TW202243653A - 肝臟纖維化之非侵入式超音波檢測裝置 - Google Patents

肝臟纖維化之非侵入式超音波檢測裝置 Download PDF

Info

Publication number
TW202243653A
TW202243653A TW110116979A TW110116979A TW202243653A TW 202243653 A TW202243653 A TW 202243653A TW 110116979 A TW110116979 A TW 110116979A TW 110116979 A TW110116979 A TW 110116979A TW 202243653 A TW202243653 A TW 202243653A
Authority
TW
Taiwan
Prior art keywords
parameter
parameters
liver
homodyned
nakagami
Prior art date
Application number
TW110116979A
Other languages
English (en)
Other versions
TWI777553B (zh
Inventor
崔博翔
戴達英
Original Assignee
長庚大學
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 長庚大學 filed Critical 長庚大學
Priority to TW110116979A priority Critical patent/TWI777553B/zh
Priority to US17/497,281 priority patent/US20220361839A1/en
Application granted granted Critical
Publication of TWI777553B publication Critical patent/TWI777553B/zh
Publication of TW202243653A publication Critical patent/TW202243653A/zh
Priority to US18/228,085 priority patent/US20230380798A1/en

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/5215—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data
    • A61B8/5223—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data for extracting a diagnostic or physiological parameter from medical diagnostic data
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/08—Detecting organic movements or changes, e.g. tumours, cysts, swellings
    • A61B8/0833—Detecting organic movements or changes, e.g. tumours, cysts, swellings involving detecting or locating foreign bodies or organic structures
    • A61B8/085—Detecting organic movements or changes, e.g. tumours, cysts, swellings involving detecting or locating foreign bodies or organic structures for locating body or organic structures, e.g. tumours, calculi, blood vessels, nodules
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/08—Detecting organic movements or changes, e.g. tumours, cysts, swellings
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10132—Ultrasound image
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Medical Informatics (AREA)
  • General Physics & Mathematics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Veterinary Medicine (AREA)
  • Pathology (AREA)
  • Public Health (AREA)
  • Surgery (AREA)
  • Software Systems (AREA)
  • Animal Behavior & Ethology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Vascular Medicine (AREA)
  • Physiology (AREA)
  • Quality & Reliability (AREA)
  • Ultra Sonic Daignosis Equipment (AREA)

Abstract

一種肝臟纖維化之非侵入式超音波檢測裝置及其方法，其方法包括：根據已知肝纖維化程度之複數個已測者之肝臟超音波影像，分別計算出肝臟實質區域中不同統計模型參數數值的個別平均值後，以線性判別分析求得不同統計模型參數之個別權重，得到一判別函數，其中該判別函數是由代表該些統計模型參數的變數各自乘上該個別權重後進行加總所組合而成，其中不同統計模型分別用於辨識肝臟纖維化或脂肪肝；根據一待測者肝臟超音波影像計算出肝臟實質區域中該些統計模型參數數值的個別平均值，代入該判別函數中產生一新參數數值，並與一設定之閥值比較，判斷有無肝臟纖維化。

Description

肝臟纖維化之非侵入式超音波檢測裝置及其方法
本發明係有關於一種肝臟纖維化之非侵入式超音波檢測裝置及其方法，特別是有關於一種判斷顯著脂肪肝病人肝臟纖維化程度之非侵入式超音波檢測裝置及其方法。
肝臟纖維化是常見的肝臟實質病變，成因是肝臟發炎，目前診斷肝臟纖維化的主流技術是超音波彈性影像(ultrasound elastography)，藉由非侵入性的方式測量軟組織的機械性質。以超音波彈性影像來看肝臟纖維化雖然是一個臨床共識，但肝臟發炎反應會讓肝臟的硬度偽性增加，這樣的增加並非肝纖維化造成，因此使用超音波彈性影像來量化肝臟纖維化程度，會存在部分因肝臟發炎反應所產生的誤差。另外，若病人患有脂肪肝，也不利超音波彈性影像的診斷施作。
若要避免超音波測量受到肝臟發炎反應影響，過去研究指出透過超音波散射訊號的統計分析，可以有效降低測量結果對肝臟發炎反應的依賴性。超音波散射訊號的產生，是因為肝臟實質由許多肝細胞與小血管組成，就聲學角度可被視為由許多小於波長的散射子集合而成的模型。當肝臟實質發生纖維化，等同於在肝臟中原有大量分布的散射子外，新增額外的散射子，造成原本肝臟的散射結構發生改變，進而造成超音波散射訊號統計特性的改變。過去有許多方法可以用來描述超音波散射訊號的統計特性，主流方法包括Nakagami統計模型、homodyned-K統計模型、以及訊息理論熵。
然而，在諸多罹患肝臟纖維化的病人中，存在部分病人是因為肥胖與代謝症候群先產生脂肪肝，然後肝臟因為脂肪浸潤而產生發炎以及後續纖維化的發展。面對已經患有脂肪肝的病人，其脂肪浸潤的肝細胞會強勢主導超音波散射訊號的形成，讓過去習知技術的統計分析方法在纖維化的定量分類上失去部分功效，因此要如何發明一個超音波檢測技術，可以來解決患有脂肪肝病人的肝臟纖維化診斷問題，是目前的當務之急。
有鑑於此， 本案一發明提供一種肝臟纖維化之非侵入式超音波檢測裝置，包括：一非侵入式超音波模組，檢測一肝臟並產生一包絡線訊號；一參數數值產生模組，利用一滑動視窗技術，將該包絡線訊號區分為複數個小區塊，並根據各小區塊中的數據分別產生複數個Nakagami參數數值、homodyned K參數數值、以及訊息理論熵參數數值；一參數計算模組，內建有經訓練之一U-net模型，用以辨識一肝臟實質區域，並計算該肝臟實質區域中之該些Nakagami參數數值、homodyned K參數數值、以及訊息理論熵參數數值的個別平均值；以及一分類模組，內含一判別函數，該判別函數由一數據訓練模組提供，且由三個代表Nakagami參數、homodyned K參數以及訊息理論熵參數的變數各自乘上不同權重後進行加總所組合而成，將該參數計算模組所計算出的該Nakagami參數數值平均值、該homodyned K參數數值平均值、以及該訊息理論熵參數數值平均值代入該判別函數中產生一新參數數值，該新參數數值若高於一設定之閥值，則判斷為無纖維化，若低於該設定之閥值，則判斷為有纖維化。
在實施時，該數據訓練模組根據已知肝纖維化程度之複數個已測者個別之該Nakagami參數數值平均值、該homodyned K參數數值平均值、以及該訊息理論熵參數數值平均值，以線性判別分析求得該Nakagami參數、該homodyned K參數、以及該訊息理論熵參數之個別權重，得到該判別函數。
在實施時，該訊息理論熵參數係經正規化。
本案另一發明提供一種肝臟纖維化之非侵入式超音波檢測方法，包括下列步驟：提供一判別函數，其中該判別函數是由三個代表Nakagami參數、homodyned K參數以及訊息理論熵參數的變數各自乘上不同權重後進行加總所組合而成；以一非侵入式超音波模組檢測一肝臟並產生一包絡線訊號；利用一滑動視窗技術，將該包絡線訊號區分為複數個小區塊，並根據各小區塊中的數據分別產生複數個Nakagami參數數值、homodyned K參數數值、以及訊息理論熵參數數值；以經訓練之一U-net模型，辨識一肝臟實質區域，並計算該肝臟實質區域中該些Nakagami參數數值、homodyned K參數數值、以及訊息理論熵參數數值的個別平均值；以及將所計算出的該Nakagami參數數值平均值、該homodyned K參數數值平均值、以及該訊息理論熵參數數值平均值代入該判別函數中產生一新參數數值，該新參數數值若高於一設定之閥值，則判斷為無纖維化，若低於該設定之閥值，則判斷為有纖維化。
在實施時，該判別函數係根據已知肝纖維化程度之複數個已測者個別之該Nakagami參數數值平均值、該homodyned K參數數值平均值、以及該訊息理論熵參數數值平均值，以線性判別分析求得該Nakagami參數、該homodyned K參數、以及該訊息理論熵參數之個別權重而得到。
在實施時，該訊息理論熵參數係經正規化。
本案另一發明提供一種肝臟纖維化之非侵入式超音波檢測方法，包括：根據已知肝纖維化程度之複數個已測者之肝臟超音波影像，分別計算出肝臟實質區域中不同統計模型參數數值的個別平均值後，以線性判別分析求得不同統計模型參數之個別權重，得到一判別函數，其中該判別函數是由代表該些統計模型參數的變數各自乘上該個別權重後進行加總所組合而成，其中不同統計模型分別用於辨識肝臟纖維化或脂肪肝；根據一待測者肝臟超音波影像計算出肝臟實質區域中該些統計模型參數數值的個別平均值，代入該判別函數中產生一新參數數值，並與一設定之閥值比較，判斷有無肝臟纖維化。
在實施時，該些統計模型參數中至少一個經正規化。
本案之發明人的臨床研究結果顯示，在患有脂肪肝的病人族群中，發現Nakagami統計模型參數以及homodyned-K統計模型參數與肝臟纖維化程度存在相關性；訊息理論夏儂熵與肝臟脂肪浸潤高度相關。換言之，將Nakagami統計模型、homodyned-K統計模型、以及訊息理論夏儂熵的參數進行組合，能診斷病人是否患有脂肪肝，再進一步量化其肝纖維化程度。Nakagami統計模型參數以及homodyned-K統計模型參數負責提供纖維化資訊，而訊息理論夏儂熵可以提供肝臟脂肪浸潤資訊。將上述三種參數組合起來成為一個單一參數，可繼承各參數在看肝臟纖維化以及脂肪肝的能力，有助於脂肪肝病人的肝臟纖維化診斷。
進一步而言，本案之發明係針對肝臟超音波影像的原始訊號進行Nakagami統計模型、homodyned-K統計模型、以及訊息理論夏儂熵的參數成像，計算出三種參數後，透過線性判別分析（Linear Discriminant Analysis, LDA）組合可產生三種參數的效力權重，透過權重乘上各自參數產生一新參數，此新參數可針對患有脂肪肝病人的肝臟纖維化程度進行分類。
請參考第1圖，本案之發明一實施例揭露一種肝臟纖維化之非侵入式超音波檢測裝置。如第1圖所示，非侵入式超音波檢測裝置10包括非侵入式超音波模組100、參數數值產生模組200、參數計算模組300、分類模組400、數據訓練模組500。
非侵入式超音波模組100例如是市售的超音波設備，至少包括圖未顯示之一陣列式探頭、一發射單元、一接收單元、一合成處理單元以及一解調運算單元，在此不特別贅述。非侵入式超音波模組100針對肝臟實質區域發射一超音波，並持續接收上述超音波反射的複數回波訊號，將上述複數回波訊號進行合成、解調後以產生包絡線訊號，即所謂超音波灰階影像成像前的原始訊號。
參數數值產生模組200利用一滑動視窗技術，將上述包絡線訊號區分為複數個小區塊，並根據各小區塊中的數據分別使用不同統計模型，產生複數個Nakagami參數數值、homodyned K參數數值、以及訊息理論熵參數數值，並傳送至參數計算模組300進行個別平均值的計算。上述參數數值基本上為參數矩陣，若經配色後即所謂的參數影像。
參數計算模組300內建有經訓練之一深度學習模型如U-net模型，用以辨識一肝臟實質區域，並計算該肝臟實質區域中之該些Nakagami參數數值、homodyned K參數數值、以及訊息理論熵參數數值的個別平均值。在其他實施例中，亦可使用其他深度學習模型以及其他統計模型。
分類模組400內含一判別函數，該判別函數是由三個代表Nakagami參數、homodyned K參數以及訊息理論熵參數的變數各自乘上不同權重後進行加總所組合而成，例如：（Nakagami參數×權重1）＋（homodyned K參數×權重2）＋（訊息理論熵參數×權重3）。在此實施例中，權重1~3皆為已知，由數據訓練模組500提供。接著，將該參數計算模組所計算出的該Nakagami參數數值平均值、該homodyned K參數數值平均值、以及該訊息理論熵參數數值平均值代入該判別函數中產生一新參數數值，該新參數數值若高於一設定之閥值，則判斷為無纖維化，若低於該設定之閥值，則判斷為有纖維化。分類模組400所新增的已測者判斷資料，可傳送至數據訓練模組500，讓數據訓練模組500根據不斷累積之大量數據，以線性判別分析求得修正後之權重1~3，更新該判別函數並回饋給分類模組400，提高判斷準確率。
數據訓練模組500係透過大量已知肝纖維化分數之超音波影像包絡線數據，依據參數數值產生模組200以及參數計算模組300，求出相對應之Nakagami參數數值、homodyned K參數數值、以及訊息理論熵參數數值平均值，將所有數值結果以肝纖維化分數（請參考第2圖，例如，「正常」表示無纖維化；「F1」表示纖維化1分；「F2」表示纖維化2分；「F3」表示纖維化3分；「F4」表示肝硬化）作為診斷標籤依據，以線性判別分析求得該Nakagami參數、該homodyned K參數、以及該訊息理論熵參數之權重1~3，得到該判別函數，提供分類模組400使用，針對脂肪肝病人之受測者判斷肝臟纖維化程度。
在一實施例中，為了建立上述判斷函數，於是針對 65筆已知肝纖維化分數之顯著脂肪肝病人的肝臟超音波影像數據，利用非侵入式超音波模組100得到包絡線訊號，然後由參數數值產生模組200利用一滑動視窗技術，將上述包絡線訊號區分為複數個小區塊，並根據各小區塊中的數據分別使用不同統計模型，產生複數個Nakagami參數數值、homodyned K參數數值、以及訊息理論熵參數數值。接著，由參數計算模組300利用經訓練之U-net模型辨識一肝臟實質區域，並計算此肝臟實質區域中之上述複數個Nakagami參數數值、homodyned K參數數值、以及訊息理論熵參數數值的個別平均值。最後，將得到的Nakagami參數數值平均值、homodyned K參數數值平均值、以及訊息理論熵參數數值平均值，連同各病人（即前述65例顯著脂肪肝病例）對應之肝纖維化診斷分數進行線性判別分析處理，求得權重1~3而產生一判別函數，提供給分類模組400使用。分類模組400利用此判別函數，進行新參數計算，在分類肝纖維化有無的情況下，分類準確度可達90.8%。接著，以第2圖進一步說明如下。
第2圖係本案之發明一實施例中65例顯著脂肪肝病例的纖維化判斷準確率示意圖。如第2圖所示，n=65表示65例的顯著脂肪肝病例；縱座標為加權參數，橫座標為纖維化分數，「正常」表示無纖維化；「F1」表示纖維化1分；「F2」表示纖維化2分；「F3」表示纖維化3分；「F4」表示肝硬化。在此實施例之判斷函數中，Nakagami參數的權重為1；homodyned K參數的權重為0.04；訊息理論熵參數的權重為-7.96。設定之閥值為-5.6，新參數數值高於此設定之閥值，則判斷為無纖維化，若低於此設定之閥值，則判斷為有纖維化。在此判斷函數下，分類準確度可達90.8%。在此實施例中，上述設定之閥值係透過一種稱作接受者操作特徵曲線下面積（Area Under the Receiver Operating Characteristic curve, AUROC）的統計方法找出。
隨著已測者資料量的增加，利用線性判別分析所求得之Nakagami參數、homodyned K參數、以及訊息理論熵參數的個別權重也會變化，因此可以不斷利用數據訓練模組500修正判別函數，並將修正後之判別函數提供給分類模組400，提升判斷準確率。
以下，請參考第3圖，本案之發明一實施例揭露一種肝臟纖維化之非侵入式超音波檢測方法。如第3圖所示，肝臟纖維化之非侵入式超音波檢測方法包括下列步驟：
步驟S1：提供一判別函數，其中該判別函數是由三個代表Nakagami參數、homodyned K參數以及訊息理論熵參數的變數各自乘上不同權重後進行加總所組合而成
步驟S2：以一非侵入式超音波模組檢測一待測者肝臟並產生一包絡線訊號。在此步驟中，受測者例如是脂肪肝病人，特別是顯著脂肪肝病人。
步驟S3：利用一滑動視窗技術，將該包絡線訊號區分為複數個小區塊，並根據各小區塊中的數據分別產生複數個Nakagami參數數值、homodyned K參數數值、以及訊息理論熵參數數值。在此步驟中， 所產生的複數個Nakagami參數數值、homodyned K參數數值、以及訊息理論熵參數數值基本上為參數矩陣，若經配色後即所謂的參數影像。
步驟S4：以經訓練之一U-net模型，辨識一肝臟實質區域，並計算此肝臟實質區域中複數個Nakagami參數數值、homodyned K參數數值、以及訊息理論熵參數數值的個別平均值。在其他實施例中，亦可使用其他深度學習模型以及其他統計模型。
步驟S5：將所計算出的Nakagami參數數值平均值、homodyned K參數數值平均值、以及訊息理論熵參數數值平均值代入上述判別函數中產生一新參數數值，此新參數數值若高於一設定之閥值，則判斷為無纖維化，若低於該設定之閥值，則判斷為有纖維化。
在另一實施例中，可以根據已知肝纖維化分數之已測者最新樣本數，計算個別之Nakagami參數數值平均值、homodyned K參數數值平均值、以及訊息理論熵參數數值平均值，將所有數值結果以肝纖維化分數作為診斷標籤依據，藉由線性判別分析求得Nakagami參數、homodyned K參數、以及訊息理論熵參數之個別權重，修正上述判別函數。也就是說，隨著已測者資料量的增加，利用線性判別分析所求得之Nakagami參數、homodyned K參數、以及訊息理論熵參數的個別權重也會變化，可以不斷修正上述判別函數，提升判斷準確率。
另外，在本發明之實施例中，訊息理論熵參數係經過正規化，在正規化過程引進兩個參數，一個代表無脂防肝，另一個代表重度脂防肝。上述正規化係藉由將訊息理論熵參數除以一訊息理論熵參考值來進行，而參考值可為前雷利分布數據之訊息理論熵數值 (代表無脂肪肝)，或者可為雷利分布數據之訊息理論熵數值 (代表重度脂肪肝)。
10:非侵入式超音波檢測裝置 100:非侵入式超音波模組 200:參數數值產生模組 300:參數計算模組 400:分類模組 500:數據訓練模組 S1、S2、S3、S4、S5:步驟。
第1圖係本案之發明一實施例中肝臟纖維化之非侵入式超音波檢測裝置的示意圖。
第2圖係本案之發明一實施例中65例顯著脂肪肝病例的纖維化判斷準確率示意圖。
第3圖係本案之發明一實施例中肝臟纖維化之非侵入式超音波檢測方法的流程圖。
10:非侵入式超音波檢測裝置
100:非侵入式超音波模組
200:參數數值產生模組
300:參數計算模組
400:分類模組
500:數據訓練模組

Claims (8)

  1. 一種肝臟纖維化之非侵入式超音波檢測裝置，包括： 一非侵入式超音波模組，檢測一肝臟並產生一包絡線訊號； 一參數數值產生模組，利用一滑動視窗技術，將該包絡線訊號區分為複數個小區塊，並根據各小區塊中的數據分別產生複數個Nakagami參數數值、homodyned K參數數值、以及訊息理論熵參數數值； 一參數計算模組，內建有經訓練之一U-net模型，用以辨識一肝臟實質區域，並計算該肝臟實質區域中之該些Nakagami參數數值、homodyned K參數數值、以及訊息理論熵參數數值的個別平均值； 以及 一分類模組，內含一判別函數，該判別函數由一數據訓練模組提供，且由三個代表Nakagami參數、homodyned K參數以及訊息理論熵參數的變數各自乘上不同權重後進行加總所組合而成，將該參數計算模組所計算出的該Nakagami參數數值平均值、該homodyned K參數數值平均值、以及該訊息理論熵參數數值平均值代入該判別函數中產生一新參數數值，該新參數數值若高於一設定之閥值，則判斷為無纖維化，若低於該設定之閥值，則判斷為有纖維化。
  2. 如請求項1所述之肝臟纖維化之非侵入式超音波檢測裝置，其中該數據訓練模組根據已知肝纖維化程度之複數個已測者個別之該Nakagami參數數值平均值、該homodyned K參數數值平均值、以及該訊息理論熵參數數值平均值，以線性判別分析求得該Nakagami參數、該homodyned K參數、以及該訊息理論熵參數之個別權重，得到該判別函數。
  3. 如請求項1所述之肝臟纖維化之非侵入式超音波檢測裝置，其中該訊息理論熵參數係經正規化。
  4. 一種肝臟纖維化之非侵入式超音波檢測方法，包括下列步驟： 提供一判別函數，其中該判別函數是由三個代表Nakagami參數、homodyned K參數以及訊息理論熵參數的變數各自乘上不同權重後進行加總所組合而成； 以一非侵入式超音波模組檢測一肝臟並產生一包絡線訊號； 利用一滑動視窗技術，將該包絡線訊號區分為複數個小區塊，並根據各小區塊中的數據分別產生複數個Nakagami參數數值、homodyned K參數數值、以及訊息理論熵參數數值； 以經訓練之一U-net模型，辨識一肝臟實質區域，並計算該肝臟實質區域中該些Nakagami參數數值、homodyned K參數數值、以及訊息理論熵參數數值的個別平均值；以及 將所計算出的該Nakagami參數數值平均值、該homodyned K參數數值平均值、以及該訊息理論熵參數數值平均值代入該判別函數中產生一新參數數值，該新參數數值若高於一設定之閥值，則判斷為無纖維化，若低於該設定之閥值，則判斷為有纖維化。
  5. 如請求項4所述之肝臟纖維化之非侵入式超音波檢測方法，其中，該判別函數係根據已知肝纖維化程度之複數個已測者個別之該Nakagami參數數值平均值、該homodyned K參數數值平均值、以及該訊息理論熵參數數值平均值，以線性判別分析求得該Nakagami參數、該homodyned K參數、以及該訊息理論熵參數之個別權重而得到。
  6. 如請求項4所述之肝臟纖維化之非侵入式超音波檢測方法，其中該訊息理論熵參數係經正規化。
  7. 一種肝臟纖維化之非侵入式超音波檢測方法，包括： 根據已知肝纖維化程度之複數個已測者之肝臟超音波影像，分別計算出肝臟實質區域中不同統計模型參數數值的個別平均值後，以線性判別分析求得不同統計模型參數之個別權重，得到一判別函數，其中該判別函數是由代表該些統計模型參數的變數各自乘上該個別權重後進行加總所組合而成，其中不同統計模型分別用於辨識肝臟纖維化或脂肪肝；以及 根據一待測者肝臟超音波影像計算出肝臟實質區域中該些統計模型參數數值的個別平均值，代入該判別函數中產生一新參數數值，並與一設定之閥值比較，判斷有無肝臟纖維化。
  8. 如請求項7所述之肝臟纖維化之非侵入式超音波檢測方法，其中：該些統計模型參數中至少一個係經正規化。
TW110116979A 2021-05-11 2021-05-11 肝臟纖維化之非侵入式超音波檢測裝置 TWI777553B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
TW110116979A TWI777553B (zh) 2021-05-11 2021-05-11 肝臟纖維化之非侵入式超音波檢測裝置
US17/497,281 US20220361839A1 (en) 2021-05-11 2021-10-08 Non-invasive ultrasound detection device for liver fibrosis and method thereof
US18/228,085 US20230380798A1 (en) 2021-05-11 2023-07-31 Non-invasive ultrasound detection device for liver fibrosis and method thereof

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW110116979A TWI777553B (zh) 2021-05-11 2021-05-11 肝臟纖維化之非侵入式超音波檢測裝置

Publications (2)

Publication Number Publication Date
TWI777553B TWI777553B (zh) 2022-09-11
TW202243653A true TW202243653A (zh) 2022-11-16

Family

ID=83999186

Family Applications (1)

Application Number Title Priority Date Filing Date
TW110116979A TWI777553B (zh) 2021-05-11 2021-05-11 肝臟纖維化之非侵入式超音波檢測裝置

Country Status (2)

Country Link
US (1) US20220361839A1 (zh)
TW (1) TWI777553B (zh)

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI562766B (en) * 2013-11-22 2016-12-21 Univ Nat Taiwan Non-invasive evaluation device for liver fibrosis and a method thereof
CN109063712B (zh) * 2018-06-22 2021-10-15 哈尔滨工业大学 一种基于超声图像的多模型肝脏弥漫性疾病智能诊断方法
CN111742343A (zh) * 2020-05-20 2020-10-02 深圳迈瑞生物医疗电子股份有限公司 超声图像处理方法、系统及计算机可读存储介质

Also Published As

Publication number Publication date
US20220361839A1 (en) 2022-11-17
TWI777553B (zh) 2022-09-11

Similar Documents

Publication Publication Date Title
Roy-Cardinal et al. Assessment of carotid artery plaque components with machine learning classification using homodyned-K parametric maps and elastograms
Badawi et al. Fuzzy logic algorithm for quantitative tissue characterization of diffuse liver diseases from ultrasound images
Garra et al. Quantitative ultrasonic detection and classification of diffuse liver disease: Comparison with human observer performance
US8690789B2 (en) Categorizing automatically generated physiological data based on industry guidelines
US8727989B2 (en) Automatic diagnosis support apparatus, ultrasonic diagnosis apparatus, and automatic diagnosis support method
TW201519872A (zh) 非侵入式肝纖維化程度評估裝置與方法
Insana et al. Pattern recognition methods for optimizing multivariate tissue signatures in diagnostic ultrasound
CN112336358A (zh) 一种预测致密型乳腺的乳腺病灶恶性风险模型及其构建方法
JPWO2019216320A1 (ja) 機械学習装置、解析装置、機械学習方法および解析方法
Tehrani et al. Ultrasound scatterer density classification using convolutional neural networks and patch statistics
Ergün et al. Classification of carotid artery stenosis of patients with diabetes by neural network and logistic regression
Das et al. Digital image analysis of ultrasound images using machine learning to diagnose pediatric nonalcoholic fatty liver disease
Amin et al. Wavelet-based computationally-efficient computer-aided characterization of liver steatosis using conventional B-mode ultrasound images
Bureau et al. Diagnostic Accuracy of Echo Envelope Statistical Modeling Compared to B‐Mode and Power Doppler Ultrasound Imaging in Patients With Clinically Diagnosed Lateral Epicondylosis of the Elbow
Cheng et al. Quantitative evaluation of liver fibrosis based on ultrasound radio frequency signals: An animal experimental study
US20220280065A1 (en) A method and apparatus for processing asthma patient cough sound for application of appropriate therapy
Shao et al. Deep convolutional neural networks for thyroid tumor grading using Ultrasound B-mode Images
Gao et al. Ultrasonic evaluation of liver fibrosis using the homodyned k distribution with an artificial neural network estimator
TWI777553B (zh) 肝臟纖維化之非侵入式超音波檢測裝置
JP2021074238A (ja) 測定装置及びプログラム
Fakhr et al. Automatic diagnosis of liver diseases from ultrasound images
TWI685854B (zh) 肝纖維化評估模型、肝纖維化評估系統及肝纖維化評估方法
Chang et al. Automatic slice selection and diagnosis of breast strain elastography
Khan et al. A Novel Weighted Majority Voting-Based Ensemble Framework for Lung Ultrasound Pattern Classification in Pneumonia Patients
Santiago-Fuentes et al. A multichannel acoustic approach to define a pulmonary pathology as combined pulmonary fibrosis and emphysema syndrome

Legal Events

Date Code Title Description
GD4A Issue of patent certificate for granted invention patent