一种基于肝脏CT影像的肝功能分级方法

摘要

本发明公开一种基于肝脏CT影像的肝功能分级方法。采集腹部CT医学图像，记录患者同期血液学检查等指标；对CT图像的肝脏组织提取感兴趣区域，并计算肝功能评分，建立数据集；对数据集进行分组；通过数据增强方法，用训练样本集CT图像基于多重二值编码的PCANet深度学习模型进行参数训练；对用训练样本集和验证样本集提取深度特征训练分类器，建立肝功能分级模型；在测试样本集上对模型进行评估测试。相对于组织病理学分级方法具有侵入性、诊断时间长，临床分级方法需要空腹血液学检查指标，检测时间受限等问题，利用肝脏CT影像及深度学习方法，实现通过CT图像对患者肝功能等级的智能分级，具有非侵入性、高效性、可重复性。

说明书

技术领域

本发明涉及肝功能的智能诊断，图像处理，机器视觉领域，具体一种基于计算机视觉技术从肝脏CT影像中评估肝功能等级的方法。

背景技术

对不同肝病患者的肝功能进行评估在肝脏部分切除、创伤性介入治疗、肝移植供肝的选择及分配、肝移植后肝功能的监测等方面有着重要的作用。无论是肝癌或肝硬化，肝功能都对患者的预后起到了重要影响，准确反映慢性肝病患者肝功能失代偿情况对于患者的临床诊治具有重要意义。

目前，对肝功能进行分级的方法主要有病理学活检、血液学指标结合主观性指标评分等方法。病理学Laennec分期与肝硬化的临床分期以及肝静脉压力梯度具有良好相关性，但因其有创性限制了其在临床上的广泛使用。临床常用的肝功能分级方法：Child-Pugh分级、终末期肝病模型(MELD)等主要基于血清肌酐、胆红素、白蛋白等血液学检查指标及腹水、肝性脑病等临床主观指标计算评分，可以在一定程度上识别肝脏器质性病变的程度。MELD方法评价终末期肝病的严重程度，在预测终末期肝病死亡率及肝移植中广泛应用，并逐渐扩大到重型肝炎及肝癌中。

病理学活检需要从患者体内切取、钳取或穿刺等取出病变组织，具有侵入性，易受到标本取材的影响，血液学检查指标需要空腹进行，受到时间的限制。影像组学认为，CT影像与组织病变有良好的相关性，通过深入分析图像特征数据可以揭示出医学影像资料和临床预测、预后结果之间的潜在关系。设计有效的方法，建立基于CT影像的肝功能分级模型，可以在无法及时进行病理学检测、空腹血液学检查等情况下，为患者肝硬化程度评分、肝切除手术治疗以及术后死亡率的估计提供辅助诊断。与病理组织和分子生物学方法相比，基于影像的方法具有无创性，高效性，为肝功能评估提供了快速、有效的辅助诊断。

发明内容

针对上述问题，本发明提供了一种基于CT影像信息的肝功能分级方法，为患者肝功能等级评估提供一种非侵入性、高效的方法。

本发明的技术方案是：一种基于肝脏CT影像的肝功能分级方法，具体操作步骤如下：

步骤(1.1)，采集患者腹部CT医学图像，并记录患者同时期的生化全套检查数据、凝血五项数据及病因指标；

步骤(1.2)，提取腹部CT医学图像中不含有肿瘤和血管的肝脏感兴趣区域作为样本数据，并根据生化全套检查数据、凝血五项数据及病因指标计算出MELD评分作为样本数据的标签，建立数据集；

步骤(1.3)，对建立的数据集进行分组，将其分为训练样本集、验证样本集和测试样本集；

步骤(1.4)，对训练样本集中的肝脏感兴趣区域进行数据增强；

步骤(1.5)，利用增强后的训练样本集数据对深度学习网络的参数进行训练；

步骤(1.6)，利用已训练的深度学习网络对训练样本集和验证样本集提取相应的深度特征，通过对多分类器进行优化训练，建立基于腹部CT医学图像的肝功能分级模型；

步骤(1.7)，运用测试样本集的数据对已建立的肝功能分级模型进行评估测试。

进一步的，在步骤(1.1)中，所述采集腹部CT医学图像的图像格式为DICOM，大小为512×512像素。

进一步的，在所述步骤(1.2)中，建立数据集的具体操作内容：

(1.2.1)、在腹部CT医学图像的肝脏区域，提取大小为64×64像素、排除含有肿瘤和血管的感兴趣区域；

(1.2.2)、根据MELD评分系统，计算每位病人的肝功能评分，如下式所示：

MELD＝3.8×ln[胆红素(mg/dl)]+11.2×ln(INR)

+9.6×ln[肌酐(mg/dl)]+6.4×(病因)

其中，ln表示自然对数，“病因”选项中，胆汁性或酒精性为0，其他为1，INR表示凝血酶原时间国际标准化比值；根据MELD评分标准划分出“低危患者”、“中危患者”和“高危患者”；根据MELD评分设定每张图像的标签，建立肝功能分级的数据集。

进一步的，在所述步骤(1.3)中，对建立的数据集进行分组的具体内容包括随机选取70％数据作为训练样本集，随机选取20％作为验证样本集，剩下的10％作为测试样本集。

进一步的，在所述步骤(1.4)中，对训练样本集中的图像进行数据增强的具体内容包括：使用平移、翻转、旋转、裁剪及缩放的方法对训练样本集中的CT医学图像进行数据增强。

进一步的，在所述步骤(1.5)中，所述的深度学习网络是指一种基于多重二值编码的PCANet结构的卷积神经网络，其训练过程包括：

(1.5.1)、对N张m×n图像中每个像素及其邻域设定子块，将每个分块的矩阵按列优先，向量化为列向量，再依次级联成一个矩阵；其中，第i张图像表示为：

其中，x

式中，

对所有的腹部CT图像构造上述相同的矩阵，将其级联在一起，得到：

式中，N表示训练集中的腹部CT图像数量；

(1.5.2)、网络参数的训练：通过主成分分析寻找标准正交矩阵来最小化重构误差：

式中，

即提取矩阵X的协方差矩阵的前L

将学习得到的第一层的特征映射矩阵

式中，I

对第一层的滤波图像，再次取子块，级联和去均值处理，设第二层的样本输入表示为：

同理，使用协方差矩阵对应的特征向量构建L

将第一层的输出与第二层获得的卷积核

(1.5.3)、输出层：对于输出的L

式中，s(·)表示阶跃函数，对于输入大于0的数输出为1，否则为0；

对于每组图像进行交叉二值化编码，即：

其中，a,b表示图像的宽度和高度；

对于每组中的L

编码完成后，分别统计上述三种编码的直方图，即：

其中，

最后，腹部CT图像的特征表示为三种编码直方图的级联，如下式所示：

h

式中，h

进一步的，在所述步骤(1.7)中，对肝功能分级模型进行评估测试具体内容：运用已训练的深度学习网络对测试样本集中的腹部CT医学图像进行特征的提取，并对已建立的肝功能分级模型进行评估测试。

本发明的有益效果是：1、针对组织病理学分级具有侵入性、诊断时间长，血液学检查指标需要空腹，检测时间受限等问题，提供了一种基于CT影像的肝功能分级方法，利用肝脏CT影像特征及深度学习方法，实现通过CT影像对患者肝功能的智能分级，具有非侵入性、高效性、可重复性；2、利用基于多重二值编码的PCANet深度卷积神经网络，无监督的训练网络参数，自动学习肝脏CT图像的特征，利用多重二值编码及直方图统计，对单个特征图内和不同特征图间进行编码，获得更有辨别力的特征。

附图说明

图1是本发明的结构流程图；

图2是本发明中MELD评分为“低危”、“中危”和“高危”的肝脏CT图像示意图；

其中(a)、MELD评分为6分，“低危”，(b)、MELD评分为16分，“中危”，(c)、MELD评分为22分，“高危”；

图3是本发明中MELD肝脏组织ROI图像示意图，

其中，(a)、为“低危”，(b)、为“中危”，(c)、为“高危”肝脏组织图像；

图4是本发明中实施例一的结构示意图；

图5是本发明中实施例二的结构示意图。

具体实施方式

为了更清楚地说明本发明的技术方案，下面结合附图对本发明的技术方案做进一步的详细说明：

如图1-3所述；一种基于肝脏CT影像的肝功能分级方法，具体操作步骤如下：

步骤(1.1)，采集患者腹部CT医学图像，并记录患者同时期的生化全套检查数据、凝血五项数据及病因指标；

步骤(1.2)，提取腹部CT医学图像中不含有肿瘤和血管的肝脏感兴趣区域作为样本数据，并根据生化全套检查数据、凝血五项数据及病因指标计算出MELD评分作为样本数据的标签，建立数据集；

步骤(1.3)，对建立的数据集进行分组，将其分为训练样本集、验证样本集和测试样本集；

步骤(1.4)，对训练样本集中的肝脏感兴趣区域进行数据增强；

步骤(1.5)，利用增强后的训练样本集数据对深度学习网络的参数进行训练；

步骤(1.6)，利用已训练的深度学习网络对训练样本集和验证样本集提取相应的深度特征，通过对多分类器进行优化训练，建立基于腹部CT医学图像的肝功能分级模型；

步骤(1.7)，运用测试样本集的数据对已建立的肝功能分级模型进行评估测试。

进一步的，在步骤(1.1)中，所述采集腹部CT医学图像的图像格式为DICOM，大小为512×512像素；筛选包含肝脏区域的CT影像。

进一步的，在所述步骤(1.2)中，建立数据集的具体操作内容：

(1.2.1)、在腹部CT医学图像的肝脏区域，提取大小为64×64像素、排除含有肿瘤和血管的感兴趣区域；

(1.2.2)、根据MELD评分系统，计算每位病人的肝功能评分，如下式所示：

MELD＝3.8×ln[胆红素(mg/dl)]+11.2×ln(INR)+9.6×ln[肌酐(mg/dl)]+6.4×(病因)

其中，ln表示自然对数，“病因”选项中，胆汁性或酒精性为0，其他为1，INR表示凝血酶原时间国际标准化比值；根据MELD评分标准划分出“低危患者(MELD<15)”、“中危患者(15≤MELD≤18)”和“高危患者(MELD>18)”；根据MELD评分设定每张图像的标签，建立肝功能分级的数据集。

在肝脏区域，由具有专业背景知识的医生提取大小为38×38像素、不包含肿瘤和血管的肝脏感兴趣区域(ROI)，根据MELD评分设定每张图像的标签，建立数据集。

进一步的，在所述步骤(1.3)中，对建立的数据集进行分组的具体内容包括随机选取70％数据作为训练样本集，随机选取20％作为验证样本集，剩下的10％作为测试样本集。

进一步的，在所述步骤(1.4)中，对训练样本集中的图像进行数据增强的具体内容包括：使用平移、翻转、旋转、裁剪及缩放的方法对训练样本集中的CT医学图像进行数据增强；将数据集按照7:3分成训练集和验证集是随机进行的，且进行多次分组。

进一步的，在所述步骤(1.4)中，对训练集图像基于深度学习模型进行训练，提取出特征的具体内容：

进一步的，在所述步骤(1.5)中，所述的深度学习网络是指一种基于多重二值编码的PCANet结构的卷积神经网络，其训练过程包括：

(1.5.1)、对N张m×n图像中每个像素及其邻域设定子块，将每个分块的矩阵按列优先，向量化为列向量，再依次级联成一个矩阵；其中，第i张图像表示为：

其中，x

式中，

对所有的腹部CT图像构造上述相同的矩阵，将其级联在一起，得到：

式中，N表示训练集中的腹部CT图像数量；

(1.5.2)、网络参数的训练：通过主成分分析寻找标准正交矩阵来最小化重构误差：

式中，

即提取矩阵X的协方差矩阵的前L

将学习得到的第一层的特征映射矩阵

式中，I

对第一层的滤波图像，再次取子块，级联和去均值处理，设第二层的样本输入表示为：

同理，使用协方差矩阵对应的特征向量构建L

将第一层的输出与第二层获得的卷积核

(1.5.3)、输出层：对于输出的L

式中，s(·)表示阶跃函数，对于输入大于0的数输出为1，否则为0；

对于每组图像进行交叉二值化编码，即：

其中，a,b表示图像的宽度和高度；

对于每组中的L

编码完成后，分别统计上述三种编码的直方图，即：

其中，

最后，腹部CT图像的特征表示为三种编码直方图的级联，如下式所示：

h

式中，h

进一步的，在所述步骤(1.7)中，对肝功能分级模型进行评估测试具体内容：运用已训练的深度学习网络对测试样本集中的腹部CT医学图像进行特征的提取，并对已建立的肝功能分级模型进行评估测试。

具体实施例：

实施例1：患者1于某省人民医院采集腹部CT医学图像，图像大小为为512×512像素；经由医生提取出不含肿瘤和血管的肝脏感兴趣区域，并将其输入到深度学习网络获取对应的深度特征，然后通过肝功能分级模型进行肝功能分级，得出“低危”的结果，如图4所述。

实施例2：患者2于某省人民医院采集腹部CT医学图像，图像大小为为512×512像素；经由医生提取出不含肿瘤和血管的肝脏感兴趣区域，并将其输入到深度学习网络获取对应的深度特征，然后通过肝功能分级模型进行肝功能分级，得出“高危”的结果，如图5所述。

最后，应当理解的是，本发明中所述实施例仅用以说明本发明实施例的原则；其他的变形也可能属于本发明的范围；因此，作为示例而非限制，本发明实施例的替代配置可视为与本发明的教导一致；相应地，本发明的实施例不限于本发明明确介绍和描述的实施例。