，并对用于变量筛选的图像特征进行数据标准化处理，将MMP-7检测结果进行数据标准化处理，将处理后的用于变量筛选的图像特征和MMP-7的标准化数据应用LASSO算法进行变量筛选，筛选出与胆道闭锁具有显著相关性的变量。与胆道闭锁具有显著相关性的变量包括MMP-7和用于模型分析的图像特征。
本发明变量筛选模块将特征提取模块输出的标准化数据应用LASSO算法进行变量筛选，筛选出与胆道闭锁具有显著相关性的变量。
LASSO回归、岭回归等均为机器学习的变量筛选技术。LASSO算法是一种同时进行特征选择和正则化的回归分析方法，旨在增强统计模型的预测准确性和可解释性。岭回归是一种改良的最小二乘估计法。
LASSO算法更适合对本发明特征提取模块输出的标准化数据进行筛选，本发明采用LASSO算法有效地实现了对与胆道闭锁具有显著相关性的变量的筛选，结果准确度高。
本发明LASSO算法的估计过程中加入如下限制条件公式：
Figure DEST_PATH_IMAGE001
。
β为需要优化的系数；X = [x1,x2…xn]，每个数据点xi当作列向量；y = (y1,y2,…,yn)；n为样本数量；λ为选择的最优模型压缩系数。
λ越大，对估计参数的压缩作用就越强。对这个目标函数求最小时，一些不那么重要的自变量的系数将被压缩为0，从而达到筛选变量的作用。
在一种实施方式中，本发明LASSO算法通过k次重复进行变量筛选。
在一种实施方式中，将处理后的用于变量筛选的图像特征和MMP-7的标准化数据应用LASSO算法进行变量筛选。用于变量筛选的图像特征为10-50项，筛选出的与胆道闭锁具有显著相关性的变量为3-10项，与胆道闭锁具有显著相关性的变量包括血液MMP-7和2-9项用于模型分析的图像特征。
在一种实施方式中，将处理后的用于变量筛选的图像特征和MMP-7的标准化数据应用LASSO算法进行变量筛选。用于变量筛选的图像特征为10-37项，筛选出的与胆道闭锁具有显著相关性的变量为3-8项，与胆道闭锁具有显著相关性的变量包括血液MMP-7和2-7项用于模型分析的图像特征。
在一种实施方式中，将处理后的用于变量筛选的图像特征和MMP-7的标准化数据应用LASSO算法进行变量筛选。用于变量筛选的图像特征包括胆灰度值上下限、肝动脉直径、胆囊充盈程度、胆囊大小、肝门纤维块大小、肝门三角洲混杂程度、肝门三角洲大小、肝质地、胆总管直径，筛选出的与胆道闭锁具有显著相关性的变量包括血液MMP-7、胆囊充盈程度、肝门三角洲混杂程度。
在一种实施方式中，将处理后的用于变量筛选的图像特征和MMP-7的标准化数据应用LASSO算法进行变量筛选。用于变量筛选的图像特征包括胆灰度值上下限、肝门三角洲灰度值上下限、胆总管灰度值上下限、肝动脉灰度值上下限、胆位置坐标（上下左右四个坐标点位置）、肝门三角洲位置坐标（上下左右四个坐标点位置）、肝位置坐标（上下左右四个坐标点位置）、胆总管位置坐标（上下左右四个坐标点位置）、胆囊大小、肝门三角洲大小、肝门三角洲混杂程度、肝动脉直径、胆总管直径、胆囊是否在图像中缺失、胆形状是否规律、肝门三角洲形状是否规律、胆总管形状是否规律、肝质地、肝门纤维块大小、胆囊充盈程度、胆壁厚度，筛选出的与胆道闭锁具有显著相关性的变量包括血液MMP-7、胆囊充盈程度、胆囊大小、肝门三角洲混杂程度、肝门三角洲大小、胆总管直径。
在一种实施方式中，将处理后的用于变量筛选的图像特征和MMP-7的标准化数据应用LASSO算法进行变量筛选。用于变量筛选的图像特征包括胆灰度值上下限、肝门三角洲灰度值上下限、胆总管灰度值上下限、肝动脉灰度值上下限、胆位置坐标（上下左右四个坐标点位置）、肝门三角洲位置坐标（上下左右四个坐标点位置）、肝位置坐标（上下左右四个坐标点位置）、胆总管位置坐标（上下左右四个坐标点位置）、胆囊大小、肝门三角洲大小、肝门三角洲混杂程度、肝动脉直径、胆总管直径、胆囊是否在图像中缺失、胆形状是否规律、肝门三角洲形状是否规律、胆总管形状是否规律、肝质地、肝门纤维块大小、胆囊充盈程度、胆壁厚度，LASSO算法通过10次重复进行变量筛选，筛选出的与胆道闭锁具有显著相关性的变量包括胆囊充盈程度、胆囊大小、肝门三角洲混杂程度、肝门三角洲大小、胆形状是否规律、MMP-7。
在一种实施方式中，将处理后的用于变量筛选的图像特征和MMP-7的标准化数据应用LASSO算法进行变量筛选。用于变量筛选的图像特征包括胆灰度值上下限、肝门三角洲灰度值上下限、胆总管灰度值上下限、肝动脉灰度值上下限、胆位置坐标（上下左右四个坐标点位置）、肝门三角洲位置坐标（上下左右四个坐标点位置）、肝位置坐标（上下左右四个坐标点位置）、胆总管位置坐标（上下左右四个坐标点位置）、胆囊大小、肝门三角洲大小、肝门三角洲混杂程度、肝动脉直径、胆总管直径、胆囊是否在图像中缺失、胆形状是否规律、肝门三角洲形状是否规律、胆总管形状是否规律、肝质地、肝门纤维块大小、胆囊充盈程度、胆壁厚度，LASSO算法通过10次重复进行变量筛选，筛选出的与胆道闭锁具有显著相关性的变量包括肝动脉直径、胆囊充盈程度、胆囊大小、肝门三角洲混杂程度、肝门三角洲大小、肝质地、胆总管直径、胆形状是否规律、MMP-7。
3、模型分析模块
在所述模型分析模块中，采用所述特征提取模块输出的用于模型分析的图像特征和MMP-7的标准化数据作为变量，通过模型计算出胆道闭锁风险分数。
所述模型分析模块通过逻辑回归模型拟合训练，采用交叉验证法调整模型。
具体地，模型分析模块以胆道闭锁风险作为结局变量，以变量筛选模块筛选出的与胆道闭锁具有显著相关性的变量作为自变量，使用Sigmoid 函数（非线形）映射建立逻辑回归模型。
逻辑回归模型中的风险评估函数采用如下公式：
Figure DEST_PATH_IMAGE002
。
其中Fit(v)代表风险评估函数，vi (i=1, 2…n) 代表筛选出的医疗图像特征，M代表MMP-7变量，wi (i=1, 2…n+1)代表各项自变量在评估函数中的权重。
本发明模型分析模块中的模型可进行更新。更新方法包括：利用确证后的样本对模型算法进行更新迭代。本发明的胆道闭锁风险评估系统每次都是用更新完的模型进行病人胆道闭锁风险的预测。
所述模型通过k折验证法（k-fold cross validation）调整模型稳定程度，k折验证法将全部训练集S分成k个不相交的子集，包括一个测试集和k-1个训练集。
训练出模型或者假设函数后把这个模型放到测试集上，得到分类率。
计算k次求得的分类率的平均值，作为该模型或者假设函数的真实分类率。
最终模型的选择依据包括但不限于以下评判标准：平均AIC（赤池信息量准则），BIC（贝叶斯信息准则）、误分类错误率或其三项组合最小平均值。
本发明模型分析模块记录最优模型参数及其性能评估。
模型分析模块对罹患胆道闭锁风险的准确度、灵敏度、特异度、阳性预测值、阴性预测值及ROC曲线下面积（AUC）进行判断。
本发明通过大量数据对模型进行训练，使得模型具有非常高的准确率并且准确率的稳定性高。
在一种实施方式中，用于模型分析的图像特征为胆囊大小、肝门三角洲大小、肝门三角洲混杂程度、胆囊充盈程度、胆形状是否规律，模型分析模块建立的模型为逻辑回归模型，逻辑回归模型中的风险评估函数采用如下公式：
Figure DEST_PATH_IMAGE003
。
其中α为矫正系数（-20 ~ 20），v1为胆囊大小、v2为肝门三角洲大小、v3为肝门三角洲混杂程度、v4为胆囊充盈程度、v5为胆形状是否规律、M为MMP-7，w1为0~1（不为0）、w2为-1~0（不为0）、w3为0~2（不为0）、w4为-2~0（不为0）、w5为1~5、w6为0~2（不为0）。
进一步优选地，α为矫正系数（-5 ~ 5），v1为胆囊大小、v2为肝门三角洲大小、v3为肝门三角洲混杂程度、v4为胆囊充盈程度、v5为胆形状是否规律、M为MMP-7，w1为e-07至0.2、w2为-0.1至- e-7、w3为0.6至0.9、w4为-0.8至-0.1、w5为1.2至2、w6为0.5至1.2。
在一种实施方式下，α为矫正系数为-4.21， v1为胆囊大小、v2为肝门三角洲大小、v3为肝门三角洲混杂程度、v4为胆囊充盈程度、v5为胆形状是否规律、M为MMP-7，w1为9.4e-05、w2为-3.26e-05、w3为0.886、w4为-0.396、w5为1.624、w6为0.731。
4、结果输出模块
所述结果输出模块将胆道闭锁风险分数与截断值（cutoff值）比较，对病人胆道闭锁风险高低进行评估。
优选地，本发明截断值为3-10；进一步优选地，本发明截断值可以为5。
结果输出模块根据评估结论将受试者分为高风险组和低风险组，其中高风险组提示有必要进行进一步临床诊断以确定检测对象是否患有胆道闭锁。
结果输出模块输出的内容包括样本基本信息、血液MMP-7检测结果及检测标准区间、B超图像原图及正常B超图像、样本预测患病风险、该风险相应的诊疗建议等。
本发明胆道闭锁风险评估系统风险分数在BA和非BA组中的表达情况中，整体人群中BA组的风险分数明显高于非BA组（p<0.001），参见图2。
准确度，特异性和敏感性检测：采用同时包括B超和MMP-7检测数值的218份BA患者数据进行准确度，特异性和敏感性检测，其中157例BA患儿，61例非BA患儿。由图3可知，本整合诊断模型诊断胆道闭锁的AUC 达到0.991，敏感度达到96.2%，特异度达到98.0%，皆高于单一MMP-7诊断模型（AUC 0.924, 敏感度87.9%，特异度93.4%）以及单一B超图像识别模型（AUC0.915, 敏感度91.4%，特异度90.8%），使用本发明的B超图像识别模型，表现也显著高于传统人工判读B超的准确性（敏感度74.9%，特异度69.2%）。
本发明胆道闭锁评估系统诊断胆道闭锁的准确率达到了98%以上，极高的准确度给医生提供了一个值得信任的无创精准诊断胆道闭锁的方式，大大避免了漏诊误诊，降低了手术确诊探查阴性率。
本发明具体实施方式另一方面还提供了一种上述胆道闭锁风险评估系统的建立方法，胆道闭锁风险评估系统包括上述预处理模块、特征提取模块、模型分析模块和结果输出模块。
进一步地，胆道闭锁风险评估系统包括变量筛选模块，筛选出与胆道闭锁具有显著相关性的变量。
本发明具体实施方式还提供了一种上述胆道闭锁风险评估系统的建立方法，包括以下步骤：
步骤1、获取病人的B超图像和MMP-7检测结果；
步骤2、在预处理模块中输入病人的B超图像和MMP-7检测结果，预处理模块在B超图像中截取出关键区域；
步骤3、在特征提取模块中，从关键区域中提取出用于变量筛选的图像特征，并对用于变量筛选的图像特征进行数据标准化处理；将MMP-7检测结果进行数据标准化处理；
步骤4、将步骤3处理后的用于变量筛选的图像特征和MMP-7的标准化数据在变量筛选模块中应用LASSO算法进行变量筛选，筛选出与胆道闭锁具有显著相关性的变量；
优选地，所述与胆道闭锁具有显著相关性的变量包括MMP-7。
优选地，LASSO算法通过k次重复进行变量筛选，筛选出的与胆道闭锁具有显著相关性的变量为3-10项，包括MMP-7和用于模型分析的图像特征。
步骤5、将与胆道闭锁具有显著相关性的变量作为模型分析模块的输入变量，模型分析模块将与胆道闭锁具有显著相关性的变量通过模型计算出胆道闭锁风险分数。结果输出模块将胆道闭锁风险分数与截断值比较，评估病人胆道闭锁风险。
优选地，模型分析模块通过逻辑回归模型拟合训练，采用交叉验证法调整模型。
本发明胆道闭锁风险评估流程参见图1。
本发明具体实施方式还提供了一种胆道闭锁风险评估系统，胆道闭锁风险评估系统采用的胆道闭锁风险评估方法为：
步骤1、获取病人的B超图像和MMP-7检测结果；
步骤2、在上述预处理模块中输入病人的B超图像和MMP-7检测结果，预处理模块在B超图像中截取出关键区域，关键区域包括胆、肝门三角洲、胆总管和肝动脉四个区域；
步骤3、在上述特征提取模块中，从关键区域提取出图像特征胆囊大小、肝门三角洲大小、肝门三角洲混杂程度、胆囊充盈程度、胆形状是否规律，并对图像特征进行数据标准化处理，特征提取模块将MMP-7检测结果数据标准化；
步骤4、模型分析模块采用特征提取模块输出的胆囊大小、肝门三角洲大小、肝门三角洲混杂程度、胆囊充盈程度、胆形状是否规律、MMP-7的标准化数据作为变量，通过模型计算出胆道闭锁风险分数，模型为本发明上述逻辑回归模型；
步骤5、结果输出模块将胆道闭锁风险分数与本发明上述截断值比较，评估病人胆道闭锁风险。
实施例：
本实施例选取两例样本数据进行说明。样本数据包括MMP-7检测结果和每个病人10张B超图像。
预处理模块选出B超图像中模型所需四个区域：胆、肝门三角洲、胆总管、肝动脉的清晰图像，并对其四个区域进行截取，截取时以不对器官部分进行裁切为原则，尽量使四个区域填充截取后的图像，缩小所需分析的图像的大小至300*300以提高后续算法输出结果速度。截取后，将四个区域的图像同时输入评估系统，使用Python Imaging Library将全部像素全部转化为RGB三个通道值，通过反色算法突出截取器官在图像中的位置及清晰程度，之后对RGB值采用加权平均值算法转化成灰度值（0-255），将灰度值填入像素位置形成对应的灰度值矩阵，输入后续模块进行分析。
特征提取模块从四个区域提取出图像特征：胆囊充盈程度、胆囊大小、肝门三角洲混杂程度、肝门三角洲大小、胆形状是否规律。特征提取模块将图像特征和MMP-7检测结果进行数据标准化处理。
数据标准化使用公式为：标准化数值=（原数值-平均值）/标准差。
模型分析模块以胆道闭锁风险作为结局变量，以MMP-7及上述5项图像特征作为自变量，使用Sigmoid函数（非线形）映射建立逻辑回归模型。通过10折验证法（k-fold crossvalidation）调整模型稳定程度。
a. 将全部训练集S分成10个不相交的子集，假设S中的训练样例个数为220，那么每一个子集有22个训练样例，相应的子集称作{s1,s2,…,sk}。每次从分好的子集中里面，留出一个测试集，其它9个作为训练集。
b. 训练出模型或者假设函数后把这个模型放到测试集上，得到分类率。
c. 计算10次求得的分类率的平均值，作为该模型或者假设函数的真实分类率。
结合AIC，BIC，误分类错误率三个数据作为模型评判标准，取平均值最低的模型作为最佳模型保留并对其预测表现进行评估。联合临床诊断信息计算出整合诊断模型的截断值，并根据截断值计算模型判断是否罹患胆道闭锁的准确度、灵敏度、特异度、阳性预测值、阴性预测值及AUC。
本实施例采用的模型为：
风险分数Fit(v) = -4.21 + 9.4e-05 *胆囊大小– 3.26e-05 * 肝门三角洲大小+ 0.886 * 肝门三角洲混杂程度 – 0.396 * 胆囊充盈程度 + 1.624 * 胆形状是否规律+ 0.731 * MMP7。
通过模型计算出胆道闭锁风险分数。结果输出模块将胆道闭锁风险分数与截断值(cutoff值)比较。本实施例选取截断值为5。
下表展示了本实施例两例样本的胆道闭锁风险分数和风险评估结果。
Figure DEST_PATH_IMAGE004
根据评估结论将检测对象分为高风险组和低风险组，其中高风险组提示有必要进行进一步临床诊断以确定检测对象是否具有胆道闭锁。结果输出模块展示评估结论、血液指标检测结果及检测标准区间、B超原图及正常B超图像。
综上所述，上述各实施例仅为本发明的较佳实施例而已，并不用以限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，皆应包含在本发明的保护范围内。

Claims (10)

1.一种胆道闭锁风险评估系统，其特征在于：包括预处理模块、特征提取模块、模型分析模块和结果输出模块；
在所述预处理模块中输入病人的B超图像和MMP-7检测结果，预处理模块在B超图像中截取出关键区域；
在所述特征提取模块中，从关键区域提取出用于模型分析的图像特征，并对用于模型分析的图像特征进行数据标准化处理；
在所述特征提取模块中，将MMP-7检测结果进行数据标准化处理；
在所述模型分析模块中，采用所述特征提取模块输出的用于模型分析的图像特征和MMP-7的标准化数据作为变量，通过模型计算出胆道闭锁风险分数；
所述结果输出模块将胆道闭锁风险分数与截断值比较，对病人胆道闭锁风险进行评估；
关键区域包括胆、肝门三角洲、胆总管和肝动脉；
用于模型分析的图像特征包括肝门三角洲混杂程度、胆囊充盈程度。
2.根据权利要求1所述的胆道闭锁风险评估系统，其特征在于：在所述特征提取模块中，对关键区域的灰度值进行分析、数据挖掘，提取出用于模型分析的图像特征。
3.根据权利要求1所述的胆道闭锁风险评估系统，其特征在于：用于模型分析的图像特征通过变量筛选模块应用LASSO算法筛选得到。
4.根据权利要求1所述的胆道闭锁风险评估系统，其特征在于：用于模型分析的图像特征包括胆囊大小、肝门三角洲大小、肝门三角洲混杂程度、胆囊充盈程度、胆形状是否规律。
5.根据权利要求1所述的胆道闭锁风险评估系统，其特征在于：在预处理模块中，将截取的关键区域的图像像素转化为RGB值后进行反色处理，并采用加权平均值算法转化成灰度值0-255。
6.根据权利要求1所述的胆道闭锁风险评估系统，其特征在于：在预处理模块中，将灰度值填入像素位置形成对应的灰度值矩阵，输入后续模块进行分析。
7.一种胆道闭锁风险评估系统的建立方法，其特征在于：包括以下步骤：
步骤1、获取病人的B超图像和MMP-7检测结果；
步骤2、在B超图像中截取出关键区域；
步骤3、从关键区域中提取出用于变量筛选的图像特征，并对用于变量筛选的图像特征进行数据标准化处理；将MMP-7检测结果进行数据标准化处理；
步骤4、将步骤3处理后的用于变量筛选的图像特征和MMP-7的标准化数据应用LASSO算法进行变量筛选，筛选出与胆道闭锁具有显著相关性的变量；
步骤5、将与胆道闭锁具有显著相关性的变量作为模型分析模块的输入变量；
关键区域包括胆、肝门三角洲、胆总管和肝动脉；
所述与胆道闭锁具有显著相关性的变量包括MMP-7和用于模型分析的图像特征；
用于模型分析的图像特征包括肝门三角洲混杂程度、胆囊充盈程度。
8.根据权利要求7所述的胆道闭锁风险评估系统的建立方法，其特征在于：用于模型分析的图像特征包括胆囊大小、肝门三角洲大小、肝门三角洲混杂程度、胆囊充盈程度、胆形状是否规律。
9.根据权利要求7所述的胆道闭锁风险评估系统的建立方法，其特征在于：LASSO算法通过k次重复进行变量筛选，筛选出的与胆道闭锁具有显著相关性的变量为3-10项，包括MMP-7和2-9项用于模型分析的图像特征。
10.根据权利要求7所述的胆道闭锁风险评估系统的建立方法，其特征在于：模型分析模块通过逻辑回归模型拟合训练，采用交叉验证法调整模型。
CN202210882433.9A 2022-07-25 2022-07-25 一种胆道闭锁风险评估系统及其建立方法 Active CN115064267B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210882433.9A CN115064267B (zh) 2022-07-25 2022-07-25 一种胆道闭锁风险评估系统及其建立方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210882433.9A CN115064267B (zh) 2022-07-25 2022-07-25 一种胆道闭锁风险评估系统及其建立方法

Publications (2)

Publication Number Publication Date
CN115064267A true CN115064267A (zh) 2022-09-16
CN115064267B CN115064267B (zh) 2022-11-29

Family

ID=83206310

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210882433.9A Active CN115064267B (zh) 2022-07-25 2022-07-25 一种胆道闭锁风险评估系统及其建立方法

Country Status (1)

Country Link
CN (1) CN115064267B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013070471A1 (en) * 2011-11-11 2013-05-16 Lantheus Medical Imaging, Inc. Evaluation of presence of and vulnerability to atrial fibrillation and other indications using matrix metalloproteinase-based imaging
CN108267585A (zh) * 2017-12-28 2018-07-10 华中科技大学同济医学院附属协和医院 基于血清标志物mmp-7的胆道闭锁诊断试剂盒
CN108990420A (zh) * 2016-05-29 2018-12-11 深圳市绘云生物科技有限公司 肝病相关生物标志物和使用方法及相关应用
CN109342748A (zh) * 2013-08-02 2019-02-15 回波检测公司 用于计算人或动物的可靠、标准化且完整的评分的非侵入式系统
CN113160985A (zh) * 2021-04-22 2021-07-23 中国人民解放军联勤保障部队第九二五医院 一种covid-19临床不良预后风险的预测方法及系统
CN114563493A (zh) * 2022-02-17 2022-05-31 上海药明奥测医疗科技有限公司 胆道闭锁评估系统、检测mmp-7的方法、试剂盒和应用

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013070471A1 (en) * 2011-11-11 2013-05-16 Lantheus Medical Imaging, Inc. Evaluation of presence of and vulnerability to atrial fibrillation and other indications using matrix metalloproteinase-based imaging
CN109342748A (zh) * 2013-08-02 2019-02-15 回波检测公司 用于计算人或动物的可靠、标准化且完整的评分的非侵入式系统
CN108990420A (zh) * 2016-05-29 2018-12-11 深圳市绘云生物科技有限公司 肝病相关生物标志物和使用方法及相关应用
CN108267585A (zh) * 2017-12-28 2018-07-10 华中科技大学同济医学院附属协和医院 基于血清标志物mmp-7的胆道闭锁诊断试剂盒
CN113160985A (zh) * 2021-04-22 2021-07-23 中国人民解放军联勤保障部队第九二五医院 一种covid-19临床不良预后风险的预测方法及系统
CN114563493A (zh) * 2022-02-17 2022-05-31 上海药明奥测医疗科技有限公司 胆道闭锁评估系统、检测mmp-7的方法、试剂盒和应用

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
何颖 等: "超声检查联合基质金属蛋白酶检测对甲状腺癌的诊断价值", 《现代肿瘤医学》 *

Also Published As

Publication number Publication date
CN115064267B (zh) 2022-11-29

Similar Documents

Publication Publication Date Title
EP2772882A1 (en) Automatic measurement of lesions on medical images
CN107582097A (zh) 一种基于多模态超声组学的智能辅助决策系统
CN110991536A (zh) 原发性肝癌的早期预警模型的训练方法
CN110991254A (zh) 超声图像视频分类预测方法及系统
CN113128654A (zh) 一种用于冠心病预诊断中的改进型随机森林模型及其预诊断系统
CN117116477A (zh) 基于随机森林和XGBoost的前列腺癌患病风险预测模型的构建方法及系统
CN118155787A (zh) 一种基于互联网大数据的医疗数据处理方法及系统
CN114926396A (zh) 一种精神障碍类磁共振图像初步筛查模型构建方法
CN113948211A (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
CN114938952A (zh) 基于先验因果模型的血红蛋白浓度预测方法
CN116563224B (zh) 基于深度语义特征的影像组学胎盘植入预测方法及装置
CN114764855A (zh) 基于深度学习的膀胱镜下肿瘤智能分割方法、装置及设备
CN110766651B (zh) 超声设备
CN115064267B (zh) 一种胆道闭锁风险评估系统及其建立方法
CN112766333B (zh) 医学影像处理模型训练方法、医学影像处理方法及装置
CN115607113A (zh) 基于深度学习模型的冠心病患者手诊数据处理方法及其系统
Jabbar et al. Liver fibrosis detection and classification for shear wave elastography (SWE) images based on convolutional neural network (CNN)
Ramkumar Identification and Classification of Breast Cancer using Multilayer Perceptron Techniques for Histopathological Image
Asha et al. An optimized modified faster region convolutional neural network for spina bifida identification from ultrasound images
CN112420190A (zh) 一种人工智能辅助诊疗系统及其构建方法
Sun et al. Model application to quantitatively evaluate placental features from ultrasound images with gestational diabetes
CN116798611B (zh) 肝硬化结节的良恶性质预测装置、方法、设备及介质
CN116310604B (zh) 一种胎盘植入分型评估工具和方法
CN116392166B (zh) 一种孕囊及胚芽自动测量方法、系统、装置及介质
RU2814031C1 (ru) Способ дифференциальной диагностики болезни Крона толстой кишки и язвенного колита на основе морфологического анализа с помощью искусственного интеллекта

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