基于深度学习的肝静脉压力梯度计算方法、系统及设备

技术领域

本发明涉及医学人工智能技术领域，特别是涉及一种基于深度学习的肝静脉压力梯度计算方法、系统及设备。

背景技术

门静脉高压是肝硬化最突出的非肿瘤性并发症，可导致严重并发症和死亡率。肝静脉压力梯度(Hepatic Venous Pressure Gradient，HVPG)测量是诊断门静脉高压的金标准，也是肝硬化并发症的重要预测指标。

肝静脉压力梯度大于10mm Hg是一级预防中最重要的临界值，它区分了门静脉高压是否有临床意义，表明代偿期肝硬化患者失代偿事件的风险增加。而肝静脉压力梯度大于12mm Hg是发生静脉曲张出血的高风险因素，肝静脉压力梯度大于16mm Hg提示死亡风险增加。若肝静脉压力梯度高于20mm Hg则表明与出血控制失败、再出血和死亡有关。

因此，对肝静脉压力梯度进行持续监测在门静脉高压患者的初级预防和治疗管理中起着重要作用。然而，经颈静脉肝静脉压力梯度测量具有侵入性，价格昂贵，并且具有专业障碍，这限制了其在门静脉高压管理中的临床应用。因此，迫切需要替代的非侵入性技术来更好地评估和监测肝静脉压力梯度，进而对患者后续情况进行评估，进行个性化的诊疗。

随着人工智能和深度学习的发展，在医学领域，很多研究者尝试使用智能算法对影像学数据自动分割或识别。在以往的方案中，往往需要手动进行感兴趣区域的提取，后借助影像组学相关的技术进行评判。但是该种方案作为自动化任务仍然存在繁琐的流程且准确率不高。一些基于临床特征构建的机器学习模型可以取得较好效果，但是获取相关临床特征较为麻烦。

各种门静脉压力测量技术仍受其自身干扰因素的影响，如侵入性风险高，干扰因素多，稳健性较差等。因此，基于纯影像早期无创门静脉高压症的诊断方法，仍有待进一步研究和完善。

发明内容

针对上述背景技术中提出的问题，本发明提供一种基于深度学习的肝静脉压力梯度计算方法、系统及设备，以实现肝静脉压力梯度值的自动非侵入测量，提高测量效率和准确率。

为实现上述目的，本发明提供了如下方案：

一方面，本发明提供一种基于深度学习的肝静脉压力梯度计算方法，包括：

获取包含有肝脏和脾脏部分的腹部CT影像和对应检测得到的静脉压力梯度值；

对CT影像进行标注和预处理，并将预处理后影像与对应标注影像划分为训练集、验证集和测试集；

基于3D形式的UNet网络构建肝脏脾脏自动分割模型，并利用训练集、验证集和测试集进行分割模型训练及评估，得到训练好的分割模型；

将预处理后影像输入训练好的分割模型中，经过自动分割得到肝脏和脾脏区域；

基于3D形式的ResNet50架构网络和双线融合结构构建基于深度学习的回归模型；

将自动分割得到的肝脏和脾脏区域与对应静脉压力梯度值划分为训练集、验证集和测试集，进行回归模型训练及评估，得到训练好的回归模型；

利用训练好的分割模型和训练好的回归模型计算待测腹部CT影像的肝静脉压力梯度值。

可选地，所述对CT影像进行标注和预处理，具体包括：

将CT影像导入itk-snap软件分别进行肝脏和脾脏部分标注，得到标注影像；

对CT影像进行重采样，保持全部CT影像拥有相同的层厚间距；同时对CT影像进行像素值的归一化，并采用高斯滤波器滤除噪声，得到预处理后影像。

可选地，所述3D形式的UNet网络包括编码网络和解码网络；编码网络和解码网络由跳跃连接模块连接；所述编码网络包括多个下采样模块；所述解码网络包括多个上采样模块；上采样模块与下采样模块数量相同。

可选地，所述下采样模块基于三维卷积形式，通过卷积与池化操作逐渐减少影像尺度来提取不同维度下网络的特征；所述上采样模块基于三维卷积形式，通过卷积与反卷积操作逐渐增加影像尺度来还原网络学习到的内容；所述跳跃连接模块将下采样模块中尺度信息传递到对应上采样模块尺度中，并将输入特征矩阵和输出特征矩阵进行拼接输出。

可选地，所述回归模型采用两个基于3D形式的ResNet50架构网络作为骨干网络，并拓展到3D形式的双线融合结构以及全连接层结构；两个基于3D形式的ResNet50架构网络的输入分别为自动分割得到的肝脏和脾脏区域，两路输出分别为提取的肝脏特征和脾脏特征；通过双线融合结构将两路输进行融合，再经过全连接层结构进行回归预测，端到端预测得到肝静脉压力梯度值。

可选地，所述基于3D形式的ResNet50架构网络包含多个残差块结构；所述残差块结构公式表示如下：x

可选地，所述双线融合结构公式表示如下：F＝θF

另一方面，本发明提供一种基于深度学习的肝静脉压力梯度计算系统，包括：

影像数据收集模块，用于获取包含有肝脏和脾脏部分的腹部CT影像和对应检测得到的静脉压力梯度值；

影像标注和预处理模块，用于对CT影像进行标注和预处理，并将预处理后影像与对应标注影像划分为训练集、验证集和测试集；

分割模型构建及训练模块，用于基于3D形式的UNet网络构建肝脏脾脏自动分割模型，并利用训练集、验证集和测试集进行分割模型训练及评估，得到训练好的分割模型；

肝脏脾脏自动分割模块，用于将预处理后影像输入训练好的分割模型中，经过自动分割得到肝脏和脾脏区域；

回归模型构建模块，用于基于3D形式的ResNet50架构网络和双线融合结构构建基于深度学习的回归模型；

回归模型训练及评估模块，用于将自动分割得到的肝脏和脾脏区域与对应静脉压力梯度值划分为训练集、验证集和测试集，进行回归模型训练及评估，得到训练好的回归模型；

肝静脉压力梯度值计算模块，用于利用训练好的分割模型和训练好的回归模型计算待测腹部CT影像的肝静脉压力梯度值。

再一方面，本发明还提供一种电子设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述的基于深度学习的肝静脉压力梯度计算方法。

可选地，所述存储器为非暂态计算机可读存储介质。

根据本发明提供的具体实施例，本发明公开了以下技术效果：

本发明提供了一种基于深度学习的肝静脉压力梯度计算方法、系统及设备。本发明中分割模型和回归模型的构建方法采用一套端到端的流程，分割模型采用改进的3D-UNet网络结构，回归模型采用双线的3D-ResNet50网络结构，采用分割模型同时分割出肝脏和脾脏的部分，减少了人工分割的工作量，并可以继续进行肝脏脾脏形态学上的分析，基于3D的网络结构也可以更好的提取空间特征。分割模型中通过使用上采样与下采样结构从不同尺度提取学习网络特征，并使用跳跃连接结构连接学习到的特征，回归模型中按权重融合不同特征的输入，大大提高了网络的分割效率与端到端回归预测效果。本发明创新性地提出了利用胸部CT影像对肝静脉压力梯度进行计算，借助影像实现了无创测量，极大地提升了诊断的效率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明一种基于深度学习的肝静脉压力梯度计算方法的流程图；

图2为本发明一种基于深度学习的肝静脉压力梯度计算方法的原理示意图；

图3为本发明中分割模型的整体结构图；

图4为本发明分割模型中下采样模块的网络结构示意图；

图5为本发明分割模型中上采样模块的网络结构示意图；

图6为本发明分割模型中跳跃连接模块的网络结构示意图；

图7为本发明中回归模型的特征结构图；

图8为本发明回归模型中双线融合结构模块的网络结构图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的目的是提供一种基于深度学习的肝静脉压力梯度计算方法、系统及设备，基于患者腹部的CT影像，通过基于深度学习的自动分割方法得到肝脏和脾脏部分，并通过回归模型得到肝静脉压力梯度值，实现肝静脉压力梯度值的自动非侵入测量，提高测量效率和准确率。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

图1和图2分别为本发明一种基于深度学习的肝静脉压力梯度计算方法的流程图和原理示意图。参见图1和图2，本发明一种基于深度学习的肝静脉压力梯度计算方法，包括：

步骤1：获取包含有肝脏和脾脏部分的腹部CT影像和对应检测得到的静脉压力梯度值。

收集包含有肝脏和脾脏部分的腹部CT的DICOM影像和对应检测得到的静脉压力梯度值。将腹部CT影像DICOM序列导入itk-snap软件，由专业医师进行肝脏和脾脏部分的手动标注，保证标注出的label(标签)1和label2，其分别对应肝脏的感兴趣区域和脾脏的感兴趣区域。将标注完成的label1和label2导出为NiFTI格式(.nii.gz)的文件，同时将原始腹部CT影像DICOM序列也导出为NiFTI格式的文件，得到一一对应的原始CT影像和标注影像文件，以用于后续模型训练的初始数据集。

步骤2：对CT影像进行标注和预处理，并将预处理后影像与对应标注影像划分为训练集、验证集和测试集。

将CT影像导入itk-snap软件，并由专业医师分别对进行肝脏和脾脏部分进行手动标注作为金标准。将原始CT影像和对应标注影像文件都导出为NiFTI格式(.nii.gz)的文件，便于后续使用。

在得到CT影像后，需要对影像进行重采样，保持全部CT影像拥有相同的层厚间距；同时对影像进行像素值的归一化，并采用高斯滤波器滤除噪声，得到预处理后影像。

步骤3：基于3D形式的UNet网络构建肝脏脾脏自动分割模型，并利用训练集、验证集和测试集进行分割模型训练及评估，得到训练好的分割模型。

借助深度学习技术，基于原始影像和标注影像文件，构建训练专门用于肝脏脾脏自动分割的模型。所述分割模型采用3D-UNet结构。3D-UNet包含编码和解码结构，且中间各对应模块由跳跃连接结构连接。编码和解码结构分别由若干个下采样和上采样模块构建。

其中，下采样模块基于三维卷积形式，通过卷积与池化操作逐渐减少影像尺度来提取不同维度下网络的特征；上采样模块基于三维卷积形式，通过卷积与反卷积操作逐渐增加影像尺度来还原网络学习到的内容；跳跃连接模块将下采样模块中尺度信息传递到对应上采样模块尺度中，输入特征矩阵X和输出特征矩阵

如图3所示，构建肝脏脾脏自动分割模型，分割模型采用3D形式的UNet网络结构，具体包含编码和解码网络，编码和解码网络分别由若干个下采样和上采样模块构成，并由跳跃连接结构进行模块之间的连接。最终输出为肝脏和脾脏分割部分。

下采样模块的结构如图4所示，此下采样模块同时存在于CT影像与PET影像分割的编码网络结构中。编码网络通过多个下采样模块逐步提取原始影像在不同尺度下的特征。在获得上一层的输入特征矩阵X后，特征矩阵尺度表示为[c,x,y,z]，其中c,x,y,z分别代表特征矩阵的通道数、长、宽、高。首先使用2次卷积核大小为3*3*3的三维卷积，该卷积过程保持影像的尺度不变，通道数变为2倍，这里通过三维卷积操作对不同尺度进行筛选，并由增加通道数量以提取更多角度的特征。之后对得到的结果进行一次2*2*2的三维最大池化操作，影像的尺度变为原来的1/2。这里使得多个下采样模块可以连接，并从不同尺度上去提取不同的特征。最终输出

上采样模块的结构如图5所示，此上采样模块同时存在于CT影像与PET影像分割的解码网络结构中。解码网络通过多个上采样模块逐步将特征还原为原始影像的尺度。在获得上一层的输入特征矩阵X后，特征矩阵尺度表示为[c,x,y,z]。首先使用2次卷积核大小为3*3*3的三维卷积，该卷积过程保持影像的尺度不变，通道数变为1/2倍。这里由于后面的跳跃连接模块将上采样与现在输入进行拼接，本质输入通道数是原先两倍，因此通过三维卷积操作将通道尺度进行还原。之后对得到的结果进行一次2*2*2的反卷积操作，扩大影像尺度为原先2倍，通道数变为c/2，目的是为了最终尺度对应以进行后续多个上采样模块连接操作。最终输出

因为单独上下采样模块最终获取的特征数较多，为了提升计算速度和模型精度，本发明采用跳跃连接模块保证同尺度特征间的关联，此跳跃连接模块存在于PET影像分割的解码网络结构中。跳跃连接模块的结构如图6所示，在获得上一层的输入特征矩阵X后，特征矩阵尺度表示为[c,x,y,z]，同时需要在上采样过程中选取相同尺度大小的输入

最终分割模型将图像尺度还原为原始输入大小，输出对应肝脏和脾脏部分分割结果。

在肝脏脾脏自动分割模型进行训练之前，先对数据进行分组，将80％的数据集作为训练集，10％的数据集作为验证集，10％的数据集作为测试集。即，将预处理后的影像数据按8:1:1划分为训练集、验证集和测试集，过程中CT影像和标注影像文件需一一对应。采用监督训练方法对分割模型进行训练。收集整理由专业医师标注的CT影像的肝脏和脾脏区域作为金标准，之后影像数据进行预处理；将预处理后的影像数据划分为训练集、验证集和测试集；将训练集送入到构建的分割模型中进行训练，利用验证集对分割模型的性能进行评估，根据评估的效果对模型的超参数进行调整，通过反复训练、验证，最终得到性能达标的分割模型。

分割模型训练时，将训练集送入到分割模型中；验证集对模型的超参数进行调整，使用优化器更新参数，对网络进行优化，对学习率进行自动调参，得到训练完成的分割网络。测试集用来估计学习过程完成之后的模型的泛化能力。在测试集上，对模型的分割效果进行评估：对该任务的评估，需要计算每一类的Dice系数，其用来衡量网络分割结果与金标准之间的相似性，其定义为正确分类到本类的像素数(True Positive，TP)的2倍除以所有预测像素数(TP+FP)加上真实像素数(TP+FN)。

步骤4：将预处理后影像输入训练好的分割模型中，经过自动分割得到肝脏和脾脏区域。

将预处理后的腹部CT影像输入训练好的分割模型中，即可分别得到对应肝脏和脾脏的自动分割区域。

步骤5：基于3D形式的ResNet50架构网络和双线融合结构构建基于深度学习的回归模型。

经过自动分割得到的肝脏和脾脏区域，结合肝静脉压力梯度作为金标准，构建基于深度学习的回归模型。所述回归模型的骨干网络基于Resnet50架构，并拓展到3D形式的双线融合结构，通过输入自动分割得到的肝脏和脾脏感兴趣区域，端到端预测最终的肝静脉压力梯度值。

如图7所示，将分割得到的肝脏和脾脏同时输入3D形式的ResNet50架构提取高阶的深度学习特征，然后通过双线融合结构分别将肝脏和脾脏的特征进行融合，经过全连接层结构进行最终回归预测。

所述3D形式的ResNet50架构网络包含多个残差块结构，所述残差块结构公式表示如下：x

图8展示了双线融合结构模块的网络结构图。所述双线融合结构公式表示如下：F＝θF

步骤6：将自动分割得到的肝脏和脾脏区域与对应静脉压力梯度值划分为训练集、验证集和测试集，进行回归模型训练及评估，得到训练好的回归模型。

在回归模型进行训练之前，先对数据进行分组。与分割模型一样，将80％的数据集作为训练集，10％的数据集作为验证集，10％的数据集作为测试集。即，将肝脏和脾脏区域与对应静脉压力梯度值构成的整体数据集按8∶1∶1划分为训练集、验证集和测试集。采用监督训练方法对回归模型进行训练，将分割得到的肝脏和脾脏以及对应肝静脉压力梯度作为网络的输入和最终值对比标准；将一一对应的影像和对比标准划分为训练集、验证集和测试集；将训练集送入到构建回归中进行训练，利用验证集对回归模型的性能进行评估，根据评估的效果对模型的超参数进行调整，通过反复训练、验证，最终得到准确率较高的回归模型。

回归模型训练时，将训练集送入到回归模型中；验证集对模型的超参数进行调整，使用优化器更新参数，对网络进行优化，对学习率进行自动调参，得到训练完成的网络；测试集用来估计学习过程完成之后的模型的泛化能力。

测试集用来估计学习过程完成之后的模型的泛化能力。在测试集上，对模型的回归效果进行评估：对该任务的评估，需要计算整体的平均绝对误差MAE(mean absoluteerror)，其用来衡量网络结果与真实肝静脉压力梯度之间的差距，其定义为每个样本真实值与预测值差值的绝对值综合，除以整体样本的个数。MAE数值越小，表示模型效果越好。

步骤7：利用训练好的分割模型和训练好的回归模型计算待测腹部CT影像的肝静脉压力梯度值。

将待分割的腹部CT影像输入训练好的分割模型中，分别得到对应肝脏和脾脏的自动分割区域。之后将肝脏和脾脏的自动分割区域输入训练好的回归模型中，得到最终肝静脉压力梯度值。利用本发明，可以根据腹部CT影像全自动的得到肝静脉压力梯度值，提升模型对于不同维度特征的学习能力，做到早期非侵入性预测判断。

基于本发明提供的方法，本发明还提供一种基于深度学习的肝静脉压力梯度计算系统，包括：

影像数据收集模块，用于获取包含有肝脏和脾脏部分的腹部CT影像和对应检测得到的静脉压力梯度值；

影像标注和预处理模块，用于对CT影像进行标注和预处理，并将预处理后影像与对应标注影像划分为训练集、验证集和测试集；

分割模型构建及训练模块，用于基于3D形式的UNet网络构建肝脏脾脏自动分割模型，并利用训练集、验证集和测试集进行分割模型训练及评估，得到训练好的分割模型；

肝脏脾脏自动分割模块，用于将预处理后影像输入训练好的分割模型中，经过自动分割得到肝脏和脾脏区域；

回归模型构建模块，用于基于3D形式的ResNet50架构网络和双线融合结构构建基于深度学习的回归模型；

回归模型训练及评估模块，用于将自动分割得到的肝脏和脾脏区域与对应静脉压力梯度值划分为训练集、验证集和测试集，进行回归模型训练及评估，得到训练好的回归模型；

肝静脉压力梯度值计算模块，用于利用训练好的分割模型和训练好的回归模型计算待测腹部CT影像的肝静脉压力梯度值。

进一步地，本发明还提供一种电子设备，该设备可以包括：处理器、通信接口、存储器和通信总线。其中，处理器、通信接口、存储器通过通信总线完成相互间的通信。处理器可以调用存储器中的计算机程序，以执行所述的基于深度学习的肝静脉压力梯度计算方法。

此外，上述的存储器中的计算机程序通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个非暂态计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器、随机存取存储器、磁碟或者光盘等各种可以存储程序代码的介质。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。