基于深度学习的人工智能技术在肾动脉狭窄中的应用

发布时间：2020-06-22 16:22

【摘要】：目的探究基于卷积神经网络的肾内动脉频谱图像识别和分类,在辅助超声筛查肾动脉狭窄及诊断狭窄程度的应用价值。资料和方法纳入我院同时进行肾动脉超声检查和血管造影(DSA)的126名患者,共计247条肾动脉、346个肾内动脉频谱图像。根据肾动脉狭窄诊断金标准(DSA结果),划分肾内动脉频谱图像样本:A组(内径减少50%)202个、B组(内径减少≥50%,70%)16个、C组(内径减少≥70%)128个。样本随机分为训练集和测试集,三组样本组内具体划分如下,A组:训练集样本158个、测试集样本44个;B组因样本量过少,未用于深度学习;C组:训练集样本117个、测试集样本11个。对入组的所有肾内动脉频谱图像进行预处理,包括:从原始Dicom图像中提取频谱图、频谱图尺度归一化、图片尺寸标准化、图像二值化等;设计和搭建卷积神经网络(CNN模型),使用预处理后的训练集进行深度学习,再用测试集评估模型效能;对比超声科医师盲法分类肾内动脉频谱图像来判断肾动脉狭窄的结果。结果1.采用CNN模型对55例测试集样本进行预测,其中金标准DSA分类的A组样本共计44例,AI智能正确分类28例、错误分类16例;金标准DSA分类的C组样本共计11例,AI智能正确分类7例、错误分类4例。CNN模型智能识别肾内动脉频谱图像并分类肾动脉重度狭窄的准确率63.6%、敏感性63.6%、特异性63.6%、阳性预测值30.4%、阴性预测值87.5%。2.两名超声医师分别采用盲法对330例肾内动脉频谱图像样本进行分类,其中金标准DSA分类的A组样本共计202例,超声医师正确分类171例、错误分类31例;金标准DSA分类的C组样本共计128例,超声医师正确分类70例、错误分类58例。超声医师判读肾内动脉频谱图像诊断肾动脉重度狭窄的准确率73.0%、敏感性54.7%、特异性84.7%、阳性预测值69.3%、阴性预测值74.7%。结论卷积神经网络模型用于肾动脉频谱图像识别和分类重度肾动脉狭窄效果尚可,敏感性高于超声科医师对肾内动脉频谱的分类,其判读快速、可重复性强,用于辅助肾动脉超声检查经验不足的医师筛查肾动脉重度狭窄有一定临床价值。目前尚无文献报道使用CNN模型分类肾内动脉频谱图像,本研究探索性设计CNN网络模型、回顾性纳入样本数据,获得较满意分类结果,为进一步的基于深度学习的人工智能技术分类肾内动脉频谱、辅助诊断肾动脉狭窄提供依据。
【学位授予单位】：北京协和医学院
【学位级别】：博士
【学位授予年份】：2019
【分类号】：R692;TP18
【图文】：

区域对,频谱图,坐标,频谱

三、入组样本的质量评估逡逑对入组的肾内动脉频谱图像进行流速指标分析，参照文献资料，对其进行质评估，探究入组频谱图像是否能够反映相应肾内动脉的真实血流动力学信息。逡逑统计学处理：采用ＳＰＳＳ邋２０．０软件进行统计学分析，均值士标准差的形式表数据。计量资料行ｔ检验或秩和检验。所有检验的统计学差异检验水平为双侧户ｆｔ邋＜９５＂。使用接受者操作特征（ｒｅｃｅｉｖｅ邋ｏｐｅｒａｔｉｎｇ邋ｃｈａｒａｃｔｅｒｉｓｔｉｃ，邋Ｒ０Ｃ）曲线确诊断的最佳阈值，计算不同参数的诊断敏感性、特异性。逡逑四、ＣＮＮ网络模型的搭建和性能评价逡逑１．图像处理逡逑（１）从原始Ｄｉｃｏｍ图像中提取频谱图逡逑根据Ｄｉｃｏｍ文件中提供的频谱图所在的区域（ｒｅｇｉｏｎ）的坐标截取频谱图，图邋１邋不。坐标：ＲｅｇｉｏｎＬｏｃａｔｉｏｎＭｉｎＸＯ，ＲｅｇｉｏｎＬｏｃａｔｉｏｎＭｉｎＹＯ，ＲｅｇｉｏｎＬｏｃａｔｉｏｎＭａｘ逡逑ＸＩ，邋ＲｅｇｉｏｎＬｏｃａｔｉｏｎＭａｘＹｌ。Ｄｉｃｏｍ文件中区域信息获取，参考国际Ｄｉｃｏｍ标准委逡逑员会（ＤＩＣＯＭ邋Ｓｔａｎｄａｒｄｓ邋Ｃｏｍｍｉｔｔｅｅ）发布的信息模块规范中ＵＳ区域校准模块相逡逑关资料

频谱图,归一化,最小间隔,尺度信息

波形最高点位置的高低可反映波形的峰值信息。具体操作：寻找Ｄｉｃｏｍ数据逡逑集中的频谱最小尺度（Ｘ方向的最小间隔为０．００４ｓ，Ｙ方向的最小间隔为０．０７８ｃｍ／ｓ），逡逑将所有的频谱图都归一化在该尺度下。逡逑Ｄｉｃｏｍ文件中提供了每一幅图的物理尺度信息（ＰｈｙｓｉｃａｌＤｅｌｔａＸ，邋ＰｈｙｓｉｃａｌＤｅｌｔａＹ）逡逑用于表明图片中相邻像素间隔对应的测量间隔，Ｘ方向的间隔单位是秒（ｓｅｃ），邋Ｙ方逡逑向的间隔单位是速度（ｃｍ／ｓ）。如图１中Ｘ方向的间隔是０．００７３秒，Ｙ方向的间隔逡逑是邋０．３５ｃｍ／ｓ。逡逑图２肾内动脉频谱图，归一化之前逡逑

【相似文献】