阅读说明：本技术 一种基于dmsa图像的膀胱输尿管反流预测方法 (Vesicoureteral reflux prediction method based on DMSA image ) 是由 徐虹 吴明妍 沈茜 毕允力 龚一女 许丽楠 吴哈 阮彤 曾健骏 于 2019-10-23 设计创作，主要内容包括：本发明公开了一种基于DMSA图像的膀胱输尿管反流预测方法,该方法通过预先筛选病人数据来得到相对平衡的数据集,在该数据集上利用三层CNN网络作为图像解码器,将图像解码器的输出拼接从文本得到的DMSA检查特征,接入两层密集连接层,从DMSA图像预测膀胱输尿管反流的存在与否与级别轻重。本发明提前预测患儿膀胱输尿管反流的存在与否与级别轻重,避免患儿进行不必要的逆行性膀胱尿路造影检查。(The invention discloses a bladder ureter reflux prediction method based on a DMSA image, which obtains a relatively balanced data set by pre-screening patient data, uses a three-layer CNN network as an image decoder on the data set, splices the output of the image decoder with DMSA inspection characteristics obtained from texts, accesses two dense connecting layers, and predicts the existence and grade of bladder ureter reflux from the DMSA image. The method predicts the existence and grade of the reflux of the vesicoureteral tract of the infant in advance, and avoids unnecessary retrograde vesicoureterography examination of the infant.)

一种基于DMSA图像的膀胱输尿管反流预测方法

技术领域

本项发明是一种图像结合的识别算法，具体应用于临床进行DMSA检查的患儿，进行膀胱输尿管反流存在与否的预测模型。

背景技术

膀胱输尿管反流（VUR）是儿童常见的先天性肾脏和尿路畸形之一。是造成儿童反复***与发热的常见原因，如不早期诊断，不进行及时干预治疗，可进展为反流性肾病，严重影响肾脏功能，甚至可进展为终末期肾病。

目前临床诊断VUR的路径通常为对那些出现发热性泌尿道感染的患儿进行DMSA肾静态扫描，明确肾脏损伤程度，如肾脏已有损伤（如出现肾疤痕，分肾功能两侧差值>=10）,则考虑进行逆行性膀胱尿路造影（MCU），以明确VUR的存在与级别。但MCU检查为有创性检查，会给患儿造成不适感，同时MCU具有一定放射性，小年龄患儿避免短期内多次检查。

而目前尚无别的检查能替代MCU诊断VUR的临床应用。

卷积神经网络（Convolutional Neural Network，简称CNN），是一种前馈神经网络，人工神经元可以响应周围单元，可以进行大型图像处理。卷积神经网络包括卷积层和池化层。

发明内容

本项发明旨在通过对DMSA图像进行分析，通过图像识别技术，***患儿VUR的存在与否与级别轻重，避免患儿进行不必要的MCU检查。

本发明是按照以下技术方案实现的。

一种基于DMSA图像的膀胱输尿管反流预测方法，包括以下步骤：

G1：通过DMSA肾静态扫描，获取多组患者双肾的扫描图像，将DMSA正面检查图像分割成左肾右肾两幅图像，将其中的左肾图像水平翻转，与右肾图像一起，作为两张分肾图片；

G2：选取一组DMSA图像，将其中的每一张分肾图片的该侧肾脏上、中、下部DMSA等级，对侧肾脏上、中、下部DMSA等级，该肾DMSA功能绝对值/100，对肾DMSA功能绝对值/100，该肾/对肾绝对功能比，对肾/该神绝对功能比，DMSA功能分肾差，作为额外特征。

G3：将G2中得到的两张分肾图片转换成灰度图像，并缩放至128*128像素；

G4：将G3中的灰度图像输入给基于三层CNN的图像解码器的预测模型，所述预测模型的第1层CONV层（卷积层）输出通道数为32，卷积核大小3*3，激活函数采用relu，经过一层核大小为2*2的最大池化后输入到第2层CONV层；所述第2层CONV层输出通道数为64，卷积核大小3*3，激活函数采用relu，经过一层核大小为2*2的最大池化后输入到第3层CONV层；所述第3层CONV层输出通道数为128，卷积核大小3*3，激活函数采用relu，经过一层核大小为2*2的最大池化后展平二维张量成一维张量，随后拼接入额外特征，得到的一维张量输入神经元个数512个的密集连接层，激活函数采用relu，然后输入神经元个数为1个的密集连基层，激活函数采用sigmoid；

G5：继续选择其他组的DMSA图像，并重复G2~G4步骤，反复训练预测模型；

G6：将待评估患者的双肾DMSA图像，依次经步骤G2~G4处理，得到最终的分流等级。

进一步的，将患者行反流检查的分流等级分为0~5级，0级为无反流，5级位最高级别反流，在所述预测模型的训练阶段，根据分肾图片中体现出的输尿管反流严重程度，将该侧肾的分流等级为0~2记为0，等级3~5记为1。

本发明获得了如下的有益效果。

本发明通过对DMSA图像进行分析，通过图像识别技术，***患儿膀胱输尿管反流的存在与否与级别轻重，避免患儿进行不必要的逆行性膀胱尿路造影检查，从而能防止给患儿造成不适感，并且避免了逆行性膀胱尿路造影检查的放射性对患者造成伤害。

附图说明

图1是本发明中预测方法的流程图。

具体实施方式

下面结合实施例对本发明进行进一步说明。

一种基于DMSA图像的膀胱输尿管反流预测方法，包括以下步骤：

G1：通过DMSA肾静态扫描，获取多组患者双肾的扫描图像，将DMSA正面检查图像分割成左肾右肾两幅图像，将其中的左肾图像水平翻转，与右肾图像一起，作为两张分肾图片；

G2：选取一组DMSA图像，将其中的每一张分肾图片的该侧肾脏上、中、下部DMSA等级，对侧肾脏上、中、下部DMSA等级，该肾DMSA功能绝对值/100，对肾DMSA功能绝对值/100，该肾/对肾绝对功能比，对肾/该神绝对功能比，DMSA功能分肾差，作为额外特征。

G3：将G2中得到的两张分肾图片转换成灰度图像，并缩放至128*128像素；

G4：将G3中的灰度图像输入给基于三层CNN的图像解码器的预测模型，所述预测模型的第1层CONV层（卷积层）输出通道数为32，卷积核大小3*3，激活函数采用relu，经过一层核大小为2*2的最大池化后输入到第2层CONV层；所述第2层CONV层输出通道数为64，卷积核大小3*3，激活函数采用relu，经过一层核大小为2*2的最大池化后输入到第3层CONV层；所述第3层CONV层输出通道数为128，卷积核大小3*3，激活函数采用relu，经过一层核大小为2*2的最大池化后展平二维张量成一维张量，随后拼接入额外特征，得到的一维张量输入神经元个数512个的密集连接层，激活函数采用relu，然后输入神经元个数为1个的密集连基层，激活函数采用sigmoid；

G5：继续选择其他组的DMSA图像，并重复G2~G4步骤，反复训练预测模型；

G6：将待评估患者的双肾DMSA图像，依次经步骤G2~G4处理，得到最终的分流等级。

进一步的，将患者行反流检查的分流等级分为0~5级，0级为无反流，5级位最高级别反流，在所述预测模型的训练阶段，根据分肾图片中体现出的输尿管反流严重程度，将该侧肾的分流等级为0~2记为0，等级3~5记为1。

DMSA图像报告体现的分肾功能，由核医学科医生用专业的核医学软件勾勒轮廓，系统计算得到。

图像评分由核医学科医生及培训过的医务人员根据美国核医学会评价标准，肾盂肾炎的标准：肾皮质1个或1个以上局灶性放射性减低或缺损；或呈弥漫性放射性减低；肾外形轮廓正常。肾疤痕的标准：肾皮质1个或1个以上局灶性放射性减低或缺损，伴受累皮质收缩或容量减少，或呈楔形缺损。

反流的等级由行泌尿系逆行造影的医务人员依据1981年国际反流研究会制定的膀胱输尿管反流五级分类法进行评估。

实施例一：

通过预先筛选病人数据来得到相对平衡的数据集，在该数据集上利用三层CNN网络作为图像解码器，将图像解码器的输出拼接从文本得到的DMSA检查特征，接入两层密集连接层，从DMSA图像预测VUR的存在与否与级别轻重。