CN116363115A - 一种肝硬化门静脉高压诊断方法、装置、设备及介质 - Google Patents
一种肝硬化门静脉高压诊断方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN116363115A CN116363115A CN202310373801.1A CN202310373801A CN116363115A CN 116363115 A CN116363115 A CN 116363115A CN 202310373801 A CN202310373801 A CN 202310373801A CN 116363115 A CN116363115 A CN 116363115A
- Authority
- CN
- China
- Prior art keywords
- tree
- vessel
- cirrhosis
- liver
- image
- 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
- 208000019425 cirrhosis of liver Diseases 0.000 title claims abstract description 98
- 238000003745 diagnosis Methods 0.000 title claims abstract description 94
- 210000003240 portal vein Anatomy 0.000 title claims abstract description 80
- 238000000034 method Methods 0.000 title claims abstract description 39
- 210000004185 liver Anatomy 0.000 claims abstract description 67
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 55
- 230000002792 vascular Effects 0.000 claims abstract description 46
- 208000007232 portal hypertension Diseases 0.000 claims abstract description 43
- 230000011218 segmentation Effects 0.000 claims abstract description 34
- 210000002989 hepatic vein Anatomy 0.000 claims abstract description 20
- 210000001631 vena cava inferior Anatomy 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims abstract description 15
- 210000003462 vein Anatomy 0.000 claims abstract description 11
- 206010016654 Fibrosis Diseases 0.000 claims description 34
- 230000007882 cirrhosis Effects 0.000 claims description 34
- 238000012549 training Methods 0.000 claims description 19
- 238000012360 testing method Methods 0.000 claims description 10
- 238000012795 verification Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000004891 communication Methods 0.000 claims description 7
- 238000012952 Resampling Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 5
- 238000002372 labelling Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 238000002405 diagnostic procedure Methods 0.000 claims 2
- 230000007310 pathophysiology Effects 0.000 abstract description 5
- 230000002440 hepatic effect Effects 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 206010020772 Hypertension Diseases 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000013517 stratification Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000405 serological effect Effects 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
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
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
- A61B5/004—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/02007—Evaluating blood vessel condition, e.g. elasticity, compliance
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/021—Measuring pressure in heart or blood vessels
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/42—Detecting, measuring or recording for evaluating the gastrointestinal, the endocrine or the exocrine systems
- A61B5/4222—Evaluating particular parts, e.g. particular organs
- A61B5/4244—Evaluating particular parts, e.g. particular organs liver
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
-
- 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
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
- G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
- G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
- G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
-
- 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
-
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20072—Graph-based image processing
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/30056—Liver; Hepatic
-
- 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
-
- 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
- G06T2207/30176—Document
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
- G06V2201/031—Recognition of patterns in medical or anatomical images of internal organs
-
- 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
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Biophysics (AREA)
- Databases & Information Systems (AREA)
- Heart & Thoracic Surgery (AREA)
- Radiology & Medical Imaging (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Physiology (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Geometry (AREA)
- Data Mining & Analysis (AREA)
- Cardiology (AREA)
- Gastroenterology & Hepatology (AREA)
- Vascular Medicine (AREA)
- Quality & Reliability (AREA)
- Biodiversity & Conservation Biology (AREA)
- Endocrinology (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Psychiatry (AREA)
Abstract
本申请涉及医学诊断技术领域,具体提供一种肝硬化门静脉高压诊断方法、装置、设备及介质,利用训练好的肝脏血管三维分割模型对输入的MRI图像或CT图像进行处理,得到患者的肝脏轮廓图像;所述肝脏轮廓图像包括门静脉血管树、肝静脉血管树、主动脉血管树和下腔静脉血管树;针对得到的所述肝脏轮廓图像中的每个血管树自动提取相应的血管几何参数;利用训练好的肝硬化门静脉高压诊断模型对输入的所述血管几何参数,得到患者的肝硬化门静脉高压诊断结果。从而通过血管几何特征诊断肝硬化门静脉高压,一方面诊断结果更为准确,另一方面能够为模型结果补充有力的病理生理学说明。
Description
技术领域
本申请涉及医学诊断技术领域,具体而言,涉及一种肝硬化门静脉高压诊断方法、装置、设备及介质。
背景技术
门静脉高压无创检测方法包括血清学检查、解剖学影像标志物和基于组织学特性的物理替代法。目前仍然缺乏可以代替HVPG的一项能够用于门静脉高压风险分层和监测治疗效果的无创性金标准。其主要问题表现在门静脉高压的有创性检测在临床应用上受限,而门静脉高压的无创性风险分层方法仍有待进一步研究和完善:评估效能不够,无法替代有创金标准;对不同病因和人种的泛化性能不足。
现有技术中提出的基于影像组学评估门静脉高压的技术虽然在评估效能上取得了一定突破,但该技术局限于:不同病因、人群以及检查机器的异质性导致的研究误差,基于二维平面建立模型以及计算参数不够优化导致结果不够精准。
发明内容
有鉴于此,本申请的目的在于提供一种肝硬化门静脉高压诊断方法、装置、设备及介质,能够实现门静脉高压的精准无创诊断。
第一方面,本申请提供一种肝硬化门静脉高压诊断方法,所述方法包括以下步骤:
利用训练好的肝脏血管三维分割模型对输入的MRI图像或CT图像进行处理,得到患者的肝脏轮廓图像;所述肝脏轮廓图像包括门静脉血管树、肝静脉血管树、主动脉血管树和下腔静脉血管树;
针对得到的所述肝脏轮廓图像中的每个血管树自动提取相应的血管几何参数;
利用训练好的肝硬化门静脉高压诊断模型对输入的所述血管几何参数,得到患者的肝硬化门静脉高压诊断结果。
在一些实施例中,所述肝脏血管三维分割模型采用u-net网络分割架构,并且所述肝脏血管三维分割模型对输入的MRI图像或CT图像特征提取之前,还进行预处理,包括以下步骤:
对输入的MRI图像或CT图像按照预设的尺寸进行视野裁剪;
对视野裁剪后的MRI图像或CT图像进行分辨率重采样;
对重采样后的MRI图像或CT图像通过三线性插值的方式进行切片,并使用z分数归一化进行信号强度,得到预处理后的增强图像。
在一些实施例中,所述血管几何参数包括血管容积;血管容积百分比;血管分支节点数;血管端节点数;血管分支数;血管总长度;血管主分支长度;血管分支长度;血管主分支曲率;血管分支曲率;血管主分支扭曲度;血管分支扭曲度;血管主分支的等效管径、最小管径和似圆度;第一分支角度中的一种或多种。
在一些实施例中,所述针对得到的所述肝脏轮廓图像中的每个血管树自动提取相应的血管几何参数,包括以下步骤:
从得到的所述肝脏轮廓图像中识别出静脉血管树、肝静脉血管树、主动脉血管树和下腔静脉血管树;
分别对所述静脉血管树、所述肝静脉血管树、所述主动脉血管树和所述下腔静脉血管树的中心线进行采样;
基于所述静脉血管树、所述肝静脉血管树、所述主动脉血管树和所述下腔静脉血管树的中心线计算相应的血管几何参数。
在一些实施例中,所述肝硬化门静脉高压诊断模型采用支持向量机进行二元分类,输出的肝硬化门静脉高压诊断结果为HVPG正常或HVPG异常。
在一些实施例中,通过以下方式对预构建的肝硬化门静脉高压诊断模型进行训练,包括以下步骤:
利用训练好的肝脏血管三维分割模型得到若干组血管几何参数作为数据集;
对所述数据集标注真实的硬化门静脉高压诊断结果,并且将所述数据集按照设定的比例划分为训练集、验证集和测试集;
基于所述训练集对预构建的肝硬化门静脉高压诊断模型进行训练,以及基于所述验证集对预构建的肝硬化门静脉高压诊断模型进行调参,直至所述肝硬化门静脉高压诊断模型的参数收敛,得到待测试肝硬化门静脉高压诊断模型;
基于所述测试集评估所述待测试肝硬化门静脉高压诊断模型,若评估结果达到设定的阈值,将所述待测试肝硬化门静脉高压诊断模型确定为训练好的肝硬化门静脉高压诊断模型。
在一些实施例中,其中,选择Adam优化器对预构建的肝脏血管三维分割模型进行训练。
本申请实施例提供的一种肝硬化门静脉高压诊断装置,所述装置包括:
处理模块,用于利用训练好的肝脏血管三维分割模型对输入的MRI图像或CT图像进行处理,得到患者的肝脏轮廓图像;所述肝脏轮廓图像包括门静脉血管树、肝静脉血管树、主动脉血管树和下腔静脉血管树;
计算模块,用于针对得到的所述肝脏轮廓图像中的每个血管树自动提取相应的血管几何参数;
诊断模块,用于利用训练好的肝硬化门静脉高压诊断模型对输入的所述血管几何参数,得到患者的肝硬化门静脉高压诊断结果。
本申请实施例提供的一种电子设备,包括处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储器之间通过总线通信,所述机器可读指令被所述处理器执行时执行上述任一项所述的肝硬化门静脉高压诊断方法的步骤。
本申请实施例提供的一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行上述任一项所述的肝硬化门静脉高压诊断方法的步骤。
本申请所述的一种肝硬化门静脉高压诊断方法、装置、设备及介质,利用训练好的肝脏血管三维分割模型对输入的MRI图像或CT图像进行处理,得到患者的肝脏轮廓图像;所述肝脏轮廓图像包括门静脉血管树、肝静脉血管树、主动脉血管树和下腔静脉血管树;针对得到的所述肝脏轮廓图像中的每个血管树自动提取相应的血管几何参数;利用训练好的肝硬化门静脉高压诊断模型对输入的所述血管几何参数,得到患者的肝硬化门静脉高压诊断结果。从而通过血管几何特征诊断肝硬化门静脉高压,一方面诊断结果更为准确,另一方面能够为模型结果补充有力的病理生理学说明。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1示出了本申请实施例提供的所述肝硬化门静脉高压诊断方法的流程图;
图2示出了本申请实施例利用训练好的肝脏血管三维分割模型对输入的MRI图像或CT图像进行处理的示意图;
图3示出了本申请实施例针对得到的所述肝脏轮廓图像中的每个血管树自动提取相应的血管几何参数的示意图;
图4示出了本申请实施例利用训练好的肝硬化门静脉高压诊断模型得到患者的肝硬化门静脉高压诊断结果的示意图;
图5示出了本申请实施例提供的肝硬化门静脉高压诊断装置的结构框图;
图6示出了本申请实施例提供的电子设备的结构框图。
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,本申请中附图仅起到说明和描述的目的,并不用于限定本申请的保护范围。另外,应当理解,示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了根据本申请的一些实施例实现的操作。应该理解,流程图的操作可以不按顺序实现,没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外,本领域技术人员在本申请内容的指引下,可以向流程图添加一个或多个其他操作,也可以从流程图中移除一个或多个操作。
另外,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和标出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域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。
需要说明的是,本申请实施例中将会用到术语“包括”,用于指出其后所声明的特征的存在,但并不排除增加其它的特征。
鉴于背景技术中所提出的技术问题,本申请提供一种肝硬化门静脉高压诊断方法、装置、设备及介质,能够实现门静脉高压的精准无创诊断。
为便于对本实施例进行理解,下面对本申请实施例提供的一种肝硬化门静脉高压诊断方法、装置、设备及介质进行详细介绍。其中,本申请实施例提供的上述方法可以应用于终端设备,也可以应用于服务器;其中,当上述方法应用于服务器时,可以是云医疗,即通过终端设备提供人机交互界面,终端设备将用户通过人机交互画面触发的操作指令发送给服务器,服务器则响应用户的操作指令进行数据处理以及将处理后的结果(血管几何参数和肝硬化门静脉高压诊断)返回给终端设备。
参见说明书附图1,本申请实施例提供一种肝硬化门静脉高压诊断方法,所述方法包括以下步骤:
S1、利用训练好的肝脏血管三维分割模型对输入的MRI图像或CT图像进行处理,得到患者的肝脏轮廓图像;所述肝脏轮廓图像包括门静脉血管树、肝静脉血管树、主动脉血管树和下腔静脉血管树;
参见说明书附图2,在步骤S1中,所述肝脏血管三维分割模型采用u-net网络分割架构,并且所述肝脏血管三维分割模型对输入的MRI图像或CT图像特征提取之前,还进行预处理,具体包括以下步骤:对输入的MRI图像或CT图像按照预设的尺寸进行视野裁剪;对视野裁剪后的MRI图像或CT图像进行分辨率重采样;对重采样后的MRI图像或CT图像通过三线性插值的方式进行切片,并使用z分数归一化进行信号强度,得到预处理后的增强图像。
在一实施例中,所述肝脏血管三维分割模型中U-Net的编码路径包含5~20个卷积层和池化层,每一层包含一个3×3卷积核和一个整流线性单元(ReLu)激活函数,一个跨步为2的3×3卷积层在第一个卷积层之后立即连接。其中,利用两种路径之间的连接,为两种任务提供联合特征,从而提高预测性能。在对患者的MRI图像或CT图像进行预处理时,先将视野裁剪为640×640mm2;图像分辨率重采样为0.625×0.625mm2,对应矩阵大小为512×512;切片厚度通过三线性插值插值至0.625mm;用z分数归一化信号强度,得到增强图像,特别是对于CT图像,在应用预处理管道之前,将信号强度窗口设置为[-200,200]HU。进而,将获取的增强图像输入到训练好的肝脏血管三维分割模型中进行特征提取,得到患者的肝脏轮廓图像。在该实施例中,得到的肝脏轮廓图像包括门静脉血管树、肝静脉血管树、主动脉血管树和下腔静脉血管树。
需要说明的是,在对预构建的肝脏血管三维分割模型进行训练时,选择DICE相似系数作为损失函数,可以有效地训练网络。在一实施例中,选择Adam优化器进行网络训练,初始学习率设置为0.0001,批大小设置为4,回显数为100,U-Net从一个由带有注释的参考图像组成的训练集中学习一致的模式,然后预测所有剩余情况下的图像。模型的训练时间约为15h,每个案例的测试时间在10s内。其中,对预构建的肝脏血管三维分割模型进行训练的过程,应为本领域技术人员所熟知的技术手段,在此不作赘述。
S2、针对得到的所述肝脏轮廓图像中的每个血管树自动提取相应的血管几何参数;
参见说明书附图3,在步骤S2中,计算血管几何参数时,首先要从步骤S1获取的肝脏轮廓图像中识别出门静脉血管树、肝静脉血管树、主动脉血管树和下腔静脉血管树,即血管的分支层次。例如,基于决策树的方法从分割的血管中提取出中心线,并根据提取的中心线构建血管系统的图形表示,进而根据不同血管树中心线的特征进行自动识别。在本申请中,所述血管几何参数包括血管容积百分比;血管分支节点数;血管端节点数;血管分支数;血管总长度;血管主分支长度;血管分支长度;血管主分支曲率;血管分支曲率;血管主分支扭曲度;血管分支扭曲度;血管主分支的等效管径、最小管径和似圆度;第一分支角度总计十六个参数。通过该十六个参数能够为后序肝硬化门静脉高压诊断提供有力的病理生理学说明,并且提升诊断准确度。
在该实施例中,计算血管几何参数时可以适当的对中心线进行采样,然后进行参数计算,以增加参数的准确率,避免极值的影响。具体的:
血管容积(ml)volume=voxel_count·unit_vol,其中,voxel_count是图像中大于零的像素值的总数,unit_vol=spacing[0]*spacing[1]*spacing[2]*0.001;
血管容积百分比percentage=肝内血管容积/肝脏容积;
血管端节点数量(terminal_node_num):遍历血管中心线,记录每条中心线的起点和终点坐标,剔除相同的坐标后统计数量即为端点数量;
血管分支节点数量(branch_node_num):遍历血管中心线,记录中心线的分叉点坐标,统计分叉点的数量;
血管分支数(branch_num):branch_num=terminal_node_num+branch_node_num-1;
血管分支长度(branch_length):计算每个分支中心线的长度;
血管主分支长度(main_length):识别主分支对应的中心线,并计算长度;
血管总长度(whole_length):将所有血管分支的长度相;
血管曲率计算:血管中心线及其上面某一点p,有一个圆与中心线切于p点,该圆成为密切圆,而密切圆的半径的倒数即为p点的曲率;
血管主分支曲率:统计血管主分支中心线中的每一个点,计算曲率并取均值;
血管分支曲率:统计血管分支中心线中的每一个点,计算曲率并取均值;
血管扭曲度的计算:统计血管中心线的每一个分支,计算期欧拉距离(Euclid_dist)和曲线距离(curve_dist),以曲线距离除以欧拉距离再减去1,即为该分支的扭曲度(Tortuosity);
血管主分支扭曲度:计算血管主分支中心线的欧拉距离和曲线距离,计算扭曲度;
血管分支扭曲度:计算每一个血管分支中心线的欧拉距离和曲线距离,计算扭曲度并取均值;
血管主分支的等效管径、最小管径和似圆度:计算这部分参数需要用到血管对应点的横截面,以中心线中相邻两点Po,P,构成平面的法向量p0p1,然后计算该平面在该点处血管的截面面积area和截面周长perimeter;
最小管径min_radius=该点处截面最大内切圆的直径;
第一分支角度:找到血管主分支处的分支节点P0,以及邻近分支的中点P1,P2,P3,……,然后分别计算向量P0P1,P0P2的夹角θ,依次类推,最后计算θ0,θ1……的平均值。
S3、利用训练好的肝硬化门静脉高压诊断模型对输入的所述血管几何参数,得到患者的肝硬化门静脉高压诊断结果。
参见说明书附图4,在步骤S3中,所述肝硬化门静脉高压诊断模型采用支持向量机进行二元分类,使用非线性核函数,根据输入的所述血管几何参数,输出HVPG正常或HVPG异常的肝硬化门静脉高压诊断结果。
其中,对预构建的肝硬化门静脉高压诊断模型进行训练时,利用训练好的肝脏血管三维分割模型得到若干组血管几何参数作为数据集;对所述数据集标注真实的硬化门静脉高压诊断结果,并且将所述数据集按照设定的比例划分为训练集、验证集和测试集;在一实施例中,训练集、验证集和测试集的预设比例为6:2:2,然后基于所述训练集对预构建的肝硬化门静脉高压诊断模型的普通参数训练普通参数,如权重和偏置,以及以及基于所述验证集对预构建的肝硬化门静脉高压诊断模型进行调参,如学习率和网络层数,直至直至所述肝硬化门静脉高压诊断模型的参数收敛,得到待测试肝硬化门静脉高压诊断模型;最后,基于所述测试集评估所述待测试肝硬化门静脉高压诊断模型,若评估结果达到设定的阈值,如设定的阈值为准确率0.9,将所述待测试肝硬化门静脉高压诊断模型确定为训练好的肝硬化门静脉高压诊断模型。其中,对预构建的肝硬化门静脉高压诊断模型进行训练的过程,应为本领域技术人员所熟知的技术手段,在此不作赘述。
本申请提供的一种肝硬化门静脉高压诊断方法,对肝脏血管三维分割模型输出的肝脏轮廓图像并不直接输入肝硬化门静脉高压诊断模型,来获取患者的肝硬化门静脉高压诊断结果,而是先对肝脏轮廓图像进行处理,提取肝脏轮廓图像中每个血管树的血管几何参数,再将血管几何参数输入肝硬化门静脉高压诊断模型,来获取患者的肝硬化门静脉高压诊断结果,从而一方面使诊断结果更为准确,另一方面能够为诊断结果补充有力的病理生理学说明。另外,所采用的肝脏血管三维分割模型是基于MRI/CT多模态图像的,利于临床应用和推广。
基于同一发明构思,本申请实施例中还提供了一种肝硬化门静脉高压诊断装置,由于本申请实施例中的装置解决问题的原理与本申请实施例上述一种肝硬化门静脉高压诊断方法相似,因此装置的实施可以参见方法的实施,重复之处不再赘述。
如说明书附图5所示,本申请还提供了一种肝硬化门静脉高压诊断装置,所述装置包括:
处理模块501,用于利用训练好的肝脏血管三维分割模型对输入的MRI图像或CT图像进行处理,得到患者的肝脏轮廓图像;所述肝脏轮廓图像包括门静脉血管树、肝静脉血管树、主动脉血管树和下腔静脉血管树;
计算模块502,用于针对得到的所述肝脏轮廓图像中的每个血管树自动提取相应的血管几何参数;
诊断模块503,用于利用训练好的肝硬化门静脉高压诊断模型对输入的所述血管几何参数,得到患者的肝硬化门静脉高压诊断结果。
在一些实施方式中,所述肝脏血管三维分割模型采用u-net网络分割架构,并且所述处理模块501对输入训练好的肝脏血管三维分割模型的MRI图像或CT图像特征还进行预处理,包括:
对输入的MRI图像或CT图像按照预设的尺寸进行视野裁剪;
对视野裁剪后的MRI图像或CT图像进行分辨率重采样;
对重采样后的MRI图像或CT图像通过三线性插值的方式进行切片,并使用z分数归一化进行信号强度,得到预处理后的增强图像。
在一些实施方式中,所述计算模块502针对得到的所述肝脏轮廓图像中的每个血管树自动提取相应的血管几何参数,包括:
从得到的所述肝脏轮廓图像中识别出静脉血管树、肝静脉血管树、主动脉血管树和下腔静脉血管树;
分别对所述静脉血管树、所述肝静脉血管树、所述主动脉血管树和所述下腔静脉血管树的中心线进行采样;
基于所述静脉血管树、所述肝静脉血管树、所述主动脉血管树和所述下腔静脉血管树的中心线计算相应的血管几何参数。
在一些实施方式中,所述诊断模块503还对预构建的肝硬化门静脉高压诊断模型进行训练,包括:
利用训练好的肝脏血管三维分割模型得到若干组血管几何参数作为数据集;
对所述数据集标注真实的硬化门静脉高压诊断结果,并且将所述数据集按照设定的比例划分为训练集、验证集和测试集;
基于所述训练集对预构建的肝硬化门静脉高压诊断模型进行训练,以及基于所述验证集对预构建的肝硬化门静脉高压诊断模型进行调参,直至所述肝硬化门静脉高压诊断模型的参数收敛,得到待测试肝硬化门静脉高压诊断模型;
基于所述测试集评估所述待测试肝硬化门静脉高压诊断模型,若评估结果达到设定的阈值,将所述待测试肝硬化门静脉高压诊断模型确定为训练好的肝硬化门静脉高压诊断模型。
本申请所提供的一种肝硬化门静脉高压诊断装置,通过处理模块利用训练好的肝脏血管三维分割模型对输入的MRI图像或CT图像进行处理,得到患者的肝脏轮廓图像;所述肝脏轮廓图像包括门静脉血管树、肝静脉血管树、主动脉血管树和下腔静脉血管树;通过计算模块针对得到的所述肝脏轮廓图像中的每个血管树自动提取相应的血管几何参数;通过诊断模块利用训练好的肝硬化门静脉高压诊断模型对输入的所述血管几何参数,得到患者的肝硬化门静脉高压诊断结果。从而通过血管几何特征诊断肝硬化门静脉高压,一方面诊断结果更为准确,另一方面能够为模型结果补充有力的病理生理学说明。
基于本发明的同一构思,说明书附图6所示,本申请实施例提供的一种电子设备600的结构,该电子设备600包括:至少一个处理器601,至少一个网络接口604或者其他用户接口603,存储器605,至少一个通信总线602。通信总线602用于实现这些组件之间的连接通信。该电子设备600可选的包含用户接口603,包括显示器(例如,触摸屏、LCD、CRT、全息成像(Holographic)或者投影(Projector)等),键盘或者点击设备(例如,鼠标,轨迹球(trackball),触感板或者触摸屏等)。
存储器605可以包括只读存储器和随机存取存储器,并向处理器601提供指令和数据。存储器605的一部分还可以包括非易失性随机存取存储器(NVRAM)。
在一些实施方式中,存储器605存储了如下的元素,可保护模块或者数据结构,或者他们的子集,或者他们的扩展集:
操作系统6051,包含各种系统程序,用于实现各种基础业务以及处理基于硬件的任务;
应用程序模块6052,包含各种应用程序,例如桌面(launcher)、媒体播放器(MediaPlayer)、浏览器(Browser)等,用于实现各种应用业务。
在本申请实施例中,通过调用存储器605存储的程序或指令,处理器601用于执行如一种肝硬化门静脉高压诊断方法中的步骤,能够实现门静脉高压的精准无创诊断。
本申请还提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行如肝硬化门静脉高压诊断方法中的步骤。
具体地,该存储介质能够为通用的存储介质,如移动磁盘、硬盘等,该存储介质上的计算机程序被运行时,能够执行上述肝硬化门静脉高压诊断方法。
在本申请所提供的实施例中,应该理解到,所揭露装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请提供的实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上实施例,仅为本申请的具体实施方式,用以说明本申请的技术方案,而非对其限制,本申请的保护范围并不局限于此,尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围。都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种肝硬化门静脉高压诊断方法,其特征在于,所述方法包括以下步骤:
利用训练好的肝脏血管三维分割模型对输入的MRI图像或CT图像进行处理,得到患者的肝脏轮廓图像;所述肝脏轮廓图像包括门静脉血管树、肝静脉血管树、主动脉血管树和下腔静脉血管树;
针对得到的所述肝脏轮廓图像中的每个血管树自动提取相应的血管几何参数;
利用训练好的肝硬化门静脉高压诊断模型对输入的所述血管几何参数,得到患者的肝硬化门静脉高压诊断结果。
2.根据权利要求1所述一种肝硬化门静脉高压诊断方法,其特征在于,所述肝脏血管三维分割模型采用u-net网络分割架构,并且所述肝脏血管三维分割模型对输入的MRI图像或CT图像特征提取之前,还进行预处理,包括以下步骤:
对输入的MRI图像或CT图像按照预设的尺寸进行视野裁剪;
对视野裁剪后的MRI图像或CT图像进行分辨率重采样;
对重采样后的MRI图像或CT图像通过三线性插值的方式进行切片,并使用z分数归一化进行信号强度,得到预处理后的增强图像。
3.根据权利要求2所述一种肝硬化门静脉高压诊断方法,其特征在于,所述血管几何参数包括血管容积;血管容积百分比;血管分支节点数;血管端节点数;血管分支数;血管总长度;血管主分支长度;血管分支长度;血管主分支曲率;血管分支曲率;血管主分支扭曲度;血管分支扭曲度;血管主分支的等效管径、最小管径和似圆度;第一分支角度中的一种或多种。
4.根据权利要求3所述一种肝硬化门静脉高压诊断方法,其特征在于,所述针对得到的所述肝脏轮廓图像中的每个血管树自动提取相应的血管几何参数,包括以下步骤:
从得到的所述肝脏轮廓图像中识别出静脉血管树、肝静脉血管树、主动脉血管树和下腔静脉血管树;
分别对所述静脉血管树、所述肝静脉血管树、所述主动脉血管树和所述下腔静脉血管树的中心线进行采样;
基于所述静脉血管树、所述肝静脉血管树、所述主动脉血管树和所述下腔静脉血管树的中心线计算相应的血管几何参数。
5.根据权利要求4所述一种肝硬化门静脉高压诊断方法,其特征在于,所述肝硬化门静脉高压诊断模型采用支持向量机进行二元分类,输出的肝硬化门静脉高压诊断结果为HVPG正常或HVPG异常。
6.根据权利要求5所述一种肝硬化门静脉高压诊断方法,其特征在于,通过以下方式对预构建的肝硬化门静脉高压诊断模型进行训练,包括以下步骤:
利用训练好的肝脏血管三维分割模型得到若干组血管几何参数作为数据集;
对所述数据集标注真实的硬化门静脉高压诊断结果,并且将所述数据集按照设定的比例划分为训练集、验证集和测试集;
基于所述训练集对预构建的肝硬化门静脉高压诊断模型进行训练,以及基于所述验证集对预构建的肝硬化门静脉高压诊断模型进行调参,直至所述肝硬化门静脉高压诊断模型的参数收敛,得到待测试肝硬化门静脉高压诊断模型;
基于所述测试集评估所述待测试肝硬化门静脉高压诊断模型,若评估结果达到设定的阈值,将所述待测试肝硬化门静脉高压诊断模型确定为训练好的肝硬化门静脉高压诊断模型。
7.根据权利要求6所述一种肝硬化门静脉高压诊断方法,其特征在于,其中,选择Adam优化器对预构建的肝脏血管三维分割模型进行训练。
8.一种肝硬化门静脉高压诊断装置,其特征在于,所述装置包括:
处理模块,用于利用训练好的肝脏血管三维分割模型对输入的MRI图像或CT图像进行处理,得到患者的肝脏轮廓图像;所述肝脏轮廓图像包括门静脉血管树、肝静脉血管树、主动脉血管树和下腔静脉血管树;
计算模块,用于针对得到的所述肝脏轮廓图像中的每个血管树自动提取相应的血管几何参数;
诊断模块,用于利用训练好的肝硬化门静脉高压诊断模型对输入的所述血管几何参数,得到患者的肝硬化门静脉高压诊断结果。
9.一种电子设备,其特征在于,包括处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储器之间通过总线通信,所述机器可读指令被所述处理器执行时执行权利要求1至7任一项所述的肝硬化门静脉高压诊断方法的步骤。
10.一种计算机可读存储介质,其特征在于:该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行权利要求1至7任一项所述的肝硬化门静脉高压诊断方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310373801.1A CN116363115A (zh) | 2023-04-07 | 2023-04-07 | 一种肝硬化门静脉高压诊断方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310373801.1A CN116363115A (zh) | 2023-04-07 | 2023-04-07 | 一种肝硬化门静脉高压诊断方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116363115A true CN116363115A (zh) | 2023-06-30 |
Family
ID=86938536
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310373801.1A Pending CN116363115A (zh) | 2023-04-07 | 2023-04-07 | 一种肝硬化门静脉高压诊断方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116363115A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117011242A (zh) * | 2023-07-10 | 2023-11-07 | 珠海市人民医院 | 经颈静脉肝内门体分流术后肝性脑病预测方法和系统 |
-
2023
- 2023-04-07 CN CN202310373801.1A patent/CN116363115A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117011242A (zh) * | 2023-07-10 | 2023-11-07 | 珠海市人民医院 | 经颈静脉肝内门体分流术后肝性脑病预测方法和系统 |
CN117011242B (zh) * | 2023-07-10 | 2024-05-14 | 珠海市人民医院 | 经颈静脉肝内门体分流术后肝性脑病预测方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111476757B (zh) | 一种冠脉斑块数据检测方法、系统、存储介质、终端 | |
CN112465830B (zh) | 一种磨玻璃样肺结节自动分割方法及计算机设备 | |
CN105741251B (zh) | 一种肝脏cta序列图像的血管分割方法 | |
CN108133476B (zh) | 一种肺结节自动检测方法及系统 | |
CN109741335B (zh) | 血管oct图像中血管壁及血流区域的分割方法与装置 | |
CN108229679A (zh) | 卷积神经网络去冗余方法及装置、电子设备和存储介质 | |
EP2959455B1 (en) | Improvements in or relating to image processing | |
CN111696089A (zh) | 一种动静脉确定方法、装置、设备和存储介质 | |
CN112465834B (zh) | 一种血管分割方法及装置 | |
WO2022120898A1 (zh) | 一种磁共振血管壁图像分析方法、系统及计算机可读介质 | |
CN112308846B (zh) | 血管分割方法、装置及电子设备 | |
CN113436185B (zh) | 肝脏静脉血管三维结构特征定量分析方法、装置、计算机设备和存储介质 | |
Tan et al. | Segmentation of lung airways based on deep learning methods | |
CN112991346B (zh) | 用于医学图像分析的学习网络的训练方法和训练系统 | |
Yang et al. | Neuron image segmentation via learning deep features and enhancing weak neuronal structures | |
CN116363115A (zh) | 一种肝硬化门静脉高压诊断方法、装置、设备及介质 | |
US20240005510A1 (en) | Method and apparatus of nidus segmentation, electronic device, and storage medium | |
CN116228785A (zh) | 一种基于改进的Unet网络的肺炎CT影像分割方法 | |
CN113379741B (zh) | 基于血管特征的视网膜血管分割方法、设备和存储介质 | |
CN114511581A (zh) | 一种多任务多分辨率协作的食管癌病变分割方法及装置 | |
CN113902689A (zh) | 一种血管中心线提取方法、系统、终端以及存储介质 | |
CN112541900A (zh) | 基于卷积神经网络的检测方法、装置、计算机设备及存储介质 | |
CN116725563B (zh) | 眼球突出度测量装置 | |
Jin et al. | Deep learning and particle filter-based aortic dissection vessel tree segmentation | |
CN115526882A (zh) | 一种医学图像的分类方法、装置、设备及存储介质 |
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 |