基于胎儿超声影像特征组学的染色体异常预测模型的构建方法及诊断设备技术

本发明专利技术涉及基于胎儿超声影像特征组学的染色体异常预测模型的构建方法及诊断设备。模型的构建方法包括：分别获取染色体正常胎儿的超声图像中三个ROI目标区域图像和染色体异常胎儿的超声图像中三个ROI目标区域图像，所述三个ROI目标区域图像包括胎儿颈后区域、颜面部区域和中脑区域，分别提取ROI目标区域图像的特征，对提取的ROI目标区域图像的特征进行融合，得到超声图像中胎儿是染色体正常或染色体异常的分类结果；将获得的分类结果与医生的手动分类结果进行比对，根据比对结果优化分类器；得到染色体异常预测模型。本发明专利技术在构建模型时从临床实际问题出发，具有重要的临床应用和推广价值。和推广价值。和推广价值。

【技术实现步骤摘要】
基于胎儿超声影像特征组学的染色体异常预测模型的构建方法及诊断设备


[0001]本专利技术涉及智能医疗
，更具体地，涉及基于胎儿超声影像特征组学的染色体异常预测模型的构建方法、风险诊断系统、风险诊断设备和计算机可读存储介质。

技术介绍

[0002]染色体异常包括21三体、18三体、13三体、性染色体异常等染色体畸变，尤其是唐氏综合征（Down syndrome, DS）又称21
‑
三体综合征，是最常见的染色体非整倍体异常，并且高龄孕妇发生该病的风险会增加。胎儿染色体异常疾病不仅给患儿家庭带来了沉重的负担，也给社会带来了负担，现今对其尚无有效的治疗方法，提高产前筛查及诊断的水平、加大筛查力度对预防出生缺陷的意义重大。近年来，高龄产妇大幅增加，胎儿染色体异常的产前筛查面临新的挑战。孕中期筛查发现胎儿染色体异常时，已错过最佳干预时间，对染色体异常胎儿进行早期筛查是实现早期干预的重要环节，它可使出生缺陷的筛查时间前移，为孕妇提供较早的知情选择机会。
[0003]超声影像特征组学技术可从超声图像中高通量地提取海量定量影像信息，并通过构建大数据模型对海量影像数据信息进行处理、预测和分析，辅助医生对疾病做出更准确的判断。近年来，影像组学技术方法被广泛应用于超声领域，如从超声图像中识别卵巢肿瘤、对局灶性和弥漫性肝病进行分类等。但目前还没有针对染色体异常的临床胎儿超声影像构建的智能诊断系统。

技术实现思路

[0004]本研究首次开发了一种基于胎儿超声影像特征组学的染色体异常预测模型，该模型可用于预测染色体异常患病风险，辅助医生对疾病做出更准确的判断以及治疗决策。
[0005]一种基于胎儿超声影像特征组学的染色体异常预测模型的构建方法，包括：分别获取染色体正常胎儿的超声图像中三个ROI目标区域图像和染色体异常胎儿的超声图像中三个ROI目标区域图像，所述三个ROI目标区域图像包括胎儿颈后区域、颜面部区域和中脑区域；分别提取所述三个ROI目标区域图像的特征；对提取的所述三个ROI目标区域图像的特征进行融合；输入分类器中，得到超声图像中胎儿是染色体正常或染色体异常的分类结果；将获得的分类结果与医生的手动分类结果进行比对，根据比对结果优化分类器；得到染色体异常预测模型。
[0006]染色体异常又称为染色体病，是指各类染色体异常导致的一大类疾病。根据染色体异常的性质，可分为染色体数目异常和染色体结构异常两大类。
[0007]染色体数目异常包括21
‑
三体综合征、18
‑
三体综合征、13
‑
三体综合征、8
‑
三体嵌合征、9
‑
三体嵌合征、klinfelter综合征、tunner综合征、X三体综合征、XYY综合征、性发育
疾病等。
[0008]染色体结构异常包括染色体缺失、染色体重复、染色体易位、染色体倒位、环形染色体、等臂染色体、染色体插入、小的额外标记染色体等。
[0009]优选的，胎儿颈后区域需包括胎儿的颈项透明层、颈后皮肤等结构；胎儿颜面部区域需包括胎儿的前额、鼻骨、上颌骨、下颌骨等结构；中脑区域需包括胎儿的间脑、脑干、第四脑室、小脑延髓池等结构。
[0010]进一步，采用ROI目标区域检测模型获取胎儿的超声图像中三个ROI目标区域图像。
[0011]进一步，所述ROI目标区域检测模型的构建方法为：获取胎儿的超声图像；从所述超声图像中提取ROI区域；将得到的ROI区域分别与医生手动圈定的胎儿颈后区域、颜面部区域和中脑区域进行比对，生成损失值，反向传播，进行ROI区域提取的优化；得到ROI目标区域检测模型。
[0012]进一步，通过fast
‑
RCNN等模型初步从超声图像中提取ROI区域。
[0013]进一步，所述医生手动圈定的胎儿颈后区域、颜面部区域和中脑区域为医生在图像处理软件中圈定，可选的，圈定时，设定第一次选中的点为中心。
[0014]所述图像处理软件可以是OPENCV，在OPENCV中利用数据结构Rect 来圈定ROI区域。
[0015]进一步，所述提取三个ROI目标区域图像的特征可采用下列方法中的一种或几种模型：VGG、InceptionV3、Xception、MobileNet、AlexNet、LeNet、ZF_Net、ResNet。
[0016]进一步，所述分类器可采用下列分类模型中的一种或几种：KNN、Bayesian、决策树（Decision Tree）、随机森林（Random Forest）、SVM、逻辑回归（Logistic regression）、Ensemble
‑
Boosting、Ensemble
‑
Bagging。
[0017]决策树（Decision Tree）一般是其他算法的基石，可以同时处理不同类型的数据，该模型比较容易理解不同属性对于结果的影响程度。
[0018]随机森林（Random Forest）是决策树的随机集成，该模型适用于数据维度不太高又想达到较高准确性的时候。
[0019]Ensemble
‑
Boosting每次寻找一个可以解决当前错误的分类器，最后进行权重加和，该模型自带特征选择，发现有效的特征，也方便理解高维数据。
[0020]Ensemble
‑
Bagging训练多个弱分类器投票解决，随机选取训练集，避免了过拟合。
[0021]融合包括不同的融合方式，一种是在特征层面进行的融合，称为前端融合或特征融合；另外一种是在结果层面进行的融合，称为后端融合或结果融合。
[0022]所述融合包括对ROI目标区域图像特征进行前端融合或后端融合，所述前端融合为ROI目标区域图像特征进行特征融合后送入到分类器中；所述后端融合为分别将三个ROI目标区域图像特征分别送入到各自的分类器中，进而将三个ROI目标区域图像分类器的结果进行融合。
[0023]进一步，所述对提取的三个ROI目标区域图像的特征进行融合的融合函数为F=W*(concat(E
n
(i
n
), E
h
(i
h
), E
f
(i
f
)))+b，其中i
n
、i
h
、i
f
分别表示颈后区域、颜面部区域、中脑
区，E表示特征提取模块，b表示偏置项，W表示权重。
[0024]进一步，所述对提取的三个ROI目标区域图像的特征进行融合还包括对提取的三个ROI目标区域图像的特征及临床信息特征进行融合；可选的，融合函数为F=W*(concat(E
n
(i
n
), E
h
(i
h
), E
f
(i
f
), E
c
(i
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于胎儿超声影像特征组学的染色体异常预测模型的构建方法，包括：分别获取染色体正常胎儿的超声图像中三个ROI目标区域图像和染色体异常胎儿的超声图像中三个ROI目标区域图像，所述三个ROI目标区域图像包括胎儿颈后区域、颜面部区域和中脑区域；分别提取所述三个ROI目标区域图像的特征；对提取的所述三个ROI目标区域图像的特征进行融合；输入分类器中，得到超声图像中胎儿是染色体正常或染色体异常的分类结果；将获得的分类结果与医生的手动分类结果进行比对，根据比对结果优化分类器；得到染色体异常预测模型。2.根据权利要求1所述的染色体异常预测模型的构建方法，其特征在于，采用ROI目标区域检测模型获取胎儿的超声图像中三个ROI目标区域图像；所述ROI目标区域检测模型的构建方法为：获取胎儿的超声图像；从所述超声图像中提取ROI区域；将得到的ROI区域分别与医生手动圈定的胎儿颈后区域、颜面部区域和中脑区域进行比对，生成损失值，反向传播，进行ROI区域提取的优化；得到ROI目标区域检测模型。3.根据权利要求1所述的染色体异常预测模型的构建方法，其特征在于，所述提取三个ROI目标区域图像的特征可采用下列方法中的一种或几种模型：VGG、Inception、Xception、MobileNet、AlexNet、LeNet、ZF_Net、ResNet、ResNeXt、ResNeSt；所述分类器可采用下列分类模型中的一种或几种：KNN、决策树、随机森林、SVM、逻辑回归、Ensemble
‑
Boosting、Ensemble
‑
Bagging。4.根据权利要求1所述的染色体异常预测模型的构建方法，其特征在于，所述对提取的三个ROI目标区域图像的特征进行融合还包括对提取的三个ROI目标区域图像的特征及临床信息特征进行融合。5.根据权利要求4所述的染色体异常预测模型的构建方法，其特征在于，所述融合的融合函数为F=W*(concat(E
n
(i
n
), E
h
(i
h
), E
f
(i
f
), E
c
(i
c
)))+b，其中i
n
、i
...

【专利技术属性】
技术研发人员：吴青青，孙永清，董迪，宋世晶，冯丽，王晶晶，
申请(专利权)人：首都医科大学附属北京妇产医院，
类型：发明
国别省市：