基于时序影像特征演变的肝硬化再代偿模式识别方法与流程

摘要: 本发明涉及智能医疗识别,特别是指基于时序影像特征演变的肝硬化再代偿模式识别方法。背景技术:1、肝硬化是各类慢性肝病进展的终末阶段,患者在不同病因控制、药物治疗、...
基于时序影像特征演变的肝硬化再代偿模式识别方法与流程

本发明涉及智能医疗识别,特别是指基于时序影像特征演变的肝硬化再代偿模式识别方法。

背景技术:

1、肝硬化是各类慢性肝病进展的终末阶段,患者在不同病因控制、药物治疗、内镜治疗、介入治疗或综合管理后,可出现肝脏功能及影像形态不同程度的动态变化。部分患者可逐步呈现再代偿相关表现,而另一部分患者则持续处于失代偿或疾病进展状态。肝硬化再代偿,即肝脏在血流动力学重新分布后逐步恢复代偿功能,表现为人血白蛋白回升、胆红素下降、凝血功能改善及腹水消退等;而另一部分患者则未能实现再代偿,持续处于失代偿状态甚至病情恶化。

2、目前,肝硬化再代偿相关状态的评估多依赖单一时间点的实验室指标或单次影像学检查。这类静态评估方式难以反映肝脏形态、血管结构及强化特征在连续随访过程中的动态变化,显著局限性:其一,单一时间点的生化指标受短期波动影响大,无法反映肝功能动态恢复的趋势性信息;其二,传统影像评估仅关注某一扫描时相的绝对参数值,忽略了多个随访时间点之间影像特征的时序演变轨迹,而血流动力学的重新平衡本质上是一个渐进的、具有时间依赖性的生物学过程;其三,现有研究尚未建立从多维时序影像特征到再代偿模式的系统性映射框架,缺乏对不同演变模式的定量刻画与分类识别能力。

3、现有技术中,部分研究尝试利用机器学习对单次ct影像进行肝硬化分级,但均基于静态特征向量,未涉及时间维度上的特征轨迹分析;也有研究利用时间序列分析方法处理生化指标的纵向数据,但未将影像特征的时序演变纳入分析体系。动态时间规整(dynamic time warping,dtw)算法虽在语音识别、手势识别等领域广泛应用于时序序列的相似性度量,但在医学影像时序特征分析中的应用尚属空白,尤其未被用于肝硬化再代偿模式的差异化识别。因此,亟须一种能够融合多维时序影像特征、捕捉血流动力学动态演变规律、并实现再代偿模式自动识别与预测的方法。本发明正是针对上述技术空白而提出。

技术实现思路

1、为了解决现有技术存在的技术问题,本发明提供了一种基于时序影像特征演变的肝硬化再代偿模式识别方法。

2、本发明实施例提供的技术方案如下:

3、本发明实施例提供的一种基于时序影像特征演变的肝硬化再代偿模式识别方法,包括:

4、s1:获取包含基线检查及多个随访时点的时序增强ct影像序列,对所述时序增强ct影像序列执行标准化预处理,输出标准时序体数据;

5、s2:从所述标准时序体数据中自动分割血管及肝脏感兴趣区域,以基线检查为参照提取四类量化时序特征,将同一随访时点的四类特征组合为四维特征向量,整合全部随访时点的四维特征向量生成单患者专属四维时序轨迹矩阵;

6、s3:对全部患者的四维时序轨迹矩阵按特征维度分别计算动态时间规整距离,经最优匹配路径长度归一化后,采用加权欧氏融合策略将各维度归一化距离整合为患者间综合轨迹相似距离,并基于全部患者两两综合距离构建全局距离矩阵;

7、s4:以所述全局距离矩阵为度量依据,采用ward簇间方差增量准则实施层次凝聚聚类,结合轮廓系数与临床再代偿标签双重约束筛选最优聚类数量,并依据各聚类簇内再代偿样本占比为聚类簇标注代偿模式标签;

8、s5:对同一聚类簇内患者的四维时序轨迹执行插值对齐至统一时间网格,逐时间点逐特征维度求取簇内样本均值生成模式原型轨迹,将全部聚类簇对应的模式原型轨迹存储构建离线模式原型库,并基于所述模式原型库训练加权dtw-knn近邻分类器;

9、s6:导入新患者的时序增强ct影像序列,复用步骤一至步骤二的流程提取四维时序特征,并通过训练完成的dtw-knn近邻分类器输出再代偿或非再代偿预测结果及归一化置信度。

10、本发明实施例提供的技术方案带来的有益效果至少包括:

11、(1)现有技术仅采用单次ct、单次生化指标静态判定,无法捕捉肝硬化患者随访过程中肝脏影像特征的渐进式演变过程;本发明依托基线检查及多个随访节点时序ct,完整刻画肝脏影像演变轨迹,可提前识别早期再代偿信号,不受短期指标波动干扰,突破静态单点评估局限。

12、(2)通过四维互补血流影像特征完整覆盖代偿病理机制,同步量化肝动脉代偿扩张、肝动脉灌注、门静脉分布均匀度、肝细胞再生四大核心生理指标,多维度融合弥补单一特征信息缺失,相比传统单参数影像评估,病理表征完整性大幅提升。

13、(3)通过创新分维度dtw+加权欧氏融合距离,允许时序曲线非线性对齐,适配不同患者随访间隔、随访次数、演变速率差异,传统逐点对比算法无法实现该弹性匹配能力,时序对比精度存在本质差距。

14、(4)通过无监督自动挖掘两类具备明确医学含义的代偿演变模式,原型轨迹生理逻辑清晰,区别于黑盒机器学习模型,ai输出结果医师可理解、可采信,临床落地门槛更低。

1.基于时序影像特征演变的肝硬化再代偿模式识别方法,其特征在于,包括:

2.根据权利要求1所述的基于时序影像特征演变的肝硬化再代偿模式识别方法,其特征在于,所述标准化预处理包括层厚三线性插值归一化、灰度线性归一化映射或仿射变换刚性空间配准;

3.根据权利要求1所述的基于时序影像特征演变的肝硬化再代偿模式识别方法,其特征在于,所述s2中四类量化时序特征均以基线检查数值为参照计算相对变化量,包括:

4.根据权利要求3所述的基于时序影像特征演变的肝硬化再代偿模式识别方法,其特征在于,所述s2中四维时序轨迹矩阵的构建方式包括:

5.根据权利要求1所述的基于时序影像特征演变的肝硬化再代偿模式识别方法,其特征在于,所述s3中按特征维度分别计算动态时间规整距离,包括:

6.根据权利要求5所述的基于时序影像特征演变的肝硬化再代偿模式识别方法,其特征在于,所述s3中采用加权欧氏融合策略将四维归一化动态时间规整距离整合为综合轨迹相似距离,具体包括:

7.根据权利要求1所述的基于时序影像特征演变的肝硬化再代偿模式识别方法,其特征在于,所述s4中采用ward簇间方差增量准则实施层次凝聚聚类具体包括:

8.根据权利要求7所述的基于时序影像特征演变的肝硬化再代偿模式识别方法,其特征在于,所述s4中结合轮廓系数与临床再代偿标签双重约束筛选最优聚类数量,具体包括:

9.根据权利要求1所述的基于时序影像特征演变的肝硬化再代偿模式识别方法,其特征在于,所述s5中模式原型库的构建流程具体包括:

10.根据权利要求1所述的基于时序影像特征演变的肝硬化再代偿模式识别方法,其特征在于,所述s5中加权dtw-knn近邻分类器包括基础1-nn模型与加权k-nn扩展模型,所述基础1-nn模型计算新患者四维时序轨迹与所有模式原型轨迹的综合dtw距离,将最小距离对应原型的代偿模式标签作为初步预测结果;所述加权k-nn扩展模型取距离最近的k个模式原型,以各原型综合dtw距离的倒数作为投票权重进行加权投票,统计各代偿模式标签的加权总票数,将票数最高的标签作为最终预测类别;