[发明专利]一种肝静脉压力梯度无创性评估方法

摘要

本发明公开了一种基于多模态影像及经验知识的肝静脉压力梯度无创性评估方法，利用卷积神经网络对多模态医疗影像进行特征提取并得到基于多模态影像的HVPG估测值，利用深层神经网络对HVPG相关经验知识参数进行回归分析并得到基于经验知识的HVPG估测值，针对上述步骤得到的基于多模态影像以及经验知识的HVPG估测值进行融合，得到融合后的HVPG估测值，采用优化算法对前述卷积神经网络和深层神经网络进行联合训练，训练完成后，即可用来对HVPG进行准确预测，得到基于多模态影像及经验知识的HVPG定量估测值。本发明兼顾多种模态医学影像的互补信息，同时利用相应的经验知识进行特征的补充，更加符合医学上的针对性。

主权项

1.一种基于多模态影像及经验知识的肝静脉压力梯度无创性评估方法，包括以下步骤：步骤1，利用卷积神经网络对多模态医疗影像进行特征提取并得到基于多模态影像的HVPG估测值H1，具体包括如下步骤：步骤1.1，采集共振弹性成像MRE、多期动态增强磁共振门脉成像DCE‑MRPV以及多翻转角平扫T1mapping三种模态的医疗影像序列，并在对三种医疗影像序列处理后进行拼接，得到多模态医疗影像；步骤1.2，利用卷积神经网络对多模态医疗影像进行特征提取，并得到基于多模态影像的HVPG估测值H1；步骤2，利用深层神经网络对HVPG相关经验知识参数进行回归分析并得到基于经验知识的HVPG估测值H2，具体包括如下步骤：步骤2.1，采集与HVPG相关的磁共振形态、功能、血流动力学参数并拼接成HVPG经验知识参数；步骤2.2，利用深层神经网络对HVPG经验知识参数进行回归分析，得到基于经验知识的HVPG估测值H2；步骤3，针对上述步骤得到的基于多模态影像以及经验知识的HVPG估测值H1与H2进行融合，得到融合后的HVPG估测值H′，具体计算公式为：H′＝αH1+(1‑α)H2，其中α作为融合的权重用来权衡多模态影像与经验知识对于估测HVPG的重要性，取值范围为0<α<1；步骤4，采用优化算法对步骤1、2所涉及的卷积神经网络和深层神经网络进行联合训练；步骤5，训练完成后，即可用来对HVPG进行准确预测，得到基于多模态影像及经验知识的HVPG定量估测值。