[发明专利]基于3D多通道卷积神经网络的肝硬化门脉高压无创评估方法

说明书

本发明涉及无创测量领域，其公开了一种基于3D多通道卷积神经网络的肝硬化门脉高压无创评估方法，解决传统技术中有创测量方法风险大、费用高、操作难度大，而目前临床的无创预测模型仍然受各种干扰因素影响其准确性的问题。该方法包括：S1.获取肝硬化门脉高压患者门脉期的CTA图层序列图像；S2.对CTA图层序列图像进行预处理；S3.基于预处理后的CTA图层序列图像进行分割，获取肝脏、脾脏和门脉系统三维图像；S4.采用多通道3D卷积神经网络提取肝脏、脾脏和门脉系统三维图像的特征，以测量的肝硬化门脉高压患者的HVPG分级值作为输出进行训练，获得稳定的门脉高压预测模型；S5.通过稳定的门脉高压预测模型对患者的门脉压力进行评估。

技术领域

本发明涉及无创测量领域，具体涉及一种基于3D多通道卷积神经网络的肝硬化门脉高压无创评估方法。

背景技术

肝硬化是各种慢性肝病的终末期表现，门静脉高压是肝硬化重要表现之一。门脉高压的精准评估对肝硬化危险度分层和个体化治疗具有重要意义。肝静脉压力梯度(Hepatic Venous Pressure Gradient,HVPG)是门静脉高压危险分层的金标准。然而，HVPG作为有创的测量手段，在门脉高压早期没有严重并发症时，患者接受度低，检查费用昂贵，在我国以及其他发展中国家的临床推广应用受到很大限制。因此，寻找一种无创的门脉高压评估方法是肝硬化门静脉高压领域的研究热点。

人工智能是指运用计算机的软硬件模拟人的智能行为用于疾病的精准诊疗，其发展为肝硬化门脉高压的无创评估提供了新的机遇。其中卷积神经网络(convolutionalneural network,CNN)是人工智能的代表性方法，也是目前精准医疗的研究热点。CNN由卷积层、池化层、全连接层构成，卷积层通过稀疏化局部连接和权值共享大幅度减少参数数量，而池化层下调对输入值扰动的敏感性，提升模型的鲁棒性。CNN直接提取图像特征，通过多卷积核从像素到局部形状进行感知，获得更多特征信息，避免了手动选择的特征受到经验性的限制而有可能忽略重要和有价值的影像特征导致预测模型的不够准确的缺点，通过挖掘更多与门脉高压相关的特征，实现门脉高压的无创精准分级。

发明内容

本发明所要解决的技术问题是：提出一种基于3D多通道卷积神经网络的肝硬化门脉高压无创评估方法，解决传统技术中有创测量方法风险大、费用高、操作难度大，而目前临床的无创预测模型仍然受各种干扰因素影响其准确性的问题。

本发明解决上述技术问题采用的技术方案是：

基于3D多通道卷积神经网络的肝硬化门脉高压无创评估方法，包括以下步骤：

S1.获取肝硬化门脉高压患者门脉期的CTA图层序列图像；

S2.对CTA图层序列图像进行预处理；

S3.基于预处理后的CTA图层序列图像进行分割，获取肝脏、脾脏和门脉系统三维图像；

S4.采用多通道3D卷积神经网络提取肝脏、脾脏和门脉系统三维图像的特征，以测量的肝硬化门脉高压患者的HVPG分级值作为输出进行训练，获得稳定的门脉高压预测模型；

S5.通过稳定的门脉高压预测模型对患者的门脉压力进行评估。

作为进一步优化，步骤S1中，通过CTA序列薄层扫描方式，获取肝硬化门脉高压患者的门静脉期CTA图层序列，以dicom格式导出。

作为进一步优化，步骤S2中，所述对CTA图层序列图像进行预处理包括：

S21、统一图像分辨率；

S22、对门脉期的肝脏、脾脏以及门脉血管的CT值分别进行定位；

S23、采用高斯滤波器来消除高斯噪声；

S24、选用拉普拉斯算子Klaplace来锐化细微血管结构；