CN115760745A - 一种三叉神经痛疾病预测模型的构建方法和装置 - Google Patents
一种三叉神经痛疾病预测模型的构建方法和装置 Download PDFInfo
- Publication number
- CN115760745A CN115760745A CN202211415248.5A CN202211415248A CN115760745A CN 115760745 A CN115760745 A CN 115760745A CN 202211415248 A CN202211415248 A CN 202211415248A CN 115760745 A CN115760745 A CN 115760745A
- Authority
- CN
- China
- Prior art keywords
- model
- image
- medical image
- omics
- neural network
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Image Analysis (AREA)
Abstract
一种三叉神经痛疾病预测模型的构建方法，包括模型训练和模型部署两个阶段；模型训练阶段包括深度神经网络模型的训练以及影像组学模型的训练；深度神经网络模型用于分割三叉神经区域，影像组学模型用于从三叉神经区域中提取影像组学特征并建立预测模型；模型部署阶段包括：将模型训练阶段获得的深度神经网络模型的参数以及影像组学模型的参数存储于一硬件中，再将患者的原始医学影像序列输入硬件，并通过一处理单元对原始医学影像序列和两种模型的参数进行相应计算处理。本发明可辅助临床医生进一步提高三叉神经痛的诊断效率，而且无需临床医生手动分割图像，极大减轻了医生的工作量，加快了模型计算的速度。
Description
技术领域
本发明涉及生物医学工程领域，具体涉及一种三叉神经痛疾病预测模型的构建方法和装置。
背景技术
三叉神经痛是一种常见的神经外科疾病。其诊断方法主要依赖临床指征，即：疼痛局限于三叉神经分布的一个或多个区域；突然、剧烈且持续时间很短的疼痛，称为“电击”或“导电性”；并且疼痛可以由面部或口腔中的三叉神经分布区域的无害刺激引起。三叉神经的血管压迫被国际头痛协会(International Headache Society，IHS)认为是大多数三叉神经痛的原因，神经血管的接触和压迫导致了神经脱髓鞘，并且产生了异位冲动，以神经信号和脑波的形式传播，引起了典型的三叉神经痛发作。虽然三叉神经痛的病因较为清楚，临床症状比较明显，但是由于其发病率很低，因此仍有很大的误诊率。
目前临床上常用颅神经MRI来诊断三叉神经痛，其可以显示三叉神经与血管的三维空间的结构关系，但是仍有一定的局限性，国内外大量研究显示，临床医生在使用颅脑MRI诊断三叉神经痛时，无法准确的检测出三叉神经痛症状侧神经的血管神经压迫关系，也就是说，颅脑MRI的诊断证据并不明确，无法明确排除或诊断神经痛等症状。Maarbjerg S等人的研究表明，尽管症状侧的严重神经血管压迫发生率较高，但神经血管压迫在健康人和大多数患者的症状侧和无症状侧都很常见。这项研究还表明，神经血管压迫的存在、位置和类型作为典型三叉神经痛的诊断测试表现不佳。因此，尽管MRI对于排除症状性三叉神经痛是必要的，但不能用于诊断典型的三叉神经疼痛。
近年来，随着人工智能、影像组学等技术的发展，这类技术已经广泛应用于基于医学影像的疾病评估，疾病诊断，肿瘤分期等。专利201911417817.8提出了一种基于影像组学的肝癌图像特征提取和病理分类方法，可以有效的对肝癌病理进行预测分类。专利201911009081.0提出了一种基于CT图像和影像组学的特征提取专用图像方法，可以预测非小细胞肺癌的早期转移。201810148067.8专利提出了一种基于医学影像和影像组学预测脑胶质瘤Ki-67表达水平的方法。以上的专利技术均证明了影像组学等技术方法在临床的适应性，然而目前所有影像组学相关的专利均存在以下问题：1)针对三叉神经痛疾病预测尚缺乏相关的影像组学模型，该研究领域仍为空白；2)目前绝大多数影像组学模型需要临床医生首先从医学影像中手动分割目标区域(病灶区域)，如肿瘤区域等。再基于手动分割的目标区域图像提取影像组学特征，再进一步基于已建立的疾病预测模型分析影像组学特征，得到预期的疾病预测数值。然而临床医生手动分割目标区域非常耗时，这也是该方法难以在临床中推广的主要原因。
经检索目前关于三叉神经痛相关的专利及其他参考文献可知，目前的三叉神经痛研究和发明主要集中于治疗方法，治疗方案，手术方案和发病机制等，较少有研究人员开展从三叉神经痛的影像序列入手，提高三叉神经痛疾病的预测和诊断准确率的相关研究。
专利202011336414.3提到了一种基于MR图像的三叉神经痛模型及其制备方法，该方法可以满足临床医生对患者进行精准评估和手术规划的需要，然而该方法存在以下几种缺陷：1)3D打印的成本很高，速度很慢，导致该方法不可能在临床中大范围普及；2)该方法提到在MR图像中分割三叉神经和血管需要手动勾画，由于MR图像中神经和血管常不在同一个序列中，且解剖位置复杂，手动分割对于临床技能和医学影像识别的要求都非常高，且分割速度非常慢，无法满足临床需求；3)根据Maarbjerg S等人的研究表明，尽管症状侧的严重神经血管压迫发生率较高，但神经血管压迫在健康人和大多数患者的症状侧和无症状侧都很常见。这项研究还表明，神经血管压迫的存在、位置和类型作为典型三叉神经痛的诊断测试表现不佳。因此该3D打印模型只能用于手术教学和手术规划，在三叉神经痛的诊断中意义不大。
因此，如何解决上述现有技术存在的不足，便成为本发明所要研究解决的课题。
发明内容
本发明的目的是提供一种三叉神经痛疾病预测模型的构建方法和装置。
为达到上述目的，本发明采用的技术方案是：
一种三叉神经痛疾病预测模型的构建方法，包括模型训练和模型部署两个阶段；
其中，模型训练阶段包括深度神经网络模型的训练以及影像组学模型的训练；所述深度神经网络模型用于分割三叉神经区域，所述影像组学模型用于从三叉神经区域中提取影像组学特征并建立预测模型；
模型部署阶段包括：
将模型训练阶段获得的深度神经网络模型的参数以及影像组学模型的参数存储于一硬件中，再将患者的原始医学影像序列输入所述硬件，并通过一处理单元使用两种模型的参数对所述原始医学影像序列进行相应计算处理。
1.进一步的技术方案，所述深度神经网络模型的训练包括：
步骤一、获取神经医学影像序列和血管医学影像序列；
步骤二、确认两种影像序列是否需要进行影像配准；
若两所述影像序列为同一时刻拍摄的同一坐标系下的影像序列，则无须进行影像配准；
若两所述影像序列为不同时刻拍摄的影像序列或同一时刻拍摄的影像序列不在同一坐标系下，须要进行影像配准，将两种影像序列置于同一坐标系下；
步骤三、使用深度神经网络模型，将处于同一坐标系下的两所述影像序列作为输入，输出为三叉神经图像分割结果和血管图像分割结果。
2.进一步的技术方案，所述深度神经网络模型的训练包括：
步骤一、获取神经医学影像序列；
步骤二、使用深度神经网络模型，将神经医学影像序列作为输入，输出为三叉神经图像分割结果。
3.进一步的技术方案，在步骤三之前，对深度神经网络模型进行训练，训练的过程包括：
建立影像分割数据集，该影像分割数据集包括不少于50例患者的神经医学影像序列和血管医学影像序列的数据；
对所述数据中的三叉神经区域和血管区域进行勾勒分割，得到分割结果。
4.进一步的技术方案，在步骤二之前，对深度神经网络模型进行训练，训练的过程包括：
建立影像分割数据集，该影像分割数据集包括不少于50例患者的神经医学影像序列数据；
对所述数据中的三叉神经区域进行勾勒分割，得到分割结果。
5.进一步的技术方案，所述影像组学模型的训练包括：
步骤一、筛选出确诊的患者组和健康对照组，以患者的医学影像序列作为输入；其中，患者组不少于50人，健康对照组不少于50人；
步骤二、运用所述深度神经网络模型对输入的医学影像序列进行处理，分割得到目标区域；
步骤三、运用医学影像组学提取方法对目标区域提取影像组学特征；
所提取的影像组学特征包含Shape and Size特征、first-order特征、gray-levelco-occurrence matrix特征、gray-level run-length matrix特征、gray-level size-zone matrix特征、gray-level dependence matrix特征、neighborhood gray tonedifference matrix特征、小波分解特征中的一种或多种；
步骤四、筛选影像组学特征，剔除无效的特征和重复的特征；
步骤五、建立影像组学模型；
步骤六、对所述影像组学模型的效果进行验证，验证方法为采用5折交叉验证或10折交叉验证，绘制ROC曲线，并计算ROC曲线的面积AUC，选择AUC最大的模型作为首选的影像组学模型。
6.进一步的技术方案，在步骤三的提取影像组学特征前，对医学影像进行归一化处理，包含空间分辨率归一化和像素亮度分辨率归一化；空间分辨率归一化是指将医学图像每个像素归一化至同一物理尺寸，像素亮度分辨率归一化是指将亮度归一化至0-512区间。
7.进一步的技术方案，在步骤三中，提取影像组学特征的方法为选择可以实现通用并行计算的高性能GPU进行计算提取。
8.进一步的技术方案，在步骤五中，运用Lasso Logistical Regression机器学习方法，或者支持向量机机器学习方法，或者神经网络机器学习方法建立模型。
9.进一步的技术方案，在步骤六中，如果所有模型的AUC均小于0.85，则增加受试者的数量，进一步增加模型的准确率；如果最优模型的AUC大于0.85，则保留最优模型结果。
10.进一步的技术方案，所述模型部署阶段包括：
步骤一、选择当前患者的医学影像作为输入；
步骤二、通过所述深度神经网络模型对输入的医学影像序列进行处理，分割得到目标区域；
步骤三、运用医学影像组学提取方法对目标区域提取影像组学特征；
步骤四、筛选影像组学特征，剔除无效的特征和重复的特征。
为达到上述目的，本发明于硬件层面采用的技术方案是：
一种三叉神经痛疾病预测模型的构建装置，用于实现所述的构建方法，该构建装置包括：
输入端通讯接口，用于从医院影像平台中读取医学影像序列；
存储器，用于存储深度神经网络模型的参数和影像组学模型的参数，以及从医院影像平台中读取的医学影像序列；
高性能计算中心，为能够进行并行计算的高性能计算显卡，GPU读取原始医学影像序列和模型参数完成计算；
输出通讯接口，用于输出平台分析计算结果，将分析结果呈现在门诊或病房的系统中；
控制CPU，所有数据在通讯总线中传输，由控制CPU完成任务调度。
1.进一步的技术方案，所述高性能计算显卡为可实现通用并行计算的高性能GPU，包括支持NVIDIA-CUDA的GPU或者支持OPENCL的GPU。
本发明的工作原理及优点如下：
本发明提出了一种三叉神经痛疾病预测模型的构建方法和装置，该方法和装置可以辅助临床医生进一步提高三叉神经痛的诊断效率，而且无需临床医生手动分割图像，极大减轻了医生的工作量，加快了模型计算的速度。
本发明将深度学习图像分割技术和影像组学技术结合起来，深度学习技术可以自动分割三叉神经区域，进一步运用影像组学技术建立预测模型，可以避免临床医生手动分割图像，减轻了医生的工作量，便于该方法和装置在临床中大量推广。
附图说明
附图1为本发明实施例影像组学模型的训练流程图；
附图2为本发明实施例ROC曲线图；
附图3为本发明实施例模型部署的流程图；
附图4为本发明实施例的装置示意图。
具体实施方式
下面结合附图及实施例对本发明作进一步描述：
实施例：以下将以图式及详细叙述对本案进行清楚说明，任何本领域技术人员在了解本案的实施例后，当可由本案所教示的技术，加以改变及修饰，其并不脱离本案的精神与范围。
关于本文中所使用的“包含”、“包括”、“具有”等，均为开放性的用语，即意指包含但不限于。
关于本文中所使用的用词(terms)，除有特别注明外，通常具有每个用词使用在此领域中、在本案内容中与特殊内容中的平常意义。某些用以描述本案的用词将于下或在此说明书的别处讨论，以提供本领域技术人员在有关本案描述上额外的引导。
一种三叉神经痛疾病预测模型的构建方法，包括模型训练和模型部署两个阶段。
其中，模型训练阶段包括深度神经网络模型的训练以及影像组学模型的训练；所述深度神经网络模型用于分割三叉神经区域，所述影像组学模型用于从三叉神经区域中提取高维度影像组学特征并建立预测模型。
模型部署阶段包括：
将模型训练阶段获得的深度神经网络模型的参数以及影像组学模型的参数存储于一硬件中，再将患者的原始医学影像序列输入所述硬件，并通过一处理单元(GPU)使用两种模型的参数对所述原始医学影像序列进行相应计算处理。
优选的，所述深度神经网络模型的训练包括：
步骤一、获取神经医学影像序列和血管医学影像序列；
所述神经医学影像序列可为通用(GE)医疗磁共振的FIESTA序列或西门子医疗磁共振的CISS序列；所述血管医学影像序列可为磁共振的MRA序列或者CT的CTA序列，或其他可以对神经和血管显影的序列均可。
步骤二、确认两种影像序列是否需要进行影像配准；
若两所述影像序列为同一时刻拍摄的同一坐标系下的影像序列，则无须进行影像配准；
若两所述影像序列为不同时刻拍摄的影像序列(例如先后进行磁共振拍摄得到FIESTA序列和CT检查拍摄得到CTA序列)或同一时刻拍摄的影像序列不在同一坐标系下，须要进行影像配准，将两种影像序列置于同一坐标系下。
其中，为实现影像配准可使用互信息影像配准方法或深度学习中深度神经网络的影像配准方法来实现，该影像配准方法为常规方法，由于并非本案发明点，故本案不做赘述。
步骤三、使用深度学习中的深度神经网络模型，将处于同一坐标系下的两所述影像序列作为输入，输出为三叉神经图像分割结果和血管图像分割结果。
或者，所述深度神经网络模型的训练也可包括：
步骤一、获取神经医学影像序列。
步骤二、使用深度学习中的深度神经网络模型，将神经医学影像序列作为输入，输出为三叉神经图像分割结果。
也就是说，所述深度神经网络可为两个，一者的输入为神经医学影像序列，输出为三叉神经图像分割结果，另一者的输入为血管医学影像序列，输出为血管图像分割结果。或者，所述深度神经网络可为一个，输入为神经医学影像序列以及血管医学影像序列，输出为三叉神经图像分割结果以及血管图像分割结果。
优选的，所述深度神经网络为VNet3D神经网络或UNet3D神经网络，或这两种神经网络的改进版本。
优选的，在步骤三之前，对深度神经网络模型进行训练，训练的过程包括：
建立影像分割数据集，该影像分割数据集包括不少于50例患者(优选450例以上)的神经医学影像序列和血管医学影像序列的数据；
对所述数据中的三叉神经区域和血管区域进行勾勒分割，得到分割结果。
优选的，在步骤二之前，对深度神经网络模型进行训练，训练的过程包括：
建立影像分割数据集，该影像分割数据集包括不少于50例患者(优选450例以上)的神经医学影像序列数据；
对所述数据中的三叉神经区域进行勾勒分割，得到分割结果。
其中，勾勒的方式优选操作人员(如临床医生或影像医生)运用ITK-SNAP软件或者3D Slicer软件进行手动勾勒，但不限于此，也可运用Mimics软件进行勾勒。
优选的，在训练得到的多个深度神经网络模型中选择图像分割准确率(DiceRatio)最高的作为步骤三中所使用的深度神经网络模型，该模型的图像分割准确率(DiceRatio)大于0.9。
在上述训练深度神经网络模型的过程中，由于三叉神经和责任血管区域在影像中占比非常小，为降低训练过程中精度的震荡，避免训练结果精度损失，对深度神经网络模型训练的损失函数应作特别调整，在计算损失函数的过程中，应当对三叉神经和责任血管目标区域赋予特定的权重，以此增加训练的稳定性和训练得到的神经网络模型的精度。因此，本案可优选Generalized Dice Loss或Generalized Wasserstein Dice Loss作为深度神经网络模型训练的损失函数。如果模型准确率均小于0.9，则进一步增加影像标注数据集中影像数量，重新对模型进行训练。
优选的，如图1所示，所述影像组学模型的训练包括：
步骤一、筛选出确诊的患者组(接受过三叉神经痛手术的患者)和健康对照组，以患者的医学影像序列作为输入；其中，患者组不少于50人，优选大于200人，健康对照组不少于50人，优选大于200人。
其输入的医学影像序列优选磁共振神经医学影像序列和血管医学影像序列作为输入，其中，所述神经医学影像序列可为通用(GE)医疗磁共振的FIESTA序列或西门子医疗磁共振的CISS序列；所述血管医学影像序列可为磁共振的MRA序列或者CT的CTA序列，或其他可以对神经和血管显影的序列均可。也可以选择单独的磁共振神经医学影像序列，可为通用(GE)医疗磁共振的FIESTA序列或西门子医疗磁共振的CISS序列作为输入。
步骤二、运用所述深度神经网络模型对输入的医学影像序列(包含患者组以及健康对照组)进行处理，分割得到目标区域。
如输入的医学影像包含磁共振神经医学影像序列和血管医学影像序列，则输出为三叉神经区域和责任血管区域，如输入的医学影像仅为磁共振神经医学影像序列，则输出为三叉神经区域。
步骤三、运用医学影像组学提取方法(该方法为现有技术)对目标区域提取影像组学特征；如输入的图像为磁共振神经医学影像序列和血管医学影像序列和分割得到的三叉神经区域和责任血管区域，则分别从各序列中提取三叉神经和责任血管的影像组学特征，如输入的图像仅为磁共振神经医学影像序列和分割得到的三叉神经区域，则提取三叉神经的影像组学特征。
所提取的影像组学特征包含Shape and Size特征、first-order特征、gray-levelco-occurrence matrix(GLCM)特征、gray-level run-length matrix(GLRLM)特征、gray-level size-zone matrix(GLSZM)特征、gray-level dependence matrix(GLDM)特征、neighborhood gray tone difference matrix(NGTDM)特征、小波分解特征中的一种或多种；
步骤四、筛选影像组学特征，高维度的影像组学特征往往存在无效的特征和重复的特征，本发明优选Pearson相关性分析和自相关分析法，剔除无效的特征和重复的特征；
步骤五、建立影像组学模型；
步骤六、对所述影像组学模型的效果进行验证，验证方法为采用5折交叉验证或10折交叉验证，绘制ROC曲线，如图2所示，并计算ROC曲线的面积AUC，由于AUC越大表明模型效果越好，AUC越小表明模型效果越差，故而选择AUC最大的模型作为首选的影像组学模型。
图2为ROC曲线图，在以假阳性概率(False positive rate)为横轴，真阳性(Truepositive rate)为纵轴所组成的坐标图中，绘制各种模型的折线图，折线图下方的面积即为AUC面积，AUC越大表明模型效果越好，AUC越小表明模型效果越差。图中展示了LassoLogistical Regression模型的ROC曲线(黄色)和SVM模型的ROC曲线(蓝色)，可以看出SVM模型的效果要由于Lasso Logistical Regression效果。
优选的，在步骤三的提取影像组学特征前，对医学影像进行归一化处理，包含空间分辨率归一化和像素亮度分辨率归一化；空间分辨率归一化是指将医学图像每个像素归一化至同一物理尺寸(如0.5mm x 0.5mm x 0.5mm等)，像素亮度分辨率归一化是指将亮度归一化至0-512区间，优选quantile normalization归一化方法。
优选的，在步骤三中，提取影像组学特征的方法为选择可以实现通用并行计算的高性能GPU进行计算提取。
高性能GPU可针对图像目标区域的每个像素点计算其影像组学特征时，采用多核并行计算的方式，相比CPU的计算方法，可以极大的提高计算速度。GPU可以采取支持NVIDIA-CUDA的GPU或者支持OPENCL的GPU等可以实现通用并行计算的高性能GPU。
除此而外，也可选择公开的提取方法，如PyRadiomics工具包提取。
优选的，在步骤五中，运用Lasso Logistical Regression机器学习方法，或者支持向量机(Support Vector Machine)机器学习方法，或者神经网络机器学习方法建立模型。
优选的，在步骤六中，如果所有模型的AUC均小于0.85，则增加受试者的数量，进一步增加模型的准确率；如果最优模型的AUC大于0.85，则保留最优模型结果。
优选的，如图3所示，所述模型部署阶段包括：
步骤一、选择当前患者的原始医学影像作为输入；
其输入的医学影像优选磁共振神经医学影像序列和血管医学影像序列作为输入，其中，所述神经医学影像序列可为通用(GE)医疗磁共振的FIESTA序列或西门子医疗磁共振的CISS序列；所述血管医学影像序列可为磁共振的MRA序列或者CT的CTA序列，或其他可以对神经和血管显影的序列均可。
步骤二、通过所述深度神经网络模型对输入的原始医学影像序列进行处理，分割得到目标区域。如输入的医学影像包含磁共振神经医学影像序列和血管医学影像序列，则输出为三叉神经区域和责任血管区域，如输入的医学影像仅为磁共振神经医学影像序列，则输出为三叉神经区域。
步骤三、运用医学影像组学提取方法对目标区域提取影像组学特征；
步骤四、筛选影像组学特征，剔除无效的特征和重复的特征。
步骤五、将筛选后的影像组学特征输入所述影像组学模型，获得三叉神经痛疾病的预测结果。
如图4所示，一种三叉神经痛疾病预测模型的构建装置，用于实现上述的构建方法，该构建装置包括：
输入端通讯接口，用于从医院影像平台中读取医学影像序列，具体可为USB传输接口或/和网线传输接口。
存储器，用于存储深度神经网络模型的参数和影像组学模型的参数，以及从医院影像平台中读取的医学影像序列。
高性能计算中心，为能够进行并行计算的高性能计算显卡，GPU读取原始医学影像序列和模型参数完成计算。
输出通讯接口，用于输出平台分析计算结果，将分析结果呈现在门诊或病房的系统中，以供临床医生参考。具体可为USB传输接口或网线传输接口或显示接口(HDMI，VGA)等，或可以多个组合。
控制CPU，所有数据在通讯总线中传输，由控制CPU完成任务调度。由于本硬件平台对CPU运算功能需求较小，因此CPU可以选择低成本CPU，降低设备成本。
优选的，所述高性能计算显卡为可实现通用并行计算的高性能GPU，包括支持NVIDIA-CUDA的GPU或者支持OPENCL的GPU。由于以上计算流程，如深度神经网络模型，影像组学提取算法等高度依赖高性能显卡计算，因此本系统优选部署于具有高性能计算显卡。
本发明通过深度神经网络模型的应用将极大的减轻医生的工作量，避免了临床医生手动标注医学影像。本发明采取以下对比研究，即运用深度神经网络模型(运行环境，NVIDIA RTX 4090显卡)自动分割三叉神经区域和血管区域，对比医生手动分割三叉神经区域和血管区域可知，本发明所提系统能够具有更好的效率，如表1所示：
表1
本发明优选自主研发基于CUDA的影像组学特征提取方法和开源PyRadiomics算法，其特征提取效率有较大的提高，具体如下表2所示：
表2
本发明所述影像组学建模方法，采用了Lasso Logistical Regression机器学习方法或者支持向量机(Support Vector Machine)机器学习方法，或者神经网络机器学习方法建立模型，各自的AUC分别如下表3所示：
表3
| Lasso Logistical Regression | Support Vector Machine | 神经网络 |
| 0.969 | 0.974 | 0.972 |
因此，本发明优选SVM作为建模方法。
相比现有技术而言，本发明通过将深度学习图像分割技术和影像组学技术结合起来，深度学习技术可以自动分割三叉神经区域，进一步运用影像组学技术建立预测模型，可以避免临床医生手动分割图像，减轻了医生的工作量，便于该方法和装置在临床中大量推广。本发明的构建方法和装置可以辅助临床医生进一步提高三叉神经痛的诊断效率，而且无需临床医生手动分割图像，极大减轻了医生的工作量，加快了模型计算的速度。
上述实施例只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人士能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡根据本发明精神实质所作的等效变化或修饰，都应涵盖在本发明的保护范围之内。
Claims (13)
1.一种三叉神经痛疾病预测模型的构建方法，其特征在于：
包括模型训练和模型部署两个阶段；
其中，模型训练阶段包括深度神经网络模型的训练以及影像组学模型的训练；所述深度神经网络模型用于分割三叉神经区域，所述影像组学模型用于从三叉神经区域中提取影像组学特征并建立预测模型；
模型部署阶段包括：
将模型训练阶段获得的深度神经网络模型的参数以及影像组学模型的参数存储于一硬件中，再将患者的原始医学影像序列输入所述硬件，并通过一处理单元使用两种模型的参数对所述原始医学影像序列进行相应计算处理。
2.根据权利要求1所述的构建方法，其特征在于：所述深度神经网络模型的训练包括：
步骤一、获取神经医学影像序列和血管医学影像序列；
步骤二、确认两种影像序列是否需要进行影像配准；
若两所述影像序列为同一时刻拍摄的同一坐标系下的影像序列，则无须进行影像配准；
若两所述影像序列为不同时刻拍摄的影像序列或同一时刻拍摄的影像序列不在同一坐标系下，须要进行影像配准，将两种影像序列置于同一坐标系下；
步骤三、使用深度神经网络模型，将处于同一坐标系下的两所述影像序列作为输入，输出为三叉神经图像分割结果和血管图像分割结果。
3.根据权利要求1所述的构建方法，其特征在于：所述深度神经网络模型的训练包括：
步骤一、获取神经医学影像序列；
步骤二、使用深度神经网络模型，将神经医学影像序列作为输入，输出为三叉神经图像分割结果。
4.根据权利要求2所述的构建方法，其特征在于：在步骤三之前，对深度神经网络模型进行训练，训练的过程包括：
建立影像分割数据集，该影像分割数据集包括不少于50例患者的神经医学影像序列和血管医学影像序列的数据；
对所述数据中的三叉神经区域和血管区域进行勾勒分割，得到分割结果。
5.根据权利要求3所述的构建方法，其特征在于：在步骤二之前，对深度神经网络模型进行训练，训练的过程包括：
建立影像分割数据集，该影像分割数据集包括不少于50例患者的神经医学影像序列数据；
对所述数据中的三叉神经区域进行勾勒分割，得到分割结果。
6.根据权利要求1所述的构建方法，其特征在于：所述影像组学模型的训练包括：
步骤一、筛选出确诊的患者组和健康对照组，以患者的医学影像序列作为输入；其中，患者组不少于50人，健康对照组不少于50人；
步骤二、运用所述深度神经网络模型对输入的医学影像序列进行处理，分割得到目标区域；
步骤三、运用医学影像组学提取方法对目标区域提取影像组学特征；
所提取的影像组学特征包含Shape and Size特征、first-order特征、gray-level co-occurrence matrix特征、gray-level run-length matrix特征、gray-level size-zonematrix特征、gray-level dependence matrix特征、neighborhood gray tone differencematrix特征、小波分解特征中的一种或多种；
步骤四、筛选影像组学特征，剔除无效的特征和重复的特征；
步骤五、建立影像组学模型；
步骤六、对所述影像组学模型的效果进行验证，验证方法为采用5折交叉验证或10折交叉验证，绘制ROC曲线，并计算ROC曲线的面积AUC，选择AUC最大的模型作为首选的影像组学模型。
7.根据权利要求6所述的构建方法，其特征在于：在步骤三的提取影像组学特征前，对医学影像进行归一化处理，包含空间分辨率归一化和像素亮度分辨率归一化；空间分辨率归一化是指将医学图像每个像素归一化至同一物理尺寸，像素亮度分辨率归一化是指将亮度归一化至0-512区间。
8.根据权利要求6所述的构建方法，其特征在于：在步骤三中，提取影像组学特征的方法为选择可以实现通用并行计算的高性能GPU进行计算提取。
9.根据权利要求6所述的构建方法，其特征在于：在步骤五中，运用Lasso LogisticalRegression机器学习方法，或者支持向量机机器学习方法，或者神经网络机器学习方法建立模型。
10.根据权利要求6所述的构建方法，其特征在于：在步骤六中，如果所有模型的AUC均小于0.85，则增加受试者的数量，进一步增加模型的准确率；如果最优模型的AUC大于0.85，则保留最优模型结果。
11.根据权利要求1所述的构建方法，其特征在于：所述模型部署阶段包括：
步骤一、选择当前患者的医学影像作为输入；
步骤二、通过所述深度神经网络模型对输入的医学影像序列进行处理，分割得到目标区域；
步骤三、运用医学影像组学提取方法对目标区域提取影像组学特征；
步骤四、筛选影像组学特征，剔除无效的特征和重复的特征。
12.一种三叉神经痛疾病预测模型的构建装置，其特征在于：用于实现权利要求1所述的构建方法，该构建装置包括：
输入端通讯接口，用于从医院影像平台中读取医学影像序列；
存储器，用于存储深度神经网络模型的参数和影像组学模型的参数，以及从医院影像平台中读取的医学影像序列；
高性能计算中心，为能够进行并行计算的高性能计算显卡，GPU读取原始医学影像序列和模型参数完成计算；
输出通讯接口，用于输出平台分析计算结果，将分析结果呈现在门诊或病房的系统中；
控制CPU，所有数据在通讯总线中传输，由控制CPU完成任务调度。
13.根据权利要求12所述的构建装置，其特征在于：所述高性能计算显卡为可实现通用并行计算的高性能GPU，包括支持NVIDIA-CUDA的GPU或者支持OPENCL的GPU。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211415248.5A CN115760745A (zh) | 2022-11-11 | 2022-11-11 | 一种三叉神经痛疾病预测模型的构建方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211415248.5A CN115760745A (zh) | 2022-11-11 | 2022-11-11 | 一种三叉神经痛疾病预测模型的构建方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115760745A true CN115760745A (zh) | 2023-03-07 |
Family
ID=85369977
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211415248.5A Pending CN115760745A (zh) | 2022-11-11 | 2022-11-11 | 一种三叉神经痛疾病预测模型的构建方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115760745A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116849613A (zh) * | 2023-07-12 | 2023-10-10 | 北京鹰之眼智能健康科技有限公司 | 一种三叉神经机能状态监控系统 |
-
2022
- 2022-11-11 CN CN202211415248.5A patent/CN115760745A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116849613A (zh) * | 2023-07-12 | 2023-10-10 | 北京鹰之眼智能健康科技有限公司 | 一种三叉神经机能状态监控系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3540692A1 (en) | A computed tomography pulmonary nodule detection method based on deep learning | |
| CN109272048B (zh) | 一种基于深度卷积神经网络的模式识别方法 | |
| WO2018074739A1 (ko) | 뇌졸중 진단 및 예후 예측 방법 및 시스템 | |
| Pachauri et al. | Topology-based kernels with application to inference problems in Alzheimer's disease | |
| WO2020183230A1 (en) | Medical image segmentation and severity grading using neural network architectures with semi-supervised learning techniques | |
| Fathy et al. | A deep learning approach for breast cancer mass detection | |
| CN110689025A (zh) | 图像识别方法、装置、系统及内窥镜图像识别方法、装置 | |
| CN110767293B (zh) | 一种脑部辅助诊断系统 | |
| CN114782307A (zh) | 基于深度学习的增强ct影像直肠癌分期辅助诊断系统 | |
| CN114206223A (zh) | 辅助生殖技术中的自适应图像处理方法和系统 | |
| CN110858399A (zh) | 用于提供虚拟断层扫描中风后续检测图像的方法和装置 | |
| CN115760745A (zh) | 一种三叉神经痛疾病预测模型的构建方法和装置 | |
| Nizamani et al. | Advance brain tumor segmentation using feature fusion methods with deep U-Net model with CNN for MRI data | |
| Noor et al. | GastroNet: A robust attention‐based deep learning and cosine similarity feature selection framework for gastrointestinal disease classification from endoscopic images | |
| CN113764101B (zh) | 基于cnn的乳腺癌新辅助化疗多模态超声诊断系统 | |
| CN109191422B (zh) | 基于常规ct图像的缺血性脑卒中早期检测系统和方法 | |
| WO2020263002A1 (ko) | 혈관 세그멘테이션 방법 | |
| CN112164447B (zh) | 图像处理方法、装置、设备及存储介质 | |
| Mirchandani et al. | Comparing the Architecture and Performance of AlexNet Faster R-CNN and YOLOv4 in the Multiclass Classification of Alzheimer Brain MRI Scans | |
| Xu et al. | A Multi-scale Attention-based Convolutional Network for Identification of Alzheimer's Disease based on Hippocampal Subfields | |
| Dey et al. | Image examination system to detect gastric polyps from endoscopy images | |
| Turrisi et al. | The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease detection | |
| Liu et al. | 3D ARCNN: An asymmetric residual CNN for decreasing false positive rate of lung nodules detection | |
| 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 | |
| Farzana et al. | Semantic Segmentation of Brain Tumor from 3D Structural MRI Using U-Net Autoencoder |
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 | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: Room 213, Building 5, Hexin Zhihui Science and Technology Park, No. 88 Huyang Road, Suzhou High tech Zone, Suzhou City, Jiangsu Province, 215000 Applicant after: Suzhou Xunyi Technology Co.,Ltd. Applicant after: THE AFFILIATED HOSPITAL OF QINGDAO University Address before: 629 Changzhong Road, Fengxian District, Shanghai, 201422 Applicant before: Shanghai Xunshi Technology Co.,Ltd. Applicant before: THE AFFILIATED HOSPITAL OF QINGDAO University |