TWI817829B - 通過機器學習演算法進行主動脈剝離評估的方法及系統 - Google Patents
通過機器學習演算法進行主動脈剝離評估的方法及系統 Download PDFInfo
- Publication number
- TWI817829B TWI817829B TW111143629A TW111143629A TWI817829B TW I817829 B TWI817829 B TW I817829B TW 111143629 A TW111143629 A TW 111143629A TW 111143629 A TW111143629 A TW 111143629A TW I817829 B TWI817829 B TW I817829B
- Authority
- TW
- Taiwan
- Prior art keywords
- aortic dissection
- machine learning
- data
- algorithm
- evaluation
- Prior art date
Links
- 208000002251 Dissecting Aneurysm Diseases 0.000 title claims abstract description 98
- 206010002895 aortic dissection Diseases 0.000 title claims abstract description 98
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 57
- 238000010801 machine learning Methods 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000012549 training Methods 0.000 claims abstract description 73
- 238000011156 evaluation Methods 0.000 claims abstract description 29
- 238000003384 imaging method Methods 0.000 claims abstract description 13
- 238000003745 diagnosis Methods 0.000 claims abstract description 12
- 238000012795 verification Methods 0.000 claims description 29
- 238000012545 processing Methods 0.000 claims description 14
- 238000013527 convolutional neural network Methods 0.000 claims description 12
- 238000010968 computed tomography angiography Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 230000001537 neural effect Effects 0.000 claims description 3
- 238000007637 random forest analysis Methods 0.000 claims description 2
- 239000002872 contrast media Substances 0.000 abstract description 15
- 238000002591 computed tomography Methods 0.000 abstract description 14
- 230000005855 radiation Effects 0.000 abstract description 6
- 206010067484 Adverse reaction Diseases 0.000 abstract description 5
- 230000006838 adverse reaction Effects 0.000 abstract description 5
- 230000003907 kidney function Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 210000000709 aorta Anatomy 0.000 description 4
- 238000002224 dissection Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 208000024891 symptom Diseases 0.000 description 4
- 238000002405 diagnostic procedure Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 206010028813 Nausea Diseases 0.000 description 1
- 206010035669 Pneumonia aspiration Diseases 0.000 description 1
- 206010047700 Vomiting Diseases 0.000 description 1
- 210000001015 abdomen Anatomy 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000002583 angiography Methods 0.000 description 1
- 201000009807 aspiration pneumonia Diseases 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000000502 dialysis Methods 0.000 description 1
- 238000003748 differential diagnosis Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000012216 imaging agent Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 210000003734 kidney Anatomy 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 210000005240 left ventricle Anatomy 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000008693 nausea Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 230000008673 vomiting Effects 0.000 description 1
Landscapes
- Medical Treatment And Welfare Office Work (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本發明提供一種通過機器學習演算法進行主動脈剝離評估的方法：使用多個受檢者訓練資料訓練機器學習模型，建立主動脈剝離預測模型，多個受檢者訓練資料分別包含主動脈剝離診斷結果及影像資料；及提供受檢者檢查資料中的影像資料，輸入至主動脈剝離預測模型，根據主動脈剝離預測模型產生主動脈剝離評估結果。本發明利用預測模型進行是否罹患主動脈剝離的預測，所使用之影像資料為未施打顯影劑之電腦斷層影像資料，受檢者不需經兩次電腦斷層掃瞄，可減少接收輻射劑量；亦不須施打顯影劑，可降低顯影劑的不良反應風險及免除施打前禁食的不便。
Description
本發明係一種主動脈剝離評估的方法及系統，尤指一種以影像資料通過機器學習演算法進行主動脈剝離評估的方法及系統。
主動脈剝離(aortic dissection)是因主動脈壁受損，導致血液流入主動脈壁各層之間，形成假腔，導致主動脈壁發生剝離的情形。主動脈與左心室相連，且主動脈剝離的病程迅速，致死率相當高，因此立即的發現、診斷與治療相當重要。主動脈剝離的診斷主要是透過電腦斷層血管攝影(CT Angiograph，CTA)檢查來進行。掃描的過程中需取得兩組影像，分別為有施打顯影劑時取得的影像及無施打顯影劑時取得的影像，藉由顯應增強組織與病兆的對比，經由差異性的區別診斷出確定有無剝離的病兆。
然而，主動脈剝離的患者須進行兩次電腦斷層掃描，會有過多輻射劑量的風險。此外，電腦斷層血管攝影必須施打顯影劑，而施打顯影劑之前受檢者必需禁食至少需四小時，主要避免受檢者產生如噁心、甚至嘔吐的症狀，嚴重者會有吸入性肺炎的情況發生，避免食物嗆入所產生的風險，因此會造成受檢者的不便。更甚者，顯影劑會對特定患者造成不適症並增加洗腎患者的腎臟功能負擔，因此，並非所有受檢者均可使用顯影劑，而有受檢者限制的問題。
據此，現有的主動脈剝離診斷方法，勢必需要進一步之改良。
有鑑於現有技術中檢查主動脈剝離需要二次電腦斷層掃描、且並非所有待測對象均可使用顯影劑，本發明提供一種通過機器學習演算法進行主動脈剝離評估的方法及系統，能不須顯影劑且不需要兩次掃描。
一種通過機器學習演算法進行主動脈剝離評估的方法，包含有以下步驟：
步驟(A) 使用多個受檢者訓練資料，藉由監督式訓練訓練一機器學習模型，以建立一主動脈剝離預測模型，其中，所述多個受檢者訓練資料分別包含其主動脈剝離診斷結果及至少一影像資料；及
步驟(B) 接收受檢者檢查資料中的至少一影像資料，並輸入至所述主動脈剝離預測模型，且根據所述主動脈剝離預測模型產生一主動脈剝離評估結果。
本發明藉由機器學習演算法建立主動脈剝離預測模型，所評估之主動脈剝離結果具有極高準確性。且受檢者僅需經單一次電腦斷層掃瞄，不必經過兩次電腦斷層掃瞄、亦不必使用顯影劑，因此可以免除施打顯影劑前禁食的時間，能使受檢者不受時間限制，當下立即接受掃描與診斷，更能減少受檢者所接收的輻射劑量，並可降低因施打顯影劑對特定患者所產生的不良反應相關風險、降低對腎功能指數較低患者的腎臟功能負擔，而能廣泛用於各種受檢者。
依據本發明，所述受檢者檢查資料包含至少一影像資料。
較佳的，前述影像資料的尺寸為224╳224、227╳227或229╳229。較佳的，前述影像資料的尺寸為224╳224。
較佳的，所述多個受檢者訓練資料之資料量可為64 MB至256 MB。
較佳的，前述機器學習模型使用的演算法包含一羅吉斯回歸演算法、一類神經網絡演算法或一隨機森林演算法。
更佳的，所述類神經網絡演算法是卷積神經網絡(convolutional neural network，CNN)辨識(recognition)演算法或多層次類神經網絡(deep neural network，DNN)演算法。利用逐層架構網絡層，相較於一般遷移式學習(transfer learning)更能因應模型不同用途，藉由各項超參數(hyperparameters)的自我設定與修正，達到優化模型的目的。
較佳的，所述卷積神經網絡辨識演算法為四層卷積層至六層卷積層。更佳的，為五層卷積層。為卷積神經網絡框架逐層建構。而可得到最低的損失率及較高的準確率、避免過擬合效應。
較佳的，所述卷積神經網絡辨識演算法使用之濾波器尺寸為3╳3或5╳5。
較佳的，所述卷積神經網絡辨識演算法使用之學習率(learning rate)為0.0001至0.001。
較佳的，所述卷積神經網絡辨識演算法係使用丟棄法(Dropout)進行訓練，且丟棄率為0.55至0.75。此學習率可避免過度訓練。
較佳的，所述通過機器學習演算法進行主動脈剝離評估的方法的步驟(A)包含有以下子步驟：
步驟(A-1)：將所述受檢者訓練資料的至少一影像資料及其主動脈剝離診斷結果分成一組訓練資料及一組驗證資料；及
步驟(A-2)：以所述訓練資料及所述驗證資料進行交叉驗證對所述機器學習模型進行監督式訓練，以建立一主動脈剝離預測模型。
舉例而言，步驟(A-1)分組後，訓練資料組具有受檢者影像資料及其主動脈剝離診斷結果且驗證資料組亦具有受檢者影像資料及其主動脈剝離診斷結果。較佳的，該分組可為隨機分組。
較佳的，前述方法在步驟(A)前，進一步包含有以下步驟：對所述影像資料進行資料前處理；其中，所述資料前處理包含影像標準化。此步驟可防止梯度爆炸(exploding gradient)、提升收斂速度與訓練驗證後的準確度。且較佳的，所述資料前處理不包含區分真正病症輪廓的資料，即不需將影像資料先行交由專業人員將主動脈位置做出分割(segmentation)與標示(label)，再讓模型做訓練、辨識主動脈位置，判斷有無剝離病兆。而係能利用單一辨識步驟，即讓機器模型從自行訓練過程中，達到自動辨識訓練掃描後整張原始影像資料，具有極高的辨識度，省略不必要的人力與時間。
較佳的，前述主動脈剝離包含Stanford A分型主動脈剝離及Stanford B分型主動脈剝離。
較佳的，所述影像資料為未使用顯影劑的電腦斷層血管攝影影像。較佳的，所述影像資料為未施打顯影劑的胸腔或腹腔電腦斷層血管攝影影像。
較佳的，所述受檢者訓練資料中訓練者人數大於778人。更佳的，所述受檢者訓練資料中訓練者人數大於780人。再更佳的，所述受檢者訓練資料中訓練者人數大於800人。
較佳的，所述受檢者訓練資料之筆數大於等於16000筆(張)。更佳的，所述受檢者訓練資料之筆數大於18000筆(張)。再更佳的，所述受檢者訓練資料之筆數大於20000筆(張)。本發明藉由大量訓練資料、影像筆數的訓練過程，模型自動辨識訓練掃描後整張原始影像，達到單一辨識步驟即有極高辨識度，而不須先辨識主動脈位置，再判斷有無剝離病兆。
較佳的，前述發明可進一步應用於主動脈剝離的分級與預警。
此外，所述通過機器學習演算法進行主動脈剝離評估的系統，包含有：
一儲存單元，儲存多個受檢者訓練資料；
一處理單元，連接一機器學習模型及所述儲存單元，以讀取所述儲存單元中的多個受檢者訓練資料，並執行前述的通過機器學習演算法進行主動脈剝離評估的方法；
一輸出單元，連接所述處理單元，以接收並顯示所述主動脈剝離評估結果；
一輸入單元，連接所述處理單元，以產生並傳送所述受檢者檢查資料的至少一影像資料至所述處理單元。
本發明之優點在於利用一未施打顯影劑之電腦斷層影像資料透過主動脈剝離預測模型進行是否患有主動脈剝離之評估，因此受檢者不須施打顯影劑亦不經過兩次電腦斷層掃瞄，而可以減少受檢者所接收的輻射劑量，亦可降低因施打顯影劑對特定患者所產生的不良反應風險、並降低對腎功能指數較低受檢者的腎臟功能負擔，另能避免施打顯影劑前須禁食的不便利及造成掃描及診斷的延遲。因此本案發明能廣泛用於各種受檢者，且較傳統診斷方法能縮短檢測時間，提高診斷效率。且本發明能進一步應用於主動脈剝離的分級與預警。
在下文中，本領域技術人員可從以下實施例很輕易地理解本創作所能達到的優點及效果。因此，應當理解本文提出的敘述僅僅用於說明優選的實施方式而不是用於侷限本創作的範圍，在不背離本創作的精神和範圍的情況下，可以進行各種修飾、變更以便實施或應用本創作之內容。
以下實施例所使用的影像資料是來自2012年9月至2019年12月止之南部某醫學中心主動脈剝離受檢者的電腦斷層資料(涵蓋門診、住院和急診的病患)。使用的電腦斷層儀器為：Toshiba Aquilion TSX-101A CT scanner、Simens SOMATOM Definition AS CT scanner、Simens SOMATOM Definition Flash CT scanner或 Canon TSX-330B CT scanner。前述電腦斷層資料的受檢人數共1296人次，受檢人的年齡分布範圍為21歲至97歲。在前述1296人中，共有534例受檢者經診斷後為主動脈剝離，762例受檢者經診斷後未發現病兆。為了讓本發明之機器學習演算法的訓練資料具有平衡性，自前述534例受檢者中隨機挑選出363例受檢者影像(經診斷為主動脈剝離受檢者)；並自前述762位無病兆的受檢者中隨機挑選出415例受檢者影像(經診斷後未發現病兆)，共778位受檢者納入以下機器學習演算法的訓練資料。本案實施例中的回溯性研究已得到長庚醫療財團法人人體試驗倫理委員會的核准。
實施例1
本發明係一種以影像資料通過機器學習演算法進行主動脈剝離評估的方法，請參閱圖1所示，所述以影像資料通過機器學習演算法進行主動脈剝離評估的方法包含有以下步驟：
步驟S101：使用多個受檢者訓練資料，藉由監督式訓練訓練一機器學習模型，以建立一主動脈剝離預測模型，其中，所述多個受檢者訓練資料分別包含其主動脈剝離診斷結果及至少一影像資料。具體而言，本實施例採用之影像資料為電腦斷層主動脈血管攝影之影像，影像尺寸維度為224╳224。且所使用的機器學習模型使用的演算法為卷積神經網絡辨識演算法，並採用early stopping 的策略，在進行監督式學習的過程中找到模型收斂的最佳時間點，以達到具有最佳的泛化性。具體而言，係於步驟S101中使用前述778位受檢者訓練資料。相關參數設定如下表1所示：
表1：實施例1卷積神經網絡的參數設定
| 濾波器通道(filter channel)數 | 濾波器尺寸(filter size) | 池化尺寸(pooling size) | 激活函數(activation function) | 丟棄率 (Dropout rate) | |
| 第一卷積層 | 32 | 3╳3 | 2╳2 | ReLu | 0.5 |
| 第二卷積層 | 64 | 3╳3 | 2╳2 | ReLu | 0.5 |
| 第三卷積層 | 64 | 3╳3 | 2╳2 | ReLu | 0.5 |
| 第四卷積層 | 128 | 3╳3 | 2╳2 | ReLu | 0.5 |
| 第五卷積層 | 256 | 3╳3 | 2╳2 | ReLu | 0.75 |
| 平坦層 | - | - | - | ReLu | 0.5 |
| 全連接層 | - | - | - | ReLu | 0.5 |
| 全連接層 | - | - | - | ReLu | - |
步驟S102：接收受檢者檢查資料中的至少一影像資料，並輸入至所述主動脈剝離預測模型，且根據所述主動脈剝離預測模型產生一主動脈剝離評估結果。具體而言，承接前述S101步驟，接收受檢者檢查資料中的至少一影像資料，並輸入至所述主動脈剝離預測模型，而可得出主動脈剝離預測結果。
由於本發明利用主動脈剝離預測模型進行是否罹患主動脈剝離的預測，受檢者不須施打顯影劑亦不經過兩次電腦斷層掃瞄，因此可以減少受檢者所接收的輻射劑量，亦可降低因施打顯影劑對特定患者所產生的不良反應風險、並降低對腎功能指數較低受檢者的腎臟功能負擔。
請參閱圖2所示，在步驟S101中，包含有以下子步驟：
步驟S1011：將所述受檢者訓練資料的至少一影像資料及其主動脈剝離評估結果分成一組訓練資料及一組驗證資料；
步驟S1012：以所述訓練資料及所述驗證資料對所述機器學習模型進行監督式訓練，以建立所述主動脈剝離預測模型。
具體而言，將778位受檢者的影像資料分組為前述的受檢者訓練資料及前述的受檢者測試資料，當中受檢者訓練資料又分組為訓練資料及驗證資料，其中訓練資料具有522位受檢者的影像資料(各組影像有12800張)，驗證資料有136位受檢者的影像資料(各組影像為3200張)。另外，剩餘的120位受檢者的影像資料(各組影像為2178張)則為受檢者測試資料，用於測試模型的優劣做為效能的評判標準。首先以訓練資料對所述機器學習模型進行監督式訓練，再以驗證資料進行驗證訓練，並經過80回(epochs)訓練循環後，每回觀察損失函數(loss)是否下降、準確度(accuracy)是否提升。結果顯示，訓練組具有高達0.977的準確率、0.167的損失率，而驗證組有0.925的準確率、0.264的損失率。
進一步而言，請參閱圖1所示，本發明在執行步驟S101前，還包含有以下步驟：
步驟S1001：取得所述受檢者訓練資料的影像資料，進一步對所述影像資料前處理。具體而言，係進行影像標準化。此步驟可防止梯度爆炸(exploding gradient)、提升收斂速度與訓練驗證後的準確度。
本實施例所得的模型以前述受檢者測試資料經由模型辨識進行測試，只要每位受檢者只要有一張影像被偵測到疑似是陽性就被歸類為真陽性。取得主動脈剝離預測模型之接收者操作特徵曲線(receiver operating characteristic curve；ROC)後，計算得出ROC曲線的曲線下方面積(area under the curve；AUC)，本實施例的ROC曲線如圖3所示，其AUC為0.971，依據Swets (Swets JA, 1988)的判別標準，屬於極佳的辨識力。再利用Youden index(=靈敏度+特異性-1)找出最佳閾值，發現最佳閾值0.404時，本實施例之靈敏度可以達到96.67%、特異性可以達到90%。
實施例
2
、
3
輸入影像維度之影響
實施例2、3之通過機器學習演算法進行主動脈剝離評估的方法類似於實施例1，差異在於輸入影像資料的尺寸維度分別為227╳227、229╳229。
結果顯示，實施例2之訓練組的準確率及損失率分別為：0.966、0.182；驗證組的準確率及損失率分別為：0.917、0.276。實施例3之訓練組的準確率及損失率分別為：0.973、0.168；驗證組的準確率及損失率分別為：0.918、0.262。實施例2、3的影像維度輸入之結果差於實施例1。
實施例
4
、
5
卷積層之影響
實施例4、5之通過機器學習演算法進行主動脈剝離評估的方法類似於實施例1，差異在於卷積層分別為四層卷積層及六層卷積層。
結果顯示，實施例4之訓練組的準確率及損失率分別為：0.983、0.099；驗證組的準確率及損失率分別為：0.877、0.500。實施例5之訓練組的準確率及損失率分別為：0.991、0.117；驗證組的準確率及損失率分別為：0.903、0.348。實施例1相較於實施例4、5在訓練組的損失率雖然較高，但是在驗證組具有最低的損失率以及較高的準確率。
實施例
6
濾波器大小之影響
實施例6之通過機器學習演算法進行主動脈剝離評估的方法類似於實施例1，差異在於濾波器尺寸大小為5╳5。
結果顯示，實施例6之訓練組的準確率及損失率分別為：0.998、0.082；驗證組的準確率及損失率分別為：0.889、0.426。然其驗證組的高預測率可能是over-fitting所造成。
實施例
7
、
8
資料量
(Batch)
之影響
如果一次輸入的樣本過少，訓練資料就會非常難收斂(convergence)，容易導致欠擬合(underfitting)。相對而言，較大的資料量可以讓單次回合(epoch)的疊代次數降低，提高執行的速度，不過亦會增加記憶體的大小。實施例7、8之通過機器學習演算法進行主動脈剝離評估的方法類似於實施例1，差異在於實施例1之資料量為128而實施例7、8之資料量分別為64及256。
結果顯示，實施例7之訓練組的準確率及損失率分別為：0.955、0.191；驗證組的準確率及損失率分別為：0.900、0.283。實施例8之訓練組的準確率及損失率分別為：0.940、0.256；驗證組的準確率及損失率分別為：0.916、0.299。相較於實施例7、8，實施例1的資料量較能達到效率和記憶體容量的最佳平衡，具有較佳的損失率與準確率的表現。
實施例
9
、
10
學習率之影響
學習率控制損失梯度，直接影響模型能以多少速度收斂到局部最小值，達到最好的準確率；較大的學習率，將會導致權重更新太大，梯度下降增加，反而容易增加誤差；如果學習率越小，很可能會陷入局部最小值，沿著損失梯度下降的速度則越慢，雖然可避免任何局部最佳解，但也需花更多的時間來收斂，也較容易產生過度擬合。所以最理想的學習率應該是可以使損失率曲線達到最低點的值。
實施例9、10之通過機器學習演算法進行主動脈剝離評估的方法類似於實施例1，差異在於學習率分別為0.0001及0.0002。
結果顯示，實施例9之訓練組的準確率及損失率分別為：0.948、0.272；驗證組的準確率及損失率分別為：0.874、0.404。實施例10之訓練組的準確率及損失率分別為：0.946、0.271；驗證組的準確率及損失率分別為：0.893、0.371。實施例9、10顯示學習率在0.0001及0.0002時，未有明顯差異。然而兩者均略差於實施例1之結果。
實施例
11
丟棄法之影響
丟棄法是利用隨機丟棄部分神經元的方式，讓每一次預測結果都不會依賴於某部分特定的神經元，也不致造成訓練的參數值變大，是避免過度擬合的一種正則化(regularizatoin)技術。
實施例11之通過機器學習演算法進行主動脈剝離評估的方法類似於實施例1，差異在於丟棄率為0.5。
結果顯示，實施例11之訓練組的準確率及損失率分別為：0.995、0.109；驗證組的準確率及損失率分別為：0.912、0.295。顯示有過度擬合現象產生。
實施例
12
、
13
回調機制及回合之影響
實施例12、13之通過機器學習演算法進行主動脈剝離評估的方法類似於實施例1，差異在於卷積層分別為70回合及90回合。
結果顯示，實施例12之訓練組的準確率及損失率分別為：0.902、0.290；驗證組的準確率及損失率分別為：0.873、0.338。實施例13之訓練組的準確率及損失率分別為：0.976、0.154；驗證組的準確率及損失率分別為：0.913、0.275。實施例12、13之驗證組損失率略高於實施例1；準確率則略低於實施例1。具體而言，經換算後實施例1相較於實施例12、13驗證組損失率分別低了7.4%與1.1%；準確率則分別高了5.2%與1.2%。
實施例
14
進一步而言，請參閱圖4所示，本發明還包含一種通過機器學習演算法進行主動脈剝離評估的系統10，用於執行所述通過機器學習演算法進行主動脈剝離評估的方法。所述系統10包含有一儲存單元11、一處理單元12、一輸出單元13及一輸入單元14。所述儲存單元11儲存多個受檢者訓練資料。所述處理單元12連接一機器學習模型15及所述儲存單元11，以讀取所述儲存單元11中的多個受檢者訓練資料，並執行所述的以影像資料通過機器學習演算法進行主動脈剝離評估的方法。所述輸出單元13連接所述處理單元12，以接收並顯示所述主動脈剝離評估結果。所述輸入單元14連接所述處理單元12，以產生並傳送所述受檢者檢查資料至所述處理單元12。
綜上所述，本發明利用一未施打顯影劑之電腦斷層影像資料透過主動脈剝離預測模型進行是否患有主動脈剝離之評估，因此受檢者不須施打顯影劑亦不經過兩次電腦斷層掃瞄，在未施打顯影劑的影像中人類肉眼是看不出任何明顯的特徵，但有無剝離的血管對電腦內部讀取影像而言，是二種不同的資訊，而能準確辨識是否罹患主動脈剝離。因此藉由本發明可以減少受檢者所接收的輻射劑量，亦可降低因施打顯影劑對特定患者所產生的不良反應風險、並降低對腎功能指數較低受檢者的腎臟功能負擔，另能避免施打顯影劑前需要禁食的不便利。據此，本案發明能廣泛用於各種受檢者，且較傳統診斷方法能縮短檢測時間，能提高診斷效率。
以上所述僅是本發明的實施例而已，並非對本發明做任何形式上的限制，雖然本發明已以實施例揭露如上，然而並非用以限定本發明，任何熟悉本專業的技術人員，在不脫離本發明技術方案的範圍內，當可利用上述揭示的技術內容作出些許更動或修飾為等同變化的等效實施例，但凡是未脫離本發明技術方案的內容，依據本發明的技術實質對以上實施例所作的任何簡單修改、等同變化與修飾，均仍屬於本發明技術方案的範圍內。
S101:步驟
S102:步驟
S1001:步驟
S1011:步驟
S1012:步驟
10:以影像資料通過機器學習演算法進行主動脈剝離評估的系統
11:儲存單元
12:處理單元
13:輸出單元
14:輸入單元
15:機器學習模型
圖1係本發明之通過機器學習演算法進行主動脈剝離評估的方法流程示意圖。
圖2係本發明建立主動脈剝離預測模型之流程示意圖。
圖3係本發明建立主動脈剝離預測模型之經計算所取得接收者操作特徵曲線的曲線下方的面積。
圖4係本發明之通過機器學習演算法進行主動脈剝離評估的系統方塊示意圖。
無
S1001:步驟
S101:步驟
S102:步驟
Claims (10)
- 一種通過機器學習演算法進行主動脈剝離評估的方法，包含有以下步驟：步驟(A)使用多個受檢者訓練資料，藉由監督式訓練訓練一機器學習模型，以建立一主動脈剝離預測模型，其中，所述多個受檢者訓練資料分別包含其主動脈剝離診斷結果及至少一影像資料，其中，所述影像資料為未使用顯影劑的電腦斷層血管攝影影像；及步驟(B)接收受檢者檢查資料中的至少一影像資料，並輸入至所述主動脈剝離預測模型，且根據所述主動脈剝離預測模型產生一主動脈剝離評估結果。
- 如請求項1所述之通過機器學習演算法進行主動脈剝離評估的方法，其中，所述步驟(A)包含以下子步驟：步驟(A-1)：將所述受檢者訓練資料的至少一影像資料及其主動脈剝離診斷結果分成一組訓練資料及一組驗證資料；及步驟(A-2)：以所述訓練資料及所述驗證資料對所述機器學習模型進行監督式訓練，以建立所述主動脈剝離預測模型。
- 如請求項1所述之通過機器學習演算法進行主動脈剝離評估的方法，其中，在執行步驟(A)前，進一步包含有以下步驟：對所述影像資料進行資料前處理；其中，所述資料前處理包含影像標準化。
- 如請求項1至3任一項所述之通過機器學習演算法進行主動脈剝離評估的方法，其中所述機器學習模型使用的演算法包含一羅吉斯回歸演算法、一類神經網絡演算法或一隨機森林演算法。
- 如請求項4所述之通過機器學習演算法進行主動脈剝離評估的方法，其中，所述類神經網絡演算法是卷積神經網絡(convolutional neural network，CNN)辨識(recognition)演算法。
- 如請求項5所述之通過機器學習演算法進行主動脈剝離評估的方法，其中，所述卷積神經網絡辨識演算法是四層卷積層至六層卷積層。
- 如請求項1至3任一項所述之通過機器學習演算法進行主動脈剝離評估的方法，其中，前述影像資料的格式為224×224、227×227或229×229。
- 如請求項1至3任一項所述之通過機器學習演算法進行主動脈剝離評估的方法，其中，所述主動脈剝離包含Stanford A分型主動脈剝離及Stanford B分型主動脈剝離。
- 如請求項1至3任一項所述之通過機器學習演算法進行主動脈剝離評估的方法，其中，所述受檢者訓練資料之筆數大於16000筆。
- 一種通過機器學習演算法進行主動脈剝離評估的系統，包含有：一儲存單元，儲存多個受檢者訓練資料；一處理單元，連接一機器學習模型及所述儲存單元，以讀取所述儲存單元中的多個受檢者訓練資料，並執行如請求項1至9中任一項所述的通過機器學習演算法進行主動脈剝離評估的方法；一輸出單元，連接所述處理單元，以接收並顯示所述主動脈剝離評估結果；一輸入單元，連接所述處理單元，以產生並傳送所述受檢者檢查資料的至少一影像資料至所述處理單元。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW111143629A TWI817829B (zh) | 2022-11-15 | 2022-11-15 | 通過機器學習演算法進行主動脈剝離評估的方法及系統 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW111143629A TWI817829B (zh) | 2022-11-15 | 2022-11-15 | 通過機器學習演算法進行主動脈剝離評估的方法及系統 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| TWI817829B true TWI817829B (zh) | 2023-10-01 |
| TW202422577A TW202422577A (zh) | 2024-06-01 |
Family
ID=89857984
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW111143629A TWI817829B (zh) | 2022-11-15 | 2022-11-15 | 通過機器學習演算法進行主動脈剝離評估的方法及系統 |
Country Status (1)
| Country | Link |
|---|---|
| TW (1) | TWI817829B (zh) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109087712A (zh) * | 2018-06-29 | 2018-12-25 | 中南大学湘雅医院 | 一种基于随机子空间集成学习的主动脉夹层筛查模型及其建立方法、系统和模型 |
-
2022
- 2022-11-15 TW TW111143629A patent/TWI817829B/zh active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109087712A (zh) * | 2018-06-29 | 2018-12-25 | 中南大学湘雅医院 | 一种基于随机子空间集成学习的主动脉夹层筛查模型及其建立方法、系统和模型 |
Also Published As
| Publication number | Publication date |
|---|---|
| TW202422577A (zh) | 2024-06-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Aggarwal et al. | COVID-19 image classification using deep learning: Advances, challenges and opportunities | |
| Arnaout et al. | An ensemble of neural networks provides expert-level prenatal detection of complex congenital heart disease | |
| Manickam et al. | Automated pneumonia detection on chest X-ray images: A deep learning approach with different optimizers and transfer learning architectures | |
| CN107730497B (zh) | 一种基于深度迁移学习的血管内斑块属性分析方法 | |
| JP2023502983A (ja) | 心臓のビデオを使用して患者のエンドポイントの予測を強化するためのディープニューラルネットワークのためのシステムおよび方法 | |
| US20200380339A1 (en) | Integrated neural networks for determining protocol configurations | |
| Militante et al. | Pneumonia detection through adaptive deep learning models of convolutional neural networks | |
| Li et al. | Explainable multi-instance and multi-task learning for COVID-19 diagnosis and lesion segmentation in CT images | |
| Wang et al. | An integrated deep learning algorithm for detecting lung nodules with low-dose CT and its application in 6G-enabled internet of medical things | |
| Ghosh et al. | ENResNet: A novel residual neural network for chest X-ray enhancement based COVID-19 detection | |
| US11875507B1 (en) | Systems and methods for detecting cardiovascular anomalies using spatiotemporal neural networks | |
| CN116563932A (zh) | 基于多任务学习的眼部图像识别方法及相关设备 | |
| Wang et al. | Deep learning for diagnosing and segmenting choroidal neovascularization in OCT angiography in a large real-world data set | |
| Yao et al. | Accurate and intelligent diagnosis of pediatric pneumonia using X-ray images and blood testing data | |
| Magrelli et al. | Classification of lung disease in children by using lung ultrasound images and deep convolutional neural network | |
| CN117274185B (zh) | 检测方法、检测模型产品、电子设备及计算机存储介质 | |
| Kaya et al. | A novel ensemble learning framework based on a genetic algorithm for the classification of pneumonia | |
| Fukutsu et al. | A deep learning architecture for vascular area measurement in fundus images | |
| US11475561B2 (en) | Automated identification of acute aortic syndromes in computed tomography images | |
| TWI817829B (zh) | 通過機器學習演算法進行主動脈剝離評估的方法及系統 | |
| Pandey et al. | An extended deep learning based solution for screening COVID-19 CT-scans | |
| Taş et al. | Detection of retinal diseases from ophthalmological images based on convolutional neural network architecture. | |
| Li et al. | Automated classification of arterioles and venules for retina fundus images using dual deeply-supervised network | |
| Gowrishankar et al. | Neural network training data profoundly impacts texture-based intravascular image segmentation | |
| CN112766333A (zh) | 医学影像处理模型训练方法、医学影像处理方法及装置 |