CN115641961A - 用于预测肾脏年龄的方法及装置 - Google Patents
用于预测肾脏年龄的方法及装置 Download PDFInfo
- Publication number
- CN115641961A CN115641961A CN202211117895.8A CN202211117895A CN115641961A CN 115641961 A CN115641961 A CN 115641961A CN 202211117895 A CN202211117895 A CN 202211117895A CN 115641961 A CN115641961 A CN 115641961A
- Authority
- CN
- China
- Prior art keywords
- kidney
- sample
- image
- data
- enhanced
- 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
Abstract
本申请公开了一种用于预测肾脏年龄的方法及装置。该方法包括:获取动脉期腹盆增强CT图像和与动脉期腹盆增强CT图像对应的检测信息;对动脉期腹盆增强CT图像进行处理,以得到肾脏增强CT图像;根据肾脏增强CT图像确定双肾皮髓质的体积;获取目标预测模型;将双肾皮髓质的体积和检测信息输入至目标预测模型,以得到预测年龄。本申请可以针对不同病症的慢性肾脏患者预测其肾脏年龄,全方位地从肾脏结构、肾脏功能和肾脏组织等多方面,多模态地对肾脏展开定量而非定型的描述,为慢性肾脏病的分型带来新的切入角度,从而更加全面地知晓肾脏功能不全的患者的肾脏情况。
Description
技术领域
本申请涉及计算机技术领域,具体地涉及一种用于预测肾脏年龄的方法及装置。
背景技术
数十年来,研究者都在尝试寻找合适的方法来描述肾小球滤过功能。近年来,以CKD-EPI公式为代表的估计肾小球滤过率(estimated glomerulus filtration rate,eGFR)的评估方式逐渐被广泛应用于肾功能的近似评估,均展现了不错的效果。但是,由于eGFR评估公式的产生依赖于特定人群的数据,且计算所需要的血肌酐受到人体本身状态的影响,因此在某些情况下,eGFR的应用会受到限制,如超重的患者或老年人等。
肾脏功能与其肾脏结构息息相关。肾脏结构的改变往往常伴随着功能的下降,但是由于肾脏强大的代偿能力,当探查到血肌酐的改变时,肾脏的结构损伤已经较为明显,因此如何早期评估整体肾脏健康状况的指标,是一个有待探索的问题。同时血肌酐受到肌肉、饮食、容量等影响,时有波动,对于肾脏目前整体状态的评估不够敏感和稳定,其与肾脏结构之间的具体关系也尚不明朗。
近年来,基于部分肾脏影像技术(核磁,CT等)和人工智能算法的肾脏自动分割技术相继提出,对于肾脏结构的进一步解构成为可能。因此,现有技术对于肾脏的评估具有局限性,一种更全面评估肾脏结构和功能整体状态的方法和指标迫在眉睫。
发明内容
本申请实施例的目的是提供一种用于预测肾脏年龄的方法及装置,用以解决现有技术中对于肾脏的评估具有局限性的问题。
为了实现上述目的,本申请第一方面提供一种用于预测肾脏年龄的方法,包括:
获取动脉期腹盆增强CT图像和与动脉期腹盆增强CT图像对应的检测信息;
对动脉期腹盆增强CT图像进行处理,以得到肾脏增强CT图像;
根据肾脏增强CT图像确定双肾皮髓质的体积;
获取目标预测模型;
将双肾皮髓质的体积和检测信息输入至目标预测模型,以得到预测年龄。
在本申请实施例中,对动脉期腹盆增强CT图像进行处理,以得到肾脏增强CT图像包括:
对动脉期腹盆增强CT图像进行切片,以得到多层切片;
将多层切片的肾脏部分进行切割,以得到肾脏增强CT图像。
在本申请实施例中,根据肾脏增强CT图像确定双肾皮髓质的体积包括:
将肾脏增强CT图像输入至目标语义分割模型,以得到分割数据;
根据分割数据对肾脏增强CT图像进行三维重建;
读取肾脏增强CT图像的每层切片的像素点;
通过对像素点进行积分和测量以确定双肾皮髓质的体积。
在本申请实施例中,获取目标预测模型包括:
获取样本数据和与样本数据对应的实际年龄数据,样本数据包括样本双肾皮髓质的体积和样本检测数据;
将样本数据分为训练数据集和测试数据集;
根据训练数据集训练初始预测模型,以得到目标预测模型;
将测试数据集输入至目标预测模型,以得到测试年龄区间;
根据测试年龄区间验证目标预测模型的准确性。
在本申请实施例中,目标预测模型包括多个目标预测模型,将测试数据集输入至目标预测模型,以得到测试年龄区间包括:
将测试数据集输入至多个目标预测模型,以得到多个测试预测年龄;
对多个测试预测年龄取均值和标准差,以得到测试年龄区间。
在本申请实施例中,获取目标预测模型还包括:
对样本数据进行清洗,以去除异常样本数据;
通过多重插补法或随机森林算法填补样本数据的缺失值。
在本申请实施例中,获取样本数据包括:
获取多个动脉期腹盆增强CT样本图像和与动脉期腹盆增强CT样本图像对应的样本检测信息;
对动脉期腹盆增强CT样本图像进行切片,以得到多层样本切片;
将多层样本切片的肾脏部分进行分割,以得到肾脏增强CT样本图像;
根据肾脏增强CT样本图像确定样本双肾皮髓质的体积。
在本申请实施例中,根据肾脏增强CT样本图像确定样本双肾皮髓质的体积包括:
获取目标语义分割模型;
将肾脏增强CT样本图像输入至目标语义分割模型,以得到分割样本数据;
根据分割样本数据对肾脏增强CT样本图像进行三维重建;
读取肾脏增强CT样本图像的每层样本切片的像素点;
通过对每层样本切片的像素点进行积分和测量确定样本双肾皮髓质的体积。
在本申请实施例中,获取目标语义分割模型包括:
将肾脏增强CT样本图像分为训练样本集、验证样本集和测试样本集;
对训练样本集和所述验证样本集进行标注;
根据训练样本集和验证样本集训练语义分割模型以得到目标语义分割模型;
将测试样本集输入至所述目标语义分割模型,以得到测试分割数据;
将测试分割数据与预设标注数据进行比对,以验证目标语义分割模型的准确性。
本申请第二方面提供一种用于预测肾脏年龄的装置,包括:
存储器,被配置成存储指令;以及
处理器,被配置成从存储器调用所述指令以及在执行指令时能够实现上述的用于预测肾脏年龄的方法。
通过上述技术方案,建立预测肾脏年龄的目标预测模型,获取动脉期腹盆增强CT图像和与动脉期腹盆增强CT图像对应的检测信息,再对动脉期腹盆增强CT图像进行处理,以得到肾脏增强CT图像,根据肾脏增强CT图像确定双肾皮髓质的体积;接着将双肾皮髓质的体积和检测信息输入至目标预测模型,以得到预测年龄。通过建立目标预测模型,可以针对不同病症的慢性肾脏患者预测其肾脏年龄,全方位地从肾脏结构、肾脏功能和肾脏组织等多方面,多模态地对肾脏展开定量而非定型的描述,为慢性肾脏病的分型带来新的切入角度,从而更加全面地知晓肾脏功能不全的患者的肾脏情况,可以帮助肾脏科医生给出更全面的诊断结果及预后策略,也可以帮助肾脏疾病患者更直观地了解自身肾脏状态及变化情况。
本申请实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本申请实施例,但并不构成对本申请实施例的限制。在附图中:
图1示意性示出了根据本申请实施例的一种用于预测肾脏年龄的方法的流程图;
图2(a)示意性示出了根据本申请实施例的一种肾脏增强CT图像的示意图;
图2(b)示意性示出了根据本申请实施例的一种通过人工标注的肾脏增强CT图像的示意图;
图2(c)示意性示出了根据本申请实施例的一种通过目标语义分割模型标注的肾脏增强CT图像的示意图;
图3示意性示出了根据本申请实施例的一种肾脏年龄预测效果的示意图;
图4示意性示出了根据本申请实施例的一种用于预测肾脏年龄的装置的结构框图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,应当理解的是,此处所描述的具体实施方式仅用于说明和解释本申请实施例,并不用于限制本申请实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
需要说明,若本申请实施例中有涉及方向性指示(诸如上、下、左、右、前、后……),则该方向性指示仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等,如果该特定姿态发生改变时,则该方向性指示也相应地随之改变。
另外,若本申请实施例中有涉及“第一”、“第二”等的描述,则该“第一”、“第二”等的描述仅用于描述目的,而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外,各个实施例之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本申请要求的保护范围之内。
图1示意性示出了根据本申请实施例的一种用于预测肾脏年龄的方法的流程图。如图1所示,在本申请实施例中,提供了一种用于预测肾脏年龄的方法,可以包括下列步骤。
步骤101、获取动脉期腹盆增强CT图像和与动脉期腹盆增强CT图像对应的检测信息。
在本申请实施例中,增强CT扫描是CT扫描技术之一,应用血管内对比剂的扫描。经静脉注入含碘有机化合物即造影剂,一般使用碘克沙醇或碘海醇快速静脉注射,使血中含碘量维持一定水平,器官和病灶影像增强而显示更清楚。增强扫描就是把药从静脉(一般为肘前静脉)注入血管内同时进行CT扫描,可以发现平扫(没有向血管内注药扫描)未发现的病灶,主要用于鉴别病变为血管性或肺血管性,明确从膈病变与心脏大血管的关系,了解病变的血供情况以帮助鉴别良、恶性病变等。增加病灶的信息量,以便于对病灶定型分析甚至明确诊断。在本申请实施例中,为了得到患者的肾脏增强CT图像,处理器需要先获取患者的动脉期腹盆增强CT图像以及患者的检测信息。其中,检测信息可以包括但不限于人口学信息以及临床信息。人口学信息可以包括但不限于性别、身高、体重和BMI等数据,临床信息即患者的临床指标及病史,例如血肌酐、高血压病史和糖尿病病史等,以便后续对患者的年龄进行更加精准地分析。
步骤102、对动脉期腹盆增强CT图像进行处理,以得到肾脏增强CT图像。
在本申请实施例中,由于增强CT图像中皮质和髓质的分界较为清晰,因此,处理器可以对动脉期腹盆增强CT图像进行处理,以得到肾脏增强CT图像。在一个示例中,处理器可以对动脉腹盆增强CT进行切片,以收集皮髓质较为明晰的动脉期增强图像,记录其机型等设备的相关数据。再利用增强CT图像中皮质和髓质分界较为清晰的特点,将肾脏部分从切片后的动脉期腹盆增强CT图像中切割出来。切割出来的部分需要包括完整的肾脏轮廓,尽可能地不包含其他器官的图像。
步骤103、根据肾脏增强CT图像确定双肾皮髓质的体积。
在本申请实施例中,可以事先训练好目标语义分割模型。处理器在确定了肾脏增强CT图像后,可以将肾脏增强CT图像输出至该目标语义分割模型,以得到分割数据。该分割数据即通过深度学习语义分割将肾脏增强CT图像的皮质部分和髓质部分区分开来的数据,分割数据可以包括左肾皮质数据、右肾皮质数据、左肾髓质数据和右肾髓质数据。再根据分割数据对肾脏增强CT图像进行三维重建,将分层的图像重新组合为一个完整的肾脏结构,例如,可以将自动分割好的分割数据导入ITK-snap软件进行分析,进行肾脏结构的三维重建。再通过读取每层切片的像素点,进行积分和测量,从而可以确定双肾皮髓质的体积。在一个示例中,可以通过手动编程算法(Python=3.8)读取肾脏影像每层切片的像素点,再通过积分和测量进而得到双肾皮髓质的体积、厚度和长度等特征数据并加以记录。
步骤104、获取目标预测模型。
在本申请实施例中,可以建立一个多模态“肾脏年龄”的人工智能预测模型,即目标预测模型,用于预测患者的肾脏年龄。在本申请实施例中,目标预测模型可以包括但不限于Lasso回归、支持向量机、随机森林、决策树、XG-boost和神经网络等有监督机器学习模型。
在一个示例中,可以先采集样本数据和与样本数据对应的实际年龄数据,样本数据可以包括样本双肾皮髓质的体积和样本检测数据。其中,样本是指在设定的时间段内进行过腹盆增强CT扫描的患者。样本双肾皮髓质的体积即通过样本的动脉期腹盆增强CT图像分割并计算后得到的双肾皮髓质的体积。样本检测数据可以包括但不限于人口学信息以及临床信息。人口学信息可以包括但不限于性别、身高、体重和BMI等数据,临床信息即患者的临床指标及病史,例如血肌酐、高血压病史和糖尿病病史等,以便后续对患者的年龄进行更加精准地分析。可选的,处理器还可以对样本数据进行清洗、补全及人工校正,从而使得数据更加精准。接着,可以将样本数据分为训练数据集和测试数据集。例如,将80%的样本数据作为训练数据集,将20%的样本数据作为测试数据集。先根据训练数据集训练初始预测模型,以得到目标预测模型,再将测试数据集输入至目标预测模型,以得到测试年龄区间,最后根据测试年龄区间验证目标预测模型的准确性。
步骤105、将双肾皮髓质的体积和检测信息输入至目标预测模型,以得到预测年龄。
在本申请实施例中,目标预测模型的输入为患者的双肾皮髓质的体积和对应的检测数据,输出为该患者的预测年龄。处理器将计算得到的双肾皮髓质的体积和检测信息输入至目标预测模型,可以得到目标预测模型预测的预测年龄。这样,通过多模态数据整合的肾脏年龄预测模型,既考虑了影像学指标,又考虑了人口学指标、临床指标及病史,可以使得肾脏年龄预测更加全面,精度更高。
在本申请实施例中,还可以将慢性肾脏疾病患者(如糖尿病、IgA肾病)患者的相关临床数据集影像学指标使用上述目标预测模型进行验证,将预测年龄与患者的真实年龄进行比对,并将肾脏疾病进展(通过eGFR得到的慢性肾脏病分型,或切片的病理结果等)与肾脏年龄进行相关性分析。
通过上述技术方案,建立预测肾脏年龄的目标预测模型,获取动脉期腹盆增强CT图像和与动脉期腹盆增强CT图像对应的检测信息,再对动脉期腹盆增强CT图像进行处理,以得到肾脏增强CT图像,根据肾脏增强CT图像确定双肾皮髓质的体积;接着将双肾皮髓质的体积和检测信息输入至目标预测模型,以得到预测年龄。通过建立目标预测模型,可以针对不同病症的慢性肾脏患者预测其肾脏年龄,全方位地从肾脏结构、肾脏功能和肾脏组织等多方面,多模态地对肾脏展开定量而非定型的描述,为慢性肾脏病的分型带来新的切入角度,从而更加全面地知晓肾脏功能不全的患者的肾脏情况,可以帮助肾脏科医生给出更全面的诊断结果及预后策略,也可以帮助肾脏疾病患者更直观地了解自身肾脏状态及变化情况。
在本申请实施例中,步骤102、对动脉期腹盆增强CT图像进行处理,以得到肾脏增强CT图像可以包括:
对动脉期腹盆增强CT图像进行切片,以得到多层切片;
将多层切片的肾脏部分进行切割,以得到肾脏增强CT图像。
具体地,处理器可以对动脉腹盆增强CT进行切片,以收集皮髓质较为明晰的动脉期增强图像,记录其机型等设备的相关数据。优选地,多层切片的每层切片的层厚为5mm。再利用增强CT图像中皮质和髓质分界较为清晰的特点,将肾脏部分从切片后的动脉期腹盆增强CT图像中切割出来。切割出来的部分需要包括完整的肾脏轮廓,尽可能地不包含其他器官的图像。
在本申请实施例中,步骤103、根据肾脏增强CT图像确定双肾皮髓质的体积可以包括:
将肾脏增强CT图像输入至目标语义分割模型,以得到分割数据;
根据分割数据对肾脏增强CT图像进行三维重建;
读取肾脏增强CT图像的每层切片的像素点;
通过对像素点进行积分和测量以确定双肾皮髓质的体积。
具体地,处理器可以事先训练好目标语义分割模型。处理器在确定了肾脏增强CT图像后,可以将肾脏增强CT图像输出至该目标语义分割模型,以得到分割数据。该分割数据即通过深度学习语义分割将肾脏增强CT图像的皮质部分和髓质部分区分开来的数据,分割数据可以包括左肾皮质数据、右肾皮质数据、左肾髓质数据和右肾髓质数据。再根据分割数据对肾脏增强CT图像进行三维重建,将分层的图像重新组合为一个完整的肾脏结构,例如,可以将自动分割好的分割数据导入ITK-snap软件进行分析,进行肾脏结构的三维重建。再通过读取每层切片的像素点,进行积分和测量,从而可以确定双肾皮髓质的体积。在一个示例中,可以通过手动编程算法(Python=3.8)读取肾脏影像每层切片的像素点,再通过积分和测量进而得到双肾皮髓质的体积、厚度和长度等特征数据并加以记录。
在本申请实施例中,步骤104、获取目标预测模型可以包括:
获取样本数据和与样本数据对应的实际年龄数据,样本数据包括样本双肾皮髓质的体积和样本检测数据;
将样本数据分为训练数据集和测试数据集;
根据训练数据集训练初始预测模型,以得到目标预测模型;
将测试数据集输入至目标预测模型,以得到测试年龄区间;
根据测试年龄区间验证目标预测模型的准确性。
具体地,样本是指在设定的时间段内进行过腹盆增强CT扫描的患者。样本双肾皮髓质的体积即通过样本的动脉期腹盆增强CT图像分割并计算后得到的双肾皮髓质的体积。样本检测数据可以包括但不限于人口学信息以及临床信息。人口学信息可以包括但不限于性别、身高、体重和BMI等数据,临床信息即患者的临床指标及病史,例如血肌酐、高血压病史和糖尿病病史等,以便后续对患者的年龄进行更加精准地分析。在本申请实施例中,处理器可以先采集样本数据和与样本数据对应的实际年龄数据,样本数据可以包括样本双肾皮髓质的体积和样本检测数据。
接着,处理器可以将样本数据分为训练数据集和测试数据集。例如,将80%的样本数据作为训练数据集,以得到目标预测模型,将20%的样本数据作为测试数据集,作为测试集评估模型的准确性。在本申请实施例中,初始预测模型可以采用Lasso回归、支持向量机、随机森林、决策树、XG-boost、神经网络等有监督机器学习模型,先根据训练数据集训练初始预测模型,经过训练数据集训练可以得到目标预测模型。再将测试数据集输入至训练好的目标预测模型,以得到测试年龄区间,最后根据测试年龄区间验证目标预测模型的准确性。
在本申请实施例中,目标预测模型包括多个目标预测模型,将测试数据集输入至目标预测模型,以得到测试年龄区间可以包括:
将测试数据集输入至多个目标预测模型,以得到多个测试预测年龄;
对多个测试预测年龄取均值和标准差,以得到测试年龄区间。
具体地,本申请实施例可以使用不同的初始预测权重建立多个基底模型,即初始预测模型,将训练数据集输入至多个初始预测模型,以得到多个目标预测模型。再将测试数据分别输入至多个目标预测模型,从而可以得到多个预测目标模型的预测结果,即多个测试预测年龄。使用集成的方法,将多个测试预测年龄取平均值和标准差,从而得到测试年龄的置信区间范围,并与测试数据集对应的真实年龄做比对,从而验证真实年龄是否落在预设的置信区间内,并可以得到测试数据集的整体的标准误差。通过设置多个目标预测模型,可以减少误差,从而使得预测的肾脏年龄更加精准。
在本申请实施例中,步骤104、获取目标预测模型还可以包括:
对样本数据进行清洗,以去除异常样本数据;
通过多重插补法或随机森林算法填补样本数据的缺失值。
具体地,处理器还可以对样本数据进行清洗、补全及人工校正,从而使得数据更加精准。处理器在获取输入的样本数据后,对样本数据进行检查,将其中明显异常的数据进行清洗,以去除异常样本数据。再使用多重插补法,通过蒙特卡罗方法,根据样本数据里已存在的数值随机填补缺失值,或者通过随机森林算法多次提取已有数据集中的数据至来预测确实数据,对定型特征进行转换,建立完整的样本数据。通过对数据进行预处理,可以使得样本数据更加完整和精确。
在本申请实施例中,获取样本数据可以包括:
获取多个动脉期腹盆增强CT样本图像和与动脉期腹盆增强CT样本图像对应的样本检测信息;
对动脉期腹盆增强CT样本图像进行切片,以得到多层样本切片;
将多层样本切片的肾脏部分进行分割,以得到肾脏增强CT样本图像;
根据肾脏增强CT样本图像确定样本双肾皮髓质的体积。
具体地,为了得到样本的肾脏增强CT样本图像,处理器需要先获取样本的动脉期腹盆增强CT样本图像以及样本的检测信息。其中,检测信息可以包括但不限于人口学信息以及临床信息。人口学信息可以包括但不限于性别、身高、体重和BMI等数据,临床信息即患者的临床指标及病史,例如血肌酐、高血压病史和糖尿病病史等,以便后续对样本的年龄进行更加精准地分析。
由于增强CT图像中皮质和髓质的分界较为清晰,因此,处理器可以对动脉期腹盆增强CT样本图像进行处理,以得到肾脏增强CT样本图像。在本申请实施例中,处理器可以对动脉腹盆增强CT样本图像进行切片,以收集皮髓质较为明晰的动脉期增强图像,记录其机型等设备的相关数据。再利用增强CT图像中皮质和髓质分界较为清晰的特点,将肾脏部分从切片后的动脉期腹盆增强CT样本图像中切割出来,以得到肾脏增强CT样本图像。切割出来的部分需要包括完整的肾脏轮廓,尽可能地不包含其他器官的图像。
在本申请实施例中,根据肾脏增强CT样本图像确定样本双肾皮髓质的体积可以包括:
获取目标语义分割模型;
将肾脏增强CT样本图像输入至目标语义分割模型,以得到分割样本数据;
根据分割样本数据对肾脏增强CT样本图像进行三维重建;
读取肾脏增强CT样本图像的每层样本切片的像素点;
通过对每层样本切片的像素点进行积分和测量确定样本双肾皮髓质的体积。
在本申请实施例中,处理器可以事先训练好目标语义分割模型。处理器在确定了肾脏增强CT样本图像后,可以将肾脏增强CT样本图像输出至该目标语义分割模型,以得到分割数据。该分割数据即通过深度学习语义分割将肾脏增强CT样本图像的皮质部分和髓质部分区分开来的数据,分割数据可以包括左肾皮质数据、右肾皮质数据、左肾髓质数据和右肾髓质数据。再根据分割数据对肾脏增强CT样本图像进行三维重建,将分层的图像重新组合为一个完整的肾脏结构,例如,可以将自动分割好的分割数据导入ITK-snap软件进行分析,进行肾脏结构的三维重建。再通过读取每层切片的像素点,进行积分和测量,从而可以确定双肾皮髓质的体积。在一个示例中,可以通过手动编程算法(Python=3.8)读取肾脏影像每层切片的像素点,再通过积分和测量进而得到双肾皮髓质的体积、厚度和长度等特征数据并加以记录。
在本申请实施例中,获取目标语义分割模型可以包括:
将肾脏增强CT样本图像分为训练样本集、验证样本集和测试样本集;
对训练样本集和所述验证样本集进行标注;
根据训练样本集和验证样本集训练语义分割模型以得到目标语义分割模型;
将测试样本集输入至所述目标语义分割模型,以得到测试分割数据;
将测试分割数据与预设标注数据进行比对,以验证目标语义分割模型的准确性。
具体地,处理器可以将收集的肾脏增强CT样本图像随机进行分组,分为训练样本集(60%)、验证样本集(20%)和测试样本集(20%)。对训练样本集、验证样本集和测试样本集中的肾脏增强CT样本图像的各层切片进行人工手动标注,区分出左右肾脏的皮质和髓质,标注为不同颜色。再将肾脏增强CT样本图像切片进行重新组合,利用目标语义分割模型对标注好的肾脏增强CT图像进行学习,从而得到训练好的目标语义分割模型。进而再将测试样本集输入至训练好的目标语义分割模型,得到测试分割数据,将测试分割数据与手动标注的结果进行比对,验证目标语义分割模型的准确性。这样,可以减少人工标注的过程,使得双肾皮髓质的分割更加精准,提高皮髓质体积的计算效率。
在一实例中,对225名肾脏没有明显疾病的患者进行肾脏增强CT图像的分割。图2(a)示意性示出了根据本申请实施例的一种肾脏增强CT图像的示意图;图2(b)示意性示出了根据本申请实施例的一种通过人工标注的肾脏增强CT图像的示意图;图2(c)示意性示出了根据本申请实施例的一种通过目标语义分割模型标注的肾脏增强CT图像的示意图。如图2(a)、图2(b)和图2(c)所示,通过目标语义分割模型标注的肾脏增强CT图像与人工标注的肾脏增强CT图像基本相似。通过目标语义分割模型,可以极大地节省人力成本和时间成本,提高了肾脏皮髓质分割的效率。
在另一实例中,对45名测试患者的肾脏年龄进行了预测。图3示意性示出了根据本申请实施例的一种肾脏年龄预测效果的示意图。如图3所示,横轴为患者的真实年龄,纵轴为患者的预测肾脏年龄,由图3可见,真实年龄和实际年龄的平均绝对误差为3.78;回归斜率为1.016;线性相关系数为0.83;P值小于0.01,因此二者基本接近。因此,本申请实施例的目标预测模型所预测的预测肾脏年龄准确度较高。
因此,本申请实施例可以更加全面地面熟肾脏功能不全的患者的肾脏情况,“肾脏年龄”的概念全方位地从肾脏结构,肾脏功能,肾脏组织性能等多方面,多模态对肾脏展开定量而非定性的描述,可以为慢性肾脏病的分型带来新的切入角度,提高诊疗准确性,节省更多社会与医疗资源,减少患者经济付出避免过度医疗。同时,科研成果可应用于软、硬件平台,具有较好的临床转化潜力。
图4示意性示出了根据本申请实施例的一种用于预测肾脏年龄的装置的结构框图。如图4所示,本申请实施例还提供一种用于预测肾脏年龄的装置,包括:
存储器410,被配置成存储指令;以及
处理器420,被配置成从存储器调用所述指令以及在执行指令时能够实现上述的用于预测肾脏年龄的方法。
具体地,在本申请实施例中,处理器420可以被配置成:
获取动脉期腹盆增强CT图像和与动脉期腹盆增强CT图像对应的检测信息;
对动脉期腹盆增强CT图像进行处理,以得到肾脏增强CT图像;
根据肾脏增强CT图像确定双肾皮髓质的体积;
获取目标预测模型;
将双肾皮髓质的体积和检测信息输入至目标预测模型,以得到预测年龄。
进一步地,处理器420还可以被配置成:
对动脉期腹盆增强CT图像进行处理,以得到肾脏增强CT图像包括:
对动脉期腹盆增强CT图像进行切片,以得到多层切片;
将多层切片的肾脏部分进行切割,以得到肾脏增强CT图像。
进一步地,处理器420还可以被配置成:
根据肾脏增强CT图像确定双肾皮髓质的体积包括:
将肾脏增强CT图像输入至目标语义分割模型,以得到分割数据;
根据分割数据对肾脏增强CT图像进行三维重建;
读取肾脏增强CT图像的每层切片的像素点;
通过对像素点进行积分和测量以确定双肾皮髓质的体积。
进一步地,处理器420还可以被配置成:
获取目标预测模型包括:
获取样本数据和与样本数据对应的实际年龄数据,样本数据包括样本双肾皮髓质的体积和样本检测数据;
将样本数据分为训练数据集和测试数据集;
根据训练数据集训练初始预测模型,以得到目标预测模型;
将测试数据集输入至目标预测模型,以得到测试年龄区间;
根据测试年龄区间验证目标预测模型的准确性。
进一步地,处理器420还可以被配置成:
将测试数据集输入至目标预测模型,以得到测试年龄区间包括:
将测试数据集输入至多个目标预测模型,以得到多个测试预测年龄;
对多个测试预测年龄取均值和标准差,以得到测试年龄区间。
进一步地,处理器420还可以被配置成:
获取目标预测模型还包括:
对样本数据进行清洗,以去除异常样本数据;
通过多重插补法或随机森林算法填补样本数据的缺失值。
进一步地,处理器420还可以被配置成:
获取样本数据包括:
获取多个动脉期腹盆增强CT样本图像和与动脉期腹盆增强CT样本图像对应的样本检测信息;
对动脉期腹盆增强CT样本图像进行切片,以得到多层样本切片;
将多层样本切片的肾脏部分进行分割,以得到肾脏增强CT样本图像;
根据肾脏增强CT样本图像确定样本双肾皮髓质的体积。
进一步地,处理器420还可以被配置成:
根据肾脏增强CT样本图像确定样本双肾皮髓质的体积包括:
获取目标语义分割模型;
将肾脏增强CT样本图像输入至目标语义分割模型,以得到分割样本数据;
根据分割样本数据对肾脏增强CT样本图像进行三维重建;
读取肾脏增强CT样本图像的每层样本切片的像素点;
通过对每层样本切片的像素点进行积分和测量确定样本双肾皮髓质的体积。
进一步地,处理器420还可以被配置成:
获取目标语义分割模型包括:
将肾脏增强CT样本图像分为训练样本集、验证样本集和测试样本集;
对训练样本集和所述验证样本集进行标注;
根据训练样本集和验证样本集训练语义分割模型以得到目标语义分割模型;
将测试样本集输入至所述目标语义分割模型,以得到测试分割数据;
将测试分割数据与预设标注数据进行比对,以验证目标语义分割模型的准确性。
通过上述技术方案,建立预测肾脏年龄的目标预测模型,获取动脉期腹盆增强CT图像和与动脉期腹盆增强CT图像对应的检测信息,再对动脉期腹盆增强CT图像进行处理,以得到肾脏增强CT图像,根据肾脏增强CT图像确定双肾皮髓质的体积;接着将双肾皮髓质的体积和检测信息输入至目标预测模型,以得到预测年龄。通过建立目标预测模型,可以针对不同病症的慢性肾脏患者预测其肾脏年龄,全方位地从肾脏结构、肾脏功能和肾脏组织等多方面,多模态地对肾脏展开定量而非定型的描述,为慢性肾脏病的分型带来新的切入角度,从而更加全面地知晓肾脏功能不全的患者的肾脏情况,或可以帮助肾脏科医生给出更全面的诊断结果及预后策略,也可以帮助肾脏疾病患者更直观地了解自身肾脏状态及变化情况。
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。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体,可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种用于预测肾脏年龄的方法,其特征在于,包括:
获取动脉期腹盆增强CT图像和与所述动脉期腹盆增强CT图像对应的检测信息;
对所述动脉期腹盆增强CT图像进行处理,以得到肾脏增强CT图像;
根据所述肾脏增强CT图像确定双肾皮髓质的体积;
获取目标预测模型;
将所述双肾皮髓质的体积和所述检测信息输入至目标预测模型,以得到预测年龄。
2.根据权利要求1所述的方法,其特征在于,所述对所述动脉期腹盆增强CT图像进行处理,以得到肾脏增强CT图像包括:
得到所述动脉期腹盆增强CT图像的多层切片;
将所述多层切片的肾脏部分进行切割,以得到所述肾脏增强CT图像。
3.根据权利要求2所述的方法,其特征在于,所述根据所述肾脏增强CT图像确定双肾皮髓质的体积包括:
将所述肾脏增强CT图像输入至目标语义分割模型,以得到分割数据;
根据所述分割数据对所述肾脏增强CT图像进行三维重建;
读取所述肾脏增强CT图像的每层切片的像素点;
通过对所述像素点进行积分和测量以确定所述双肾皮髓质的体积。
4.根据权利要求1所述的方法,其特征在于,所述获取目标预测模型包括:
获取样本数据和与所述样本数据对应的实际年龄数据,所述样本数据包括样本双肾皮髓质的体积和样本检测数据;
将所述样本数据分为训练数据集和测试数据集;
根据所述训练数据集训练初始预测模型,以得到目标预测模型;
将所述测试数据集输入至所述目标预测模型,以得到测试年龄区间;
根据所述测试年龄区间验证所述目标预测模型的准确性。
5.根据权利要求4所述的方法,其特征在于,所述目标预测模型包括多个目标预测模型,所述将所述测试数据集输入至所述目标预测模型,以得到测试年龄区间包括:
将所述测试数据集输入至所述多个目标预测模型,以得到多个测试预测年龄;
对所述多个测试预测年龄取均值和标准差,以得到测试年龄区间。
6.根据权利要求4所述的方法,其特征在于,所述获取目标预测模型还包括:
对所述样本数据进行清洗,以去除异常样本数据;
通过多重插补法或随机森林算法填补所述样本数据的缺失值。
7.根据权利要求4所述的方法,其特征在于,获取样本数据包括:
获取多个动脉期腹盆增强CT样本图像和与所述动脉期腹盆增强CT样本图像对应的样本检测信息;
对所述动脉期腹盆增强CT样本图像进行切片,以得到多层样本切片;
将所述多层样本切片的肾脏部分进行分割,以得到所述肾脏增强CT样本图像;
根据所述肾脏增强CT样本图像确定样本双肾皮髓质的体积。
8.根据权利要求7所述的方法,其特征在于,所述根据所述肾脏增强CT样本图像确定样本双肾皮髓质的体积包括:
获取目标语义分割模型;
将所述肾脏增强CT样本图像输入至目标语义分割模型,以得到分割样本数据;
根据所述分割样本数据对所述肾脏增强CT样本图像进行三维重建;
读取所述肾脏增强CT样本图像的每层样本切片的像素点;
通过对所述每层样本切片的像素点进行积分和测量确定所述样本双肾皮髓质的体积。
9.根据权利要求8所述的方法,其特征在于,所述获取目标语义分割模型包括:
将所述肾脏增强CT样本图像分为训练样本集、验证样本集和测试样本集;
对所述训练样本集和所述验证样本集进行标注;
根据训练样本集和所述验证样本集训练语义分割模型以得到目标语义分割模型;
将所述测试样本集输入至所述目标语义分割模型,以得到测试分割数据;
将所述测试分割数据与预设标注数据进行比对,以验证所述目标语义分割模型的准确性。
10.一种用于预测肾脏年龄的装置,其特征在于,包括:
存储器,被配置成存储指令;以及
处理器,被配置成从所述存储器调用所述指令以及在执行所述指令时能够实现根据权利要求1至9中任一项所述的用于预测肾脏年龄的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211117895.8A CN115641961A (zh) | 2022-09-14 | 2022-09-14 | 用于预测肾脏年龄的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211117895.8A CN115641961A (zh) | 2022-09-14 | 2022-09-14 | 用于预测肾脏年龄的方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115641961A true CN115641961A (zh) | 2023-01-24 |
Family
ID=84941790
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211117895.8A Pending CN115641961A (zh) | 2022-09-14 | 2022-09-14 | 用于预测肾脏年龄的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115641961A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1923140A (zh) * | 2006-07-27 | 2007-03-07 | 沈阳东软医疗系统有限公司 | 图像测量装置、方法以及肾小球滤过率的图像测量系统 |
US20130090548A1 (en) * | 2011-10-10 | 2013-04-11 | Wake Forest University Health Sciences | Automated renal evaluation systems and methods using mri image data |
CN108596933A (zh) * | 2018-04-20 | 2018-09-28 | 北京大学 | 一种无须标记的有监督的肾脏动态图像全自动分割方法 |
CN111933285A (zh) * | 2020-09-29 | 2020-11-13 | 平安科技(深圳)有限公司 | 一种器官年龄预测系统、方法、装置及存储介质 |
WO2021138514A1 (en) * | 2020-01-02 | 2021-07-08 | Douglas Robert Edwin | Method and apparatus for using quantative and qualitative data from medical imaging examinations for precise dosing regimen |
CN113990521A (zh) * | 2021-10-22 | 2022-01-28 | 北京大学人民医院 | 一种IgA肾病病理分析、预后预测及病理指标挖掘系统 |
-
2022
- 2022-09-14 CN CN202211117895.8A patent/CN115641961A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1923140A (zh) * | 2006-07-27 | 2007-03-07 | 沈阳东软医疗系统有限公司 | 图像测量装置、方法以及肾小球滤过率的图像测量系统 |
US20130090548A1 (en) * | 2011-10-10 | 2013-04-11 | Wake Forest University Health Sciences | Automated renal evaluation systems and methods using mri image data |
CN108596933A (zh) * | 2018-04-20 | 2018-09-28 | 北京大学 | 一种无须标记的有监督的肾脏动态图像全自动分割方法 |
WO2021138514A1 (en) * | 2020-01-02 | 2021-07-08 | Douglas Robert Edwin | Method and apparatus for using quantative and qualitative data from medical imaging examinations for precise dosing regimen |
CN111933285A (zh) * | 2020-09-29 | 2020-11-13 | 平安科技(深圳)有限公司 | 一种器官年龄预测系统、方法、装置及存储介质 |
CN113990521A (zh) * | 2021-10-22 | 2022-01-28 | 北京大学人民医院 | 一种IgA肾病病理分析、预后预测及病理指标挖掘系统 |
Non-Patent Citations (3)
Title |
---|
孙兆男;崔应谱;林志勇;刘想;刘伟鹏;王祥鹏;张靖远;张晓东;王霄英;: "U-Net模型在CT图像实现肾实质和肾窦分割及体积和径线测量", 放射学实践, no. 10, pages 1303 - 1309 * |
孙建国: "《数字化智能放疗》", 山东科学技术出版社, pages: 135 - 140 * |
许玉峰,唐光健: "CT测量肾脏皮质厚度与年龄关系的研究", 中华放射学杂志, no. 08, pages 805 - 810 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11207045B2 (en) | Systems and methods for estimating healthy lumen diameter and stenosis quantification in coronary arteries | |
US20210322102A1 (en) | Systems and methods of processing images to determine patient-specific plaque progression based on the processed images | |
Qiao et al. | MR imaging measures of intracranial atherosclerosis in a population-based study | |
US7653227B2 (en) | Hierarchical modeling in medical abnormality detection | |
Thieme et al. | Severity assessment of pulmonary embolism using dual energy CT–correlation of a pulmonary perfusion defect score with clinical and morphological parameters of blood oxygenation and right ventricular failure | |
CN110866914A (zh) | 脑动脉瘤血流动力学指标的评估方法、系统、设备及介质 | |
KR101656740B1 (ko) | 동맥 혈압 파형의 특징점 검출 장치 및 방법 | |
CN112183572A (zh) | 一种生成预测肺炎严重程度的预测模型的方法及装置 | |
CN113112476B (zh) | 一种识别致痫灶和/或预测其病理分型的方法和系统 | |
CN113939224B (zh) | 椎动脉夹层风险评估方法、计算机设备和存储介质 | |
CN115641961A (zh) | 用于预测肾脏年龄的方法及装置 | |
CN116491968A (zh) | 基于单时相cta的急性缺血性卒中侧支循环评估方法 | |
KR102461893B1 (ko) | 뇌질환 판단을 위한 최소 자승법 기반의 pet 영상 중기 데이터 예측 장치 및 그 방법 | |
JP5348998B2 (ja) | 画像検索装置及びその方法 | |
KR102472886B1 (ko) | 신부전증의 진단에 대한 정보 제공 방법 및 이를 이용한 디바이스 | |
Stehlé et al. | Glomerular filtration rate measured based on iomeprol clearance assessed at CT urography in living kidney donor candidates | |
TWI641963B (zh) | Method for screening coronary heart disease by cardiovascular marker and mechanical learning algorithm | |
Teomete et al. | Automated computer-aided diagnosis of splenic lesions due to abdominal trauma | |
Caroli et al. | Imaging in ADPKD: Beyond Total Kidney Volume | |
CN118052756A (zh) | 一种门静脉压力梯度的预测装置、系统及方法 | |
Cougo et al. | Subtle white matter intensity changes on fluid-attenuated inversion recovery imaging in patients with ischaemic stroke | |
EP4288967A1 (en) | Method and computing apparatus for healthcare quality assessment | |
CN116563256A (zh) | 血管狭窄率、栓塞等级确定方法、装置及存储介质 | |
Kalicka et al. | Usefulness of chest perfusion computed tomography in the diagnosis of diabetic pulmonary microangiopathy | |
CN117562504A (zh) | 目标模型的构建方法、治疗效果的预测方法以及相关装置 |
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 |