一种基于超声影像组学的术后精液质量动态评估方法与流程

本发明涉及医学图像智能分析，尤其涉及一种基于超声影像组学的术后精液质量动态评估方法。

背景技术：

1、非梗阻性无精子症患者在接受显微取精术等手术治疗后，其精液质量的术后恢复随访是临床关注的重点。现阶段，临床上对术后精液质量的评估主要依赖于术后固定门诊节点的精液常规化验，或者结合二维、彩色多普勒等常规静态超声检查来评估睾丸的体积和血供情况。随着计算机视觉技术在医学影像领域的应用，部分研究开始尝试利用单次超声图像提取静态的影像组学纹理特征，或者直接构建卷积神经网络模型，通过对单时期睾丸实质图像的特征映射来辅助评估睾丸的生精功能状态。

2、现有的术后评估大都采用术后单一时间点的精液化验或静态超声检查，由于无法捕获组织随时间修复的动态生理过程，从而造成难以在术后早期预测远期恢复可能性从而导致预测不准的问题。

技术实现思路

1、为了弥补以上不足，本发明提供了一种基于超声影像组学的术后精液质量动态评估方法，旨在改善现有的术后评估大都采用术后单一时间点的精液化验或静态超声检查，容易造成难以在术后早期预测远期恢复可能性从而导致预测不准的问题。

2、本发明提供了如下技术方案，一种基于超声影像组学的术后精液质量动态评估方法，包括以下步骤：

3、s1、获取目标对象在术前、术后第一预设时间段和术后第二预设时间段采集的睾丸超声图像；

4、s2、对每一所述睾丸超声图像中的睾丸实质区域进行分割，并提取影像组学特征以及利用深度学习模型提取深度特征，得到对应各时间点的影像组学特征集和深度特征集；

5、s3、通过计算不同时间点对应的影像组学特征之间的差异和深度特征之间的差异，生成动态差异特征集，所述动态差异特征集反映术前至术后第一预设时间段变化以及术后第一预设时间段至术后第二预设时间段变化；

6、s4、将所述动态差异特征集输入经过训练的预测模型，得到指示术后精液质量恢复可能性的评估值；

7、s5、确定所述动态差异特征集中各特征对所述评估值的贡献度，输出所述评估值和表征所述贡献度的可视化信息。

8、采用上述技术方案，通过计算术前、术后第一预设时间段和术后第二预设时间段对应的影像组学特征与深度特征的时序差值，生成反映两个阶段时序变化的动态差异特征集并输入模型预测，从而改善了现有的术后评估大都采用术后单一时间点的精液化验或静态超声检查，由于无法捕获组织随时间修复的动态生理过程，从而造成难以在术后早期预测远期恢复可能性从而导致预测不准的问题。

9、进一步地，所述s1包括以下步骤：

10、获取目标对象在手术前48小时内采集的术前睾丸超声图像，所述术前睾丸超声图像包括三个不同切面的dicom（digital imaging and communications in medicine 医学数字成像和通信标准）格式图像，且所述术前睾丸超声图像采集时的b模式增益设定为50%，扫查深度设定为4cm；

11、获取所述目标对象在手术后第14天至第21天采集的术后第一预设时间段睾丸超声图像，以及在手术后第28天至第35天采集的术后第二预设时间段睾丸超声图像；

12、在所述术后第一预设时间段睾丸超声图像或所述术后第二预设时间段睾丸超声图像中的血肿或积液面积大于或等于睾丸实质面积的30%时，不将对应的所述目标对象的睾丸超声图像纳入后续步骤的处理。

13、进一步地，在s2中，所述对每一所述睾丸超声图像中的睾丸实质区域进行分割的步骤包括：

14、沿所述每一所述睾丸超声图像中的睾丸实质边缘进行感兴趣区勾画，且在勾画时避开睾丸白膜区域，得到对应各时间点的睾丸实质感兴趣区；

15、随机抽取20%的所述目标对象的睾丸超声图像，进行二次感兴趣区勾画，得到对应的对比感兴趣区；

16、计算所述睾丸实质感兴趣区与所述对比感兴趣区之间的重合系数，在所述重合系数大于0.85时，判定所述睾丸实质感兴趣区通过一致性验证并允许纳入后续特征提取。

17、进一步地，在s2中，所述提取影像组学特征的步骤包括：

18、从通过一致性验证的所述睾丸实质感兴趣区中，提取包含一阶统计特征、形状特征、灰度共生矩阵特征以及灰度游程矩阵特征在内的100至150个手工设计影像组学特征；

19、计算所提取出的所述手工设计影像组学特征的组内相关系数；

20、保留所述组内相关系数大于0.8的所述手工设计影像组学特征，构成所述对应各时间点的影像组学特征集。

21、进一步地，在s2中，所述利用深度学习模型提取深度特征的步骤包括：

22、将所述对应各时间点的睾丸实质感兴趣区图像块统一缩放至预设图像尺寸；

23、将缩放后的所述睾丸实质感兴趣区图像块输入至预训练的卷积神经网络模型中进行前向特征映射；

24、截取所述卷积神经网络模型中最后一个全连接层前的深度特征向量，并在对所述深度特征向量进行组内相关系数计算后，保留组内相关系数大于0.8的特征维度，得到所述对应各时间点的深度特征集。

25、进一步地，在s3中，所述计算不同时间点对应的影像组学特征之间的差异和深度特征之间的差异的步骤包括：

26、从所述影像组学特征集中，提取灰度共生矩阵的熵特征、同质性特征、相关性特征，以及灰度游程矩阵的短游程强调特征和长游程强调特征，作为锚定手工特征；

27、计算所述术后第一预设时间段对应的影像组学特征集与所述术前对应的影像组学特征集之间的差值，得到第一期手工差异特征，计算所述术后第二预设时间段对应的影像组学特征集与所述术后第一预设时间段对应的影像组学特征集之间的差值，得到第二期手工差异特征；

28、计算所述术后第一预设时间段对应的深度特征集与所述术前对应的深度特征集之间的差值，得到第一期深度差异特征，计算所述术后第二预设时间段对应的深度特征集与所述术后第一预设时间段对应的深度特征集之间的差值，得到第二期深度差异特征；

29、将所述第一期手工差异特征、所述第二期手工差异特征、所述第一期深度差异特征、所述第二期深度差异特征以及目标对象的基线临床病史信息进行拼接，生成所述动态差异特征集，所述基线临床病史信息包括年龄、睾丸体积和血清fsh（follicle-stimulating hormone 促卵泡生成素）水平。

30、进一步地，在s4中，所述将所述动态差异特征集输入经过训练的预测模型的步骤包括：

31、将所述动态差异特征集输入至预先训练的梯度提升树分类器中，所述梯度提升树分类器在训练阶段将样本数据按7：1：2的比例分层划分为训练集、验证集和独立测试集；

32、所述梯度提升树分类器在训练阶段，利用过采样算法仅对所述训练集中精液恢复结局为阳性的样本进行过采样处理，并保持所述验证集和所述独立测试集的原始样本比例；

33、所述梯度提升树分类器在训练阶段，在所述验证集上以精确率-召回率曲线下面积为超参数调优的指标进行网格搜索以优化超参数，并在阴性预测值大于95%的约束条件下确立概率决策阈值；

34、利用优化超参数后的所述梯度提升树分类器对输入的所述动态差异特征集进行分类推理，计算输出所述评估值。

35、进一步地，在s5中，所述输出所述评估值和表征所述贡献度的可视化信息的步骤包括：

36、利用基于博弈论的归因算法计算所述动态差异特征集中各特征对所述评估值的边际贡献度，并对计算出的所述边际贡献度进行降序排列，筛选出排名前三位的核心差异特征；

37、在所述评估值大于或等于预设的概率决策阈值时，生成文本信息；

38、将所述核心差异特征对应的绝对分值映射为展示特征影响方向与强度的条形图；

39、确定所述核心差异特征在所述术后第二预设时间段采集的睾丸超声图像上对应的空间纹理子区域，并在所述术后第二预设时间段采集的睾丸超声图像上叠加显示基于所述边际贡献度的热力图，输出所述评估值、所述文本信息、所述条形图以及所述热力图。

40、本发明具有如下有益效果：

41、1、本发明中，通过计算术前、术后第一预设时间段和术后第二预设时间段对应的影像组学特征与深度特征的时序差值，生成反映两个阶段时序变化的动态差异特征集并输入模型预测，从而改善了现有的术后评估大都采用术后单一时间点的精液化验或静态超声检查，由于无法捕获组织随时间修复的动态生理过程，从而造成难以在术后早期预测远期恢复可能性从而导致预测不准的问题。

42、2、本发明中，通过提取感兴趣区的手工设计影像组学特征与卷积神经网络映射的深度特征，并利用组内相关系数对两类特征进行稳定性过滤，进而计算两个阶段的特征差值并与临床病史信息进行拼接，从而改善了现有的特征提取大都采用全图特征或未经筛选的单模态特征，由于易受操作手法或设备噪声干扰且忽略了临床生理基线影响，从而造成特征鲁棒性不足以及数据链路不全的问题。

43、3、本发明中，通过利用归因算法计算特征对评估值的边际贡献度，进而将核心差异特征对应的绝对分值映射为条形图，同时反向映射至术后第二预设时间段的超声图像上叠加显示基于边际贡献度的热力图，从而改善了现有的模型预测输出大都采用直接给出概率分值或标签，由于缺乏对模型决策依据的可解释手段，从而造成临床医生无法直观获知导致恢复不良的核心超声指征的问题。