CN115564741A - 基于ct图像量化食管胃底静脉曲张的装置 - Google Patents
基于ct图像量化食管胃底静脉曲张的装置 Download PDFInfo
- Publication number
- CN115564741A CN115564741A CN202211269642.2A CN202211269642A CN115564741A CN 115564741 A CN115564741 A CN 115564741A CN 202211269642 A CN202211269642 A CN 202211269642A CN 115564741 A CN115564741 A CN 115564741A
- Authority
- CN
- China
- Prior art keywords
- image
- esophageal
- region
- fundus
- 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.)
- Pending
Links
- 206010046996 Varicose vein Diseases 0.000 title claims abstract description 179
- 208000027185 varicose disease Diseases 0.000 title claims abstract description 69
- 210000002599 gastric fundus Anatomy 0.000 title claims abstract description 37
- 238000002591 computed tomography Methods 0.000 title description 89
- 208000032843 Hemorrhage Diseases 0.000 claims abstract description 150
- 208000034158 bleeding Diseases 0.000 claims abstract description 150
- 230000000740 bleeding effect Effects 0.000 claims abstract description 150
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 112
- 238000011002 quantification Methods 0.000 claims abstract description 55
- 238000000034 method Methods 0.000 claims abstract description 36
- 238000000605 extraction Methods 0.000 claims abstract description 30
- 238000004458 analytical method Methods 0.000 claims abstract description 26
- 208000000624 Esophageal and Gastric Varices Diseases 0.000 claims abstract description 23
- 238000003709 image segmentation Methods 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 20
- 230000008569 process Effects 0.000 claims abstract description 10
- 210000002784 stomach Anatomy 0.000 claims description 126
- 238000013145 classification model Methods 0.000 claims description 90
- 210000003238 esophagus Anatomy 0.000 claims description 55
- 238000012549 training Methods 0.000 claims description 53
- 238000013139 quantization Methods 0.000 claims description 37
- 230000006870 function Effects 0.000 claims description 24
- 210000001015 abdomen Anatomy 0.000 claims description 21
- 210000004185 liver Anatomy 0.000 claims description 21
- 238000012360 testing method Methods 0.000 claims description 16
- 208000019425 cirrhosis of liver Diseases 0.000 claims description 15
- 230000003908 liver function Effects 0.000 claims description 15
- 210000003240 portal vein Anatomy 0.000 claims description 15
- 206010016654 Fibrosis Diseases 0.000 claims description 14
- 230000007882 cirrhosis Effects 0.000 claims description 13
- 230000002496 gastric effect Effects 0.000 claims description 13
- 230000000694 effects Effects 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 10
- 210000000952 spleen Anatomy 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 8
- 102000001554 Hemoglobins Human genes 0.000 claims description 7
- 108010054147 Hemoglobins Proteins 0.000 claims description 7
- 239000003146 anticoagulant agent Substances 0.000 claims description 7
- 206010056091 Varices oesophageal Diseases 0.000 claims description 6
- 229940127219 anticoagulant drug Drugs 0.000 claims description 6
- 229940127218 antiplatelet drug Drugs 0.000 claims description 6
- 230000015271 coagulation Effects 0.000 claims description 6
- 238000005345 coagulation Methods 0.000 claims description 6
- 208000024170 esophageal varices Diseases 0.000 claims description 6
- 201000010120 esophageal varix Diseases 0.000 claims description 6
- 230000003907 kidney function Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 230000002792 vascular Effects 0.000 claims description 6
- 238000012952 Resampling Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 230000002440 hepatic effect Effects 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 5
- 206010051012 Gastric varices Diseases 0.000 claims description 4
- 238000003066 decision tree Methods 0.000 claims description 4
- 238000003384 imaging method Methods 0.000 claims description 2
- 238000007689 inspection Methods 0.000 abstract description 7
- 238000002575 gastroscopy Methods 0.000 description 11
- 239000000047 product Substances 0.000 description 9
- 238000012544 monitoring process Methods 0.000 description 8
- 210000003462 vein Anatomy 0.000 description 8
- 238000003325 tomography Methods 0.000 description 6
- 230000001965 increasing effect Effects 0.000 description 5
- 239000013589 supplement Substances 0.000 description 5
- 238000001839 endoscopy Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 230000017105 transposition Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 108010012204 glutamate aminotransferase Proteins 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 description 2
- 108010003415 Aspartate Aminotransferases Proteins 0.000 description 2
- 102000004625 Aspartate Aminotransferases Human genes 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000012552 review Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- MXBCYQUALCBQIJ-RYVPXURESA-N (8s,9s,10r,13s,14s,17r)-13-ethyl-17-ethynyl-11-methylidene-1,2,3,6,7,8,9,10,12,14,15,16-dodecahydrocyclopenta[a]phenanthren-17-ol;(8r,9s,13s,14s,17r)-17-ethynyl-13-methyl-7,8,9,11,12,14,15,16-octahydro-6h-cyclopenta[a]phenanthrene-3,17-diol Chemical compound OC1=CC=C2[C@H]3CC[C@](C)([C@](CC4)(O)C#C)[C@@H]4[C@@H]3CCC2=C1.C1CC[C@@H]2[C@H]3C(=C)C[C@](CC)([C@](CC4)(O)C#C)[C@@H]4[C@@H]3CCC2=C1 MXBCYQUALCBQIJ-RYVPXURESA-N 0.000 description 1
- 102100036475 Alanine aminotransferase 1 Human genes 0.000 description 1
- 108010082126 Alanine transaminase Proteins 0.000 description 1
- 206010003445 Ascites Diseases 0.000 description 1
- 208000005489 Esophageal Perforation Diseases 0.000 description 1
- 206010017815 Gastric perforation Diseases 0.000 description 1
- 208000034693 Laceration Diseases 0.000 description 1
- 206010030181 Oesophageal perforation Diseases 0.000 description 1
- 230000001154 acute effect Effects 0.000 description 1
- 229910021529 ammonia Inorganic materials 0.000 description 1
- 230000000702 anti-platelet effect Effects 0.000 description 1
- 230000010100 anticoagulation Effects 0.000 description 1
- 239000000427 antigen Substances 0.000 description 1
- 102000036639 antigens Human genes 0.000 description 1
- 108091007433 antigens Proteins 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 210000002318 cardia Anatomy 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000035622 drinking Effects 0.000 description 1
- 230000004761 fibrosis Effects 0.000 description 1
- 238000005194 fractionation Methods 0.000 description 1
- 210000003736 gastrointestinal content Anatomy 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 210000001503 joint Anatomy 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 208000019423 liver disease Diseases 0.000 description 1
- 239000004081 narcotic agent Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 208000007232 portal hypertension Diseases 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 210000002966 serum Anatomy 0.000 description 1
- 230000000391 smoking effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 108010047303 von Willebrand Factor Proteins 0.000 description 1
- 102100036537 von Willebrand factor Human genes 0.000 description 1
- 229960001134 von willebrand factor Drugs 0.000 description 1
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
- G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
-
- 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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- 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
- G06T2207/10072—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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30092—Stomach; Gastric
-
- 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
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Geometry (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种基于CT图像量化食管胃底静脉曲张的装置，涉及医学影像处理装置技术领域。本发明包括数据采集模块、数据增强模块、图像分割和提取模块、血管区域图像提取模块、影像组学分析模块、静脉曲张量化模块和出血风险量化模块。本发明的装置对CT图像进行处理最终得到食管胃底静脉曲张的量化值供医师参考，例如医师可根据本装置的量化值及患者的历史病历给出患者进一步进行内镜检查的建议，或者根据本装置的量化值及患者的历史病历给出患者定期复查的建议。可以避免过多的内镜检查，降低患者的医疗费用支出，也可避免内镜检查所带来的额外风险。
Description
技术领域
本发明涉及医学影像处理装置技术领域，更具体地说涉及一种基于CT图像量化食管胃底静脉曲张的装置。
背景技术
肝硬化是各种慢性肝病进展的终末阶段，是导致死亡的主要原因之一。静脉曲张是肝硬化最常见的并发症之一，食管胃静脉曲张在代偿期肝硬化中占30-40％，失代偿期进一步升高至85％以上。当肝功能处于Child-Pugh A级时食管胃静脉曲张的发生率占40％，Child-Pugh B/C级时，发生率进一步升高至为70％以上。其实静脉曲张的程度与肝硬化疾病进展密切相关，轻中度时出血风险极低，但进展至重度甚至合并红色征时，发生破裂出血风险陡增，故此反复多次的胃镜监测目的只为检出重度静脉曲张等出血高风险事件，及时给予针对性预处理。随着病情的进展，门静脉系统压力逐步升高，食管、胃底静脉曲张程度逐渐加重，同时破裂出血风险也持续攀升，一旦发生破裂出血，可导致病情加速恶化，严重者可危及患者生命。据不完全统计大约1/3的食管静脉曲张患者会进展至食管静脉曲张破裂出血，急性出血后6周死亡率高达15％-25％，出血后1年的死亡率高达40％。因此，动态监测食管、胃底静脉曲张程度是为了量化破裂出血的风险，及时选择合适的干预措施并提前处理高风险的曲张静脉，可有效地避免静脉曲张破裂出血事件的发生，延缓肝硬化病程进展，降低死亡率。目前，量化静脉曲张程度、预判出血风险的最有效措施仍为胃镜检查。肝硬化诊治相关指南及共识建议，患者一旦诊断为肝硬化，有必要进行胃镜检查，并且每1-3年复查一次，以便能够及早识别并处理出血高风险的静脉曲张。
然而胃镜检查是侵入性操作，反复多次的胃镜监测目的只为检出重度静脉曲张等出血高风险事件，及时给予针对性预处理。不仅患者耐受性差，有引起贲门撕裂、食管胃穿孔、出血等并发症风险，其侵入性操作本身就存在增加患者痛苦指数，诱发静脉曲张破裂出血的风险。然而在接受反复多次胃镜监测的患者中，绝大多数情况下患者并未进展至重度静脉曲等出血高风险阶段，他们并未从中获益，却要忍受反复多次胃镜监测的痛苦，承担额外的检查风险及医疗费用支出。
现有技术已经出现了多种替代胃镜检查的检查手段，其检查结果以供医师参考判断患者是否需要进一步进行胃镜检查。如以肝静脉压力梯度(HVPG)检测的方法预测食管胃底静脉曲张破裂出血的风险。然而HVPG检测是一个有创的介入操作，价格昂贵，还需要配备专业人员及设备才能开展，其结果的稳定性易受体位、呼吸、麻醉药物和肝内分流等多种因素的干扰。此外还有众多学者提出无创的方法，基于血清标志物构建食管胃底静脉曲张破裂出血的预测模型，如FIB-4(Fibrosis Index Based on Four Factors ,肝纤维化指数)、Lok评分、 APRI(Aspartate aminotransferase to platelet count ratio index ,谷草转氨酶与血小板计数比值指数)、AAR (Aspartate aminotransferase to alanineaminotransferaseratio ,谷草转氨酶与谷丙转氨酶比值)、VITRO评分(Von Willebrandfactor antigen/platelet ratio，血管性血友病因子抗原水平与血小板计数比值)等等。
但是上述现有技术中存在替代胃镜检查的检查手段，部分为有创检查，部分是无创检查，且检查费用并不低于胃镜检查。且现有替代胃镜检查的检查手段的检查结果并无法给医师提供有效的参考指标，不能满足临床需求。
发明内容
为了克服上述现有技术中存在的缺陷和不足，本发明提供了一种基于CT图像量化食管胃底静脉曲张的装置，本发明的发明目的在于提供一种无创量化食管胃底静脉曲张的手段，利用CT图像对患者食管胃底静脉曲张进行量化，其检测结果可为医师提供参考，医师可根据本发明装置的检测结果确定该患者是否需要进行胃镜检查以真实确定食管胃底静脉曲张情况。从而避免一部分患者的有创性检查，避免频繁内镜检查所带来的额外风险及高额的医疗费用。同时结合临床数据及出血事件，对曲张静脉出血风险进行预测，医师可建议出血风险较高的患者，选择胃镜检查的方式进行进一步确认，及时选择合适的干预措施并提前处理高风险的曲张静脉，可有效地避免静脉曲张破裂出血事件的发生，并减少患者胃镜检查的频次。
本发明的装置是基于食管胃底区域壁内血管区域的体积量化静脉曲张，同时可结合静脉体积、静脉体积比率、静脉最大直径等指标综合评估量化门静脉高压患者食管胃底静脉曲张；然后再根据静脉体积、静脉体积比率、静脉最大直径和患者历史病历中的临床特诊进行综合分析研判，对患者发生食管胃底静脉曲张破裂出血的风险进行量化。其检测结果值，供医师参考使用，例如医师可根据本装置的量化值及患者的历史病历给出患者进一步进行内镜检查的建议，或者根据本装置的量化值及患者的历史病历给出患者定期复查的建议。可以避免过多的内镜检查，降低患者的医疗费用支出，也可避免内镜检查所带来的额外风险。
为了解决上述现有技术中存在的问题，本发明是通过下述技术方案实现的。
本发明提供了一种基于CT图像量化食管胃底静脉曲张的装置，该装置包括：
数据采集模块，用于获取被测者从食管下段至上腹部的完整CT图像，并将采集到的完整CT图像传输给数据增强模块；获取被测者病历信息中的临床特征，并将获取到的临床特征传输至出血风险量化模块；
该数据采集模块可以是与医院HIS系统对接的数据接口，用于接收HIS系统中被测者的CT图像以及患者在HIS系统中的病历信息；或者是数据采集模块直接与CT断层扫描设备数据连接，直接从CT断层扫描设备中获取被测者食管下段至上腹部的完整的CT图像；
数据增强模块，用于对数据采集模块采集到的完整CT图像进行数据增强处理，并将数据增强处理后的CT图像传输至图像分割和提取模块；
图像分割和提取模块，利用预先训练的图像分割模型对数据增强处理后的CT图像中感兴趣区域进行分割和提取，分割和提取出被测者CT图像中的肝脏区域图像、脾脏区域图像、胃底区域图像和食管下段区域图像；图像分割和提取模块将提取出的胃底区域图像和食管下段区域图像传输至血管区域图像提取模块，将提取出的肝脏区域图像传输至影像组学分析模块；
血管区域图像提取模块，对于胃底区域图像，根据CT值的大小分别从胃底区域图像中提取到胃底区域胃壁中血管区域、胃壁以及其他区域图像；对于食管下段区域图像，根据CT值的大小分别食管下段区域图像中提取食管壁中的血管区域、食管壁以及其他区域图像；并将提取出的胃底区域胃壁中血管区域、胃壁区域、食管壁中的血管区域以及食管壁区域图像传输至影像组学分析模块；
影像组学分析模块，从提取出的肝脏区域图像中，选取第一肝门下方1~2cm处测量门静脉外段内径；
从提取出的食管壁区域图像中，计算食管壁的体积
；从提取出的食管壁中的
血管区域图像中，计算食管壁内血管的体积
；根据食管壁的体积
和食管壁内
血管的体积
计算食管壁内血管的体积比率
；取设定长度范围的
食管区域，计算此范围食管壁内曲张静脉的体积及其体积占比；
从提取出的胃壁区域图像中，计算胃底区域胃壁的体积
；从提取出的胃壁中
血管区域图像，计算胃壁中血管的体积
；根据胃壁的体积
和胃壁中血管的体
积
计算胃底区域胃壁内血管的体积比率
；取设定长度范围的胃
底区域，计算此范围胃底壁腔内静脉曲张的体积及其体积占比；
影像组学分析模块将计算得到的门静脉外段内径、食管壁的体积
、食管壁内
血管的体积
、食管壁内血管的体积比率
、胃壁的体积
、胃壁
中血管的体积
、胃壁内血管的体积比率
、食管壁内曲张静脉的体
积及其体积占比和胃底壁腔内静脉曲张的体积及其体积占比构成影像组学特征组，并将该
影像组学特征组传输至静脉曲张量化模块和出血风险量化模块；
静脉曲张量化模块，利用影像组学分析模块传输的影像组学特征组，对应输入到预先训练好的食管下段静脉曲张量化分类模型和胃底静脉曲张量化分类模型中进行量化，输出分类量化结果值；
出血风险量化模块，利用被测者病历信息中的临床特征和影像组学特征组，对应输入到预先训练好的食管下段曲张静脉破裂出血风险量化分类模型和胃底曲张静脉破裂出血风险量化分类模型中进行量化，输出出血风险量化结果值。
需要特别说明的是：本发明的基于CT图像量化食管胃底静脉曲张的装置输出的分类量化结果值和出血风险量化结果值并不能作为医师评判患者静脉曲张程度的结果值，其结果值仅仅作为指导医师确认是否需要进行对患者进行内镜检查的参考值，当量化结果值较大时，医师可建议患者进行内镜检查以实际确认患者的静脉曲张的实际情况。
所述静脉曲张量化模块中食管下段静脉曲张量化分类模型和胃底静脉曲张量化分类模型均是基于SVM分类模型训练得到的。
具体的，使用多分类SVM，分别对食管下段和胃底区域的多维影像组学特征进行分类；在食管下段静脉曲张分类模型中，训练集数据共4个类，分别为一类、二类、三类和四类；
采用成对分类方法在上述的四个类别中，每两个类别之间构造一个二分类SVM，即构造6个二分类SVM；待检测图像输入后，采用投票策略进行分类；即每个二分类SVM根据其决策函数对待检测图像中的影像组学特征进行类别投票，6个二分类SVM均完成投票后，最终得票最多的类别即为输入的待检测图像的类别。
上述分类过程中，6个二分类SVM均完成投票后，若出现平票的类别，则选择平票的类别中索引较小的类别作为输入的待检测图像的类别。
数据采集模块中，采集有过出血情况的被测者的病历信息，其中病历信息的时间限定为被测者发生出血事件的前一个月至发生出血事件后一个月之间，并从病历信息的时间范围内剔除接受针对静脉曲张治疗之后的时间。
所述的临床特征包括但不限于血小板、Child-Pugh肝功分级、凝血功能、肝功能、肾功能、血色素、肝硬化病因、合并症、抗凝/抗板药物使用、肝脏硬度、门静脉宽度和脾脏硬度中任意一种或多种的组合。
病历信息还包括历史静脉曲张量化结果值，将本次量化结果值与历史量化结果值进行对比，确定量化结果值的变化情况。
该装置还包括曲张静脉破裂出血高风险区域量化模块，根据静脉曲张量化模块的量化结果值，对量化结果值较高的CT图像中曲张静脉破裂高风险区域进行量化。具体的，通过图像中各静脉曲张区域范围以内血管体积与总体积的比率进行量化。
具体的，根据影像组学分析模块中计算得到的影像组学特征组，区分出食管下段区域图像中所有静脉曲张的区域，并分别计算所有食管下段区域图像中各静脉曲张区域范围以内血管体积与总体积的比率，比率最大的静脉曲张区域即为食管下段区域范围以内静脉曲张破裂出血高风险区域；
区分出胃底区域图像中所有静脉曲张的区域，并分别计算所有胃底区域图像中各静脉曲张区域范围以内血管体积与总体积的比率，比率最大的静脉曲张区域即为胃底区域范围以内静脉曲张破裂出血高风险区域。
进一步优选的，数据采集模块获取被测者门脉期的食管下段至上腹部的完整CT图像。
更进一步优选的，当数据采集模块无法获取得到被测者门脉期的食管下段至上腹部的完整CT图像时，则获取被测者静脉期的食管下段至上腹部的完整CT图像。
所述食管下段至上腹部的完整CT图像中，至少显示出食管下段和胃底的区域。
血管区域图像提取模块中，胃底区域图像中的其他区域是指水、空气及胃底内容物区域；食管下段区域图像中的其他区域是指水、空气和食管内容物区域。
食管壁的体积
是通过食管壁体素的间距和设定长度范围内食管壁体素个数
的乘积计算得到的；
食管壁内血管的体积
是通过食管壁腔血管体素间距和设定长度范围内
食管壁内血管体素个数的乘积计算得到的；
胃底区域胃壁的体积
是通过胃底区域胃壁体素间距和设定长度范围内胃底
区域胃壁体素个数的乘积得到的；
胃底区域胃壁内血管的体积
是通过胃底区域胃壁内血管体素间距和设
定长度范围内胃底区域胃壁内血管体素个数的乘积得到的。
与现有技术相比，本发明所带来有益的技术效果表现在：
1、与现有技术相比，本发明利用食管壁体积、食管壁内血管体积和食管壁内血管的体积比率作为食管下段静脉曲张分类模型的特征对食管下段静脉曲张进行量化分类，同时利用胃底区域胃壁的体积、胃底区域胃壁内血管体积和胃底区域胃壁内血管的体积比率作为胃底静脉曲张分类模型的特征对胃底静脉曲张进行量化分类，得到的分类量化结果更加精确，有利于确认是否需要进一步进行内镜检查，减少内镜检查频次。同时本发明还结合被测者近一个月内临床数据特征对出血风险进行综合评价，使得出血风险量化结果更具备临床参考性，对于出血风险量化结果值较高的患者可接受进一步的内镜检查；对于出血风险量化结果值相对较低的患者，可避免频繁的内镜检查，进行无创监测。
2、本发明中采用SVM分类模型分别训练食管下段和胃底的静脉曲张程度分类模型，采用成对分类方法在每两个类别之间构造二分类SVM，采用投票策略进行分类，保障了分类量化结果的准确度，同时也可提高数据处理效率，可以更加准确、快速地获得分类量化结果，对胃底和食管下段静脉曲张进行分类量化。
3、本发明中采集的临床特征包括但不限于血小板、Child-Pugh肝功分级、凝血功能、肝功能、肾功能、血色素、肝硬化病因、合并症、抗凝/抗板药物使用、肝脏硬度、门静脉宽度和脾脏硬度。通过临床特征的引入，增强了出血风险评估分类的准确性和可参考性。
4、本发明中还通过静脉曲张区域的血管体积与总体积的占比筛选重点关注区域，占比较大的区域，发生破裂的风险相对较高，因此可通过静脉曲张区域中血管的体积和总体积的占比得到曲张静脉发生破裂出血的高风险区域，后期可进行重点关注和监测。
5、本发明中采集被测者门脉期或静脉期食管下段至上腹部的完整CT图像，优选门脉期，当没有门脉期时则采集静脉期，门脉期的CT图像更有利于静脉曲张分类量化及出血风险量化。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述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的附图。
图1为本发明的基于CT图像量化食管胃底静脉曲张的装置的结构示意图。
具体实施方式
下面将结合本发明说明书附图，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它实施例，都属于本发明保护的范围。
实施例1 作为本发明一较佳实施例，参照说明书附图1所示，本实施例公开了一种基于CT图像量化食管胃底静脉曲张的装置，该装置包括：
数据采集模块，用于获取被测者从食管下段至上腹部的完整CT图像，并将采集到的完整CT图像传输给数据增强模块；获取被测者病历信息中的临床特征，并将获取到的临床特征传输至出血风险量化模块。
在本实施例中，该数据采集模块可以是与医院HIS系统对接的数据接口，用于接收HIS系统中被测者的CT图像以及患者在HIS系统中的病历信息。
作为一个示例，该数据采集模块可以直接与CT断层扫描设备数据连接，直接从CT断层扫描设备中获取被测者食管下段至上腹部的完整的CT图像。
数据增强模块，用于对数据采集模块采集到的完整CT图像进行数据增强处理，并将数据增强处理后的CT图像传输至图像分割和提取模块。
图像分割和提取模块，利用预先训练的图像分割模型对数据增强处理后的CT图像中感兴趣区域进行分割和提取，分割和提取出被测者CT图像中的肝脏区域图像、脾脏区域图像、胃底区域图像和食管下段区域图像；图像分割和提取模块将提取出的胃底区域图像和食管下段区域图像传输至血管区域图像提取模块，将提取出的肝脏区域图像传输至影像组学分析模块；用于训练上述的图像分割模型的神经网络可以选用VGG19FCN、U-net等。
血管区域图像提取模块，对于胃底区域图像，根据CT值的大小分别从胃底区域图像中提取到胃底区域胃壁中血管区域、胃壁以及其他区域图像；对于食管下段区域图像，根据CT值的大小分别食管下段区域图像中提取食管壁中的血管区域、食管壁以及其他区域图像；并将提取出的胃底区域胃壁中血管区域、胃壁区域、食管壁中的血管区域以及食管壁区域图像传输至影像组学分析模块。
影像组学分析模块，从提取出的肝脏区域图像中，选取第一肝门下方1~2cm处测量门静脉外段内径；
从提取出的食管壁区域图像中，计算食管壁的体积
；从提取出的食管壁中的
血管区域图像中，计算食管壁内血管的体积
；根据食管壁的体积
和食管壁内
血管的体积
计算食管壁内血管的体积比率
；取设定长度范围的
食管区域，计算此范围食管壁内曲张静脉的体积及其体积占比；
从提取出的胃壁区域图像中，计算胃底区域胃壁的体积
；从提取出的胃壁中
血管区域图像，计算胃壁中血管的体积
；根据胃壁的体积
和胃壁中血管的体
积
计算胃底区域胃壁内血管的体积比率
；取设定长度范围的胃
底区域，计算此范围胃底壁腔内静脉曲张的体积及其体积占比；
影像组学分析模块将计算得到的门静脉外段内径、食管壁的体积
、食管壁内
血管的体积
、食管壁内血管的体积比率
、胃壁的体积
、胃壁
中血管的体积
、胃壁内血管的体积比率
、食管壁内曲张静脉的体
积及其体积占比和胃底壁腔内静脉曲张的体积及其体积占比构成影像组学特征组，并将该
影像组学特征组传输至静脉曲张量化模块和出血风险量化模块。
静脉曲张量化模块，利用影像组学分析模块传输的影像组学特征组，对应输入到预先训练好的食管下段静脉曲张量化分类模型和胃底静脉曲张量化分类模型中进行量化，输出分类量化结果值；分类量化结果值包括一类、二类、三类和四类，类别数越大表示静脉曲张量化值越高，其发生静脉曲张的可能性就越高。具体的量化结果值的设置，可根据使用习惯进行定义，例如Ⅰ类、Ⅱ类、Ⅲ类和Ⅳ类。
出血风险量化模块，利用被测者病历信息中的临床特征和影像组学特征组，对应输入到预先训练好的食管下段曲张静脉破裂出血风险量化分类模型和胃底曲张静脉破裂出血风险量化分类模型中进行量化，输出出血风险量化结果值。出血风险量化结果值可分类Ⅰ类、Ⅱ类和Ⅲ类，类别越高，代表风险越高。
在使用本装置对被测者的CT图像进行量化后，并结合被测者的历史病历信息，若病历信息中存在上次做CT扫描的量化结果值时，则对比两次量化结果值，若量化结果值由Ⅱ类转为Ⅲ类，即量化结果值有明显升高的，则可以建议被测者进一步通过内镜检查确认食管胃底静脉曲张；若无变化或减小，则可以持续监测，不建议做内镜检查。
实施例2
作为本发明又一较佳实施例，参照说明书附图1所示，本实施例是对上述实施例1中出血风险量化模块的具体实施方式的补充，在本实施例中，出血风险量化模块的具体处理方式为：
以有过曲张静脉破裂出血情况的病例，提取出血发生前的CT图像作为阳性数据，其出血风险设定为1；以正常CT图像作为阴性数据，其出血风险设定为0。
利用预先训练的图像分割模型将感兴趣区分割出来，然后将感兴趣区以及周边的正方体区域的原始CT影像对应传入到食管下段曲张静脉破裂出血风险量化分类模型和胃底曲张静脉破裂出血风险量化分类模型中进行量化，输出出血风险量化结果值。
使用深度学习的分类方式对食管下段和胃底曲张静脉破裂出血的风险进行分类量化（食管下段曲张静脉破裂出血风险量化分类模型和胃底曲张静脉破裂出血风险量化分类模型的训练方式一致）。具体步骤如下所示：
对CT图像进行预处理操作（图像数据增强处理），即将CT图像的像素间距（Spacing）重采样（resampling）到一致，裁剪到固定大小的patch，对其进行窗宽窗位的变换、归一化和零值中心化等操作，使用旋转（90度），翻转和转置等方式进行数据增强，将预处理后CT图像，根据食管和胃底区域分为食管下段图像集和胃底图像集，利用食管下段图像集训练食管下段曲张静脉破裂出血风险量化分类模型，利用胃底图像集训练胃底曲张静脉破裂出血风险量化分类模型，将食管下段图像集和胃底图像集中的数据按8:2的比例对应分为训练集和测试集；
使用3D卷积构建分类模型（分别构建食管下段曲张静脉破裂出血风险量化分类模型和胃底曲张静脉破裂出血风险量化分类模型，二者构建方式相同），分类模型深度学习预处理后的训练集数据后，最终可输出食管下段和胃底发生曲张静脉出血的风险概率；
设定损失函数与优化方法对模型进行优化处理，损失函数设定为交叉熵损失函数，优化方法采用随机梯度下降（Stochastic Gradient Descent，SGD）优化器；
进行模型效果评估，使用测试集数据评估曲张静脉破裂出血风险量化分类模型的性能，即将预测出的结果与真实类别标记进行比较，计算指数包括准确率、精确率以及召回率，指标越高则模型训练效果越好。
实施例3
作为本发明又一较佳实施例，参照说明书附图1所示，本实施例是对上述实施例1中出血风险量化模块的又一种具体实施方式的详细补充，在本实施例中，出血风险量化模块的处理过程具体为：
1、CT图像：以有过曲张静脉破裂出血情况的病例，提取出血发生前的CT图像作为阳性数据，其出血风险设定为1；以正常CT图像作为阴性数据，其出血风险设定为0。2、临床特征：抽烟、饮酒、血压、抗凝/抗板、ALT 、AST 、TBIL、 DBIL 、ALB、PT 、INR、腹水、血小板 、血色素 、血氨 、肝功分级、 肝硬化病因、肝脏硬度（kPa）、HVPG、合并症等。
使用深度学习的分类方式对食管下段和胃底曲张静脉破裂出血的风险进行分类量化（食管下段曲张静脉破裂出血风险量化分类模型和胃底曲张静脉破裂出血风险量化分类模型的训练方式一致）。具体步骤如下所示：
CT图像进行预处理操作（图像数据增强处理），即将CT图像的像素间距（Spacing）重采样（resampling）到一致，裁剪到固定大小的patch，对其进行窗宽窗位的变换、归一化和零值中心化等操作，使用旋转（90度），翻转和转置等方式进行数据增强，将预处理后CT图像，根据食管和胃底区域分为食管下段图像集和胃底图像集，利用食管下段图像集训练食管下段曲张静脉破裂出血风险量化分类模型，利用胃底图像集训练胃底曲张静脉破裂出血风险量化分类模型，将食管下段图像集和胃底图像集中的数据按8:2的比例对应分为训练集和测试集。并将各个临床特征定量表示，并归一化，形成20维的医学指标特征向量；
使用3D卷积构建分类模型（分别构建食管下段曲张静脉破裂出血风险量化分类模型和胃底曲张静脉破裂出血风险量化分类模型，二者构建方式相同），分类模型深度学习预处理后的训练集数据后，若在出血风险预测研究中，发现一些临床特征（如肝脏硬度等)对出血风险存在显著影响，则在上面分类模型的基础上，进一步使用梯度提升决策树(GBDT)，将图像与临床特征相结合。将分类模型最终得到的特征（64维）和临床特征向量（20维）拼接成84维度的特征向量，标签为对应的类别。输入决策树模型进行训练，最终可输出食管下段和胃底曲张静脉发生破裂出血的风险概率；
设定损失函数与优化方法对模型进行优化处理，损失函数设定为交叉熵损失函数，优化方法采用随机梯度下降（Stochastic Gradient Descent，SGD）优化器；
进行模型效果评估，使用测试集数据评估出血风险分类模型的性能，即将预测出的结果与真实类别标记进行比较，计算指数包括准确率、精确率以及召回率，指标越高则模型训练效果越好。
实施例4
作为本发明又一较佳实施例，参照说明书附图1所示，本实施例是对上述实施例1中静脉曲张量化模块的具体实施方式的详细补充，在本实施例中，用于训练食管下段静脉曲张量化分类模型和胃底静脉曲张量化分类模型的神经网络模型可以是Inception V3、ResNet50、LeNet-5、SVM、3D卷积等。
作为本实施例中一种较佳的实施方式，优选的采用SVM模型进行食管下段静脉曲张量化分类模型和胃底静脉曲张量化分类模型的神经网络模型的训练，具体训练过程为：
采集大量（500例以上）肝硬化患者的食管下段至上腹部的增强CT图像，利用图像分割模型分割并提取出感兴趣区域，即是食管下段区域和胃底区域；
将提取出的食管下段区域图像和胃底区域图像，分别进行存储及分析；
然后对于食管下段区域图像，提取出食管壁的体积
、食管壁内血管的体积
、食管壁内血管的体积比率
特征；作为训练食管下段静脉曲张
量化分类模型的原始数据集，将原始数据集按照8:2的比例分为训练集和测试集，利用训练
集基于SVM模型训练食管下段静脉曲张量化分类模型，然后利用测试集测试训练得到的食
管下段静脉曲张量化分类模型，并优化模型参数。
同样的，对于提取出的胃底区域图像，提取出胃底区域胃壁的体积
、胃底区域
胃壁内血管的体积
、胃底区域胃壁内血管的体积比率
特征；作为
训练胃底静脉曲张量化分类模型的原始数据集，将原始数据集按照8:2的比例分为训练集
和测试集，利用训练集基于SVM模型训练胃底静脉曲张量化分类模型，然后利用测试集测试
训练得到的胃底静脉曲张量化分类模型，并优化模型参数。
作为本实施例中又一种较佳实施方式，本实施方式具体为，使用多分类SVM，分别对食管下段和胃底区域的多维影像组学特征进行分类；在食管下段静脉曲张分类模型中，训练集数据共4个类，分别为一类、二类、三类和四类；采用成对分类方法在上述的四个类别中，每两个类别之间构造一个二分类SVM，即构造6个二分类SVM；待检测图像输入后，采用投票策略进行分类；即每个二分类SVM根据其决策函数对待检测图像中的影像组学特征进行类别投票，6个二分类SVM均完成投票后，最终得票最多的类别即为输入的待检测图像的类别。
上述分类过程中，6个二分类SVM均完成投票后，若出现平票的类别，则选择平票的类别中索引较小的类别作为输入的待检测图像的类别。
实施例5
作为本发明又一较佳实施例，参照说明书附图1所示，本实施例是对上述实施例1中静脉曲张量化模块的又一具体实施方式的详细补充，在本实施例中，用于训练食管下段静脉曲张量化分类模型和胃底静脉曲张量化分类模型的神经网络模型是3D卷积。具体训练过程如下：
对CT图像进行预处理操作（图像数据增强处理），即将CT图像的像素间距（Spacing）重采样（resampling）到一致，裁剪到固定大小的patch，对其进行窗宽窗位的变换、归一化和零值中心化等操作，使用旋转（90度），翻转和转置等方式进行数据增强，将预处理后CT图像，根据食管和胃底区域分为食管下段图像集和胃底图像集，利用食管下段图像集训练食管下段静脉曲张量化分类模型，利用胃底图像集训练胃底静脉曲张量化分类模型，将食管下段图像集和胃底图像集中的数据按8:2的比例对应分为训练集和测试集；
使用3D卷积构建分类模型，分类模型深度学习预处理后的训练集数据，最终可输出食管下段和胃底区域静脉曲张4类量化结果的概率；
设定损失函数与优化方法对模型进行优化处理，损失函数设定为交叉熵损失函数，优化方法为采用随机梯度下降（Stochastic Gradient Descent，SGD）优化器；
进行模型效果评估，使用测试集数据来评估静脉曲张量化分类模型的性能，即将预测出的结果与真实类别标记进行比较，计算指数包括准确率、精确率以及召回率，指标越高则模型训练效果越好。
实施例6
作为本发明又一较佳实施例，参照说明书附图1所示，本实施例是在上述实施例1的基础上对出血风险量化模块的具体实施方式的进一步补充，在本实施例中，采集被测者的病历信息，结合被测者病历信息中的临床特征和影像组学特征，分别构建食管下段曲张静脉破裂出血风险量化分类模型和胃底曲张静脉破裂出血风险量化分类模型，将被测者临床特征和当前CT图像中分割提取得到的胃底区域图像输入到胃底曲张静脉破裂出血风险量化分类模型中，将被测者临床特征和当前CT图像中分割提取得到的食管下段区域图像输入到食管下段曲张静脉破裂出血风险量化分类模型中，对被测者胃底和食管曲张静脉发生破裂出血的风险进行分类量化。
当被测者有过曲张静脉出血事件时，采集有过出血情况的被测者的病历信息，该病历信息的时间限定为被测者发生出血事件的前一个月至发生出血事件后一个月之间，并从病历信息的时间范围内剔除接受针对静脉曲张治疗之后的时间。
病历信息中的临床特征包括但不限于血小板、Child-Pugh肝功分级、凝血功能、肝功能、肾功能、血色素、肝硬化病因、合并症、抗凝/抗板药物使用、肝脏硬度、门静脉宽度和脾脏硬度中任意一种或多种的组合。
进一步的，如图1所示，该方法还包括曲张静脉破裂出血高风险区域量化模块，根据静脉曲张量化模块的量化结果值，对量化结果值较高的CT图像中曲张静脉破裂高风险区域进行量化。具体的，通过图像中各静脉曲张区域范围以内血管体积与总体积的比率进行量化。
根据影像组学分析模块中计算得到的影像组学特征组，区分出食管下段区域图像中所有静脉曲张的区域，并分别计算所有食管下段区域图像中各静脉曲张区域范围以内血管体积与总体积的比率，比率最大的静脉曲张区域即为食管下段区域范围以内静脉曲张破裂出血高风险区域；
区分出胃底区域图像中所有静脉曲张的区域，并分别计算所有胃底区域图像中各静脉曲张区域范围以内血管体积与总体积的比率，比率最大的静脉曲张区域即为胃底区域范围以内静脉曲张破裂出血高风险区域。
实施例7
作为本发明又一较佳实施例，本实施例公开了一种基于CT图像量化食管胃底静脉曲张的装置，该装置包括：
数据采集模块，用于获取被测者从食管下段至上腹部的完整CT图像，并将采集到的完整CT图像传输给数据增强模块；获取被测者病历信息中的临床特征，并将获取到的临床特征传输至出血风险量化模块；
作为一个示例，该数据采集模块可以是与医院HIS系统对接的数据接口，用于接收HIS系统中被测者的CT图像以及患者在HIS系统中的病历信息；
作为又一个示例，该数据采集模块直接与CT断层扫描设备数据连接，直接从CT断层扫描设备中获取被测者食管下段至上腹部的完整的CT图像；
其中优选获取被测者门脉期的食管下段至上腹部的完整CT图像。当数据采集模块无法获取得到被测者门脉期的食管下段至上腹部的完整CT图像时，则获取被测者静脉期的食管下段至上腹部的完整CT图像。且所述食管下段至上腹部的完整CT图像中，至少显示出食管下段和胃底的区域。
数据增强模块，用于对数据采集模块采集到的完整CT图像进行数据增强处理，并将数据增强处理后的CT图像传输至图像分割和提取模块；
作为一个示例，数据增强模块对CT图像进行数据增强的具体操作是将CT图像的像素间距（Spacing）重采样（resampling）到一致，裁剪到固定大小的patch，对其进行窗宽窗位的变换、归一化和零值中心化等操作，使用旋转（90度），翻转和转置等方式进行数据增强。
图像分割和提取模块，利用预先训练的图像分割模型对数据增强处理后的CT图像中感兴趣区域进行分割和提取，分割和提取出被测者CT图像中的肝脏区域图像、脾脏区域图像、胃底区域图像和食管下段区域图像；图像分割和提取模块将提取出的胃底区域图像和食管下段区域图像传输至血管区域图像提取模块，将提取出的肝脏区域图像传输至影像组学分析模块；
用于训练上述的图像分割模型的神经网络可以选用VGG19FCN、U-net等。
血管区域图像提取模块，对于胃底区域图像，根据CT值的大小分别从胃底区域图像中提取到胃底区域胃壁中血管区域、胃壁以及其他区域图像；对于食管下段区域图像，根据CT值的大小分别食管下段区域图像中提取食管壁中的血管区域、食管壁以及其他区域图像；并将提取出的胃底区域胃壁中血管区域、胃壁区域、食管壁中的血管区域以及食管壁区域图像传输至影像组学分析模块；
作为一个示例，血管区域图像提取模块根据CT值判断哪些区域属于血管区域，哪些区域属于胃底内壁区域，哪些区域属于食管内壁区域，哪些属于水、空气、食管内容器或胃内容物。
影像组学分析模块，从提取出的肝脏区域图像中，选取第一肝门下方1~2cm处测量门静脉外段内径；
从提取出的食管壁区域图像中，计算食管壁的体积
；从提取出的食管壁中的
血管区域图像中，计算食管壁内血管的体积
；根据食管壁的体积
和食管壁内
血管的体积
计算食管壁内血管的体积比率
；取设定长度范围的
食管区域，计算此范围食管壁内曲张静脉的体积及其体积占比；
从提取出的胃壁区域图像中，计算胃底区域胃壁的体积
；从提取出的胃壁中血
管区域图像，计算胃壁中血管的体积
；根据胃壁的体积
和胃壁中血管的体积
计算胃底区域胃壁内血管的体积比率
；取设定长度范围的胃底
区域，计算此范围胃底壁腔内静脉曲张的体积及其体积占比。
影像组学分析模块将计算得到的门静脉外段内径、食管壁的体积
、食管壁内
血管的体积
、食管壁内血管的体积比率
、胃壁的体积
、胃壁
中血管的体积
、胃壁内血管的体积比率
、食管壁内曲张静脉的体
积及其体积占比和胃底壁腔内静脉曲张的体积及其体积占比构成影像组学特征组，并将该
影像组学特征组传输至静脉曲张量化模块和出血风险量化模块。
其中，食管壁的体积
是通过食管壁体素的间距和设定长度范围内食管壁体素
个数的乘积计算得到的；
食管壁内血管的体积
是通过食管壁腔血管体素间距和设定长度范围内
食管壁内血管体素个数的乘积计算得到的；
胃底区域胃壁的体积
是通过胃底区域胃壁体素间距和设定长度范围内胃底
区域胃壁体素个数的乘积得到的；
胃底区域胃壁内血管的体积
是通过胃底区域胃壁内血管体素间距和设
定长度范围内胃底区域胃壁内血管体素个数的乘积得到的。
静脉曲张量化模块，利用影像组学分析模块传输的影像组学特征组，对应输入到预先训练好的食管下段静脉曲张量化分类模型和胃底静脉曲张量化分类模型中进行量化，输出分类量化结果值；
作为一个示例，使用多分类SVM，分别对食管下段和胃底区域的多维影像组学特征进行分类；在食管下段静脉曲张分类模型中，训练集数据共4个类，分别为一类、二类、三类和四类；
采用成对分类方法在上述的四个类别中，每两个类别之间构造一个二分类SVM，即构造6个二分类SVM；待检测图像输入后，采用投票策略进行分类；即每个二分类SVM根据其决策函数对待检测图像中的影像组学特征进行类别投票，6个二分类SVM均完成投票后，最终得票最多的类别即为输入的待检测图像的类别；
上述分类过程中，6个二分类SVM均完成投票后，若出现平票的类别，则选择平票的类别中索引较小的类别作为输入的待检测图像的类别。
出血风险量化模块，利用被测者病历信息中的临床特征和影像组学特征组，对应输入到预先训练好的食管下段曲张静脉破裂出血风险量化分类模型和胃底曲张静脉破裂出血风险量化分类模型中进行量化，输出出血风险量化结果值；
作为一个示例，数据采集模块中，采集有过出血情况的被测者的病历信息，其中病历信息的时间限定为被测者发生出血事件的前一个月至发生出血事件后一个月之间，并从病历信息的时间范围内剔除接受针对静脉曲张治疗之后的时间；
所述的临床特征包括但不限于血小板、Child-Pugh肝功分级、凝血功能、肝功能、肾功能、血色素、肝硬化病因、合并症、抗凝/抗板药物使用、肝脏硬度、门静脉宽度和脾脏硬度中任意一种或多种的组合。
进一步的，病历信息还包括历史静脉曲张量化结果值，将本次量化结果值与历史量化结果值进行对比，确定量化结果值的变化情况。
该装置还包括曲张静脉破裂出血高风险区域量化模块，根据静脉曲张量化模块的量化结果值，对量化结果值较高的CT图像中曲张静脉破裂高风险区域进行量化。具体的，通过图像中各静脉曲张区域范围以内血管体积与总体积的比率进行量化。
具体的，根据影像组学分析模块中计算得到的影像组学特征组，区分出食管下段区域图像中所有静脉曲张的区域，并分别计算所有食管下段区域图像中各静脉曲张区域范围以内血管体积与总体积的比率，比率最大的静脉曲张区域即为食管下段区域范围以内静脉曲张破裂出血高风险区域；
区分出胃底区域图像中所有静脉曲张的区域，并分别计算所有胃底区域图像中各静脉曲张区域范围以内血管体积与总体积的比率，比率最大的静脉曲张区域即为胃底区域范围以内静脉曲张破裂出血高风险区域。
Claims (15)
1.基于CT图像量化食管胃底静脉曲张的装置，其特征在于，该装置包括：
数据采集模块，用于获取被测者从食管下段至上腹部的完整CT图像，并将采集到的完整CT图像传输给数据增强模块；获取被测者病历信息中的临床特征，并将获取到的临床特征传输至出血风险量化模块；
数据增强模块，用于对数据采集模块采集到的完整CT图像进行数据增强处理，并将数据增强处理后的CT图像传输至图像分割和提取模块；
图像分割和提取模块，利用预先训练的图像分割模型对数据增强处理后的CT图像中感兴趣区域进行分割和提取，分割和提取出被测者CT图像中的肝脏区域图像、脾脏区域图像、胃底区域图像和食管下段区域图像；图像分割和提取模块将提取出的胃底区域图像和食管下段区域图像传输至血管区域图像提取模块，将提取出的肝脏区域图像传输至影像组学分析模块；
血管区域图像提取模块，对于胃底区域图像，根据CT值的大小分别从胃底区域图像中提取到胃底区域胃壁中血管区域、胃壁以及其他区域图像；对于食管下段区域图像，根据CT值的大小分别食管下段区域图像中提取食管壁中的血管区域、食管壁以及其他区域图像；并将提取出的胃底区域胃壁中血管区域、胃壁区域、食管壁中的血管区域以及食管壁区域图像传输至影像组学分析模块；
影像组学分析模块，从提取出的肝脏区域图像中，选取第一肝门下方1~2cm处测量门静脉外段内径；
从提取出的食管壁区域图像中，计算食管壁的体积
；从提取出的食管壁中的血管
区域图像中，计算食管壁内血管的体积
；根据食管壁的体积
和食管壁内血管
的体积
计算食管壁内血管的体积比率
；取设定长度范围的食管
区域，计算此范围食管壁内曲张静脉的体积及其体积占比；
从提取出的胃壁区域图像中，计算胃底区域胃壁的体积
；从提取出的胃壁中血管区
域图像，计算胃壁中血管的体积
；根据胃壁的体积
和胃壁中血管的体积
计算胃底区域胃壁内血管的体积比率
；取设定长度范围的胃底
区域，计算此范围胃底壁腔内静脉曲张的体积及其体积占比；
影像组学分析模块将计算得到的门静脉外段内径、食管壁的体积
、食管壁内血管
的体积
、食管壁内血管的体积比率
、胃壁的体积
、胃壁中血
管的体积
、胃壁内血管的体积比率
、食管壁内曲张静脉的体积及
其体积占比和胃底壁腔内静脉曲张的体积及其体积占比构成影像组学特征组，并将该影像
组学特征组传输至静脉曲张量化模块和出血风险量化模块；
静脉曲张量化模块，利用影像组学分析模块传输的影像组学特征组，对应输入到预先训练好的食管下段静脉曲张量化分类模型和胃底静脉曲张量化分类模型中进行量化，输出分类量化结果值；
出血风险量化模块，利用被测者病历信息中的临床特征和影像组学特征组，对应输入到预先训练好的食管下段曲张静脉破裂出血风险量化分类模型和胃底曲张静脉破裂出血风险量化分类模型中进行量化，输出出血风险量化结果值。
2.如权利要求1所述的基于CT图像量化食管胃底静脉曲张的装置，其特征在于：出血风险量化模块中，预先训练好的食管下段曲张静脉破裂出血风险量化分类模型和胃底曲张静脉破裂出血风险量化分类模型，是通过下述方式训练得到的：
以有过曲张静脉出血情况的病例，提取发生出血前的CT图像作为阳性数据，其出血风险设定为1，以正常CT图像作为阴性数据，其出血风险设定为0；利用图像分割和提取模块将阳性数据CT图像和阴性数据CT图像中的感兴趣区域分割出来，分为食管下段图像集和胃底图像集；利用食管下段图像集训练食管下段曲张静脉破裂出血风险量化分类模型，利用胃底图像集训练胃底曲张静脉破裂出血风险量化分类模型；具体训练过程为：
对CT图像进行预处理操作，即将CT图像的像素间距重采样到一致，裁剪到固定大小的patch，对其进行窗宽窗位的变换、归一化和零值中心化操作，使用旋转、翻转和转置的方式进行数据增强，将食管下段图像集和胃底图像集中的数据均按8:2的比例对应分为训练集和测试集；
使用3D卷积构建曲张静脉破裂出血风险量化分类模型；曲张静脉破裂出血风险量化分类模型分别深度学习预处理后的食管下段训练集数据和胃底训练集数据，分别输出食管下段和胃底发生曲张静脉破裂出血的风险概率；
设定损失函数与优化方法对模型进行优化处理，损失函数设定为交叉熵损失函数，优化方法采用随机梯度下降优化器；
进行模型效果评估，使用测试集数据评估曲张静脉破裂出血风险量化分类模型的性能，即将预测出的结果与真实类别标记进行比较，计算指数包括准确率、精确率以及召回率，指标越高则模型训练效果越好。
3.如权利要求1所述的基于CT图像量化食管胃底静脉曲张的装置，其特征在于：
出血风险量化模块中，预先训练好的食管下段曲张静脉破裂出血风险量化分类模型和胃底曲张静脉破裂出血风险量化分类模型，是通过下述方式训练得到的：
以有过曲张静脉出血情况的病例，提取发生出血前的CT图像作为阳性数据，其出血风险设定为1；以正常CT图像作为阴性数据，其出血风险设定为0；病历信息中临床特征，包括血小板、Child-Pugh肝功分级、凝血功能、肝功能、肾功能、血色素、肝硬化病因、合并症、抗凝/抗板药物使用、肝脏硬度、门静脉宽度和脾脏硬度；
利用图像分割和提取模块将阳性数据CT图像和阴性数据CT图像中的感兴趣区域分割出来，分为食管下段图像集和胃底图像集；利用食管下段图像集训练食管下段曲张静脉破裂出血风险量化分类模型，利用胃底图像集训练胃底曲张静脉破裂出血风险量化分类模型；具体训练过程为：
对CT图像进行预处理操作，即将CT图像的像素间距重采样到一致，裁剪到固定大小的patch，对其进行窗宽窗位的变换、归一化和零值中心化操作，使用旋转、翻转和转置的方式进行数据增强，将食管下段图像集和胃底图像集中的数据均按8:2的比例对应分为训练集和测试集；并将各个临床特征定量表示，并归一化，形成20维的医学指标特征向量；
使用3D卷积构建曲张静脉破裂出血风险量化分类模型；在曲张静脉破裂出血风险量化分类模型的基础上，使用梯度提升决策树，将CT图像与临床特征向量中的临床特征相结合；曲张静脉破裂出血风险量化分类模型最终得到由64维图像特征和20维的临床特征向量拼接而成的84维的特征向量，标签为对应的类别，输入决策树模型进行训练，最终输出食管下段和胃底发生曲张静脉破裂出血的风险概率；
设定损失函数与优化方法对模型进行优化处理，损失函数设定为交叉熵损失函数，优化方法采用随机梯度下降优化器；
进行模型效果评估，使用测试集数据评估曲张静脉破裂出血风险量化分类模型的性能，即将预测出的结果与真实类别标记进行比较，计算指数包括准确率、精确率以及召回率，指标越高则模型训练效果越好。
4.如权利要求1-3任意一项所述的基于CT图像量化食管胃底静脉曲张的装置，其特征在于：所述静脉曲张量化模块中食管下段静脉曲张量化分类模型和胃底静脉曲张量化分类模型均是基于SVM分类模型训练得到的。
5.如权利要求4所述的基于CT图像量化食管胃底静脉曲张的装置，其特征在于：使用多分类SVM，分别对食管下段和胃底区域的多维影像组学特征进行分类；在食管下段静脉曲张分类模型中，训练集数据共4个类，分别为一类、二类、三类和四类；
采用成对分类方法在上述的四个类别中，每两个类别之间构造一个二分类SVM，即构造6个二分类SVM；待检测图像输入后，采用投票策略进行分类；即每个二分类SVM根据其决策函数对待检测图像中的影像组学特征进行类别投票，6个二分类SVM均完成投票后，最终得票最多的类别即为输入的待检测图像的类别。
6.如权利要求5所述的基于CT图像量化食管胃底静脉曲张的装置，其特征在于：上述分类过程中，6个二分类SVM均完成投票后，若出现平票的类别，则选择平票的类别中索引较小的类别作为输入的待检测图像的类别。
7.如权利要求1-3任意一项所述的基于CT图像量化食管胃底静脉曲张的装置，其特征在于：数据采集模块中，采集有过出血情况的被测者的病历信息，其中病历信息的时间限定为被测者发生出血事件的前一个月至发生出血事件后一个月之间，并从病历信息的时间范围内剔除接受针对静脉曲张治疗之后的时间。
8.如权利要求7所述的基于CT图像量化食管胃底静脉曲张的装置，其特征在于：所述的临床特征包括但不限于血小板、Child-Pugh肝功分级、凝血功能、肝功能、肾功能、血色素、肝硬化病因、合并症、抗凝/抗板药物使用、肝脏硬度、门静脉宽度和脾脏硬度中任意一种或多种的组合。
9.如权利要求1所述的基于CT图像量化食管胃底静脉曲张的装置，其特征在于：该装置还包括曲张静脉破裂出血高风险区域量化模块，根据静脉曲张量化模块的量化结果值，对量化结果值较高的CT图像中曲张静脉破裂高风险区域进行量化；具体的，通过图像中各静脉曲张区域范围以内血管体积与总体积的比率进行量化。
10.如权利要求9所述的基于CT图像量化食管胃底静脉曲张的装置，其特征在于：根据影像组学分析模块中计算得到的影像组学特征组，区分出食管下段区域图像中所有静脉曲张的区域，并分别计算所有食管下段区域图像中各静脉曲张区域范围以内血管体积与总体积的比率，比率最大的静脉曲张区域即为食管下段区域范围以内静脉曲张破裂出血高风险区域；
区分出胃底区域图像中所有静脉曲张的区域，并分别计算所有胃底区域图像中各静脉曲张区域范围以内血管体积与总体积的比率，比率最大的静脉曲张区域即为胃底区域范围以内静脉曲张破裂出血高风险区域。
11.如权利要求1所述的基于CT图像量化食管胃底静脉曲张的装置，其特征在于：数据采集模块获取被测者门脉期的食管下段至上腹部的完整CT图像。
12.如权利要求11所述的基于CT图像量化食管胃底静脉曲张的装置，其特征在于：当数据采集模块无法获取得到被测者门脉期的食管下段至上腹部的完整CT图像时，则获取被测者静脉期的食管下段至上腹部的完整CT图像。
13.如权利要求1所述的基于CT图像量化食管胃底静脉曲张的装置，其特征在于：所述食管下段至上腹部的完整CT图像中，至少显示出食管下段和胃底的区域。
14.如权利要求1所述的基于CT图像量化食管胃底静脉曲张的装置，其特征在于：血管区域图像提取模块中，胃底区域图像中的其他区域是指水、空气及胃底内容物区域；食管下段区域图像中的其他区域是指水、空气和食管内容物区域。
15.如权利要求1所述的基于CT图像量化食管胃底静脉曲张的装置，其特征在于：食管
壁的体积
是通过食管壁体素的间距和设定长度范围内食管壁体素个数的乘积计算得
到的；
食管壁内血管的体积
是通过食管壁腔血管体素间距和设定长度范围内食管
壁内血管体素个数的乘积计算得到的；
胃底区域胃壁的体积
是通过胃底区域胃壁体素间距和设定长度范围内胃底区域胃
壁体素个数的乘积得到的；
胃底区域胃壁内血管的体积
是通过胃底区域胃壁内血管体素间距和设定长
度范围内胃底区域胃壁内血管体素个数的乘积得到的。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211269642.2A CN115564741A (zh) | 2022-10-18 | 2022-10-18 | 基于ct图像量化食管胃底静脉曲张的装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211269642.2A CN115564741A (zh) | 2022-10-18 | 2022-10-18 | 基于ct图像量化食管胃底静脉曲张的装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115564741A true CN115564741A (zh) | 2023-01-03 |
Family
ID=84746064
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211269642.2A Pending CN115564741A (zh) | 2022-10-18 | 2022-10-18 | 基于ct图像量化食管胃底静脉曲张的装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115564741A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115797988A (zh) * | 2023-01-30 | 2023-03-14 | 武汉楚精灵医疗科技有限公司 | 基于内镜图像的曲张静脉血管的分类方法及相关设备 |
| CN116309558A (zh) * | 2023-05-16 | 2023-06-23 | 四川大学华西医院 | 一种食管黏膜IPCLs血管区域分割方法、设备及存储介质 |
-
2022
- 2022-10-18 CN CN202211269642.2A patent/CN115564741A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115797988A (zh) * | 2023-01-30 | 2023-03-14 | 武汉楚精灵医疗科技有限公司 | 基于内镜图像的曲张静脉血管的分类方法及相关设备 |
| CN116309558A (zh) * | 2023-05-16 | 2023-06-23 | 四川大学华西医院 | 一种食管黏膜IPCLs血管区域分割方法、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115564741A (zh) | 基于ct图像量化食管胃底静脉曲张的装置 | |
| CN112465772B (zh) | 眼底彩照图像血管评估方法、装置、计算机设备和介质 | |
| TWI684997B (zh) | 骨齡評估與身高預測模型之建立方法、骨齡評估與身高預測系統及骨齡評估與身高預測方法 | |
| CN106408566B (zh) | 一种胎儿超声图像质量控制方法及系统 | |
| WO2023207820A1 (zh) | 基于有监督深度子空间学习的胰腺术后糖尿病预测系统 | |
| US20210077009A1 (en) | Predicting response to therapy for adult and pediatric crohn's disease using radiomic features of mesenteric fat regions on baseline magnetic resonance enterography | |
| CN109124660A (zh) | 基于深度学习的胃肠间质瘤术后风险检测方法和系统 | |
| CN111598868B (zh) | 一种肺部超声图像识别方法和系统 | |
| Lin et al. | Using deep learning in ultrasound imaging of bicipital peritendinous effusion to grade inflammation severity | |
| Xing et al. | Automatic detection of A‐line in lung ultrasound images using deep learning and image processing | |
| Al Mamun et al. | Discretion way for bleeding detection in wireless capsule endoscopy images | |
| 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 | |
| CN112807008A (zh) | 基于影像组学的鉴别实性小儿肺炎支原体肺炎与肺炎链球菌肺炎的方法和系统 | |
| CN113763353A (zh) | 一种肺部超声图像检测系统 | |
| 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 | |
| CN116934683A (zh) | 人工智能辅助超声诊断脾创伤的方法 | |
| CN110265140A (zh) | 足畸形检测模型、足畸形检测系统及足畸形检测方法 | |
| Dandan et al. | A multi-model organ segmentation method based on abdominal ultrasound image | |
| KR102384083B1 (ko) | 자기공명영상을 이용한 천장관절염 진단 및 염증 정도를 평가하기 위한 장치 및 방법 | |
| CN114004821A (zh) | 一种基于级联rcnn的肠神经节细胞辅助识别方法 | |
| Stancilas et al. | Detection of Pathological Markers in Colonoscopy Images using YOLOv7 | |
| CN112862797A (zh) | 一种肝纤维化无损预测方法及系统 | |
| CN117954083B (zh) | 一种基于机器学习算法的子痫前期预测方法 | |
| CN115064267B (zh) | 一种胆道闭锁风险评估系统及其建立方法 | |
| RU2827804C1 (ru) | Методика применения средств искусственного интеллекта для интерпретации результатов, полученных методом высокоразрешающей компьютерной томографии (вркт), для диагностики интерстициальных заболеваний легких человека (изл) |
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 |