TWI768288B - 腎臟功能評估方法、腎臟功能評估系統及腎臟照護裝置 - Google Patents

腎臟功能評估方法、腎臟功能評估系統及腎臟照護裝置 Download PDF

Info

Publication number
TWI768288B
TWI768288B TW109104101A TW109104101A TWI768288B TW I768288 B TWI768288 B TW I768288B TW 109104101 A TW109104101 A TW 109104101A TW 109104101 A TW109104101 A TW 109104101A TW I768288 B TWI768288 B TW I768288B
Authority
TW
Taiwan
Prior art keywords
kidney
image data
ultrasound image
deep learning
target
Prior art date
Application number
TW109104101A
Other languages
English (en)
Other versions
TW202131349A (zh
Inventor
郭錦輯
Original Assignee
中國醫藥大學
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 中國醫藥大學 filed Critical 中國醫藥大學
Priority to TW109104101A priority Critical patent/TWI768288B/zh
Priority to US16/855,019 priority patent/US11571156B2/en
Publication of TW202131349A publication Critical patent/TW202131349A/zh
Application granted granted Critical
Publication of TWI768288B publication Critical patent/TWI768288B/zh

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/20—Measuring for diagnostic purposes; Identification of persons for measuring urological functions restricted to the evaluation of the urinary system
    • A61B5/201—Assessing renal or kidney functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • 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
    • 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
    • G06V10/82—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
    • G06T2207/10—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
    • G06T2207/30084—Kidney; Renal
    • 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

Abstract

本發明提供一腎臟功能評估系統，包含一影像擷取裝置以及一處理器。影像擷取裝置用以擷取一受試者之一目標腎臟超音波影像資料。處理器電性連接影像擷取裝置，其中處理器包含一參照腎臟超音波影像資料庫及一腎臟功能評估程式，且參照腎臟超音波影像資料庫包含複數個參照腎臟超音波影像資料。當腎臟功能評估程式由處理器執行時可評估受試者的腎臟功能。藉此，本發明之腎臟功能評估系統可提供一非侵入性的腎臟檢查方法，並可大幅提升腎臟功能評估的準確度。

Description

腎臟功能評估方法、腎臟功能評估系統及腎臟照護裝置
本發明是有關於一種醫療資訊分析系統、方法及裝置，特別是一種腎臟功能評估系統、腎臟功能評估方法以及腎臟照護裝置。
在諸多慢性疾病中，慢性腎臟病(chronic kidney disease,CKD)的發生率與盛行率居於全球首位，因此，如何及早發現腎臟受損情形而預防慢性腎臟病的發生遂十分重要。
腎絲球過濾率(estimated Glomerular filtration rate,eGFR)為篩檢早期腎損傷而幫助診斷慢性腎臟病的指標，其係根據血清中的肌酸酐濃度及受試者年齡、性別、種族而換算發展出來的一評估公式(eGFR=186×(肌酸酐濃度)-1.154×(受試者年齡)-0.203×1.212[若為女性則另×0.742])，而慢性腎臟病則依腎絲球過濾率的數值區分為五個病程，藉以對腎臟功能進行評估。然而，腎絲球過濾率的估算需以血清中的肌酸酐濃 度為依據，如此一來，以侵入性方式取得受試者的血液樣本而檢驗其中的肌酸酐濃度等檢測處理勢必無法避免。
隨著影像科技技術的進展，非侵入性的影像檢查方法亦開始應用於評估患者的腎臟功能，其中腎臟超音波影像可用以評估患者的腎臟是否有萎縮、腎結石、腎腫瘤、多囊性腎臟、腎髓質鈣化或腎盂水腫等病症。然而，腎臟超音波影像須由腎臟科醫師進行判讀，但同一受試者的腎臟超音波影像判讀結果容易因為不同腎臟科醫師的主觀判讀習慣而有所不同，進而導致依據人工判讀的腎臟超音波影像結果而評估腎臟功能的準確度並不甚理想。
因此，何發展出一種快速、低成本且具有高度檢測準確度之腎臟功能評估方式，實為一具有臨床應用價值之技術課題。
本發明之一態樣在於提供一種腎臟功能評估方法，包含下述步驟。提供一受試者之一目標腎臟超音波影像資料。進行一影像前處理步驟，其係調整前述之目標腎臟超音波影像資料的一影像大小，並根據一可視影像資料庫之一平均值與一標準差對前述之目標腎臟超音波影像資料進行一標準化處理，以得一處理後目標腎臟超音波影像資料。進行一特徵提取步驟，其係將前述之處理後目標腎臟超音波影像資料以一第一深度學習神經網路分類器進行訓練至收斂，以得一影像特徵值。進行一判斷步驟，其係利用第 一深度學習神經網路分類器根據影像特徵值輸出一腎絲球過濾率(estimated Glomerular filtration rate,eGFR)評估結果。
依據前述之腎臟功能評估方法，其中前述之影像前處理步驟可更對目標腎臟超音波影像資料進行一影像數據增強處理。
依據前述之腎臟功能評估方法，其中前述之影像數據增強處理可對前述之目標腎臟超音波影像資料進行一位移加噪處理、一旋轉加噪處理或一水平翻轉加噪處理。
依據前述之腎臟功能評估方法，其中前述之第一深度學習神經網路可包含二第一完全連接層、一第二完全連接層和一輸出層，二第一完全連接層依序連接並與第二完全連接層完全連接，第二完全連接層與輸出層完全連接，其中前述之影像特徵值係由前述之第二完全連接層輸出，且前述之腎絲球過濾率評估結果由輸出層輸出。
依據前述之腎臟功能評估方法，可更包含進行一建模步驟，建模步驟包含下述步驟。提供一參照腎臟超音波影像資料庫，其中前述之參照腎臟超音波影像資料庫包含複數個參照腎臟超音波影像資料。進行一訓練前影像處理步驟，其係調整各參照腎臟超音波影像資料的一影像大小，並根據前述之可視影像資料庫之平均值與標準差對參照腎臟超音波影像資料進行一標準化處理，以得複數個處理後參照腎臟超音波影像資料。進行一訓練步驟，其係將前述之處理後參照腎臟超音波影像資料以一深度學習演算模組 進行訓練至收斂，以得前述之第一深度學習神經網路分類器。
依據前述之腎臟功能評估方法，其中前述之深度學習演算模組可為ResNet-101演算模組。
依據前述之腎臟功能評估方法，其中前述之訓練前影像處理步驟可更對各參照腎臟超音波影像資料進行一參照影像數據增強處理，且前述之參照影像數據增強處理可對各參照腎臟超音波影像資料進行一位移加噪處理、一旋轉加噪處理或一水平翻轉加噪處理。
依據前述之腎臟功能評估方法，可更包含進行一二重訓練步驟，其係利用一第二深度學習神經網路分類器訓練前述之影像特徵值的一副本至收斂，以得一二重影像特徵值權重數據，並根據前述之二重影像特徵值權重數據輸出一慢性腎臟病發生程度評估結果，其中前述之慢性腎臟病發生程度評估結果為可復原之腎臟損傷或不可逆之腎衰竭。
依據前述之腎臟功能評估方法，其中前述之第二深度學習神經網路分類器可為XGBoost分類器。
本發明之另一態樣提供一種腎臟功能評估系統，包含一影像擷取裝置以及一處理器。影像擷取裝置用以擷取一受試者之一目標腎臟超音波影像資料。處理器電性連接前述之影像擷取裝置，其中前述之處理器包含一參照腎臟超音波影像資料庫及一腎臟功能評估程式，且參照腎臟超音波影像資料庫包含複數個參照腎臟超音波影像資料。其 中，前述之腎臟功能評估程式包含一影像採樣模組、一參照影像前處理模組、一訓練模組、一目標影像前處理模組及一比對模組。影像採樣模組係利用一集成學習演算分類器對前述之參照腎臟超音波影像資料進行隨機採樣，以得一訓練影像資料集合以及一驗證影像資料集合。參照影像前處理模組係用以調整前述之訓練影像資料集合中的各參照腎臟超音波影像資料的一影像大小，並根據一可視影像資料庫之一平均值與一標準差對各參照腎臟超音波影像資料進行一標準化處理，以得複數個處理後參照腎臟超音波影像資料。訓練模組係用以將前述之處理後參照腎臟超音波影像資料以一深度學習演算模組進行訓練至收斂，以得一第一深度學習神經網路分類器。目標影像前處理模組係用以調整前述之目標腎臟超音波影像資料的一影像大小，並根據前述之可視影像資料庫之平均值與標準差對前述之目標腎臟超音波影像資料進行一標準化處理，以得一處理後目標腎臟超音波影像資料。比對模組用以將前述之處理後目標腎臟超音波影像資料以第一深度學習神經網路分類器進行訓練至收斂以得一影像特徵值，並利用前述之第一深度學習神經網路分類器根據前述之影像特徵值輸出一腎絲球過濾率評估結果。
依據前述之腎臟功能評估系統，其中前述之集成學習演算分類器可為一引導聚集演算分類器(Bootstrap aggregating classifier)。
依據前述之腎臟功能評估系統，其中前述之參照影 像前處理模組可更對各參照腎臟超音波影像資料進行一參照影像數據增強處理，前述之目標影像前處理模組可更對前述之目標腎臟超音波影像資料進行一目標影像數據增強處理。
依據前述之腎臟功能評估系統，其中前述之參照影像數據增強處理可為一位移加噪處理、一旋轉加噪處理或一水平翻轉加噪處理，前述之目標影像數據增強處理可為一位移加噪處理、一旋轉加噪處理或一水平翻轉加噪處理。
依據前述之腎臟功能評估系統，其中前述之第一深度學習神經網路可包含二第一完全連接層、一第二完全連接層和一輸出層，二第一完全連接層依序連接並與第二完全連接層完全連接，第二完全連接層與輸出層完全連接，其中前述之影像特徵值係由第二完全連接層輸出，且腎絲球過濾率評估結果由輸出層輸出。
依據前述之腎臟功能評估系統，其中前述之深度學習演算模組可為ResNet-101演算模組。
依據前述之腎臟功能評估系統，其中前述之腎臟功能評估程式可更包含一第二訓練模組，其係利用一第二深度學習神經網路分類器訓練前述之影像特徵值的一副本至收斂，以得一二重影像特徵值權重數據，並根據前述之二重影像特徵值權重數據輸出一慢性腎臟病發生程度評估結果，其中前述之慢性腎臟病發生程度評估結果為可復原之腎臟損傷或不可逆之腎衰竭。
依據前述之腎臟功能評估系統，其中前述之第二深度學習神經網路分類器可為XGBoost分類器。
本發明之又一態樣提供一種腎臟照護裝置，包含前段所述之腎臟功能評估系統以及一電子裝置，電子裝置電訊連接前述之腎臟功能評估系統。
藉此，本發明之腎臟功能評估方法、腎臟功能評估系統與腎臟照護裝置透過將目標腎臟超音波影像資料進行影像前處理後再以第一深度學習神經網路分類器進行訓練至收斂，並以前述處理所得之影像特徵值為依據進行分析判斷，以利用目標腎臟超音波影像資料直接輸出腎絲球過濾率評估結果，如此一來不僅可提供一個依據腎臟超音波影像資料進行腎臟功能評估之快速且準確的非侵入性檢查方法，亦可避免習知的腎臟功能評估方法中因不同分析者之主觀判讀習慣不同所造成之結果誤差。
100,100a,200:腎臟功能評估方法
110,110a,210,120,120a,220,130,130a,230,140, 140a,240,150,151,152,153,250:步驟
30,300,300a,600:腎臟功能評估系統
31,310:影像擷取裝置
32,320:處理器
321,610:參照腎臟超音波影像資料庫
400:腎臟功能評估程式
410:影像採樣模組
420:參照影像前處理模組
430,640:訓練模組
440:目標影像前處理模組
450,670:比對模組
460,650:第二訓練模組
501:參照腎臟超音波影像資料
502:處理後參照腎臟超音波影像資料
510:ResNet-101演算模組
511:濾除層
512:第一完全連接層
514:第二完全連接層
516:輸出層
521:卷積層
522:最大池化層
523:殘差模塊
620:非測試訓練集
621:測試訓練集
630:訓練影像資料集合
631:驗證影像資料集合
641:腎絲球過濾率數值
651:慢性腎臟病發生程度評估結果
660:計算模組
671:平均腎絲球過濾率評估結果
672:平均慢性腎臟病發生程度評估結果
701:真陰性區塊
702:偽陽性區塊
703:偽陰性區塊
704:真陽性區塊
10:腎臟照護裝置
20:電子裝置
第1圖係繪示本發明一實施方式之腎臟功能評估方法的步驟流程圖；
第2圖係繪示本發明另一實施方式之腎臟功能評估方法的步驟流程圖；
第3圖係繪示本發明又一實施方式之腎臟功能評估方法的步驟流程圖；
第4圖係繪示本發明再一實施方式之腎臟功能評估系統的 架構示意圖；
第5圖係繪示本發明更一實施方式之腎臟功能評估系統的架構示意圖；
第6圖係繪示本發明再另一實施方式之腎臟照護裝置的架構示意圖；
第7圖係繪示本發明之腎臟功能評估方法的影像前處理之流程示意圖；
第8圖係繪示本發明之第一深度學習神經網路分類器的架構示意圖；
第9圖係繪示本發明之腎臟功能評估系統的分析流程圖；
第10圖係繪示本發明之第一深度學習神經網路分類器的訓練損失與驗證損失之學習曲線結果圖；
第11圖係繪示本發明之第一深度學習神經網路分類器的腎絲球過濾率實際數值與腎絲球過濾率預測數值的關係圖；
第12圖係繪示本發明之腎臟功能評估系統的接收者操作特徵曲線(receiver operating characteristic curve，ROC)圖；以及
第13圖係繪示本發明之腎臟功能評估系統用於評估受試者的慢性腎臟病發生程度的一混淆矩陣圖。
下述將更詳細討論本發明各實施方式。然而，此實施方式可為各種發明概念的應用，可被具體實行在各種不 同的特定範圍內。特定的實施方式是僅以說明為目的，且不受限於揭露的範圍。
[本發明之腎臟功能評估方法]
請參照第1圖，其係繪示本發明一實施方式之腎臟功能評估方法100的步驟流程圖。腎臟功能評估方法100包含步驟110、步驟120、步驟130以及步驟140。
步驟110為提供受試者之一目標腎臟超音波影像資料。詳細而言，目標腎臟超音波影像資料可和受試者之電子病歷連接，而前述之電子病歷可包含受試者的性別、年齡、實驗室檢測結果(如血清中的肌酸酐濃度)、藥物服用紀錄、疾病史或入院記錄等特殊治療程序，以利於後續進一步的評估與比對。
步驟120為進行一影像前處理步驟，其係調整前述之目標腎臟超音波影像資料的一影像大小，並根據一可視影像資料庫之一平均值與一標準差對目標腎臟超音波影像資料進行一標準化處理，以得一處理後目標腎臟超音波影像資料。詳細而言，目標腎臟超音波影像資料的影像大小將根據腎臟所在的區域進一步被調整為224像素(pixel)×224像素，並以Neo4j可視影像資料庫、ImageNet可視影像資料庫或CIFAR-10可視影像資料庫的平均值與標準差來對目標腎臟超音波影像資料進行標準化處理，以利於後續的分析，但本發明並不以此為限。
另外，在步驟120中，影像前處理步驟可更對目標腎臟超音波影像資料進行一影像數據增強處理。影像數 據增強處理係對目標腎臟超音波影像資料進行一位移加噪處理、一旋轉加噪處理或一水平翻轉加噪處理，以增加目標腎臟超音波影像資料的訊息量而提高後續的評估準確度。
步驟130為進行一特徵提取步驟，其係將處理後目標腎臟超音波影像資料以一第一深度學習神經網路分類器進行訓練至收斂，以得一影像特徵值。詳細而言，本發明之腎臟功能評估方法100可利用第一深度學習神經網路分類器自動地對處理後目標腎臟超音波影像資料的影像資訊進行分析，並自動提取對應的影像特徵值，藉以增進本發明之腎臟功能評估方法100的評估效率。
步驟140為進行一判斷步驟，其係利用前述之第一深度學習神經網路分類器根據影像特徵值輸出一腎絲球過濾率(estimated Glomerular filtration rate,eGFR)評估結果。
再者，請同時參照第1圖與第2圖，第2圖係繪示本發明另一實施方式之腎臟功能評估方法100a的步驟流程圖。腎臟功能評估方法100a包含步驟110a、步驟120a、步驟130a、步驟140a以及步驟150，其中步驟110a、步驟120a、步驟130a、步驟140a與第1圖的步驟110、步驟120、步驟130以及步驟140相同，在此不再贅述，而以下將配合第1圖與第2圖說明本發明之第一深度學習神經網路分類器的建構細節。步驟150為進行一建模步驟，其包含步驟151、步驟152以及步驟153。
步驟151為提供一參照腎臟超音波影像資料庫，其中參照腎臟超音波影像資料庫包含複數個參照腎臟超音波影像資料。詳細而言，各參照腎臟超音波影像資料可和其對應之參照受試者的電子病歷連接，而前述之電子病歷則可包含參照受試者的性別、年齡、實驗室檢測結果(如血清中的肌酸酐濃度)、藥物服用紀錄、疾病史或入院記錄等特殊治療程序，以加強各參照腎臟超音波影像資料的資料完整度。
步驟152為進行一訓練前影像處理步驟，其係調整各參照腎臟超音波影像資料的一影像大小，並根據前述之可視影像資料庫之平均值與標準差對參照腎臟超音波影像資料進行一標準化處理，以得複數個處理後參照腎臟超音波影像資料。詳細而言，各參照腎臟超音波影像資料的影像大小將根據腎臟所在的區域進一步被調整為224像素×224像素，並以Neo4j可視影像資料庫、ImageNet可視影像資料庫或CIFAR-10可視影像資料庫的平均值與標準差來對參照腎臟超音波影像資料進行標準化處理，以利於後續的分析，而前述之可視影像資料庫的選擇需與步驟120中所選定之可視影像資料庫相同，以確保本發明之腎臟功能評估方法100的評估一致性與正確性。
另外，在步驟152中，訓練前影像處理步驟可更對各參照腎臟超音波影像資料進行一參照影像數據增強處理，且參照影像數據增強處理係對各參照腎臟超音波影像資料進行一位移加噪處理、一旋轉加噪處理或一水平翻轉 加噪處理，以增加各參照腎臟超音波影像資料的訊息量而提高後續的評估準確度。
步驟153為進行一訓練步驟，其係將前述之處理後參照腎臟超音波影像資料以一深度學習演算模組進行訓練至收斂，以得本發明之第一深度學習神經網路分類器。
藉此，本發明之腎臟功能評估方法100與腎臟功能評估方法100a可透過將目標腎臟超音波影像資料進行影像前處理後再以第一深度學習神經網路分類器進行訓練至收斂，並以前述處理所得之影像特徵值為依據進行分析判斷，如此一來不僅可提供一個依據腎臟超音波影像資料進行腎臟功能評估之快速且準確的非侵入性檢查方法，亦可避免習知的腎臟功能評估方法中因不同分析者之主觀判讀習慣不同所造成之結果誤差。
請參照第3圖，其係繪示本發明又一實施方式之腎臟功能評估方法200的步驟流程圖。腎臟功能評估方法200與第1圖實施例之腎臟功能評估方法100在步驟細節上多有相似，是以相同之步驟的細節將不再贅述。腎臟功能評估方法200包含步驟210、步驟220、步驟230、步驟240以及步驟250。
步驟210為提供受試者之一目標腎臟超音波影像資料。
步驟220為進行一影像前處理步驟，其係調整前述之目標腎臟超音波影像資料的一影像大小，並根據一可視影像資料庫之一平均值與一標準差對目標腎臟超音波影 像資料進行一標準化處理，以得一處理後目標腎臟超音波影像資料。
步驟230為進行一特徵提取步驟，其係將處理後目標腎臟超音波影像資料以一第一深度學習神經網路分類器進行訓練至收斂，以得一影像特徵值。前述之第一深度學習神經網路分類器的建構細節則與前段所述之步驟150相同，是以相同之細節將不再贅述。
步驟240為進行一判斷步驟，其係利用前述之第一深度學習神經網路分類器根據前述之影像特徵值輸出一腎絲球過濾率評估結果。
步驟250為進行一二重訓練步驟，其係利用一第二深度學習神經網路分類器訓練前述之影像特徵值的一副本至收斂，以得一二重影像特徵值權重數據，並根據前述之二重影像特徵值權重數據輸出一慢性腎臟病發生程度評估結果，其中慢性腎臟病發生程度評估結果為可復原之腎臟損傷或不可逆之腎衰竭。詳細而言，本發明之第一深度學習神經網路分類器的第二完全連接層所輸出的影像特徵值已包含目標腎臟超音波影像資料中所隱含的腎絲球過濾率的資訊，此時第二深度學習神經網路分類器將會自動以前述之影像特徵值的副本進行訓練至收斂而得一二重影像特徵值權重數據，並根據前述之二重影像特徵值權重數據輸出一慢性腎臟病發生程度評估結果，藉以進一步判斷受試者之慢性腎臟病發生程度係處於可復原之腎臟損傷或已發展為不可逆之腎衰竭。具體而言，前述之第二深度學習 神經網路分類器可為XGBoost分類器(eXtreme Gradient Boosting classifier)，但本發明並不以此為限。
再者，臨床上慢性腎臟病的發生程度係根據腎絲球過濾率的數值區分為第一期、第二期、第三期、第四期與第五期等五個病程，而五個病程的病徵及腎絲球過濾率的數值區間請參考表一。
Figure 109104101-A0101-12-0014-1
如表一所示，慢性腎臟病在發展至第三期後已為不可逆之腎衰竭，患者須積極配合醫師治療而延緩其進入第五期之末期腎臟病變的速度，而慢性腎臟病進入第三期之腎絲球過濾率臨界值為60ml/min/1.73m2，是以本發明之腎臟功能評估方法200係以腎絲球過濾率數值等於60ml/min/1.73m2作為二重影像特徵值權重數據的判斷依據，以在符合現行臨床診斷標準的前提下輸出正確之慢性腎臟病發生程度評估結果。
藉此，本發明之腎臟功能評估方法200透過第一深度學習神經網路分類器與第二深度學習神經網路分類器 的共同訓練與評估，不僅可快速且準確地根據目標腎臟超音波影像資料而評估受試者的腎絲球過濾率，並可進一步判斷受試者的慢性腎臟病發生程度是否發展為不可逆之腎衰竭，以利於後續之醫療方針的擬定。
[本發明之腎臟功能評估系統]
請參照第4圖，其係繪示本發明再一實施方式之腎臟功能評估系統300的架構示意圖。腎臟功能評估系統300包含一影像擷取裝置310以及一處理器320。
影像擷取裝置310用以擷取受試者之目標腎臟超音波影像資料。詳細而言，目標腎臟超音波影像資料可和受試者之電子病歷連接，而前述之電子病歷則可包含受試者的性別、年齡、實驗室檢測結果(如血清中的肌酸酐濃度)、藥物服用紀錄、疾病史或入院記錄等特殊治療程序，以利於後續的評估與比對。
處理器320電性連接影像擷取裝置310，其中處理器320包含一參照腎臟超音波影像資料庫321及一腎臟功能評估程式400，且參照腎臟超音波影像資料庫321包含複數個參照腎臟超音波影像資料(圖未繪示)。各參照腎臟超音波影像資料可和其對應之參照受試者的電子病歷連接，而前述之電子病歷則可包含參照受試者的性別、年齡、實驗室檢測結果(如血清中的肌酸酐濃度)、藥物服用紀錄、疾病史或入院記錄等特殊治療程序，以加強各參照腎臟超音波影像資料的資料完整度。
如第4圖所示，腎臟功能評估程式400包含一影 像採樣模組410、一參照影像前處理模組420、一訓練模組430、一目標影像前處理模組440及一比對模組450。
影像採樣模組410係利用一集成學習演算分類器(圖未繪示)對前述之參照腎臟超音波影像資料進行隨機採樣，以得一訓練影像資料集合(圖未繪示)以及一驗證影像資料集合(圖未繪示)。詳細而言，集成學習演算分類器可於參照腎臟超音波影像資料庫321的參照腎臟超音波影像資料中進行集中的統一採樣，並在採樣過程中隨機替換用以建構第一深度學習神經網路分類器的參照腎臟超音波影像資料，藉以增加第一深度學習神經網路分類器的建構強度並提升本發明之腎臟功能評估程式400的評估準確度。具體而言，集成學習演算分類器可為一引導聚集演算分類器(Bootstrap aggregating classifier)，但本發明並不以此為限。
參照影像前處理模組420係用以調整前述之訓練影像資料集合中的各參照腎臟超音波影像資料的一影像大小，並根據一可視影像資料庫之一平均值與一標準差對各參照腎臟超音波影像資料進行一標準化處理，以得複數個處理後參照腎臟超音波影像資料。詳細而言，各參照腎臟超音波影像資料的影像大小將根據腎臟所在的區域進一步被調整為224像素×224像素，並以Neo4j可視影像資料庫、ImageNet可視影像資料庫或CIFAR-10可視影像資料庫的平均值與標準差來對參照腎臟超音波影像資料進行標準化處理，以利於後續的分析。
另外，參照影像前處理模組420可更對各參照腎臟超音波影像資料進行一參照影像數據增強處理，且參照影像數據增強處理可對各參照腎臟超音波影像資料進行一位移加噪處理、一旋轉加噪處理或一水平翻轉加噪處理，以增加各參照腎臟超音波影像資料的訊息量而提高後續的評估準確度。
訓練模組430係用以將處理後參照腎臟超音波影像資料以一深度學習演算模組進行訓練至收斂，以得一第一深度學習神經網路分類器。詳細而言，前述之深度學習演算模組可為ResNet-101演算模組，以進一步提升本發明之腎臟功能評估系統300的評估準確度。
具體而言，ResNet-101演算模組包含101層訓練層，而本發明之第一深度學習神經網路分類器則進一步以二第一完全連接層、一第二完全連接層和一輸出層之四個連續的完全連接層取代ResNet-101演算模組的最後四層訓練層(約包含1000個分類階次(classifier))，其中二第一完全連接層依序連接並與第二完全連接層完全連接，第二完全連接層與輸出層完全連接，而前述之影像特徵值係由第二完全連接層輸出，此時影像特徵值將對應第二完全連接層而呈現256維度之特徵向量，256維度之特徵向量將續行訓練至完全收斂，並由輸出層進一步輸出腎絲球過濾率評估結果，以提升以本發明之腎臟功能評估系統300進行評估所得之腎絲球過濾率評估結果的準確度。
目標影像前處理模組440係用以調整目標腎臟超 音波影像資料的一影像大小，並根據可視影像資料庫之平均值與標準差對目標腎臟超音波影像資料進行一標準化處理，以得一處理後目標腎臟超音波影像資料。詳細而言，目標腎臟超音波影像資料的影像大小將根據腎臟所在的區域進一步被調整為224像素×224像素，並以各參照腎臟超音波影像資料用以進行標準化之Neo4j可視影像資料庫、ImageNet可視影像資料庫或CIFAR-10可視影像資料庫中的其中之一種可視影像資料庫的平均值與標準差對目標腎臟超音波影像資料進行標準化處理，以確保本發明之腎臟功能評估系統300的評估一致性與正確性並利於後續的分析。
另外，目標影像前處理模組440可更對目標腎臟超音波影像資料進行一目標影像數據增強處理，且目標影像數據增強處理係對目標腎臟超音波影像資料進行一位移加噪處理、一旋轉加噪處理或一水平翻轉加噪處理，以增加各目標腎臟超音波影像資料的訊息量而提高後續的評估準確度。
比對模組450係用以將處理後目標腎臟超音波影像資料以第一深度學習神經網路分類器進行訓練至收斂以得一影像特徵值，並利用第一深度學習神經網路分類器根據影像特徵值輸出一腎絲球過濾率評估結果。
藉此，本發明之腎臟功能評估系統300透過將已完成影像前處理的目標腎臟超音波影像資料以訓練模組430所建構之第一深度學習神經網路分類器進行訓練至收 斂，並以前述處理所得之影像特徵值為依據進行分析判斷，以在依據腎臟超音波影像資料進行腎臟功能評估的前提下提供一快速且準確的非侵入性腎臟功能檢查系統。
請參照第5圖，其係繪示本發明更一實施方式之腎臟功能評估系統300a的架構示意圖。腎臟功能評估系統300a包含一影像採樣模組410、一參照影像前處理模組420、一訓練模組430、一目標影像前處理模組440、一比對模組450以及一第二訓練模組460，其中腎臟功能評估系統300a的影像採樣模組410、參照影像前處理模組420、訓練模組430、目標影像前處理模組440及比對模組450與第4圖實施例之腎臟功能評估系統300之影像採樣模組410、參照影像前處理模組420、訓練模組430、目標影像前處理模組440及比對模組450相同，是以相同之結構的細節將不再贅述。
第二訓練模組460係利用一第二深度學習神經網路分類器訓練影像特徵值的一副本至收斂，以得一二重影像特徵值權重數據，並根據二重影像特徵值權重數據輸出一慢性腎臟病發生程度評估結果，其中前述之慢性腎臟病發生程度評估結果為可復原之腎臟損傷或不可逆之腎衰竭。前述之第二深度學習神經網路分類器可為XGBoost分類器(eXtreme Gradient Boosting classifier)，但本發明並不以此為限。詳細而言，前述之影像特徵值在經過第一深度學習神經網路分類器的訓練與收斂後已包含目標腎臟超音波影像資料中所隱含的腎絲球過濾率的資訊，而 第二深度學習神經網路分類器在以前述之影像特徵值的副本進行訓練至收斂並得二重影像特徵值權重數據後，會進一步根據慢性腎臟病進入第三期之腎絲球過濾率的臨界值60ml/min/1.73m2做閾值而輸出慢性腎臟病發生程度評估結果，以進一步判斷受試者之慢性腎臟病發生程度係處於可復原之腎臟損傷或已發展為不可逆之腎衰竭。
藉此，本發明之腎臟功能評估系統300a透過第一深度學習神經網路分類器與第二深度學習神經網路分類器的共同訓練與評估下，可快速且準確地根據目標腎臟超音波影像資料而評估受試者的腎絲球過濾率，並可進一步判斷受試者的慢性腎臟病發生程度使否發展為不可逆之腎衰竭，以利於後續之醫療方針的擬定。
請參照第6圖，其係繪示本發明再另一實施方式之腎臟照護裝置10的架構示意圖。如第6圖所示，腎臟照護裝置10包含一腎臟功能評估系統30以及一電子裝置20，電子裝置20電訊連接腎臟功能評估系統30。詳細而言，腎臟功能評估系統30包含影像擷取裝置31與處理器32並與第4圖之腎臟功能評估系統300或第5圖之腎臟功能評估系統300a的架構相似，而電子裝置20則可進一步於其上顯示腎臟功能評估系統30之處理器32所輸出之腎絲球過濾率評估結果或第二訓練模組(圖未繪示)所輸出之慢性腎臟病發生程度評估結果，並進一步即時顯示受試者的腎臟功能評估結果和後續建議之投藥、轉診等醫療方針。
藉此，本發明之腎臟照護裝置透過電子裝置與腎臟功能評估系統的共同使用，可有效地根據受試者的腎臟功能評估結果而提出建議之醫療方針，使其具有相關領域之應用潛力。
另外，雖圖未繪示，在本發明之腎臟照護裝置中，影像擷取裝置可為掌上型超音波儀(palm-sized ultrasound machine)，以利於擷取受試者之目標腎臟超音波影像資料，電子裝置則可為手機、平板等攜帶式電子裝置，而處理器則可進一步整合於電子裝置中，使其不僅便於攜帶，更有利於後續進行大規模腎臟功能篩檢的使用靈敏度與便利性，但本發明並不以此為限。
[試驗例]
一、參照資料庫
本發明所使用的參照資料庫為中國醫學大學暨附設醫院所蒐集的腎臟超音波影像資料，為經中國醫藥大學暨附設醫院研究倫理委員會(China Medical University & Hospital Research Ethics Committee)核准之臨床試驗計劃，其編號為：CMUH105-REC3-068與CMUH106-REC3-118。前述之參照資料庫包含8,281名年齡在20-89歲之間的末期腎臟疾病(end-stage renal disease,ESRD)患者共計203,353張腎臟超音波影像資料，其中前述之末期腎臟疾病患者在接受超音波檢查的前後四周內均經過抽血檢查而分析其血液樣本中的肌酸酐濃度，並將結果記錄於電子 病歷中，以進行後續的分析。
接著，前述之203,353張腎臟超音波影像資料將進一步被篩選，以從中選擇影像品質較佳並包含腎臟科醫師在超音波檢查中所標注之腎臟長度資料以及血液樣本中的肌酸酐濃度數值紀錄的腎臟超音波影像資料，而最終共篩選而得1,299位末期腎臟疾病患者在1,446次可唯一識別的主要超音波檢查中所取得之4,505張腎臟超音波影像資料，以作為本發明之參照腎臟超音波影像資料庫並進行後續的分析。
二、影像前處理
在影像前處理方面，4,505張參照腎臟超音波影像資料係分別以Python程式語言中cv2模塊的「findContours」功能指令進行處理，以將呈現豆形(bean-shaped)的腎臟與腎臟周圍無關的訊息(例如影像供應商的商標等)進行區隔，以提升參照腎臟超音波影像資料的影像品質。
請參照第7圖，其係繪示本發明之腎臟功能評估方法的影像前處理之流程示意圖。如第7圖所示，在將複數個參照腎臟超音波影像資料501用以建構第一深度學習神經網路分類器之前，參照影像前處理模組將基於腎臟科醫師於超音波檢查中所標注之二個腎臟長度標記點而對各對參照腎臟超音波影像資料501進行剪裁，以去除和腎臟無關的外圍區域圖像。詳細而言，在步驟220中，參照影像前處理模組將自動確認二個腎臟長度標記點(x1,y1)和 (x2,y2)的位置並計算其距離d和中點(xc,yc)，並以中點(xc,yc)為中心且長度為d的正方形區域對各參照腎臟超音波影像資料501進行剪裁，接著進一步調整各參照腎臟超音波影像資料501的尺寸為224像素×224像素。在完成尺寸調整後，參照影像前處理模組更對各參照腎臟超音波影像資料501進行一參照影像數據增強處理，其係對各參照腎臟超音波影像資料進行一位移加噪處理(沿x軸或y軸移動±10%)、一旋轉加噪處理(旋轉±40度)或一水平翻轉加噪處理，並進一步根據ImageNet可視影像資料庫的平均值與標準差來對各參照腎臟超音波影像資料501進行標準化，以得複數個處理後參照腎臟超音波影像資料502。
前述之經過步驟220處理後所得之處理後參照腎臟超音波影像資料502將進一步用以建構本發明之第一深度學習神經網路分類器。
三、本發明之第一深度學習神經網路分類器
請參照第8圖，其係繪示本發明之第一深度學習神經網路分類器500的架構示意圖。本發明之第一深度學習神經網路分類器500為一基於ResNet-101演算模組510進行優化的深度學習神經網路分類器。
詳細而言，在本發明之第一深度學習神經網路分類器500的建構中，首先將複數個處理後參照腎臟超音波影像資料502分別輸入ResNet-101演算模組510中進行訓練至收斂，以得本發明之第一深度學習神經網路分類器， 其中ResNet-101演算模組510包含複數個卷積層(Convolution layer)521、複數個最大池化層(MaxPool)522以及複數個殘差模塊(Residual block)523共計101個訓練層。
為了提升腎絲球過濾率評估結果的準確度，本發明之ResNet-101演算模組510係進一步以二第一完全連接層512、一第二完全連接層514和一輸出層516之四個連續的完全連接層取代習知的ResNet-101演算模組的最後四層訓練層(約包含1000個分類階次)，其中二第一完全連接層512依序連接並與第二完全連接層514完全連接，第二完全連接層514與輸出層516完全連接。較佳地，在第8圖的實施例中，第一深度學習神經網路分類器500可更包含二濾除層511，二濾除層511分別設置於一第一完全連接層512、另一第一完全連接層512與第二完全連接層514之間，以減少二個連續的完全連接層之間的過度擬合，而輸出層516則可進一步將第二完全連接層514輸出之影像特徵值以線性激活函數(linear activation function)進行運算，並以下述式(I)優化其均方差(mean-square error,MSE)，以解決腎絲球過濾率評估結果的數值介於0至大於100之間的迴歸型預測問題。
Figure 109104101-A0101-12-0024-2
 其中
Figure 109104101-A0101-12-0024-29
i 與Y i 分別代表參照腎臟超音波影像資料i的腎絲球過 濾率評估結果與參照腎臟超音波影像資料i的腎絲球過濾率實際數值。
接著，複數個處理後參照腎臟超音波影像資料502將以本發明之ResNet-101演算模組510訓練至收斂，以得本發明之第一深度學習神經網路分類器500，進而進行後續之評估與分析。
四、本發明之腎臟功能評估系統
請參照第9圖，其係繪示本發明之腎臟功能評估系統600的分析流程圖，而以下將以第9圖說明本發明之腎臟功能評估系統600的架構及本發明之腎臟功能評估方法。
首先，為了使本發明之腎臟功能評估系統600之訓練效能具有較低的平均絕對誤差(Mean Absolute Error,MAE)，如第9圖所示，參照腎臟超音波影像資料庫610中的1,299位末期腎臟疾病患者之1,446次可唯一識別的主要超音波檢查將依據其獨特之病患識別標籤(patient identification key)進行規類與分組，以確保同一位末期腎臟疾病患者的主要超音波檢查結果不會被歸入不同組別中，並進一步將1,446次可唯一識別的主要超音波檢查分為非測試訓練集(non-testing)620以及測試訓練集(testing)621，其中非測試訓練集620包含1,285次可唯一識別的主要超音波檢查(約佔參照腎臟超音波影像資料庫610中90%的可唯一識別的主要超音波檢查)，而測試訓練集621則包含161次可唯一識別的主 要超音波檢查(約佔參照腎臟超音波影像資料庫610中10%的可唯一識別的主要超音波檢查)，且測試訓練集621的參照腎臟超音波影像資料將進一步命名為目標腎臟超音波影像資料，以待後續之評估與驗證之用。
接著，影像採樣模組(圖未繪示)將利用一集成學習演算分類器對非測試訓練集620中的參照腎臟超音波影像資料進行隨機採樣，以得一訓練影像資料集合630以及一驗證影像資料集合631，其中前述之集成學習演算分類器為一引導聚集演算分類器(Bootstrap aggregating classifier)。引導聚集演算分類器又稱為裝袋分類器(Bagging classifier)，其係用以將訓練集中的樣本進行均勻、有放回地隨機採樣，以更有效地降低單一採樣時過擬合(overfitting)現象發生的機率。而前述之隨機採樣將進行10次，以獲得10對訓練影像資料集合630與驗證影像資料集合631。
接著，前述之10個訓練影像資料集合630的參照腎臟超音波影像資料將分別以參照影像前處理模組進行處理，以得複數個處理後參照腎臟超音波影像資料，而訓練模組640將進一步利用前述之處理後參照腎臟超音波影像資料建構與訓練，以得本發明之第一深度學習神經網路分類器，並進一步輸出對應之腎絲球過濾率數值641。詳細而言，第一深度學習神經網路分類器的第二完全連接層(圖未繪示)輸出的影像特徵值為一256維度之特徵向量，256維度之特徵向量將進一步以第一深度學習神經網路分 類器進行分類與訓練並輸出對應之腎絲球過濾率數值641，在此同時，第二訓練模組650將進一步利用XGBoost分類器訓練前述之呈現256維度之特徵向量的影像特徵值的一副本至收斂，以建構本發明之第二深度學習神經網路分類器，並得一二重影像特徵值權重數據，而本發明之第二深度學習神經網路分類器將進一步根據前述之二重影像特徵值權重數據輸出一慢性腎臟病發生程度評估結果651，其中慢性腎臟病發生程度評估結果651係根據慢性腎臟病進入第三期之腎絲球過濾率的臨界值60ml/min/1.73m2做閾值，以判斷受試者之慢性腎臟病發生程度為可復原之腎臟損傷或不可逆之腎衰竭。
在經過前述之步驟後，10個訓練影像資料集合630將建構與訓練而得10個第一深度學習神經網路分類器與10個第二深度學習神經網路分類器，並對應生成10個腎絲球過濾率數值641及10個慢性腎臟病發生程度評估結果651，而前述之10個腎絲球過濾率數值641及10個慢性腎臟病發生程度評估結果651將進一步以計算模組660計算其平均值，以輸出平均腎絲球過濾率評估結果671與平均慢性腎臟病發生程度評估結果672。
五、本發明之腎臟功能評估系統的評估效率分析
本發明之腎臟功能評估系統的評估效率分析係將前述測試訓練集621的目標腎臟超音波影像資料以10個第一深度學習神經網路分類器與10個第二深度學習神經網路分類器進行分析與訓練，以測試本發明之腎臟功能評 估系統之腎絲球過濾率評估結果與慢性腎臟病發生程度評估結果與患者實際之腎絲球過濾率及慢性腎臟病發生程度的差異。
在測試方面，首先目標影像前處理模組將調整測試訓練集621的各目標腎臟超音波影像資料的影像大小為224像素×224像素，並進一步根據ImageNet可視影像資料庫的平均值與標準差來對各目標腎臟超音波影像資料進行標準化，以得複數個處理後目標腎臟超音波影像資料。
請再參照第9圖，在完成目標腎臟超音波影像資料的前處理後，為了減少前述10個第一深度學習神經網路分類器之間的差異，比對模組670將進一步將前述之10個腎絲球過濾率數值進行平均，並以平均絕對誤差法、皮爾森相關係數分析法(Pearson’s correlation)以及決定係數分析法(coefficient of determination,R-squared)對其進行量化，其中平均絕對誤差法的計算公式請參式(II-1)與(II-2)，決定係數分析法計算公式請參式(III)，而決定係數分析法計算公式則請參式(IV)。
Figure 109104101-A0101-12-0028-3
Figure 109104101-A0101-12-0028-4
 其中y ij 代表第i個目標腎臟超音波影像資料以第j個第一深度學習神經網路分類器進行分析所得之腎絲球過濾率數值， Y i 為目標腎臟超音波影像資料i的腎絲球過濾率實際數值；
Figure 109104101-A0101-12-0029-5
Figure 109104101-A0101-12-0029-6
 其中SS res 係由式(IV-i)求得，而SS tot 則係由式(IV-ii)求得。
Figure 109104101-A0101-12-0029-7
Figure 109104101-A0101-12-0029-8
請參考表二，表二為10個腎絲球過濾率數值之平均絕對誤差、皮爾森相關係數以及決定係數之計算數值。
Figure 109104101-A0101-12-0029-11
再者，前述10個慢性腎臟病發生程度評估結果652將進一步進行平均以求出平均慢性腎臟病發生程度評估結果672，並將其分類概率閾值設定為0.5，而其計算公式請見式(V-1)與式(V-2)。
Figure 109104101-A0101-12-0029-12
Figure 109104101-A0101-12-0029-13
 其中P ij 代表第i個目標腎臟超音波影像資料以第j個第二深 度學習神經網路分類器進行分析所得之慢性腎臟病發生程度評估結果。
請參照第10圖與第11圖，第10圖係繪示本發明之第一深度學習神經網路分類器的訓練損失與驗證損失之學習曲線結果圖，第11圖係繪示本發明之第一深度學習神經網路分類器的腎絲球過濾率實際數值與腎絲球過濾率預測數值的關係圖。如第10圖所示，在對10個腎絲球過濾率數值的結果取平均值後，在訓練迴圈的次數為14次時其過擬合程度最低，且腎絲球過濾率預測數值與測試訓練集621之腎絲球過濾率實際數值的相關係數為0.741，平均絕對誤差為17.605，顯示本發明之腎臟功能評估系統具有優異的腎絲球過濾率評估準確度。而如第11圖所示，腎絲球過濾率預測數值與測試訓練集621之腎絲球過濾率實際數值的皮爾森相關係數更可高達0.74，其更加顯示本發明之腎臟功能評估系統的優異評估準確度。
請參照第12圖，其係繪示本發明之腎臟功能評估系統的接收者操作特徵曲線(receiver operating characteristic curve，ROC)圖。如第12圖所示，當以本發明之腎臟功能評估系統評估受試者的腎絲球過濾率時，若設定腎絲球過濾率臨界值為60ml/min/1.73m2時，其接收者操作特徵曲線之曲線下面積(Area Under the Receiver Operating Characteristic curve，AUROC)可高達0.9036，其評估準確度為85.6%。再者，若設定腎絲球過濾率臨界值為45ml/min/1.73m2與30 ml/min/1.73m2時，其接收者操作特徵曲線之曲線下面積亦可達0.8326與0.8036，顯示本發明之腎臟功能評估系統具有優異的腎絲球過濾率及慢性腎臟病發生程度評估準確度。
請再參照第13圖，其係繪示本發明之腎臟功能評估系統用於評估受試者的慢性腎臟病發生程度的一混淆矩陣圖。在第13圖中係設定腎絲球過濾率臨界值為60ml/min/1.73m2，以進一步測試本發明之腎臟功能評估系統用以評估慢性腎臟病發生程度評估結果為可復原之腎臟損傷或不可逆之腎衰竭的準確度。如第13圖所示，預測標籤之未發生不可逆之腎衰竭的真陰性(True Negative，TN)區塊701中的可唯一識別的主要超音波檢查數量為20，預測標籤之發生不可逆之腎衰竭的偽陽性(Flase Positive，FP)區塊702中的可唯一識別的主要超音波檢查數量為13，預測標籤之未發生不可逆之腎衰竭的偽陰性(Flase Negative，FN)區塊703中的可唯一識別的主要超音波檢查數量為10，而預測標籤之發生不可逆之腎衰竭的真陽性(True Positive、TP)區塊704中的可唯一識別的主要超音波檢查數量則為117。
請再同時參照第12圖、第13圖與表三，表三為本發明之腎臟功能評估系統用於預測受試者的腎絲球過濾率及慢性腎臟病發生程度評估之預測結果。
Figure 109104101-A0101-12-0031-30
Figure 109104101-A0101-12-0032-15
由上述結果所示，本發明之腎臟功能評估系統用於評估受試者的腎絲球過濾率與慢性腎臟病發生程度的正確度、靈敏度及特異度均優，顯示本發明之腎臟功能評估系統、腎臟功能評估方法和腎臟照護裝置可精準地以受試者之目標腎臟超音波影像資料評估受試者的腎臟功能，並可在快速、準確且非侵入性的前提下對受試者的腎臟功能進行評估，以避免習知的腎臟功能評估方法中因不同分析者之主觀判讀習慣不同所造成之結果誤差。
雖然本發明已以實施方式揭露如上，然其並非用以限定本發明，任何熟習此技藝者，在不脫離本發明之精神和範圍內，當可作各種之更動與潤飾，因此本發明之保護範圍當視後附之申請專利範圍所界定者為準。
100:腎臟功能評估方法
110,120,130,140:步驟

Claims (14)

  1. 一種腎臟功能評估方法，包含下述步驟：提供一受試者之一目標腎臟超音波影像資料；進行一影像前處理步驟，其係調整該目標腎臟超音波影像資料的一影像大小，並根據一可視影像資料庫之一平均值與一標準差對該目標腎臟超音波影像資料進行一標準化處理，以得一處理後目標腎臟超音波影像資料；進行一特徵提取步驟，其係將該處理後目標腎臟超音波影像資料以一第一深度學習神經網路分類器進行訓練至收斂，以得一影像特徵值；以及進行一判斷步驟，其係利用該第一深度學習神經網路分類器根據該影像特徵值輸出一腎絲球過濾率評估結果；其中，該影像前處理步驟更對該目標腎臟超音波影像資料進行一影像數據增強處理，且該影像數據增強處理係對該目標腎臟超音波影像資料進行一位移加噪處理、一旋轉加噪處理或一水平翻轉加噪處理。
  2. 如請求項1所述之腎臟功能評估方法，其中該第一深度學習神經網路包含二第一完全連接層、一第二完全連接層和一輸出層，二該第一完全連接層依序連接並與該第二完全連接層完全連接，該第二完全連接層與該輸出層完全連接，其中該影像特徵值係由該第二完全連接層輸出，且該腎絲球過濾率評估結果由該輸出層輸出。
  3. 如請求項1所述之腎臟功能評估方法，更包含：進行一建模步驟，包含下述步驟：提供一參照腎臟超音波影像資料庫，其中該參照腎臟超音波影像資料庫包含複數個參照腎臟超音波影像資料；進行一訓練前影像處理步驟，其係調整各該參照腎臟超音波影像資料的一影像大小，並根據該可視影像資料庫之該平均值與該標準差對該些參照腎臟超音波影像資料進行一標準化處理，以得複數個處理後參照腎臟超音波影像資料；以及進行一訓練步驟，其係將該些處理後參照腎臟超音波影像資料以一深度學習演算模組進行訓練至收斂，以得該第一深度學習神經網路分類器。
  4. 如請求項3所述之腎臟功能評估方法，其中該深度學習演算模組為ResNet-101演算模組。
  5. 如請求項3所述之腎臟功能評估方法，其中該訓練前影像處理步驟更對各該參照腎臟超音波影像資料進行一參照影像數據增強處理，且該參照影像數據增強處理係對各該參照腎臟超音波影像資料進行一位移加噪處理、一旋轉加噪處理或一水平翻轉加噪處理。
  6. 如請求項1所述之腎臟功能評估方法，更包含：進行一二重訓練步驟，其係利用一第二深度學習神經網路分類器訓練該影像特徵值的一副本至收斂，以得一二重影像特徵值權重數據，並根據該二重影像特徵值權重數據輸出一慢性腎臟病發生程度評估結果，其中該慢性腎臟病發生程度評估結果為可復原之腎臟損傷或不可逆之腎衰竭。
  7. 如請求項6所述之腎臟功能評估方法，其中該第二深度學習神經網路分類器為XGBoost分類器。
  8. 一種腎臟功能評估系統，包含：一影像擷取裝置，用以擷取一受試者之一目標腎臟超音波影像資料；以及一處理器，電性連接該影像擷取裝置，其中該處理器包含一參照腎臟超音波影像資料庫及一腎臟功能評估程式，且該參照腎臟超音波影像資料庫包含複數個參照腎臟超音波影像資料；其中，該腎臟功能評估程式包含：一影像採樣模組，其係利用一集成學習演算分類器對該些參照腎臟超音波影像資料進行隨機採樣，以得一訓練影像資料集合以及一驗證影像資料集合；一參照影像前處理模組，其係用以調整該訓練影像資 料集合中的各該參照腎臟超音波影像資料的一影像大小，並根據一可視影像資料庫之一平均值與一標準差對各該參照腎臟超音波影像資料進行一標準化處理，以得複數個處理後參照腎臟超音波影像資料；一訓練模組，其係用以將該些處理後參照腎臟超音波影像資料以一深度學習演算模組進行訓練至收斂，以得一第一深度學習神經網路分類器；一目標影像前處理模組，其係用以調整該目標腎臟超音波影像資料的一影像大小，並根據該可視影像資料庫之該平均值與該標準差對該目標腎臟超音波影像資料進行一標準化處理，以得一處理後目標腎臟超音波影像資料；及一比對模組，其係用以將該處理後目標腎臟超音波影像資料以該第一深度學習神經網路分類器進行訓練至收斂以得一影像特徵值，並利用該第一深度學習神經網路分類器根據該影像特徵值輸出一腎絲球過濾率評估結果；其中，該參照影像前處理模組更對各該參照腎臟超音波影像資料進行一參照影像數據增強處理，該目標影像前處理模組更對該目標腎臟超音波影像資料進行一目標影像數據增強處理，且該參照影像數據增強處理為一位移加噪處理、一旋轉加噪處理或一水平翻轉加噪處理，該目標影像數據增強處理為一位移加噪處理、一旋轉加噪處理或一水平翻轉加噪處理。
  9. 如請求項8所述之腎臟功能評估系統，其中該集成學習演算分類器為一引導聚集演算分類器。
  10. 如請求項8所述之腎臟功能評估系統，其中該第一深度學習神經網路包含二第一完全連接層、一第二完全連接層和一輸出層，二該第一完全連接層依序連接並與該第二完全連接層完全連接，該第二完全連接層與該輸出層完全連接，其中該影像特徵值係由該第二完全連接層輸出，且該腎絲球過濾率評估結果由該輸出層輸出。
  11. 如請求項8所述之腎臟功能評估系統，其中該深度學習演算模組為ResNet-101演算模組。
  12. 如請求項8所述之腎臟功能評估系統，其中該腎臟功能評估程式更包含：一第二訓練模組，其係利用一第二深度學習神經網路分類器訓練該影像特徵值的一副本至收斂，以得一二重影像特徵值權重數據，並根據該二重影像特徵值權重數據輸出一慢性腎臟病發生程度評估結果，其中該慢性腎臟病發生程度評估結果為可復原之腎臟損傷或不可逆之腎衰竭。
  13. 如請求項12所述之腎臟功能評估系統，其中該第二深度學習神經網路分類器為XGBoost分類器。
  14. 一種腎臟照護裝置，包含：如請求項8至請求項13任一項所述之腎臟功能評估系統；以及一電子裝置，電訊連接該腎臟功能評估系統。
TW109104101A 2020-02-10 2020-02-10 腎臟功能評估方法、腎臟功能評估系統及腎臟照護裝置 TWI768288B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
TW109104101A TWI768288B (zh) 2020-02-10 2020-02-10 腎臟功能評估方法、腎臟功能評估系統及腎臟照護裝置
US16/855,019 US11571156B2 (en) 2020-02-10 2020-04-22 Renal function assessment method, renal function assessment system and kidney care device

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW109104101A TWI768288B (zh) 2020-02-10 2020-02-10 腎臟功能評估方法、腎臟功能評估系統及腎臟照護裝置

Publications (2)

Publication Number Publication Date
TW202131349A TW202131349A (zh) 2021-08-16
TWI768288B true TWI768288B (zh) 2022-06-21

Family

ID=77178576

Family Applications (1)

Application Number Title Priority Date Filing Date
TW109104101A TWI768288B (zh) 2020-02-10 2020-02-10 腎臟功能評估方法、腎臟功能評估系統及腎臟照護裝置

Country Status (2)

Country Link
US (1) US11571156B2 (zh)
TW (1) TWI768288B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100249598A1 (en) * 2009-03-25 2010-09-30 General Electric Company Ultrasound probe with replaceable head portion
US9198635B2 (en) * 1997-10-31 2015-12-01 University Of Washington Method and apparatus for preparing organs and tissues for laparoscopic surgery
TW201800057A (zh) * 2016-06-20 2018-01-01 蝴蝶網路公司 用於協助使用者操作超音波裝置的自動化影像獲取
TW202004774A (zh) * 2018-05-17 2020-01-16 美商德拉工業公司 可移動超音波系統

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090203997A1 (en) * 2008-02-07 2009-08-13 Kutay Ustuner Ultrasound displacement imaging with spatial compounding
KR101121548B1 (ko) * 2009-12-07 2012-03-06 삼성메디슨 주식회사 초음파 진단장치
KR20140066584A (ko) * 2012-11-23 2014-06-02 삼성메디슨 주식회사 니들의 가이드 라인을 제공하는 초음파 시스템

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9198635B2 (en) * 1997-10-31 2015-12-01 University Of Washington Method and apparatus for preparing organs and tissues for laparoscopic surgery
US20100249598A1 (en) * 2009-03-25 2010-09-30 General Electric Company Ultrasound probe with replaceable head portion
TW201800057A (zh) * 2016-06-20 2018-01-01 蝴蝶網路公司 用於協助使用者操作超音波裝置的自動化影像獲取
TW202004774A (zh) * 2018-05-17 2020-01-16 美商德拉工業公司 可移動超音波系統

Also Published As

Publication number Publication date
TW202131349A (zh) 2021-08-16
US20210244327A1 (en) 2021-08-12
US11571156B2 (en) 2023-02-07

Similar Documents

Publication Publication Date Title
Serener et al. Transfer learning for early and advanced glaucoma detection with convolutional neural networks
CN106650768A (zh) 基于高斯图模型的脑网络建模与模式分类方法
EP3964136A1 (en) System and method for guiding a user in ultrasound assessment of a fetal organ
WO2023020366A1 (zh) 一种医学图像信息计算方法、装置、边缘计算设备和存储介质
WO2021209887A1 (en) Rapid, accurate and machine-agnostic segmentation and quantification method and device for coronavirus ct-based diagnosis
Mozhdehfarahbakhsh et al. An MRI-based deep learning model to predict Parkinson’s disease stages
CN113343755A (zh) 红细胞图像中的红细胞分类系统及方法
Tan et al. Automated detection of congenital heart disease in fetal ultrasound screening
Das et al. Digital image analysis of ultrasound images using machine learning to diagnose pediatric nonalcoholic fatty liver disease
CN113744869B (zh) 基于机器学习建立早期筛查轻链型淀粉样变性的方法及其应用
Alksas et al. A novel computer-aided diagnostic system for early assessment of hepatocellular carcinoma
Xing et al. Automatic detection of A‐line in lung ultrasound images using deep learning and image processing
Wan et al. A novel system for measuring pterygium's progress using deep learning
TWI768288B (zh) 腎臟功能評估方法、腎臟功能評估系統及腎臟照護裝置
Mukesh et al. Deep learning based detection of diabetic retinopathy from inexpensive fundus imaging techniques
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
Chotzoglou et al. Learning normal appearance for fetal anomaly screening: Application to the unsupervised detection of Hypoplastic Left Heart Syndrome
Prajith et al. Supervised classification and prediction of fibrosis seriousness using ultrasonic images
Gupta et al. Glaucoma precognition based on confocal scanning laser ophthalmoscopy images of the optic disc using convolutional neural network
CN116738352B (zh) 视网膜血管阻塞疾病的视杆细胞异常分类方法及装置
Nabavi et al. Fully automated assessment of cardiac coverage in cine cardiovascular magnetic resonance images using an explainable deep visual salient region detection model
Ma et al. Metamorphic Testing of Classification Program for the COVID-19 Intelligent Diagnosis
TWI830161B (zh) 腦部腫瘤種類自動判別系統、其伺服計算機裝置及計算機可讀取的儲存媒體
US11430112B2 (en) Systems and methods for quantitative phenotyping of fibrosis
US20240029247A1 (en) Systems and methods for quantitative phenotyping of biological fibrilar structures