一种用于肠道黏膜溃疡无创动态监测的方法

本发明属于医学图像处理，具体涉及一种用于肠道黏膜溃疡无创动态监测的方法。

背景技术：

1、在临床实践中，肠道黏膜是否存在溃疡是诊断与治疗决策的关键分界点。溃疡的出现通常提示病变已突破黏膜层、累及黏膜下层，标志着疾病由“功能性或轻度炎症”进展为“器质性损伤”，从而需要采取更积极、精准的干预策略。同时，在治疗过程中需对溃疡进行持续监测，动态评估其进展或愈合情况，使评估重点由症状改善转向内镜下的客观愈合指标。

2、目前，肠道黏膜溃疡的评估通常依赖肠镜检查，但该方法具有侵入性，且需充气扩张及麻醉，对于心肺功能衰竭、肠梗阻或肠穿孔的患者难以实施。随着ct（计算机断层扫描）和mr（磁共振成像）等医学影像技术的发展，为肠道疾病的无创评估提供了新的可能。

3、现有文献研究表明，基于ct/mr的肠道疾病诊断方法主要包括以下几类：

4、一是基于人工评估的方法，其由放射科医师视觉评估肠道是否存在溃疡，该方法完全依赖人工判读，费时费力且受主观因素影响较大，不同医师之间的一致性有限。

5、二是基于区域分类的方法，其在ct图像上人工勾画感兴趣肠段，然后输入分类模型进行肠道疾病分类。该类方法虽然引入了机器学习模型，但仍依赖人工勾画感兴趣肠段，缺乏自动化的肠段提取能力，且其模型侧重于克罗恩病和炎症的诊断，未涉及溃疡的识别，模型是否能够学习ct/mr影像与黏膜溃疡之间的跨模态关联仍不明确。

6、三是基于可视化的方法，其利用ct/mr数据重建虚拟内镜图像以直观展示肠道内部结构。但该类方法仅进行随机的肠道可视化展示，无法自动定位到溃疡的具体位置再进行针对性可视化。

技术实现思路

1、为了解决上述技术问题，本发明提供一种用于肠道黏膜溃疡无创动态监测的方法，以实现自动完成肠段提取、溃疡诊断、精确定位和可视化展示。

2、为了达到上述技术目的，本发明是通过以下技术方案实现的：

3、一种用于肠道黏膜溃疡无创动态监测的方法，包括以下步骤：

4、s100、练肠段分割模型与肠道病变分割模型，基于包含肠段掩膜标注和病变掩膜标注的训练集，训练两个独立的深度学习分割网络，分别用于分割临床感兴趣的肠段和肠道病变区域；

5、s200、训练溃疡分类模型，收集已知标签的ct/mr图像数据集，所述标签包括肠段掩膜、病变区域掩膜以及对应的内镜诊断结果，基于所述数据集训练深度学习分类网络，所述分类网络输出肠段存在溃疡的概率值p，p的取值范围为[0,1]；并且所述溃疡分类模型能够基于类激活映射方法生成分类概率热图h，h(x,y,z)表示所述热图中坐标(x,y,z)处的概率响应值；

6、s300、训练肠道可视化模型，基于ct/mr体素数据生成虚拟内镜图像，所述可视化模型以ct/mr图像中预定的组织边界作为控制条件，以对应部位的真实内镜图像作为监督信号进行训练；

7、s400、获取腹盆部ct/mr图像，利用经训练的所述肠段分割模型，全自动地分割出临床感兴趣的至少一个肠段，生成肠段掩膜；利用经训练的所述病变分割模型，全自动地分割出所述肠段中的病变区域，生成病变掩膜；

8、s500、将所述肠段掩膜和病变掩膜与腹盆部ct/mr图像在通道维度上进行拼接融合，形成多通道输入张量，输入至s200训练好的溃疡分类模型，所述模型输出所述肠段存在溃疡的概率值p；将所述概率值p与预设阈值t进行比较，若p≥t则判定为存在溃疡，若p < t则判定为不存在溃疡；同时，所述溃疡分类模型还生成与分类决策对应的分类概率热图h；

9、s600、在所述分类概率热图h上取概率值最大的点作为目标位置l：

10、；

11、其中，表示所述分类概率热图h的空间域，表示所述热图中的体素坐标，arg max表示取使h(x,y,z)取得最大值的坐标；

12、s700、当s500判定为存在溃疡时，根据s600获取的所述目标位置l确定拍摄视角和焦点，将所述腹盆部ct/mr图像的体素数据输入至s300训练好的可视化模型中，以所述腹盆部ct/mr图像中预定的组织边界作为控制条件，通过三维体素渲染生成展示溃疡区域的虚拟内镜图像；当s500判定为不存在溃疡时，在所述肠段中心线上随机选取一位置，进行常规的虚拟内镜漫游展示。

13、所述s100中肠段分割模型用于从所述腹盆部ct/mr图像中分割出回肠末段、回盲部、升结肠、横结肠、降结肠、乙状结肠和直肠中的至少一个肠段；所述病变分割模型用于从所述腹盆部ct/mr图像或已分割出的所述肠段中分割出所述病变区域。

14、所述s100中肠段分割和病变分割的执行顺序能够互换；当所述病变分割执行在前时，直接在所述腹盆部ct/mr图像上分割出所述病变区域；当所述肠段分割执行在前时，在已分割出的所述肠段范围内分割出所述病变区域。

15、所述s200中溃疡分类模型基于类激活映射方法生成分类概率热图h。

16、所述s500中，所述预设阈值t默认设置为0.5，且能够根据临床筛查需求进行调整；当所述阈值t降低时，敏感性升高且特异性降低；当所述阈值t升高时，敏感性降低且特异性升高；

17、其中，所述敏感性和特异性分别按照如下公式定义：

18、；

19、；

20、式中，为正确预测的溃疡样本数，为漏诊的溃疡样本数，为正确预测的正常样本数，为误诊的正常样本数。

21、所述方法还包括动态监测阶段：

22、s800、获取受试者在至少两个不同时间点的腹盆部ct/mr图像，分别执行s400至s700，对比不同时间点的所述病变掩膜、所述概率值p以及所述目标位置l，以生成反映病变进展或愈合情况的动态监测报告；

23、s900、对比不同时间点的溃疡分类结果、分类概率值p和分类概率热图h；

24、s1000、对比不同时间点的溃疡目标位置l，判断是否发生病灶转移。

25、所述s800中对病变掩膜的对比包括对病灶数量、病灶体积和/或病灶拓扑结构的定量对比。

26、所述临床感兴趣的肠段以及所述病变位于消化系统，包括小肠、大肠和胃；所述方法能够用于肠道溃疡、肠道糜烂或肠道炎症的监测。

27、本发明的有益效果是：

28、与现有技术相比，本发明通过引入深度学习分割模型与分类模型的级联架构，本发明在ct/mr影像上建立了病变与黏膜溃疡之间的跨模态关联，消除了对人工勾画肠段和经验判读的依赖，大幅提升了诊断效率和可重复性。分类概率热图的引入不仅增强了深度学习模型决策过程的可解释性，还为精确定位溃疡核心区域提供了有效的技术途径，解决了现有可视化方法中无法自动定位溃疡位置、只能进行随机展示的缺陷。在此基础上，基于精确定位的虚拟内镜渲染技术能够将抽象的断层影像数据转化为直观的腔内解剖结构图像，有效辅助医生进行视觉确认和综合判断。同时，本发明的动态监测功能支持对多时相图像进行自动化纵向对比分析，能够捕捉病灶在数量、体积和空间位置等方面的变化，为临床医生评估治疗效果提供客观、定量的影像学依据。验证结果表明，本发明在溃疡分类任务中的敏感性和特异性均优于传统的人工视觉评估方法，且通过调整分类阈值可灵活适应不同临床应用场景的需求，具有良好的临床推广价值。