[发明专利]人工神经网络图像分析预测脑积水分流手术疗效的方法

权利要求书

1.一种人工神经网络图像分析预测脑积水分流手术疗效的方法，其特征在于，包括以下步骤：

S1：脑积水分流手术前后影像学标本的收集和预处理：

利用医学影像算法研究与临床统计研究的结合，对于医学影像部分，拟采用深度卷积神经网络的方法进行计算，获得相应的参数，采用回顾性的方法获取已有的病患的图片，并设计网络进行训练并进行调参，优化图像分割和变化位置预测的结果的准确率；

S2：人工神经网络分析单一平面脑室体积变化概率，预测术后脑室形态：

人工神经网络部分采取医学影像用的U形网络为基础，并根据研究对象及特征重新设计网络的输入、输出、模块顺序和模块细节，并对网络中的参数进行迭代性的调整；

具体步骤如下：

S21：影像输入、输出准备：

对于从临床获得的病人术前影像，主要对其轴向进行线性插值，以获得三个方向分辨率相同的影像序列组成三维图像；

各向同性的原始图像更有利于三维卷积核获取特征；

同时对影像中的重点区域标注，作为图像分割的标签；

对于术后各时期的影像，除做与术前影像相同的处理外，还对比与术前影像头骨的相对位置，对影像进行配准，以消除因获取角度造成的脑脊液位置变化；

将配准后的术前、术后图像手工分割结果进行比较，将脑脊液情况、海马和丘脑有变化的体素分别标记为1，其余位置标记为0，做为脑脊液位置变化预测网络的训练标签；

对比Evan’s指数，人工测算脑室体积法验证模型的有效性，比较术后近期和术后远期的预测特征变化及脑室总体积的改变；

S22：基于图像分割的网络设计：

采用三维图像分割网络，在每个卷积组采用并联的不同尺寸的卷集核进行卷积提取特征；

在不同卷积组间采用残差模块以保持不同深度的特征的权重；

用术前预处理后图像与手工标记结果作为输入输出，训练并验证图像分割准确性；

S23：脑脊液体积变化预测网络与关键位置相关计算：

预测体积变化的网络选择复用分割网络，在每个降采样/升采样层前，增加提取体积变化位置的卷积层；在训练此网络时，将复用部分的网络参数设置为不可训练，只训练新添加的卷积部分，添加的网络结构和新的标签/输出；

在获得可能变化的体积位置后，根据可能变化的体素体积和计算出的变化概率，加权求和得出脑脊液体积变化的期望，做为此后统计分析的参数，同时，在网络分割结果中，对丘脑、海马及脑干位置的图像做腐蚀运算，将求得的位置与原位置相减，得出关键位置的邻域，并将此邻域与体积变化预测网络的结果做交集，得出相应关键位置体积变化的期望，做为后续统计分析的参数；

通过人工神经网络，对患者手术后脑室体积及关键区域的变化分析；

S24：临床相关参数与人工神经网络融合：

由于脑室形态还受到其他因素影响，手术后脑室的体积改变考虑其他因素，上述网络设计的基础上添加病人的其他因素信息，辅助网络进行体积变化位置的计算；

前期选择指标包括病人的年龄、病因、病程、分流管压力选择、术前腰穿测压值，假设病人的年龄、病因、病程、分流管压力选择、术前腰穿测压值因素对所有位置的影响是相同的，将病人的年龄、病因、病程、分流管压力选择、术前腰穿测压值因素分别转换为所有位置数值相同的三维体素，并将结果与原网络结果在交叉熵运算之前进行合并，将此网络训练和计算的结果与没有添加临床参数的网络结果比较，分析临床参数与脑脊液变化的相关性；

S3：分析脑室体积变化与患者预后的关系，包括：

S31：脑室体积变化，关键点、关键区域形态变化概率与患者预后关系统计分析；

S32：临床指标、关键区域形态和脑室形态变化关系；

S33：验证脑组织关键点形态变化，与行为学改变的关系。

2.根据权利要求1所述的人工神经网络图像分析预测脑积水分流手术疗效的方法，其特征在于，所述S1中，收集脑积水患者术前CT和MR T2影像，并配准以及术后即刻，术后2周、术后3个月的复查CT影像。

3.根据权利要求1所述的人工神经网络图像分析预测脑积水分流手术疗效的方法，其特征在于，所述S24中其他因素包括脑顺应性、脑积水病因、病程和患者年龄。