CN117011242A - 经颈静脉肝内门体分流术后肝性脑病预测方法和系统 - Google Patents
经颈静脉肝内门体分流术后肝性脑病预测方法和系统 Download PDFInfo
- Publication number
- CN117011242A CN117011242A CN202310844326.1A CN202310844326A CN117011242A CN 117011242 A CN117011242 A CN 117011242A CN 202310844326 A CN202310844326 A CN 202310844326A CN 117011242 A CN117011242 A CN 117011242A
- Authority
- CN
- China
- Prior art keywords
- liver
- spleen
- volume
- feature
- value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 208000007386 hepatic encephalopathy Diseases 0.000 title claims abstract description 65
- 238000000034 method Methods 0.000 title claims abstract description 38
- 210000004731 jugular vein Anatomy 0.000 title claims abstract description 6
- 210000004185 liver Anatomy 0.000 claims abstract description 302
- 210000000952 spleen Anatomy 0.000 claims abstract description 267
- 230000000877 morphologic effect Effects 0.000 claims abstract description 96
- 210000003240 portal vein Anatomy 0.000 claims abstract description 38
- 238000004458 analytical method Methods 0.000 claims abstract description 34
- 238000013528 artificial neural network Methods 0.000 claims abstract description 22
- 210000003462 vein Anatomy 0.000 claims abstract description 20
- 230000008859 change Effects 0.000 claims description 26
- 230000011218 segmentation Effects 0.000 claims description 15
- 238000009499 grossing Methods 0.000 claims description 9
- 210000000955 splenic vein Anatomy 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 3
- 238000001356 surgical procedure Methods 0.000 claims description 2
- 238000002595 magnetic resonance imaging Methods 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 239000008280 blood Substances 0.000 description 4
- 210000004369 blood Anatomy 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000003709 image segmentation Methods 0.000 description 4
- 238000002604 ultrasonography Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 208000007232 portal hypertension Diseases 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 206010003445 Ascites Diseases 0.000 description 2
- 208000014644 Brain disease Diseases 0.000 description 2
- 208000032843 Hemorrhage Diseases 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000005251 gamma ray Effects 0.000 description 2
- 235000015097 nutrients Nutrition 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 208000032274 Encephalopathy Diseases 0.000 description 1
- 208000000624 Esophageal and Gastric Varices Diseases 0.000 description 1
- 206010016654 Fibrosis Diseases 0.000 description 1
- 206010051012 Gastric varices Diseases 0.000 description 1
- 206010060820 Joint injury Diseases 0.000 description 1
- 230000031018 biological processes and functions Effects 0.000 description 1
- 230000000740 bleeding effect Effects 0.000 description 1
- 230000036770 blood supply Effects 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000007882 cirrhosis Effects 0.000 description 1
- 208000019425 cirrhosis of liver Diseases 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 210000003754 fetus Anatomy 0.000 description 1
- 210000002216 heart Anatomy 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 210000005229 liver cell Anatomy 0.000 description 1
- 208000019423 liver disease Diseases 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
- 239000003053 toxin Substances 0.000 description 1
- 231100000765 toxin Toxicity 0.000 description 1
- 108700012359 toxins Proteins 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T19/00—Manipulating 3D models or images for computer graphics
- G06T19/20—Editing of 3D images, e.g. changing shapes or colours, aligning objects or positioning parts
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- 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
- G06T7/60—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
- G06V10/40—Extraction of image or video features
- G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
- G06V10/422—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation for representing the structure of the pattern or shape of an object therefor
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Geometry (AREA)
- Computer Graphics (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Architecture (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Image Processing (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开一种经颈静脉肝内门体分流术后肝性脑病预测方法和系统，涉及智能医疗技术领域。该方法包括：通过深度神经网络对所述肝脾部位三维扫描模型进行分割操作得到肝脏部位三维模型和脾脏三维模型；分别两个三维模型进行形态学分析得到肝脏形态特征和脾脏形态特征；通过门静脉几何特征对肝脏形态特征中的肝脏体积进行标准化；通过脾静脉几何特征对脾脏形态特征中的脾脏体积进行标准化；对肝脾部位三维扫描模型进行高维影像组学特征分析得到肝脾高维影像组学特征；根据标准化处理后的肝脏形态特征和脾脏形态特征以及肝脾高维影像组学特征进行分类预测得到肝性脑病发生概率。本申请能够提高经颈静脉肝内门体分流术后肝性脑病预测的准确性。
Description
技术领域
本发明涉及智能医疗技术领域，尤其涉及一种经颈静脉肝内门体分流术后肝性脑病预测方法和系统。
背景技术
肝硬化可引发门脉高压，从而导致食管胃底静脉曲张破裂出血和难治性腹水。经颈静脉肝内门体分流术(TIPS)可有效降低门脉高压，是可用于治疗上述出血和腹水的微创性根治手段。但是TIPS术后可能会导致显性肝性脑病，如何准确预测显性肝性脑病是TIPS临床应用中亟待解决的问题。
相关技术中，预测TIPS术后是否有可能发生肝性脑病一般基于患者的临床指标或者影像2D层面的肝脏相关形态指标进行肝性脑病判断。然而，肝脏相关形态指标在单个2D层面上进行人工测量获取，在指标选择偏倚、评估全面性、时间人力成本等方面均有局限性，且未能考虑到门脉高压相关的脾脏改变，从而导致经颈静脉肝内门体分流术后肝性脑病预测准确性低。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种经颈静脉肝内门体分流术后肝性脑病预测方法和系统，能够提高经颈静脉肝内门体分流术后肝性脑病预测的准确性。
一方面，本发明实施例提供了一种经颈静脉肝内门体分流术后肝性脑病预测方法，包括以下步骤：
获取肝脾部位三维扫描模型；
通过深度神经网络对所述肝脾部位三维扫描模型进行分割操作，得到肝脏部位三维模型和脾脏三维模型；
分别对所述肝脏部位三维模型和所述脾脏三维模型进行形态学分析，得到第一肝脏形态特征和第一脾脏形态特征；
通过门静脉几何特征对所述第一肝脏形态特征中的原始肝脏体积进行标准化，得到第二肝脏形态特征；
通过脾静脉几何特征对所述第一脾脏形态特征中的原始脾脏体积进行标准化，得到第二脾脏形态特征；
根据所述第二肝脏形态特征和所述第二脾脏形态特征得到肝脾形态学特征；
对所述肝脾部位三维扫描模型进行高维影像组学特征分析，得到肝脾高维影像组学特征；
根据所述肝脾形态学特征和所述肝脾高维影像组学特征进行分类预测，得到经颈静脉肝内门体分流术后肝性脑病发生概率。
根据本发明一些实施例，所述分别对所述肝脏部位三维模型和所述脾脏三维模型进行形态学分析，得到第一肝脏形态特征和第一脾脏形态特征，包括以下步骤：
分别对所述肝脏部位三维模型和所述脾脏三维模型进行形态学的体积特征分析，得到原始肝脏体积、原始脾脏体积和肝脏阳性凹陷体积；
分别对所述肝脏部位三维模型和所述脾脏三维模型进行形态学的CT值特征分析，得到第一肝脏CT值特征和第一脾脏CT值特征，其中，所述第一肝脏CT值特征包括肝脏平均CT值、肝脏中位CT值和肝脏CT值四分位间距，所述第一脾脏CT值特征包括脾脏平均CT值、脾脏中位CT值和脾脏CT值四分位间距；
根据所述原始肝脏体积、所述肝脏阳性凹陷体积和所述第一肝脏CT值特征得到第一肝脏形态特征；
根据所述原始脾脏体积和所述第一脾脏CT值特征得到第一脾脏形态特征。
根据本发明一些实施例，通过门静脉几何特征对所述第一肝脏形态特征中的原始肝脏体积进行标准化，得到第二肝脏形态特征，包括以下步骤：
根据所述肝脏部位三维模型确定门静脉几何特征，其中，所述门静脉几何特征包括门静脉最大直径；
将所述第一肝脏形态特征中的原始肝脏体积除以所述门静脉最大直径，得到标准化肝脏体积；
将所述原始肝脏体积、所述标准化肝脏体积、所述肝脏阳性凹陷体积和所述第一肝脏CT值特征组合得到第二肝脏形态特征。
根据本发明一些实施例，所述通过脾静脉几何特征对所述第一脾脏形态特征中的原始脾脏体积进行标准化，得到第二脾脏形态特征，包括以下步骤：
根据所述脾脏三维模型确定脾静脉几何特征，其中，所述门静脉几何特征包括脾静脉最大直径；
将所述第一脾脏形态特征中的原始脾脏体积除以所述脾静脉最大直径，得到标准化脾脏体积；
将所述原始脾脏体积、所述标准化脾脏体积和所述第一脾脏CT值特征组合得到第二脾脏形态特征。
根据本发明一些实施例，所述根据所述第二肝脏形态特征和所述第二脾脏形态特征得到肝脾形态学特征，包括以下步骤：
根据所述第二肝脏形态特征中的原始肝脏体积、肝脏阳性凹陷体积以及所述第二脾脏形态特征中的原始脾脏体积得到体积类型特征，其中，所述体积类型特征包括标准化肝脏体积、标准化脾脏体积、肝脏阳性凹陷体积比原始肝脏体积、原始肝脏体积比原始脾脏体积；
根据所述第二肝脏形态特征中的第一肝脏CT值特征以及所述第二脾脏形态特征中的第一脾脏CT值特征得到CT值类型特征，其中，所述CT值类型特征包括肝脏平均CT值比脾脏平均CT值、肝脏中位CT值比脾脏中位CT值、肝脏CT值四分位间距比脾脏CT值四分位间距、肝脏CT值最小变化率、肝脏CT值最大变化率、脾脏CT值最小变化率和脾脏CT值最大变化率；
根据所述体积类型特征和所述CT值类型特征确定肝脾形态学特征。
根据本发明一些实施例，所述肝脏阳性凹陷体积通过以下步骤得到：
识别所述肝脏部位三维模型的肝脏表面的曲线，并对所述曲线上的坐标点进行稀疏采样；
对稀疏采样的坐标点进行样条插值以对肝脏表面进行平滑处理，得到平滑处理后的肝脏部位三维模型；
根据平滑处理前后的肝脏体积差异确定肝脏阳性凹陷体积。
根据本发明一些实施例，所述通过深度神经网络对所述肝脾部位三维扫描模型进行分割操作，得到肝脏部位三维模型和脾脏三维模型，包括以下步骤：
通过nnU-Net神经网络对肝脾部位三维扫描模型进行分割操作，得到肝脏部位三维模型和脾脏三维模型。
根据本发明一些实施例，所述获取肝脾部位三维扫描模型包括以下步骤：
获取多张肝脾部位的二维切片图像；
根据多张所述二维切片图像进行三维图像重构得到肝脾部位三维扫描模型。
另一方面，本发明实施例还提供一种经颈静脉肝内门体分流术后肝性脑病预测系统，包括：
第一模块，用于获取肝脾部位三维扫描模型；
第二模块，用于通过深度神经网络对所述肝脾部位三维扫描模型进行分割操作，得到肝脏部位三维模型和脾脏三维模型；
第三模块，用于分别对所述肝脏部位三维模型和所述脾脏三维模型进行形态学分析，得到第一肝脏形态特征和第一脾脏形态特征；
第四模块，用于通过门静脉几何特征对所述第一肝脏形态特征中的原始肝脏体积进行标准化，得到第二肝脏形态特征；
第五模块，用于通过脾静脉几何特征对所述第一脾脏形态特征中的原始脾脏体积进行标准化，得到第二脾脏形态特征；
第六模块，用于根据所述第二肝脏形态特征和所述第二脾脏形态特征得到肝脾形态学特征；
第七模块，用于对所述肝脾部位三维扫描模型进行高维影像组学特征分析，得到肝脾高维影像组学特征；
第八模块，用于根据所述肝脾形态学特征和所述肝脾高维影像组学特征进行分类预测，得到经颈静脉肝内门体分流术后肝性脑病发生概率。
另一方面，本发明实施例还提供一种经颈静脉肝内门体分流术后肝性脑病预测系统，包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得至少一个所述处理器实现如前面所述的经颈静脉肝内门体分流术后肝性脑病预测方法。
本发明上述的技术方案至少具有如下优点或有益效果之一：获取肝脾部位三维扫描模型，通过深度神经网络对肝脾部位三维扫描模型进行分割操作得到肝脏部位三维模型和脾脏三维模型，分别对肝脏部位三维模型和脾脏三维模型进行形态学分析得到第一肝脏形态特征和第一脾脏形态特征，进一步通过门静脉几何特征对第一肝脏形态特征中的原始肝脏体积进行标准化得到第二肝脏形态特征，通过门静脉几何特征对肝脏体积进行标准化能够减少个体差异误差以提高后续预测准确性，通过脾静脉几何特征对第一脾脏形态特征中的原始脾脏体积进行标准化得到第二脾脏形态特征，然后根据第二肝脏形态特征和第二脾脏形态特征得到肝脾形态学特征，对肝脾部位三维扫描模型进行高维影像组学特征分析得到肝脾高维影像组学特征，结合脾形态学特征和肝脾高维影像组学特征进行分类预测提高经颈静脉肝内门体分流术后肝性脑病发生概率预测准确性。
附图说明
图1是本发明实施例提供的经颈静脉肝内门体分流术后肝性脑病预测方法流程图；
图2是本发明实施例提供的经颈静脉肝内门体分流术后肝性脑病预测系统实体结构示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或者类似的标号表示相同或者类似的原件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
在本发明的描述中，需要理解的是，涉及到方位描述，例如上、下、左、右等指示的方位或者位置关系为基于附图所示的方位或者位置关系，仅是为了便于描述本发明和简化描述，而不是指示或者暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
本发明的描述中，如果有描述到第一、第二等只是用于区分技术特征为目的，而不能理解为指示或者暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
对本申请实施例进行进一步详细说明之前，对本申请实施例中涉及的名词和术语进行说明，本申请实施例中涉及的名词和术语适用于如下的解释。
CT(Computed Tomography，电子计算机断层扫描)，是利用精确准直的X线束、γ射线、超声波等，与灵敏度极高的探测器一同围绕人体的某一部位作一个接一个的断面扫描，具有扫描时间快，图像清晰等特点，可用于多种疾病的检查；根据所采用的射线不同可分为：X射线CT(X-CT)以及γ射线CT(γ-CT)等。
MRI(Magnetic Resonance Imaging)，MRI扫描使用磁场和无害的无线电波来生成高分辨率的图像，对软组织具有很高的分辨率，常用于检测脑部疾病、关节损伤等。
超声波(Ultrasound)，超声波图像使用高频声波来生成图像，常用于观察胎儿、检测心脏病、肝脏病变等。
本发明实施例提供了一种经颈静脉肝内门体分流术后肝性脑病预测方法，本发明实施例中的经颈静脉肝内门体分流术后肝性脑病预测方法，可应用于终端中，也可应用于服务器中，还可以是运行于终端或服务器中的软件等。终端可以是平板电脑、笔记本电脑、台式计算机等，但并不局限于此。服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1，本发明实施例的经颈静脉肝内门体分流术后肝性脑病预测方法包括但不限于步骤S110至步骤S180。
步骤S110，获取肝脾部位三维扫描模型。在本实施例中，肝脾部位三维扫描模型可以通过CT、MRI或者超声波进行三维立体扫描获得，本发明实施例不作具体限制。
步骤S120，通过深度神经网络对肝脾部位三维扫描模型进行分割操作，得到肝脏部位三维模型和脾脏三维模型。在本实施例中，深度神经网络可以是U-Net架构的神经网络，也可以是nnU-Net神经网络。通过专家对大量的肝脾部位三维扫描模型进行标记来构建样本数据，将样本数据输入深度神经网络以训练深度神经网络学习肝脏部位的图像特征和脾脏部分的图像特征。在应用过程中，通过训练好的深度神经网络对患者的肝脾部位三维扫描模型进行分割操作，得到肝脏部位三维模型和脾脏三维模型。
步骤S130，分别对肝脏部位三维模型和脾脏三维模型进行形态学分析，得到第一肝脏形态特征和第一脾脏形态特征。在本实施例中，通过形态学分析能够对肝脏部位三维模型的肝脏形态、结构和组成以及对脾脏三维模型的脾脏形态、结构和组成进行观察和描述。形态学分析包括但不限于分析肝脏和脾脏的几何特征、体积特征和CT值特征等。
步骤S140，通过门静脉几何特征对第一肝脏形态特征中的原始肝脏体积进行标准化，得到第二肝脏形态特征。在本实施例中，门静脉是人体内的一条重要血管，也是肝脏的主要血液供应途径之一，在肝脏内门静脉将血液分支为小分支，并提供给肝脏细胞以养分和氧气，同时肝脏也通过门静脉排除和代谢体内的毒素和废物。肝脏部位三维模型中除了包括肝脏主体特征，还包括门静脉特征。肝脏体积是预测肝性脑病发生的重要指标，但是直接根据肝脏部位三维模型分析得到肝脏体积来进行预测的方式，可能会由于个体差异而不能准确反映患者的肝脏体积变化，从而导致肝性脑病预测准确性不高。基于此，本实施例通过门静脉几何特征对第一肝脏形态特征中的原始肝脏体积进行标准化，能够减少个体差异，通过门静脉几何特征来准确反映患者的肝脏体积变化，进而提高肝性脑病预测的准确性。
步骤S150，通过脾静脉几何特征对第一脾脏形态特征中的原始脾脏体积进行标准化，得到第二脾脏形态特征。在本实施例中，脾静脉是人体内的一条静脉血管，起源于脾脏，负责将脾脏内的血液排出。脾静脉将富含氧气和营养物质的血液从脾脏内部收集起来并输送到门静脉，与门静脉汇合后形成肝门静脉。脾脏部位三维扫描图像中除了包括脾脏主体特征，还包括脾静脉特征。脾脏体积是同样是预测肝性脑病发生的重要指标，但是直接根据脾脏部位三维扫描图像分析得到脾脏体积来进行预测的方式，可能会由于个体差异而不能准确反映患者的脾脏体积变化，从而导致肝性脑病预测准确性不高。基于此，本实施例通过脾静脉几何特征对第一脾脏形态特征中的原始脾脏体积进行标准化，能够减少个体差异，通过脾静脉几何特征来准确反映患者的脾脏体积变化，进而提高肝性脑病预测的准确性。
步骤S160，根据第二肝脏形态特征和第二脾脏形态特征得到肝脾形态学特征。在本实施例中，将前述的第二肝脏形态特征和第二脾脏形态特征组合得到肝脾形态学特征，从而方便后续进行肝性脑病预测。
步骤S170，对肝脾部位三维扫描模型进行高维影像组学特征分析，得到肝脾高维影像组学特征。在本实施例中，高维影像组学特征分析是一种利用医学影像数据进行定量分析的方法，通过提取和分析医学影像中的高维特征，从而获取有关疾病或生物过程的定量信息。肝脾高维影像组学特征包括肝脾部位的灰度共生矩阵特征、灰度区域大小矩阵特征、灰度行程矩阵特征、邻域灰度差矩阵特征和灰度相关矩阵等。
步骤S180，根据肝脾形态学特征和肝脾高维影像组学特征进行分类预测，得到经颈静脉肝内门体分流术后肝性脑病发生概率。在本实施例中，将肝脾形态学特征和肝脾高维影像组学特征输入分类器进行分类预测得到经颈静脉肝内门体分流术后肝性脑病发生概率。进一步地，还可以将患者的临床记录数据一起输入到分类器进行分类预测以提高肝性脑病发生概率预测的可靠性。分类器可以基于逻辑回归、决策树、随机森林、支持向量机、K近邻、朴素贝叶斯、神经网络等算法构建，本发明实施例不作具体限制。
根据本发明一些实施例，步骤S130中，分别对肝脏部位三维模型和脾脏三维模型进行形态学分析，得到第一肝脏形态特征和第一脾脏形态特征这一步骤，包括但不限于以下步骤：
步骤S210，分别对肝脏部位三维模型和脾脏三维模型进行形态学的体积特征分析，得到原始肝脏体积、原始脾脏体积和肝脏阳性凹陷体积；
步骤S220，分别对肝脏部位三维模型和脾脏三维模型进行形态学的CT值特征分析，得到第一肝脏CT值特征和第一脾脏CT值特征，其中，第一肝脏CT值特征包括肝脏平均CT值、肝脏中位CT值和肝脏CT值四分位间距，第一脾脏CT值特征包括脾脏平均CT值、脾脏中位CT值和脾脏CT值四分位间距；
步骤S230，根据原始肝脏体积、肝脏阳性凹陷体积和第一肝脏CT值特征得到第一肝脏形态特征；
步骤S240，根据原始脾脏体积和第一脾脏CT值特征得到第一脾脏形态特征。
在本实施例中，对肝脏部位三维模型进行形态学的体积特征分析得到原始肝脏体积和肝脏阳性凹陷体积，对肝脏部位三维模型进行形态学的CT值特征分析得到第一肝脏CT值特征，其中，第一肝脏CT值特征包括肝脏平均CT值、肝脏中位CT值和肝脏CT值四分位间距，将原始肝脏体积、肝脏阳性凹陷体积和第一肝脏CT值特征组合得到第一肝脏形态特征。
对脾脏三维模型进行形态学的体积特征分析得到原始脾脏体积，对脾脏三维模型进行形态学的CT值特征分析得到第一脾脏CT值特征，其中，第一脾脏CT值特征包括脾脏平均CT值、脾脏中位CT值和脾脏CT值四分位间距，将原始脾脏体积和第一脾脏CT值特征组合得到第一脾脏形态特征。
根据本发明一些实施例，步骤S140中，通过门静脉几何特征对第一肝脏形态特征中的原始肝脏体积进行标准化，得到第二肝脏形态特征这一步骤，包括但不限于以下步骤：
步骤S310，根据肝脏部位三维模型确定门静脉几何特征，其中，门静脉几何特征包括门静脉最大直径；
步骤S320，将第一肝脏形态特征中的原始肝脏体积除以门静脉最大直径，得到标准化肝脏体积；
步骤S330，将原始肝脏体积、标准化肝脏体积、肝脏阳性凹陷体积和第一肝脏CT值特征组合得到第二肝脏形态特征。
在本实施例中，原始肝脏体积比门静脉最大直径能够反映患者的肝脏体积变化，减少个体差异，进而提高肝性脑病预测的准确性。将原始肝脏体积、标准化肝脏体积、肝脏阳性凹陷体积和第一肝脏CT值特征组合得到第二肝脏形态特征。
根据本发明一些实施例，步骤S150中，通过脾静脉几何特征对第一脾脏形态特征中的原始脾脏体积进行标准化，得到第二脾脏形态特征这一步骤，包括但不限于以下步骤：
步骤S410，根据脾脏三维模型确定脾静脉几何特征，其中，门静脉几何特征包括脾静脉最大直径；
步骤S420，将第一脾脏形态特征中的原始脾脏体积除以脾静脉最大直径，得到标准化脾脏体积；
步骤S430，将根据原始脾脏体积、标准化脾脏体积和第一脾脏CT值特征组合得到第二脾脏形态特征。
在本实施例中，原始脾脏体积比门静脉最大直径能够反映患者的脾脏体积变化，减少个体差异，进而提高肝性脑病预测的准确性。将原始脾脏体积、标准化脾脏体积和第一脾脏CT值特征组合得到第二脾脏形态特征。
根据本发明一些实施例，步骤S160中，根据第二肝脏形态特征和第二脾脏形态特征得到肝脾形态学特征这一步骤，包括但不限于以下步骤：
步骤S510，根据第二肝脏形态特征中的原始肝脏体积、肝脏阳性凹陷体积以及第二脾脏形态特征中的原始脾脏体积得到体积类型特征，其中，体积类型特征包括标准化肝脏体积、标准化脾脏体积、肝脏阳性凹陷体积比原始肝脏体积、原始肝脏体积比原始脾脏体积；
步骤S520，根据第二肝脏形态特征中的第一肝脏CT值特征以及第二脾脏形态特征中的第一脾脏CT值特征得到CT值类型特征，其中，CT值类型特征包括肝脏平均CT值比脾脏平均CT值、肝脏中位CT值比脾脏中位CT值、肝脏CT值四分位间距比脾脏CT值四分位间距、肝脏CT值最小变化率、肝脏CT值最大变化率、脾脏CT值最小变化率和脾脏CT值最大变化率；
步骤S530，根据体积类型特征和CT值类型特征确定肝脾形态学特征。
在本实施例中，肝脾形态学特征包括体积类型特征和CT值类型特征，体积类型特征包括标准化肝脏体积、标准化脾脏体积、肝脏阳性凹陷体积比原始肝脏体积、原始肝脏体积比原始脾脏体积，CT值类型特征包括CT值类型特征包括肝脏平均CT值比脾脏平均CT值、肝脏中位CT值比脾脏中位CT值、肝脏CT值四分位间距比脾脏CT值四分位间距、肝脏CT值最小变化率、肝脏CT值最大变化率、脾脏CT值最小变化率和脾脏CT值最大变化率。
肝脏CT值最小变化率的计算公式为(P75-P25)/P25，肝脏CT值最大变化率的计算公式为(P75-P25)/P75，其中，P75为肝脏CT值四分位间距的第三个四分位数，P25为肝脏CT值四分位间距的第一个四分位数。
脾脏CT值最小变化率的计算公式为(P75-P25)/P25，脾脏CT值最大变化率的计算公式为(P75-P25)/P75，其中，P75为脾脏CT值四分位间距的第三个四分位数，P25为脾脏CT值四分位间距的第一个四分位数。
根据本发明一些实施例，步骤S330中的肝脏阳性凹陷体积通过以下步骤得到：
步骤S610，识别肝脏部位三维模型的肝脏表面的曲线，并对曲线上的坐标点进行稀疏采样；
步骤S620，对稀疏采样的坐标点进行样条插值以对肝脏表面进行平滑处理，得到平滑处理后的肝脏部位三维模型；
步骤S630，根据平滑处理前后的肝脏体积差异确定肝脏阳性凹陷体积。
根据本发明一些实施例，步骤S120中，通过深度神经网络对肝脾部位三维扫描模型进行分割操作，得到肝脏部位三维模型和脾脏三维模型这一步骤，包括但不限于以下步骤：
步骤S710，通过nnU-Net神经网络对肝脾部位三维扫描模型进行分割操作，得到肝脏部位三维模型和脾脏三维模型。
在本实施例中，nnU-Net是一个神经网络架构，可以用于医学图像分割任务。nnU-Net是基于U-Net的改进版本，结合了深度学习和卷积神经网络的优势。U-Net是一种常用于图像分割的卷积神经网络结构，由于其出色的性能和可扩展性而被广泛采用。nnU-Net在U-Net的基础上进行改进，以更好地适应医学图像分割任务。nnU-Net在医学图像分割任务中表现出色，具有较高的准确性和鲁棒性，可以广泛应用于诸如脑部、肝脏、心脏等医学图像的分割。nnU-Net具有以下特点：
1、引入了一个多尺度分支(multi-scale branch)模块，通过同时处理不同尺度的图像输入，提高了分割准确度。
2、使用了更大的感受野(receptive field)来捕捉更多的上下文信息，帮助网络更好地理解图像。
3、通过数据增强和集成学习等技术，进一步提高了模型的鲁棒性和泛化能力。
4、在训练过程中，使用了Dice系数作为损失函数，用于衡量预测结果与真实标签之间的相似度。
根据本发明一些实施例，步骤S110中，获取肝脾部位三维扫描模型包括但不限于以下步骤：
步骤S810，获取多张肝脾部位的二维切片图像；
步骤S820，根据多张二维切片图像进行三维图像重构得到肝脾部位三维扫描模型。
在本实施例中，通过CT、MRI或者超声波对患者进行肝脾部位进行多角度扫描得到多张肝脾部位的二维切片图像，利用扫描得到的所有二维切片图像进行三维图像重构得到肝脾部位三维模型。进一步地，将肝脾部位三维模型进行可视化显示，专家可以通过肝脾部位三维模型进行经验判断。本实施例中通过扫描得到的所有二维切片图像进行三维图像重构，通过肝脾部位三维扫描模型进行分析预测，能够提高肝性脑病预测的准确性。
本发明实施例还提供一种经颈静脉肝内门体分流术后肝性脑病预测系统，包括：
第一模块，用于获取肝脾部位三维扫描模型；
第二模块，用于通过深度神经网络对肝脾部位三维扫描模型进行分割操作，得到肝脏部位三维模型和脾脏三维模型；
第三模块，用于分别对肝脏部位三维模型和脾脏三维模型进行形态学分析，得到第一肝脏形态特征和第一脾脏形态特征；
第四模块，用于通过门静脉几何特征对第一肝脏形态特征中的原始肝脏体积进行标准化，得到第二肝脏形态特征；
第五模块，用于通过脾静脉几何特征对第一脾脏形态特征中的原始脾脏体积进行标准化，得到第二脾脏形态特征；
第六模块，用于根据第二肝脏形态特征和第二脾脏形态特征得到肝脾形态学特征；
第七模块，用于对肝脾部位三维扫描模型进行高维影像组学特征分析，得到肝脾高维影像组学特征；
第八模块，用于根据肝脾形态学特征和肝脾高维影像组学特征进行分类预测，得到经颈静脉肝内门体分流术后肝性脑病发生概率。
可以理解的是，上述经颈静脉肝内门体分流术后肝性脑病预测方法实施例中的内容均适用于本系统实施例中，本系统实施例所具体实现的功能与上述经颈静脉肝内门体分流术后肝性脑病预测方法实施例相同，并且达到的有益效果与上述点经颈静脉肝内门体分流术后肝性脑病预测方法实施例所达到的有益效果也相同。
参照图2，图2是本发明一个实施例提供的经颈静脉肝内门体分流术后肝性脑病预测系统的示意图。本发明实施例的经颈静脉肝内门体分流术后肝性脑病预测系统包括一个或多个控制处理器和存储器，图2中以一个控制处理器及一个存储器为例。
控制处理器和存储器可以通过总线或者其他方式连接，图2中以通过总线连接为例。
存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于控制处理器远程设置的存储器，这些远程存储器可以通过网络连接至该经颈静脉肝内门体分流术后肝性脑病预测系统。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
本领域技术人员可以理解，图2中示出的装置结构并不构成对经颈静脉肝内门体分流术后肝性脑病预测系统的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
实现上述实施例中应用于经颈静脉肝内门体分流术后肝性脑病预测系统的经颈静脉肝内门体分流术后肝性脑病预测方法所需的非暂态软件程序以及指令存储在存储器中，当被控制处理器执行时，执行上述实施例中应用于经颈静脉肝内门体分流术后肝性脑病预测系统的经颈静脉肝内门体分流术后肝性脑病预测方法。
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。
上面结合附图对本发明实施例作了详细说明，但是本发明不限于上述实施例，在所属技术领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。
Claims (10)
1.一种经颈静脉肝内门体分流术后肝性脑病预测方法，其特征在于，包括以下步骤：
获取肝脾部位三维扫描模型；
通过深度神经网络对所述肝脾部位三维扫描模型进行分割操作，得到肝脏部位三维模型和脾脏三维模型；
分别对所述肝脏部位三维模型和所述脾脏三维模型进行形态学分析，得到第一肝脏形态特征和第一脾脏形态特征；
通过门静脉几何特征对所述第一肝脏形态特征中的原始肝脏体积进行标准化，得到第二肝脏形态特征；
通过脾静脉几何特征对所述第一脾脏形态特征中的原始脾脏体积进行标准化，得到第二脾脏形态特征；
根据所述第二肝脏形态特征和所述第二脾脏形态特征得到肝脾形态学特征；
对所述肝脾部位三维扫描模型进行高维影像组学特征分析，得到肝脾高维影像组学特征；
根据所述肝脾形态学特征和所述肝脾高维影像组学特征进行分类预测，得到经颈静脉肝内门体分流术后肝性脑病发生概率。
2.根据权利要求1所述的经颈静脉肝内门体分流术后肝性脑病预测方法，其特征在于，所述分别对所述肝脏部位三维模型和所述脾脏三维模型进行形态学分析，得到第一肝脏形态特征和第一脾脏形态特征，包括以下步骤：
分别对所述肝脏部位三维模型和所述脾脏三维模型进行形态学的体积特征分析，得到原始肝脏体积、原始脾脏体积和肝脏阳性凹陷体积；
分别对所述肝脏部位三维模型和所述脾脏三维模型进行形态学的CT值特征分析，得到第一肝脏CT值特征和第一脾脏CT值特征，其中，所述第一肝脏CT值特征包括肝脏平均CT值、肝脏中位CT值和肝脏CT值四分位间距，所述第一脾脏CT值特征包括脾脏平均CT值、脾脏中位CT值和脾脏CT值四分位间距；
根据所述原始肝脏体积、所述肝脏阳性凹陷体积和所述第一肝脏CT值特征得到第一肝脏形态特征；
根据所述原始脾脏体积和所述第一脾脏CT值特征得到第一脾脏形态特征。
3.根据权利要求2所述的经颈静脉肝内门体分流术后肝性脑病预测方法，其特征在于，通过门静脉几何特征对所述第一肝脏形态特征中的原始肝脏体积进行标准化，得到第二肝脏形态特征，包括以下步骤：
根据所述肝脏部位三维模型确定门静脉几何特征，其中，所述门静脉几何特征包括门静脉最大直径；
将所述第一肝脏形态特征中的原始肝脏体积除以所述门静脉最大直径，得到标准化肝脏体积；
将所述原始肝脏体积、所述标准化肝脏体积、所述肝脏阳性凹陷体积和所述第一肝脏CT值特征组合得到第二肝脏形态特征。
4.根据权利要求2所述的经颈静脉肝内门体分流术后肝性脑病预测方法，其特征在于，所述通过脾静脉几何特征对所述第一脾脏形态特征中的原始脾脏体积进行标准化，得到第二脾脏形态特征，包括以下步骤：
根据所述脾脏三维模型确定脾静脉几何特征，其中，所述门静脉几何特征包括脾静脉最大直径；
将所述第一脾脏形态特征中的原始脾脏体积除以所述脾静脉最大直径，得到标准化脾脏体积；
将所述原始脾脏体积、所述标准化脾脏体积和所述第一脾脏CT值特征组合得到第二脾脏形态特征。
5.根据权利要求4所述的经颈静脉肝内门体分流术后肝性脑病预测方法，其特征在于，所述根据所述第二肝脏形态特征和所述第二脾脏形态特征得到肝脾形态学特征，包括以下步骤：
根据所述第二肝脏形态特征中的原始肝脏体积、肝脏阳性凹陷体积以及所述第二脾脏形态特征中的原始脾脏体积得到体积类型特征，其中，所述体积类型特征包括标准化肝脏体积、标准化脾脏体积、肝脏阳性凹陷体积比原始肝脏体积、原始肝脏体积比原始脾脏体积；
根据所述第二肝脏形态特征中的第一肝脏CT值特征以及所述第二脾脏形态特征中的第一脾脏CT值特征得到CT值类型特征，其中，所述CT值类型特征包括肝脏平均CT值比脾脏平均CT值、肝脏中位CT值比脾脏中位CT值、肝脏CT值四分位间距比脾脏CT值四分位间距、肝脏CT值最小变化率、肝脏CT值最大变化率、脾脏CT值最小变化率和脾脏CT值最大变化率；
根据所述体积类型特征和所述CT值类型特征确定肝脾形态学特征。
6.根据权利要求3所述的经颈静脉肝内门体分流术后肝性脑病预测方法，其特征在于，所述肝脏阳性凹陷体积通过以下步骤得到：
识别所述肝脏部位三维模型的肝脏表面的曲线，并对所述曲线上的坐标点进行稀疏采样；
对稀疏采样的坐标点进行样条插值以对肝脏表面进行平滑处理，得到平滑处理后的肝脏部位三维模型；
根据平滑处理前后的肝脏体积差异确定肝脏阳性凹陷体积。
7.根据权利要求1所述的经颈静脉肝内门体分流术后肝性脑病预测方法，其特征在于，所述通过深度神经网络对所述肝脾部位三维扫描模型进行分割操作，得到肝脏部位三维模型和脾脏三维模型，包括以下步骤：
通过nnU-Net神经网络对肝脾部位三维扫描模型进行分割操作，得到肝脏部位三维模型和脾脏三维模型。
8.根据权利要求1所述的经颈静脉肝内门体分流术后肝性脑病预测方法，其特征在于，所述获取肝脾部位三维扫描模型包括以下步骤：
获取多张肝脾部位的二维切片图像；
根据多张所述二维切片图像进行三维图像重构得到肝脾部位三维扫描模型。
9.一种经颈静脉肝内门体分流术后肝性脑病预测系统，其特征在于，包括：
第一模块，用于获取肝脾部位三维扫描模型；
第二模块，用于通过深度神经网络对所述肝脾部位三维扫描模型进行分割操作，得到肝脏部位三维模型和脾脏三维模型；
第三模块，用于分别对所述肝脏部位三维模型和所述脾脏三维模型进行形态学分析，得到第一肝脏形态特征和第一脾脏形态特征；
第四模块，用于通过门静脉几何特征对所述第一肝脏形态特征中的原始肝脏体积进行标准化，得到第二肝脏形态特征；
第五模块，用于通过脾静脉几何特征对所述第一脾脏形态特征中的原始脾脏体积进行标准化，得到第二脾脏形态特征；
第六模块，用于根据所述第二肝脏形态特征和所述第二脾脏形态特征得到肝脾形态学特征；
第七模块，用于对所述肝脾部位三维扫描模型进行高维影像组学特征分析，得到肝脾高维影像组学特征；
第八模块，用于根据所述肝脾形态学特征和所述肝脾高维影像组学特征进行分类预测，得到经颈静脉肝内门体分流术后肝性脑病发生概率。
10.一种经颈静脉肝内门体分流术后肝性脑病预测系统，其特征在于，包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得至少一个所述处理器实现如权利要求1至8任一项所述的经颈静脉肝内门体分流术后肝性脑病预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310844326.1A CN117011242B (zh) | 2023-07-10 | 2023-07-10 | 经颈静脉肝内门体分流术后肝性脑病预测方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310844326.1A CN117011242B (zh) | 2023-07-10 | 2023-07-10 | 经颈静脉肝内门体分流术后肝性脑病预测方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117011242A true CN117011242A (zh) | 2023-11-07 |
| CN117011242B CN117011242B (zh) | 2024-05-14 |
Family
ID=88573708
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310844326.1A Active CN117011242B (zh) | 2023-07-10 | 2023-07-10 | 经颈静脉肝内门体分流术后肝性脑病预测方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117011242B (zh) |
Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120189176A1 (en) * | 2010-11-26 | 2012-07-26 | Giger Maryellen L | Method, system, software and medium for advanced intelligent image analysis and display of medical images and information |
| WO2014011925A2 (en) * | 2012-07-11 | 2014-01-16 | University Of Mississippi Medical Center | Method for the detection and staging of liver fibrosis from image acquired data |
| RU2665118C1 (ru) * | 2017-12-04 | 2018-08-28 | Элеонора Владимировна Светова | Способ определения риска развития гиперкоагуляции у больных с портальной гипертензией цирротического генеза после проведения портосистемного шунтирования |
| CN111178449A (zh) * | 2019-12-31 | 2020-05-19 | 浙江大学 | 结合计算机视觉特征和影像组学特征的肝癌图像分类方法和装置 |
| CN111599464A (zh) * | 2020-05-13 | 2020-08-28 | 吉林大学第一医院 | 基于直肠癌影像组学研究的新型多模态融合辅助诊断方法 |
| WO2021089741A1 (en) * | 2019-11-06 | 2021-05-14 | Median Technologies | Automated classification of severity of liver disease from non invasive radiology imaging |
| CN112819765A (zh) * | 2021-01-25 | 2021-05-18 | 西南交通大学 | 一种肝脏图像处理方法 |
| CN112907577A (zh) * | 2021-03-25 | 2021-06-04 | 上海志御软件信息有限公司 | 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 |
| US20210209766A1 (en) * | 2018-09-05 | 2021-07-08 | Siliconsapiens Corp. | Method and system for automatically segmenting blood vessel in medical image by using machine learning and image processing algorithm |
| CN113780274A (zh) * | 2021-08-25 | 2021-12-10 | 彭杰 | 影像组学联合深度学习预测肝癌复发的方法、系统及介质 |
| CN114121227A (zh) * | 2021-02-24 | 2022-03-01 | 首都医科大学附属北京佑安医院 | 一种肝硬化患者上腹部增强ct影像组学特征处理方法及其应用 |
| CN115736862A (zh) * | 2022-10-12 | 2023-03-07 | 上海市同济医院 | 基于vPPG的肝硬化EVH的预测系统 |
| US20230072400A1 (en) * | 2021-09-07 | 2023-03-09 | Arizona Board Of Regents On Behalf Of Arizona State University | SYSTEMS, METHODS, AND APPARATUSES FOR GENERATING PRE-TRAINED MODELS FOR nnU-Net THROUGH THE USE OF IMPROVED TRANSFER LEARNING TECHNIQUES |
| CN116189894A (zh) * | 2023-04-06 | 2023-05-30 | 浙江大学 | 基于特征分离重组的肝移植排异反应预测装置 |
| CN116363115A (zh) * | 2023-04-07 | 2023-06-30 | 祁小龙 | 一种肝硬化门静脉高压诊断方法、装置、设备及介质 |
-
2023
- 2023-07-10 CN CN202310844326.1A patent/CN117011242B/zh active Active
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120189176A1 (en) * | 2010-11-26 | 2012-07-26 | Giger Maryellen L | Method, system, software and medium for advanced intelligent image analysis and display of medical images and information |
| WO2014011925A2 (en) * | 2012-07-11 | 2014-01-16 | University Of Mississippi Medical Center | Method for the detection and staging of liver fibrosis from image acquired data |
| RU2665118C1 (ru) * | 2017-12-04 | 2018-08-28 | Элеонора Владимировна Светова | Способ определения риска развития гиперкоагуляции у больных с портальной гипертензией цирротического генеза после проведения портосистемного шунтирования |
| US20210209766A1 (en) * | 2018-09-05 | 2021-07-08 | Siliconsapiens Corp. | Method and system for automatically segmenting blood vessel in medical image by using machine learning and image processing algorithm |
| WO2021089741A1 (en) * | 2019-11-06 | 2021-05-14 | Median Technologies | Automated classification of severity of liver disease from non invasive radiology imaging |
| CN111178449A (zh) * | 2019-12-31 | 2020-05-19 | 浙江大学 | 结合计算机视觉特征和影像组学特征的肝癌图像分类方法和装置 |
| CN111599464A (zh) * | 2020-05-13 | 2020-08-28 | 吉林大学第一医院 | 基于直肠癌影像组学研究的新型多模态融合辅助诊断方法 |
| CN112819765A (zh) * | 2021-01-25 | 2021-05-18 | 西南交通大学 | 一种肝脏图像处理方法 |
| CN114121227A (zh) * | 2021-02-24 | 2022-03-01 | 首都医科大学附属北京佑安医院 | 一种肝硬化患者上腹部增强ct影像组学特征处理方法及其应用 |
| CN112907577A (zh) * | 2021-03-25 | 2021-06-04 | 上海志御软件信息有限公司 | 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 |
| CN113780274A (zh) * | 2021-08-25 | 2021-12-10 | 彭杰 | 影像组学联合深度学习预测肝癌复发的方法、系统及介质 |
| US20230072400A1 (en) * | 2021-09-07 | 2023-03-09 | Arizona Board Of Regents On Behalf Of Arizona State University | SYSTEMS, METHODS, AND APPARATUSES FOR GENERATING PRE-TRAINED MODELS FOR nnU-Net THROUGH THE USE OF IMPROVED TRANSFER LEARNING TECHNIQUES |
| CN115736862A (zh) * | 2022-10-12 | 2023-03-07 | 上海市同济医院 | 基于vPPG的肝硬化EVH的预测系统 |
| CN116189894A (zh) * | 2023-04-06 | 2023-05-30 | 浙江大学 | 基于特征分离重组的肝移植排异反应预测装置 |
| CN116363115A (zh) * | 2023-04-07 | 2023-06-30 | 祁小龙 | 一种肝硬化门静脉高压诊断方法、装置、设备及介质 |
Non-Patent Citations (5)
| Title |
|---|
| FABIAN ISENSEE, ET.AL: "nnU-Net: a self-configuring method for deep learning-based biomedical image segmentation", NATURE METHODS, vol. 18, 28 February 2021 (2021-02-28), pages 203 - 211, XP037359671, DOI: 10.1038/s41592-020-01008-z * |
| JINGWEI WEI, ET.AL: "Radiomics in liver diseases: Current progress and future opportunities", LIVER INTERNATIONAL, vol. 40, 9 June 2020 (2020-06-09), pages 2050 - 2063 * |
| SIRUI FU, ET.AL: "Prediction of overt hepatic encephalopathy after transjugular intrahepatic portosystemic shunt treatment: a cohort study", HEPATOLOGY INTERNATIONAL, vol. 15, 11 May 2021 (2021-05-11), pages 730 - 740, XP037511656, DOI: 10.1007/s12072-021-10188-5 * |
| 傅思睿，陆骊工: "下肢深静脉血栓的诊断与治疗", 当代医学, vol. 18, no. 27, 30 September 2012 (2012-09-30), pages 11 - 13 * |
| 徐向东，等: "MSCT增强扫描期相及VOI的选择在基于影像组学方法预测原发性肝细胞癌微血管侵犯中的价值", 广州医药, vol. 54, no. 5, 20 May 2023 (2023-05-20), pages 36 - 42 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117011242B (zh) | 2024-05-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US9959615B2 (en) | System and method for automatic pulmonary embolism detection | |
| CN107665736B (zh) | 用于生成信息的方法和装置 | |
| CN111080584B (zh) | 医学图像的质控方法、计算机设备和可读存储介质 | |
| Hughes et al. | Deep learning evaluation of biomarkers from echocardiogram videos | |
| Lavdas et al. | Fully automatic, multiorgan segmentation in normal whole body magnetic resonance imaging (MRI), using classification forests (CF s), convolutional neural networks (CNN s), and a multi‐atlas (MA) approach | |
| KR102289277B1 (ko) | 복수의 의료 영상 판독 알고리듬들에 대한 평가 스코어를 생성하는 의료 영상 판독 지원 장치 및 방법 | |
| CN107464231B (zh) | 用于确定医学成像的最佳操作参数的系统和方法 | |
| CN111340827A (zh) | 一种肺部ct影像数据处理分析方法及系统 | |
| CN108846829B (zh) | 病变部位识别装置、计算机装置及可读存储介质 | |
| CN111553892A (zh) | 基于深度学习的肺结节分割计算方法、装置及系统 | |
| Heydarheydari et al. | Auto-segmentation of head and neck tumors in positron emission tomography images using non-local means and morphological frameworks | |
| US11200666B2 (en) | Method for diagnosing, predicting, determining prognosis, monitoring, or staging disease based on vascularization patterns | |
| CN111260636B (zh) | 模型训练方法及设备、图像处理方法及设备以及介质 | |
| CN114972266A (zh) | 基于自注意机制和稳定学习的淋巴瘤超声图像语义分割方法 | |
| Gheorghiță et al. | Improving robustness of automatic cardiac function quantification from cine magnetic resonance imaging using synthetic image data | |
| KR20210054140A (ko) | 내시경 영상에 대한 복수의 의료 영상 판독 알고리듬들을 이용하는 의료 영상 판독 지원 장치 및 방법 | |
| WO2022110525A1 (zh) | 一种癌变区域综合检测装置及方法 | |
| Hareendranathan et al. | Artificial intelligence to automatically assess scan quality in hip ultrasound | |
| CN113935957A (zh) | 医疗图像对比方法、装置、电子设备及存储介质 | |
| Langner et al. | MIMIR: deep regression for automated analysis of UK Biobank MRI Scans | |
| Hu et al. | Automatic placenta abnormality detection using convolutional neural networks on ultrasound texture | |
| CN117011242B (zh) | 经颈静脉肝内门体分流术后肝性脑病预测方法和系统 | |
| Chotzoglou et al. | Learning normal appearance for fetal anomaly screening: Application to the unsupervised detection of Hypoplastic Left Heart Syndrome | |
| CN116228731A (zh) | 一种多对比学习冠状动脉高危斑块检测方法、系统及终端 | |
| CN113450306B (zh) | 提供骨折检测工具的方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |