[发明专利]多模态超声图像的RA活动度深度学习方法及装置

说明书

多模态超声图像的RA活动度深度学习方法与装置，能够对RA患者以静态图像或视频剪辑形式获得的GS和PD图像进行处理，从而更客观和可靠地对疾病活动进行分类。方法包括以：（1）静态模型建立；（2）动态模型建立；（3）采用均数±标准差SDs来描述定量参数，包括临床评分和实验室数据；采用受试者工作特征ROC曲线分析来说明DL评分模型的预测性能；采用Delong检验来比较ROC曲线；以超声医生的评价作为金标准，计算模型中每种二元分类的敏感性和特异性。

技术领域

本发明涉及医学图像处理的技术领域，尤其涉及一种多模态超声图像的RA活动度深度学习方法，以及多模态超声图像的RA活动度深度学习装置，其主要用于静态灰阶(SGS)、动态灰阶(DGS)、静态能量多普勒(SPD)和动态能多普勒(DPD)超声图像的处理。

背景技术

类风湿性关节炎（Rheumatoid arthritis，RA）是一种全身性、慢性的炎症性疾病，以滑膜炎症为主，主要累及小关节。关节炎症的反复发作可导致不可逆的畸形和功能障碍，给患者和社会造成沉重的负担。规范RA的诊断和治疗策略在临床实践中具有重要意义，但即使患者达到了治疗目标，当抗风湿药物逐渐减少或停用时，仍有可能发生疾病复发。因此，需要一种敏感和客观的成像工具来检测亚临床滑膜炎。

肌肉骨骼超声成像（ultrasound，US）可以直接显示炎症征象，已被认为是评估关节炎的一种可行方法。超声可较临床标准提高RA滑膜炎诊断确定性，多普勒超声可检测病理滑膜血流，反映关节的炎症活动。因此，US作为一种对RA患者早期诊断、疾病活动监测和预后预测有帮助的技术，被欧洲风湿病联盟（European League Against rheumatatism，EULAR）推荐为一线筛查方法。然而，US在RA管理中的作用仍然存在争议，因为关于US联合评分与临床参数之间的相关性的结果存在冲突。长期以来，操作者的依赖和观察者之间一致性差的问题一直限制着US对RA疾病管理能力的提高。EULAR-OMERACT滑膜炎评分系统（EOSS）引入了一种标准化的方法来解释疾病活动，利用US对RA患者的关节进行评分。制定了滑膜肥厚和血管状况评价的0-3量表评分方法，并推荐将滑膜肥厚和血管状况的EOSS评分再次进行0-3联合评分，进一步提高US的可靠性。虽然EOSS在分类上更加标准化，但由于人类专家评估者固有的偏见，它仍然不可避免地受到观察者之间的差异的影响。这将影响RA患者的诊断、治疗选择，并可能影响临床试验的结果。因此，提高US对滑膜炎诊断的准确性（ACC）和可靠性对RA的管理非常重要。

近年来，通过自动深度学习（DL）方法构建的卷积神经网络（CNNs）已成为图像分析的最先进方法之一。通过一系列的变换层，如卷积层，CNNs可以从大量的数据中提取复杂的特征。很明显，这些自动化的方法可以减轻临床试验和实践中对操作者的依赖。在以往的研究中，根据EOSS定义设计CNN对彩色多普勒（CD）超声图像进行评分，0-3分严重度分级测试ACC为70.5 -83.9%。然而，这些研究中提出的级联模型仅用于对CD超声图像进行分类。用于灰度超声图像分类的CNN模型尚未开发出来。此外，报道的CNN只能对超声静态图像进行分类，对超声视频进行准确评分的潜力尚未开发，这实际上忽略了超声本身的固有优势。有时，超声医生很难根据单一的静态图像对关节US评分进行准确的分类，关节复杂的解剖结构可能进一步增加滑膜炎评分的难度。而动态视频可能有助于读者更容易地认识解剖结构以及病理和基本病变。为了避免偏差，所有的超声数据，包括通过不同的超声模式获得的静态图像和视频片段，都通过专门设计的CNN进行评估，以更客观和可靠地对疾病活动进行分类。

发明内容

为克服现有技术的缺陷，本发明要解决的技术问题是提供了一种多模态超声图像的RA活动度深度学习方法，其能够对RA患者以静态图像或视频剪辑形式获得的GS和PD图像进行处理，从而更客观和可靠地对疾病活动进行分类。

本发明的技术方案是：这种多模态超声图像的RA活动度深度学习方法，其包括以下步骤：