[发明专利]一种基于深度学习的肝胰脂肪变性判别方法

说明书

本发明提供一种基于深度学习的肝胰脂肪变性判别方法，涉及图像处理领域。该基于深度学习的肝胰脂肪变性判别方法，包括选用DenseNet和3D CNN作为深度学习模型,还包括以下步骤：S1.图像预处理：从患者上腹部MRI选取肝和胰腺的ROI，并进行数据扩增，S2.模型建立：DenseNet：使用训练集建立并训练两种网络模型，输出分级特征，S3.分类训练：使用RF、SVM和MLP，进行分级，最后给出实现肝和胰腺脂肪变性程度0、1、2分级，S4.对比肝/胰腺脂肪变性模型的AUC、精确度、敏感性和特异性。通过新型的判别方式，使得为肝胰脂肪变性程度分级研究提供一种无创性手段，节省人力物力，通过深度学习的方法智能对肝胰脂肪变性分级，针对轻度脂肪变性程度的影像也能有较好的判断效果。

技术领域

本发明涉及肝胰脂肪变性判别技术领域，具体为一种基于深度学习的肝胰脂肪变性判别方法。

背景技术

肝脏和胰腺内脂质储积并脂肪变性可进展为肝纤维化、肝硬化，甚至发生肝功能衰竭和肝细胞癌。胰腺脂肪浸润会导致胰岛素分泌异常，进一步导致糖脂质代谢异常，并诱发心血管疾病等。通过判断患者是否发生脂肪变性及脂肪变性的程度，可以让患者尽早采取相应措施及治疗手段，避免进一步恶化

组织学检查：通过穿刺肝脏和胰腺组织，根据器官内脂肪细胞变的比例确定肝/胰腺脂肪变性程度。活检为有创操作，且存在取样误差、判读误差和可重复性差等缺点；超声检查：通过超声影像上脂肪影像判断肝/胰腺脂肪变性等级，根据医生经验判断，主观性过强；CT检查：通过CT值或肝/胰腺与脾的CT值的比值进行肝/胰腺脂肪变性分级。对轻度脂肪变性敏感度低，且具有辐射性。

发明内容

针对现有技术的不足，本发明提供了一种基于深度学习的肝胰脂肪变性判别方法，解决了现有技术对肝/胰腺脂肪进行针织判断时存在着一定不足之处的问题。

技术方案

为实现以上目的，本发明通过以下技术方案予以实现：一种基于深度学习的肝胰脂肪变性判别方法，包括选用DenseNet和3D CNN作为深度学习模型。

一种基于深度学习的肝胰脂肪变性判别方法，还包括以下步骤：

a）选择ROI，对患者上腹部MRI，选择脂相，选取肝和胰腺的ROI，大小为16×16像素，其中2D网络直接选取切片ROI，3D网络选取切片及上下各两层相同位置所选区域组成的3DROI；

b）对训练集ROI进行数据扩增，对所有ROI进行旋转和仿射变换，将数据扩增至5倍，同时对肝脂肪变性等级1和等级2的患者数据平移选取ROI，再次扩增4倍；

S2.模型建立：

a）DenseNet：使用训练集建立并训练两种网络模型，舍去网络全连接层，使用ImageNet自然图像做预训练，训练时微调网络结构，并使用2D ROI作为输入，3D CNN：直接使用3DROI，作为训练和验证的输入；

b）通过独立验证集进行模型验证；

c）模型输出：肝/胰腺脂肪变性程度分级的特征；

S3.分类训练：将模型输出特征与患者相关临床特征一起输入分类器，进行肝/胰腺脂肪变性程度分级，使用RF、SVM和MLP，进行分级，最后给出实现肝和胰腺脂肪变性程度0、1、2分级；

S4.对比肝/胰腺脂肪变性模型的AUC、精确度、敏感性和特异性

优选的，所述S1中ROI选取规则为肝部取6个ROI区域，4个位于右叶实质分别为肝Ⅴ、Ⅵ、 Ⅶ、 Ⅷ段，2个位于左叶实质分别为肝Ⅱ、Ⅲ段，胰腺取2个ROI，位于胰腺实质区域上。

优选的，所述S3中临床特征包括年龄、性别、腰身比有无酗酒史、有无吸烟史。