CN115409834B

CN115409834B - 一种用于跟腱病诊断的特征提取方法、系统和存储介质

Info

Publication number: CN115409834B
Application number: CN202211341602.4A
Authority: CN
Inventors: 胡钦胜; 姜泽坤; 朱晓艳; 张晖; 刘熹; 陈宇; 尹诗九; 李亚星
Original assignee: West China Hospital of Sichuan University
Current assignee: West China Hospital of Sichuan University
Priority date: 2022-10-30
Filing date: 2022-10-30
Publication date: 2023-02-28
Anticipated expiration: 2042-10-30
Also published as: CN115409834A

Abstract

本发明属于医学影像分析诊断领域，具体涉及一种用于跟腱病诊断的特征提取方法、系统和存储介质。本发明用于跟腱病诊断的特征提取方法包括如下步骤：步骤1，输入肌骨超声图像，分割肌骨感兴趣区域；步骤2，分别从R、G、B三个单通道图像模式和灰度图像模式下提取和量化影像学特征；步骤3，基于机器学习模型对跟腱病诊断的准确性，确定用于输入机器学习模型进行跟腱病诊断的特征。本发明还进一步提供利用上述特征提取方法获得的特征进行跟腱病诊断的系统。本发明获得了预测性能更好的跟腱病诊断模型，能够更加准确地对跟腱病进行智能诊断，具有很好的应用前景。

Description

一种用于跟腱病诊断的特征提取方法、系统和存储介质

技术领域

本发明属于医学影像分析诊断领域，具体涉及一种用于跟腱病诊断的特征提取方法、系统和存储介质。

背景技术

跟腱是人体最大的肌腱，跟腱病通常伴随跟腱及周围区域的疼痛、肿胀和功能受限，有别于跟腱炎，它不一定存在炎症细胞，而是一种慢性的、长期的肌腱组织退化，其本质上是胶原纤维的退化。通常，一些高强度运动员诸如滑雪运动员，更容易存在跟腱病发病隐患，因为他们通常在寒冷条件下进行锻炼，脚踝僵硬，血管收缩，这增加了跟腱病的发病风险。国内外运动医学专家推荐跟腱多普勒超声检查作为诊断跟腱病的“金标准”。

跟腱病的超声表现包括跟腱增厚、血管增生、回声减弱、局部钙化、脂肪垫回声增强、跟腱腱膜增厚等。其中，回声是超声检查中常用的参数，跟腱病的回声与其细胞外基质组成和细胞结构有关。目前，AIUM的指南没有描述如何评估跟腱组织中的回声。在定义跟腱回声强度时，超声医师总是依赖于主观的视觉判断，其受各种仪器设置、增益、深度范围和超声医师经验的影响，导致不同超声医师对同一病变的超声描述和诊断结果会有所不同。

影像组学，又称放射组学，作为一种新型的医学影像分析技术，已经成功应用于人体多个部位、多种疾病的诊断和治疗研究中。基于超声影像组学的临床研究和应用也越来也多，但是在骨科相关的疾病研究中，仍然缺乏。

通过机器学习等方法对影像组学的指标进行诊断能够有效克服超声医师的主观判断差异的问题。然而，在机器学习中，输入什么样的特征进行计算是影响诊断准确性的关键因素。因此，帮助超声医师提供有效的肌骨超声影像标志物，以实现基于肌骨超声图像的跟腱病鉴别和诊断，减少超声医师的临床主观性，提供诊断速度和准确度，是非常有必要的。然而目前尚缺乏相关研究技术。

发明内容

针对现有技术的缺陷，本发明提供一种用于跟腱病诊断的特征提取方法、系统和存储介质，目的在于通过对特征的选择，实现准确的基于肌骨超声图像的跟腱病鉴别和诊断。

一种用于跟腱病诊断的特征提取方法，包括如下步骤：

步骤1，输入肌骨超声图像，分割肌骨感兴趣区域；

步骤2，分别从R、G、B三个单通道图像模式和灰度图像模式下提取和量化影像学特征；

步骤3，基于机器学习模型对跟腱病诊断的准确性，确定用于输入机器学习模型进行跟腱病诊断的特征。

优选的，步骤1中，分割肌骨感兴趣区域的方法为人工分割或采用模型分割。

优选的，步骤3中，所述机器学习模型采用逻辑回归、随机森林或支持向量机算法。

优选的，步骤3中，最终确定的用于输入机器学习模型进行跟腱病诊断的特征包括：延伸率、长轴长度、最大二维直径、高灰度级别重点、小面积高灰度级别重点、最大三维直径、90百分位、最大概率、粗糙度和运行百分比。

本发明还提供一种用于跟腱病诊断的系统，包括：

数据获取和存储模块，用于获取和存储肌骨超声图像；

分割模块，用于分割肌骨感兴趣区域；

多通道影像学组学特征提取模块，用于按照上述特征提取方法得到特征；

跟腱病诊断模块，用于将所述特征输入机器学习模型得到跟腱病的诊断结果。

优选的，分割模块中，分割肌骨感兴趣区域的方法为人工分割或采用模型分割。

优选的，所述机器学习模型采用逻辑回归、随机森林或支持向量机算法。

优选的，所述特征包括：延伸率、长轴长度、最大二维直径、高灰度级别重点、小面积高灰度级别重点、最大三维直径、90百分位、最大概率、粗糙度和运行百分比。

本发明还提供一种计算机可读存储介质，其上存储有用于实现上述用于跟腱病诊断的特征提取方法的计算机程序。

本发明以跟腱病超声诊断的临床需求为出发点，通过获取和学习多通道的肌骨超声影像组学特征信息，采取多种特征筛选和机器学习建模的组合策略，构建了具有较高准确性和临床增益的跟腱病自动诊断模式。另外本发明通过跟腱病自动诊断系统，可以辅助超声医师更准确的做出跟腱病诊断，弥补了临床主观性和诊断经验不足等问题，适用于社区基层医院以及经验不足的超声医师使用。

显然，根据本发明的上述内容，按照本领域的普通技术知识和惯用手段，在不脱离本发明上述基本技术思想前提下，还可以做出其它多种形式的修改、替换或变更。

以下通过实施例形式的具体实施方式，对本发明的上述内容再作进一步的详细说明。但不应将此理解为本发明上述主题的范围仅限于以下的实例。凡基于本发明上述内容所实现的技术均属于本发明的范围。

附图说明

图1为实施例1的流程示意图。

图2为实施例1中在 R、G、B和灰度四个通道下的多种特征筛选和机器学习算法建模的诊断性能比较；其中，图2（a）是R通道在训练集的效果，图2（b）是R通道在测试集的效果，图2（c）是G通道在训练集的效果，图2（d）是G通道在测试集的效果，图2（e）是B通道在训练集的效果，图2（f）是B通道在测试集的效果，图2（g）是灰度通道在训练集的效果，图2（h）是灰度通道在测试集的效果。

图3为实施例1中最终模型的主要诊断性能，图3（a）为五倍交叉验证结果，图3（b）为训练和测试集上的ROC结果。

图4为实施例1中最终模型的性能，其中，图4（a）为在训练集上的校准曲线，图4（b）为在测试集上的校准曲线，图4（c）为在训练集上的决策曲线，图4（d）为在测试集上的决策曲线。

具体实施方式

需要特别说明的是，实施例中未具体说明的数据采集、传输、储存和处理等步骤的算法，以及未具体说明的硬件结构、电路连接等均可通过现有技术已公开的内容实现。

实施例1 用于跟腱病诊断的特征提取方法及利用提取到的特征实现对跟腱病的智能诊断

如图1所示，本实施例提供了一种基于肌骨超声影像组学的跟腱病自动诊断方法，包括：

S1，收集肌骨超声图像数据，分为训练组和测试组，并进行预处理；

S2，实施多通道影像组学特征提取和分析；

S3，在训练组上，整合多通道影像组学特征，实施多种机器学习建模和比较，构建最终的跟腱病诊断模型；

S4，在测试组上，实施跟腱病诊断模型的临床性能评估。

进一步地，所述S1中，具体方法还包括：

S11，分别收集跟腱病患者和健康人的肌骨超声图像数据，按照4:1比例随机分为训练组和测试组；

S12，由具有十年以上工作经验的肌骨超声医师，手动分割超声图像上的肌骨感兴趣区域；

S13，将肌骨超声图像分解为R、G、B三种单通道图像模式和灰度图像模式。

进一步地，所述S2中，具体方法还包括：

S21，基于获取的四种单通道超声图像和手工分割的感兴趣区域，分别进行影像组学特征的提取和量化；

S22，所提取的影像组学特征包括14个形状特征、18个一阶统计特征、73个二阶纹理特征和728个高阶信号变换特征；

S23，对每个通道的影像组学特征实施相关性分析，筛选出与跟腱病鉴别存在显著相关性的特征，并排除冗余特征。

进一步地，所述S3中，具体方法还包括：

S31，在训练组上，基于每个通道的相关性影像组学特征，采取多种特征筛选和机器学习建模的组合策略，确定最佳的影像组学特征；

S32，整合四个通道的最佳影像组学特征，进行最终模型的构建。

进一步地，所述S31中，具体方法还包括：

S311，采取三种特征筛选和三种机器学习建模的组合策略进行影像组学特征的筛选，三种特征筛选算法包括最小绝对收缩和选择算子（LASSO）、随机森林和基于支持向量机的递归特征消除算法，三种机器学习建模算法包括逻辑回归、随机森林和支持向量机算法；

S312，通过不同组合策略构建跟腱病诊断模型，根据受试者工作特性（ROC）曲线的曲线下面积（AUC）和混淆矩阵评估模型之间的诊断性能；

S313，每个通道下的最佳诊断模型所选取的影像组学特征，作为最终入组的最佳影像组学特征。

进一步地，所述S32中，具体方法还包括：

S321，将四个通道选取的最佳影像组学特征，进行整合，分别实施逻辑回归、随机森林和支持向量机算法，构建机器学习诊断模型；

S322，根据ROC曲线和混淆矩阵比较，选择最终的跟腱病诊断模型。

进一步地，所述S4中，具体方法还包括：

S41，在测试组上，实施保序回归的一致性分析和临床决策分析，有效评估最终模型的诊断准确性和临床增益。

图2展示了分别在 R、G、B和灰度四个通道下的多种特征筛选和机器学习算法建模的诊断性能比较。其中，图2（a）是R通道在训练集的效果，图2（b）是R通道在测试集的效果，图2（c）是G通道在训练集的效果，图2（d）是G通道在测试集的效果，图2（e）是B通道在训练集的效果，图2（f）是B通道在测试集的效果，图2（g）是灰度通道在训练集的效果，图2（h）是灰度通道在测试集的效果。相比较发现基于G通道的，通过随机森林筛选和支持向量机建模的诊断模型是最佳的。

在本实施例中，最终筛选出的中药超声影像组学特征如下表所示：

采用本实施例的方法对跟腱病进行诊断的ROC曲线和五倍交叉验证结果如图3所示；在训练集和测试集上的校准曲线和决策曲线如图4所示。从图中可以看到，本实施例提供的跟腱病诊断方法具有很好的诊断准确性，能够带来较大的临床增益。

实施例2 跟腱病诊断系统

本实施例提供了一种基于肌骨超声影像组学的跟腱病自动诊断系统，包括：

数据获取和存储模块，用于获取和存储肌骨超声图像；

分割模块，用于分割肌骨感兴趣区域；

多通道影像学组学特征提取模块，用于按照实施例1的特征提取方法得到特征；

通过上述实施例和实验例可以看到，通过对特征提取方法和模型算法的优选，本发明获得了预测性能更好的跟腱病诊断模型，能够更加准确地对跟腱病进行智能诊断，具有很好的应用前景。

Claims

1.一种用于跟腱病诊断的系统，其特征在于，包括：

数据获取和存储模块，用于获取和存储肌骨超声图像；

分割模块，用于分割肌骨感兴趣区域；

多通道影像学组学特征提取模块，用于得到特征；

跟腱病诊断模块，用于将所述特征输入机器学习模型得到跟腱病的诊断结果；

所述多通道影像学组学特征提取模块得到特征的步骤为：

步骤1，输入肌骨超声图像，分割肌骨感兴趣区域；

步骤3，基于机器学习模型对跟腱病诊断的准确性，确定用于输入机器学习模型进行跟腱病诊断的特征；

步骤3中，最终确定的用于输入机器学习模型进行跟腱病诊断的特征包括：延伸率、长轴长度、最大二维直径、高灰度级别重点、小面积高灰度级别重点、最大三维直径、90百分位、最大概率、粗糙度和运行百分比；

所述机器学习模型的构建方法包括如下步骤：

S321，将R、G、B和灰度四个通道选取的最佳影像组学特征，进行整合，分别实施逻辑回归、随机森林和支持向量机算法，构建机器学习诊断模型；

2.按照权利要求1所述的用于跟腱病诊断的系统，其特征在于：分割模块中，分割肌骨感兴趣区域的方法为人工分割或采用模型分割。

3.一种计算机可读存储介质，其特征在于：其上存储有用于实现权利要求1或2所述的用于跟腱病诊断的系统的计算机程序。