隨著我國人民飲食結(jié)構(gòu)的變化，越來越多人出現(xiàn)肥胖、代謝異常等問題。醫(yī)用吊塔編輯分析體內(nèi)攝人過多的糖類與油脂會導(dǎo)致器官內(nèi)脂質(zhì)儲積并發(fā)生脂肪變性。肝臟作為能量代謝的中樞器官，肝內(nèi)脂肪變性嚴(yán)重影響肝臟的生理功能"，造成人體代謝異常。同時(shí)肝脂肪變性可發(fā)展為脂肪性肝炎、肝纖維化、肝硬化，醫(yī)用吊塔編輯分析少數(shù)病例還可發(fā)生肝功能衰竭和肝細(xì)胞癌，嚴(yán)重危害生命健康。調(diào)查顯示，從2004至2014年，我國成人非酒精性脂肪肝患病率從15%增加到了31%2。肝部脂肪儲積導(dǎo)致的疾病患病率逐年上升，肝脂肪變性越來越受到重視。對肝脂肪變性的準(zhǔn)確分級有助于采取不同的治療和干預(yù)措施，具有重要意義。同時(shí)肝脂肪變性程度的確定對于代謝類相關(guān)疾病準(zhǔn)確診斷、治療方案制定、醫(yī)用吊塔編輯分析隨訪療效觀察和預(yù)后判斷等均有重要作用。然而，肝脂肪含量的定量檢測為有創(chuàng)手段，存在穿刺難度大，穿刺部位易感染、出血及膽汁泄漏等潛在風(fēng)險(xiǎn)。超聲、CT和MRI等影像學(xué)檢查技術(shù)在相關(guān)領(lǐng)域的應(yīng)用逐漸興起。超聲檢查通過超聲影像下脂肪和肝組織回聲不同篩查脂肪肝。醫(yī)生根據(jù)超聲影像進(jìn)行脂肪變性程度主觀分級，不同的醫(yī)生會存在分級偏差。且研究表明[31,醫(yī)用吊橋編輯分析超聲影像分析僅對中重度脂肪肝檢出率高，在脂肪含量低于20%的時(shí)候， 敏感度最高55%，特異度僅有26% ; CT檢查通過CT值進(jìn)行肝脂肪變性的分級，但研究表明，直接測量肝臟CT值準(zhǔn)確率僅63%，通過參照物對照測量對中重度脂肪肝檢出率較高(90%)，但是對輕度脂肪判斷困難(45]。且CT具有輻射性，使用CT評估脂肪含量具有局限性。MRI不僅能觀察肝臟的形態(tài)及有無脂肪浸潤，而且實(shí)驗(yàn)表明[6，MRI檢測脂肪肝檢出率高于超聲檢查45.5%。本文通過深度學(xué)習(xí)結(jié)合遷移學(xué)習(xí)的手段，利用肝的MR影像資料，進(jìn)行肝脂肪變性分級研究，相比于穿刺活檢，醫(yī)用吊橋編輯分析為肝脂肪變性分級提供一種智能的無創(chuàng)性思路?；谏疃葘W(xué)習(xí)進(jìn)行圖像特征的提取和分類，模型自動對肝臟進(jìn)行脂肪含量檢測，節(jié)省了人力物力，同時(shí)進(jìn)行肝脂肪變性程度和臨床指標(biāo)的相關(guān)分析，具有一定臨床價(jià)值。本研究與上海交通大學(xué)附屬第一人民醫(yī)院合作，收集醫(yī)院2018年6月至7月共50例進(jìn)行MR上腹部mDixon成像序列掃描的患者的MR影像資料，并收集患者的臨床信息。醫(yī)用吊橋編輯分析其中所收集患者需確診肝脂肪變性等級，且排除其他肝部疾病或因惡性腫瘤進(jìn)行放射治療的患者。其中肝脂肪變性等級由影像科醫(yī)生根據(jù)患者MRI資料進(jìn)行分級，為確保分級準(zhǔn)確性，分級工作由兩位醫(yī)生獨(dú)立完成并進(jìn)行驗(yàn)證。1.2深度學(xué)習(xí)模型建立根據(jù)細(xì)胞脂肪變性程度評分7] :吊塔編輯細(xì)胞脂肪變性占0~5%計(jì)0分，占5%~33%計(jì)1分，占34%~66%計(jì)2分，占66%以上計(jì)3分。本研究采集的50例MR上腹部mDixon成像序列掃描的患者肝脂肪變性等級分布如下:肝脂肪變性0分共38例，其中男性患者24例，女性患者14例;肝脂肪變性1分共12例，男性患者6例，女性患者6例。DICOM圖像切片如圖1所示。在每個(gè)MR序列的 DICOM圖像上，放置6個(gè)正方形的感興趣區(qū)域( RegionofInterest ROI),吊塔編輯每個(gè)區(qū)域在肝實(shí)質(zhì)中由16x16像素組成;ROI選取在影像科和消化科醫(yī)生指導(dǎo)下進(jìn)行，選取規(guī)則如下:每位患者肝部MRI取6個(gè)16x16大小ROI區(qū)域，4個(gè)位于右葉實(shí)質(zhì)(肝V，VI, VII， VI段)，2個(gè)位于左葉實(shí)質(zhì)(肝I，I段)，選取時(shí)確保每位患者的全部ROI肝脂肪變 性情況一致，同時(shí)選取ROI過程避免大血管、膽管、肝局灶性病變和顯著的肝偽影。較少，為平衡數(shù)據(jù)分布，對少數(shù)類別樣本數(shù)據(jù)集進(jìn)行過采樣操作。吊塔編輯將肝脂肪變性1級的648個(gè)ROI進(jìn)行二次數(shù)據(jù)擴(kuò)增，擴(kuò)增倍數(shù)為4倍。最終得到肝脂肪變性0級患者ROI數(shù)據(jù)2052例，肝脂肪變性1級患者ROI數(shù)據(jù)2592例。1.2.3模型建立DenseNet(DenseConvolutional Network )為2017年國際計(jì)算機(jī)視覺與模式識別會議最佳文章設(shè)計(jì)的網(wǎng)絡(luò)。其提升網(wǎng)絡(luò)性能方法不同于ResNet和Inception代表的加深或加寬網(wǎng)絡(luò)結(jié)構(gòu)的方法。吊塔廠家分析DenseNet通過加強(qiáng)每一層的輸人，實(shí)現(xiàn)特征重用，既大幅度減少了網(wǎng)絡(luò)的參數(shù)量，又在一定程度上緩解了梯度消失的問題。DenseNet主要由兩部分組成:denseblock密集塊和 transition layer 過渡塊，dense block每一層都與之前所有層相關(guān)聯(lián)[8]。在傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)中,L層網(wǎng)絡(luò)有L個(gè)連接,但是在DenseNet中，有L(L+1)12個(gè)連接，吊塔廠家分析每一層的輸人來自前面所有層的輸出，以此類推，實(shí)現(xiàn)特征復(fù)用。一個(gè)DenseNet的結(jié)構(gòu)如圖2所示，在這個(gè)結(jié)構(gòu)圖中包含了2個(gè)denseblock。在同一個(gè)denseblock中要求特征數(shù)保持相同大小，在不同dense block之間設(shè)置transition layer實(shí)現(xiàn)降 采樣，在該網(wǎng)絡(luò)中transition layer由批歸-化層、卷積層和(1)數(shù)據(jù)增強(qiáng)。深度學(xué)習(xí)模型需要大量數(shù)據(jù)支撐，數(shù)據(jù)量過少會導(dǎo)致模型過擬合等問題。因此通過數(shù)據(jù)增強(qiáng)網(wǎng)絡(luò)可以在保持泛化能力的同時(shí)學(xué)習(xí)到更多數(shù)據(jù)不變的特征。 在本研究中，根據(jù)ROI選取規(guī)則，50 例患者共選取300例ROI。為滿足深度學(xué)習(xí)數(shù)據(jù)量需求，吊塔廠家分析將300例ROI進(jìn)行8倍數(shù)據(jù)增強(qiáng)，操作包括:平移、鏡像、旋轉(zhuǎn)、隨機(jī)選擇區(qū)域、添加隨機(jī)噪聲等。(2)不平衡數(shù)據(jù)集處理。數(shù)據(jù)集不平衡是醫(yī)學(xué)影像類數(shù)據(jù)常見的問題。在深度學(xué)習(xí)中，樣本不平衡會導(dǎo)致少數(shù)類別樣本被相對忽視，而醫(yī)學(xué)影像中少數(shù)類別樣本往往更具有研究價(jià)值。在本研究中，肝脂肪變性0級患者38例，肝脂肪變性1級患者12例。肝脂肪變性0級患者遠(yuǎn)多于1級患者。處理數(shù)據(jù)集不平衡問題常采用的策略有少數(shù)類別樣本過采樣和多數(shù)類別樣本降采樣。由于本研究數(shù)據(jù)量數(shù)據(jù)集隱藏所有病人臨床相關(guān)信息，僅標(biāo)記肝脂肪變性等級0級和1級作為標(biāo)簽。吊塔廠家分析數(shù)據(jù)集由兩部分組成:病人影像數(shù)據(jù)ROI和對應(yīng)0級/1級肝脂肪變性標(biāo)簽。隨機(jī)抽取0級和1級肝脂肪變性患者數(shù)據(jù)集各80%作為訓(xùn)練集，剩對所有訓(xùn)練集和測試集數(shù)據(jù)進(jìn)行歸-化操作，將MRI原圖0~4095的像素范圍歸一化到0~1.0。歸一化不改變圖像本身的存儲信息，歸-化后可調(diào)整不同維度的特征尺度到相近范圍，進(jìn)而加大學(xué)習(xí)率，提升網(wǎng)絡(luò)的收斂速度。遷移學(xué)習(xí)指系統(tǒng)識別并應(yīng)用先前領(lǐng)域?qū)W到的知識和技能到新領(lǐng)域的手段，濟(jì)寧華諾醫(yī)療編輯旨在解決當(dāng)前領(lǐng)域數(shù)據(jù)量不足等問題并提高學(xué)習(xí)效率。數(shù)據(jù)量不足是醫(yī)學(xué)影像的常見問題，而遷移學(xué)習(xí)技術(shù)擴(kuò)大了訓(xùn)練數(shù)據(jù)(9)，因此在疾病診斷中顯示出良好的性能。遷移學(xué)習(xí)后模型不需要訓(xùn)練完全空白的網(wǎng)各，而是通過使用前饋方法來確定已優(yōu)化的較低級別的權(quán)重，以識別一般圖像中發(fā)現(xiàn)的結(jié)構(gòu)。并通過反向傳播重新訓(xùn)練較高級別的權(quán)重，從而識別特定類別圖像的特征0。遷移學(xué)習(xí)常選用ImageNet數(shù)據(jù)集中自然圖像進(jìn)行分類預(yù)訓(xùn)練，訓(xùn)練后根據(jù)當(dāng)前領(lǐng)域數(shù)據(jù)量及數(shù)據(jù)相似度選擇調(diào)整策略。

濟(jì)寧華諾醫(yī)療器械有限公司             http://eprojector.cn