基于超声的计算机辅助诊断肝纤维化研究进展

肝纤维化是一个病理生理过程,任何肝脏损伤在肝脏修复愈合的过程中均可产生肝纤维化,严重肝纤维化导致肝硬化,进而发生肝癌等严重并发症.早期发现肝纤维化尤为重要.随着医学图像分析技术的发展,结合统计机器学习、特别是深度学习,基于超声的计算机辅助诊断肝纤维化研究取得了长足进展,本文对此进行综述.

基于边缘监督的肝部超声图像包膜分割网络

肝纤维化、肝硬化的早期发现对临床治疗和预后评估具有重要意义。而肝包膜的形态和纹理特征是计算机辅助肝硬化诊断的重要依据。本文提出一种基于边缘监督的肝部超声图像包膜分割网络。该网络以常用的分割模型UNet为基础,引入空洞卷积,扩大感受野;同时,添加了边缘监督模块,从而将特征学习主要聚焦在图像梯度较大的部分;此外,还设计了混合加权损失函数,来缓解肝包膜部分与其他区域之间的极度不平衡情况。实验结果表明,本文提出的ES-UNet网络结构平均Dice系数相比原始UNet提高了0.1715,平均交并比(MIo U)提高了0.0215,其他指标也有较明显的提高,可见,本文算法的各个组件对模型分割性能的优化都有一定的贡献,改进后的模型可以实现肝包膜的精确分割。

全局与局部特征结合的肝硬化病程分类方法

目的:提出一种肝脏组织全局特征与局部特征结合的肝硬化病程分类方法,用于解决目前肝硬化诊断主要依赖于人工检测的问题。方法:收集47例乙型肝炎肝硬化患者(依据Child-Pugh改良分级标准分为轻度肝硬化组、中度肝硬化组、重度肝硬化组)及20名健康志愿者(正常对照组)的二维高频超声图像,提出差分滤波器方法提取图像的码距,并提取角点、条索、腹水等特征进行定量分析。建立两阶段分类模型,第一阶段采用RBF核函数的SVM,将轻度与中度肝硬化归为一组,正常与重度肝硬化归为一组进行分类,避免两组之间的互相干扰。第二阶段采用贝叶斯对RF进行参数调优,调整不同特征的重要性权重,对每组的两个类别分别分类,提升肝硬化病程分类的准确率。结果:提出的特征均具有统计学意义(P<0.05),采用SVM-RF模型对正常对照组、轻度肝硬化组、中度肝硬化组、重度肝硬化组4个阶段的最终分类准确率分别达到93.11%、88.19%、91.93%和96.86%。结论:本文方法可以有效提取符合医生视角的全局特征以及局部特征,辅助诊断肝硬化病程。

基于迁移学习策略的肝纤维化分期诊断方法

针对肝纤维化四分期准确率较低,S2与S3期分期难的问题,文中提出了一种基于迁移学习策略的肝纤维化诊断方法。该方法基于预训练好的深度残差网络模型,随机初始化各层权值参数,加入采用旋转、裁剪patch小块等方法扩充的数据集微调各类参数。经过softmax分类器结合patch小块投票原则,最终得到肝纤维化S0~S1、S2、S3、S4期的分期准确率分别为93.75%、90.63%、87.50%、86.96%。该结果表明,文中方法在基于高频超声图像的肝纤维化定量诊断任务中达到了较好的效果。通过比较分析可知,文中所述方法优于其他已有方法,为临床计算机辅助诊断肝纤维化疾病提供了更加有效的解决方案。

针对肝包膜特征图的自动化提取方法

为了自动化提取肝包膜及其上下组织特征图,实现全自动特征学习,文中提出采用频域处理与图像形态学处理的方法对图像进行预处理,并借鉴移动平均法提出二路交叉感受野策略,由感受野映射区域进行特征筛选与分析。通过对数能量函数识别并定位目标区块,从而实现对肝实质病变特征、肝包膜、肌肉脂肪层纹理特征数据提取与分析,并根据数据分析获取肝包膜及其上下组织特征图。根据特征区域的相对位置,提出区块纠错机制对误检区块进行校正,使其更具鲁棒性。实验结果表明,在对肝硬化超声图像中的肝包膜及其上下组织特征图的提取过程中,该提取机制在正常、轻度、中度阶段特征提取均达到100%的准确率,对于重度病情阶段的特征提取准确率达到84.6%。