肾病纤维化诊断模型的构建方法、构建系统和诊断系统技术方案

本发明专利技术属于影像组学诊断技术领域，提供肾病纤维化诊断模型的构建方法，包括获取慢性肾病纤维化患者双侧肾脏的二维超声图像、声触诊弹性成像STE的超声弹性图像和临床信息；将二维超声图像和STE超声弹性图像导入图像处理软件中进行识别和分割；根据患者病理金标准结果进行二分类分组比较；采用mRMR和LASSO算法筛选出最优的特征子集；获得影像组学标签radscore；验证影像组学诊断模型和临床

【技术实现步骤摘要】
肾病纤维化诊断模型的构建方法、构建系统和诊断系统


[0001]本专利技术涉及影像组学诊断
，具体涉及基于超声的多模态影像组学特征，慢性肾病纤维化诊断模型的构建方法、构建系统和诊断系统。

技术介绍

[0002]目前，对肾脏纤维化程度的明确诊断，主要依赖于肾活检组织病理学检查。肾活检组织病理学检查属于有创性检查，还存在着随着CKD疾病进展不能反复进行穿刺活检、终末期肾病患者肾脏皮质过薄无法肾穿刺活检、病理取材不足无法诊断、肥胖肾脏位置过深无法进行肾穿刺活检的问题，且对于长期随访监测的CKD患者也不能反复进行穿刺，因此，临床需要更多的无创检查方法。
[0003]常规超声检查，在二维超声图像中，肉眼很难区分早期患病和健康的肾脏，肾脏形态学改变一般发生于疾病的晚期，早期慢性肾病无论在肾脏的长径、宽径、皮质厚度和肾脏体积均无明显差异。常规的超声检查并不能诊断出早期肾纤维化患者的程度。
[0004]公开号为CN 115171883 A的中国专利技术专利申请公开了一种肾脏纤维化预测模型的构建方法、系统、终端及介质，包括：获取若干个CKD患者对应的人口学信息、共患病信息、液体活检指标、常规超声参数、右肾皮质弹性信息和肾脏纤维化程度病理金标准结果，以作为样本数据集；按照预设的划分比例，对样本数据集进行划分，以获得训练数据集和验证数据集；根据训练数据集，确定多个与肾脏纤维化相关联的特征参数；通过多因素二元logistic回归分析法，结合训练数据集，获得截距项和训练数据集中各特征参数对应的回归系数，并根据截距项和各回归系数，构建肾脏纤维化预测模型。该专利技术通过筛选与肾脏纤维化相关联的特征参数，并获取各特征参数对应的回归系数，以提升模型的预测准确性。但该方法是一种人工智能进行数据处理的方法，虽然属于无创诊断方法，但仍然只能诊断出中重度肾纤维化患者，无法诊断出早期轻度和中度肾纤维化患者。
[0005]CKD的主要病理特征是肾纤维化、细胞外基质聚集纤维组织细胞。这种大量细胞外基质的病理增生导致肾脏组织瘢痕化和硬化，从而导致肾脏外观的异质性。异质性和硬度增加了超声纹理信号的散射，与健康的肾脏组织相比，纹理信号的变化可以通过超声成像技术进行评估。因此，基于超声影像组学的纹理分析是一种新兴的定量肾脏疾病诊断技术。
[0006]影像组学已被用于不同的成像方式来检测肾脏疾病，如肾良恶性肿瘤的鉴别、糖尿病患者早期肾损害、肾结石分、区分正常肾脏组织和CKD患者的肾脏鉴别。Kuo等人提出了一种深层神经网络模型，采用预先训练的卷积神经网络模型超过了肾脏病学家对CKD和非CKD患者的分类，并且在AI和基于Scr的eGFR之间实现了良好的相关性，人工智能从肾脏超声图像中估计eGFR(AI
‑
eGFR)并推测CKD分期。
[0007]本申请是一种基于影像组学对慢性肾病纤维化进行诊断的无创诊断工具，对不同IFTA分级的肾脏纤维化方面具有较高的诊断效能。

技术实现思路

[0008]本专利技术的专利技术目的在于：针对上述存在的问题，提供肾病纤维化诊断模型的构建方法和诊断系统，本专利技术是以二维超声、STE弹性超声影像组学特征联合临床
‑
血清学指标构建的多模态影像组学诊断模型，该模型有助于临床超声对肾纤维化分期的无创诊断和监测，既可以诊断出轻度和中重度肾纤维化患者，也能用于诊断出轻中度和重度肾纤维化患者。
[0009]为了实现上述目的，本专利技术采用的技术方案如下：
[0010]肾病纤维化诊断模型的构建方法，包括以下步骤：
[0011](1)获取慢性肾病纤维化患者双侧肾脏的二维超声图像、声触诊弹性成像STE的超声弹性图像和临床信息，临床信息包括肾病纤维化程度病理金标准结果和临床
‑
血清学指标，将患者的上述信息随机划分为训练组和测试组；
[0012](2)将二维超声图像和STE超声弹性图像导入图像处理软件中进行识别和分割，手动勾画每张图片的感兴趣区ROI，得到二维超声的ROI图像和STE的ROI图像；将二维超声的ROI图像和STE的ROI图像在A.K.软件中进行数据影像组学特征的提取；
[0013](3)根据患者病理金标准结果进行二分类分组比较，第一组是轻度IFTA和中重度IFTA的患者数据进行比较，第二组是将轻中度IFTA和重度IFTA的患者数据进行比较；分别提取两个分组比较中的二维超声影像组学区别、STE影像组学区别，作为二维超声影像组学特征和STE影像组学特征；分别提取两个分组比较中的临床信息的区别，作为临床
‑
血清学指标模型特征，即为临床
‑
血清学指标诊断模型；
[0014](4)采用最小冗余最大相关性mRMR用来消除冗余和不相关的特征，采用最小绝对收缩选择算子LASSO算法处理步骤(3)所获得的影像组学特征，筛选出最优的特征子集，在第一组轻度IFTA和中重度IFTA分组比较中，从二维超声影像组学特征和STE影像组学特征中进一步分别提取最优的特征子集用于二维超声和STE的模型构建；在第二组轻中度IFTA和重度IFTA的分组比较中，从二维超声影像组学特征和STE图像的影像组学特征中进一步分别提取最优的特征子集用于二维超声和STE的模型构建；
[0015](5)确定最优的特征子集后，将训练组和测试组中所选特征按其系数加权求和计算得到影像组学标签radscore，包括基于二维超声的轻度IFTA和中重度IFTA影像组学radscore，基于STE的轻度IFTA和中重度IFTA影像组学radscore，基于二维超声的轻中度IFTA和重度IFTA影像组学radscore；基于STE的轻中度IFTA和重度IFTA影像组学radscore；即得影像组学诊断模型；
[0016](6)验证影像组学诊断模型和临床
‑
血清学指标诊断模型的诊断效能；通过受试者工作特征ROC曲线下面积AUC评估模型的预测准确性；
[0017](7)使用多因素Logistic回归法建立联合临床
‑
血清学指标与影像组学标签的多模态影像组学预测模型并生成组学列线图；组学列线图用于将预测概率映射到图片中从0到100范围内的点，并且由各种因素累积的总点对应于患者的预测概率。
[0018]本专利技术中，优选地，所述临床
‑
血清学指标包括患者的年龄、性别、BMI、eGFR、UACR、肾脏长径、肾脏皮质厚度、肾脏STE、Cs、β2微球蛋白、血白蛋白、血肌酐、尿素氮和24h蛋白尿。
[0019]本专利技术中，优选地，步骤(2)中的图像处理软件为ITK
‑
snap软件，采用ITK手动勾画
功能，勾画得到的ROI图像以nii格式进行导出。
[0020]本专利技术中，优选地，步骤(2)中提取的特征类型分别为：直方图、形态学、纹理参数、灰度共生矩阵、灰度游程矩阵、灰度区域大小矩阵、邻域灰度差分矩阵和灰度依赖矩阵；并使用小波转换和LBP将提取的特征转换成可被数据统计的数字形式。
[本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.肾病纤维化诊断模型的构建方法，其特征在于，包括以下步骤：(1)获取慢性肾病纤维化患者双侧肾脏的二维超声图像、声触诊弹性成像STE的超声弹性图像和临床信息，临床信息包括肾病纤维化程度病理金标准结果和临床
‑
血清学指标，将患者的上述信息随机划分为训练组和测试组；(2)将二维超声图像和STE超声弹性图像导入图像处理软件中进行识别和分割，手动勾画每张图片的感兴趣区ROI，得到二维超声的ROI图像和STE的ROI图像；将二维超声的ROI图像和STE的ROI图像在A.K.软件中进行数据影像组学特征的提取；(3)根据患者病理金标准结果进行二分类分组比较，第一组是轻度IFTA和中重度IFTA的患者数据进行比较，第二组是将轻中度IFTA和重度IFTA的患者数据进行比较；分别提取两个分组比较中的二维超声影像组学区别、STE影像组学区别，作为二维超声影像组学特征和STE影像组学特征；分别提取两个分组比较中的临床信息的区别，作为临床
‑
血清学指标模型特征，即为临床
‑
血清学指标诊断模型；(4)采用最小冗余最大相关性mRMR用来消除冗余和不相关的特征，采用最小绝对收缩选择算子LASSO算法处理步骤(3)所获得的影像组学特征，筛选出最优的特征子集，在第一组轻度IFTA和中重度IFTA分组比较中，从二维超声影像组学特征和STE影像组学特征中进一步分别提取最优的特征子集用于二维超声和STE的模型构建；在第二组轻中度IFTA和重度IFTA的分组比较中，从二维超声影像组学特征和STE图像的影像组学特征中进一步分别提取最优的特征子集用于二维超声和STE的模型构建；(5)确定最优的特征子集后，将训练组和测试组中所选特征按其系数加权求和计算得到影像组学标签radscore，包括基于二维超声的轻度IFTA和中重度IFTA影像组学radscore，基于STE的轻度IFTA和中重度IFTA影像组学radscore，基于二维超声的轻中度IFTA和重度IFTA影像组学radscore；基于STE的轻中度IFTA和重度IFTA影像组学radscore；即得影像组学诊断模型；(6)验证影像组学诊断模型和临床
‑
血清学指标诊断模型的诊断效能；通过受试者工作特征ROC曲线下面积AUC评估模型的预测准确性；(7)使用多因素Logistic回归法建立联合临床
‑
血清学指标与影像组学标签的多模态影像组学预测模型并生成组学列线图；组学列线图用于将预测概率映射到图片中从0到100范围内的点，并且由各种因素累积的总点对应于患者的预测概率。2.根据权利要求1所述的肾病纤维化诊断模型的构建方法，其特征在于：所述临床
‑
血清学指标包括患者的年龄、性别、BMI、eGFR、UACR、肾脏长径、肾脏皮质厚度、肾脏STE、Cs、β2微球蛋白、血白蛋白、血肌酐、尿素氮和24h蛋白尿。3.根据权利要求1所述的肾病纤维化诊断模型的构建方法，其特征在于：步骤(2)中的图像处理软件为ITK
‑
snap软件，采用ITK手动勾画功能，勾画得到的ROI图像以nii格式进行导出。4.根据权利要求1所述的肾病纤维化诊断模型的构建方法，其特征在于：步骤(2)中提取的特征类型分别为：直方图、形态学、纹理参数、灰度共生矩阵、灰度游程矩阵、灰度区域大小矩阵、邻域灰度差分矩阵和灰度依赖矩阵；并使用小波转换和LBP将提取的特征转换成可被数据统计的数字形式。5.根据权利要求1所述的肾病纤维化诊断模型的构建方法，其特征在于：
所述基于二维超声的轻度IFTA vs中重度IFTA影像组学radscore的计算公式为：Radscore＝
‑
.105*lbp_3D_m1_firstorder_Median+0.118*wavelet_HLH_glszm_SmallAreaHighGrayLevelEmphasis+
‑
.163*wavelet LHL_glcm Imc1+0.078*wavelet_HLH_glrlm_HighGrayLevelRunEmphasis+0.137；所述基于STE图像的轻度IFTA和中重度IFTA的影像组学Radscore的计算公式为：Radscore＝
‑
...

【专利技术属性】
技术研发人员：葛昕月，蓝中凯，陈静，韩越，陈荣荣，邱洪凤，任启洪，
申请(专利权)人：柳州市工人医院，
类型：发明
国别省市：