基于神經(jīng)網(wǎng)絡(luò)的超聲背散射零差K 成像脂肪肝評價方法研究

丁琪瑛，吳水才，崔博翔，周著黃*

（1.北京工業(yè)大學(xué)校醫(yī)院超聲室，北京 100124；2.北京工業(yè)大學(xué)環(huán)境與生命學(xué)部，智能化生理測量與臨床轉(zhuǎn)化北京市國際科研合作基地，北京 100124；3.臺灣長庚大學(xué)醫(yī)學(xué)院，臺灣桃園33302）

0 引言

肝臟脂肪變性是一種因肝細胞內(nèi)沉積過多脂肪導(dǎo)致的慢性肝病，同時是非酒精性脂肪性肝?。╪onalcoholic fatty liver disease，NAFLD）的主要表現(xiàn)。全球人群中，NAFLD 的患病率高達25%[1]，而我國流行性NAFLD 的總病例數(shù)約為2.43 億[2]，且有低齡化趨勢。據(jù)估計，約有20%的NAFLD 可能進展為脂肪性肝炎（nonalcoholic steatohepatitis，NASH），其中又有約20%的NASH 可能進展為肝硬化和肝細胞癌[3]，因此脂肪肝的早期診斷和跟蹤監(jiān)測具有重要意義。

臨床上，肝穿刺活檢仍是診斷脂肪肝的金標準，但其具有侵入性，且可能導(dǎo)致取樣誤差、誘發(fā)并發(fā)癥等問題，并不適合脂肪肝的篩查和監(jiān)測。因此，非侵入性的醫(yī)學(xué)影像學(xué)方法廣受關(guān)注。相比CT 和MRI，超聲成像設(shè)備具有價格低廉、易獲取、實時性好、可移動性佳等優(yōu)勢，被廣泛用于肝病的檢查，但臨床最常用的B 超成像是一種非定量成像方式，且對早期脂肪肝的檢測敏感度較低[4]。因此，近年來定量超聲技術(shù)受到了較多關(guān)注，定量超聲參量主要包括聲速、聲衰減、功率譜參數(shù)、背散射統(tǒng)計（包絡(luò)統(tǒng)計）、彈性等聲參量[5-8]。定量超聲可通過分析原始超聲背散射信號，提取與生物組織微結(jié)構(gòu)或狀態(tài)直接相關(guān)的聲參量。

聲學(xué)上，肝臟組織可建模為一系列散射聲波微小粒子即散射子的組合[9-10]。對于正常肝臟，肝細胞和肝小葉等是肝臟的超聲散射子，而當肝臟發(fā)生脂肪變性時，脂肪滴成為額外的散射子。這種肝臟微結(jié)構(gòu)或狀態(tài)的改變，最終體現(xiàn)在從散射子接收的背散射回波信號中。超聲背散射信號的包絡(luò)統(tǒng)計可兼容傳統(tǒng)超聲成像架構(gòu)，使其成為一類重要的定量超聲參量。超聲背散射零差K 模型是參數(shù)最具物理意義的包絡(luò)統(tǒng)計模型[11]，其參數(shù)估計方法主要有信噪比-偏度-峰度（signal-to-noise-ratio，skewness，kurtosis，RSK）法[12]和X 統(tǒng)計-U 統(tǒng)計（X-statistics，U-statistics，XU）法[13]。雖然RSK 法和XU 法在基于超聲背散射零差K模型的組織定征中大量應(yīng)用，但這2 種方法均存在計算復(fù)雜度較高的問題。而神經(jīng)網(wǎng)絡(luò)法可以直接將特征參數(shù)輸入至訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型中，即可得到參數(shù)估計，因此計算復(fù)雜度明顯低于傳統(tǒng)RSK 法和XU 法。

本研究提出基于神經(jīng)網(wǎng)絡(luò)估計零差K 模型參數(shù)的方法，并在此基礎(chǔ)上提出基于神經(jīng)網(wǎng)絡(luò)的超聲背散射零差K 成像評價脂肪肝的新方法。

1 方法

1.1 理論基礎(chǔ)

1.1.1 超聲背散射零差K 模型

對于超聲背散射信號包絡(luò)振幅A，零差K 分布模型的概率密度函數(shù)f（·）定義為[11]

式中，α 表示散射子聚集參數(shù)，理論上可反映超聲分辨單元內(nèi)的有效散射子個數(shù)；ε2和2σ2α 分別表示相干散射信號和彌漫散射信號的能量；J0（·）表示零階第一類貝塞爾函數(shù)；x 表示積分變量。根據(jù)ε 和σ，可以推導(dǎo)出表示相干散射信號與彌漫散射信號比值的k 參數(shù)，其計算公式如下：

理論上，k 參數(shù)可以反映散射子分布的周期性或準周期性。

1.1.2 超聲背散射零差K 模型參數(shù)的傳統(tǒng)估計方法

超聲背散射零差K 模型參數(shù)的傳統(tǒng)估計方法主要包括RSK 法[12]和XU 法[13]。以Av表示包絡(luò)振幅A的v 次冪，RSK 法的基礎(chǔ)是Av的信噪比R、偏度S和峰度K，其計算公式分別如下[12]：

式中，E[·]表示數(shù)學(xué)期望。

RSK 法首先通過蒙特卡羅仿真，計算不同α 和k 的參數(shù)組合下R、S、K 的理論值。在實際估算時，根據(jù)背散射信號包絡(luò)計算R、S、K 的實際值，再將實際值與理論值放在二維參數(shù)空間里進行比對，搜尋最佳水平曲線對應(yīng)的α 和k 參數(shù)值，即為參數(shù)估計。Hruska 等[12]研究發(fā)現(xiàn)，RSK 法最優(yōu)的v 次冪為v∈{0.72，0.88}。

XU 法主要基于包絡(luò)信號強度I（I=A2）的X 統(tǒng)計和U 統(tǒng)計，X 和U 的計算公式分別如下[13]：

XU 法通過在E[I]=Iˉ（Iˉ為平均強度）、XHK=X（XHK和X 分別為X 的理論值和測量值）、α≤αmax這些約束條件下，求解以下非線性方程得到α 和k 的參數(shù)估計[13]：

式中，UHK和U 分別為U 的測量值和理論值；arg min（·）是指括號內(nèi)條件滿足最小值時對應(yīng)公式（8）等式左端的參量值。在通過公式（8）計算出α、ε2和σ2參數(shù)之后，可根據(jù)公式（2）計算出k 參數(shù)的值。

1.2 基于神經(jīng)網(wǎng)絡(luò)的超聲背散射零差K 模型參數(shù)的估計方法

通過理論分析和試驗發(fā)現(xiàn)，傳統(tǒng)RSK 法的水平曲線空間搜尋和XU 法的非線性方程求解均存在算法計算復(fù)雜度較高的問題，且RSK 法存在搜尋不到最優(yōu)解而導(dǎo)致無效估計的情況。為此，本研究在前期工作的基礎(chǔ)上[14]，提出了改進的神經(jīng)網(wǎng)絡(luò)估計超聲背散射零差K 模型參數(shù)的方法，其算法流程如圖1所示。圖1 中，左側(cè)為神經(jīng)網(wǎng)絡(luò)訓(xùn)練流程圖，訓(xùn)練得到神經(jīng)網(wǎng)絡(luò)模型；右側(cè)為神經(jīng)網(wǎng)絡(luò)測試流程圖，先利用蒙特卡羅仿真得到模擬的超聲背散射包絡(luò)信號樣本，或臨床超聲背散射信號經(jīng)包絡(luò)檢測得到包絡(luò)信號，然后提取特征參數(shù)輸入到訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型中，即可得到lg α 和k 參數(shù)估計。由于本研究提出的神經(jīng)網(wǎng)絡(luò)法可以直接將特征參數(shù)輸入神經(jīng)網(wǎng)絡(luò)模型得到參數(shù)估計，因此計算復(fù)雜度明顯低于傳統(tǒng)RSK法和XU 法。

圖1 基于神經(jīng)網(wǎng)絡(luò)的超聲背散射零差K 模型參數(shù)估計算法流程圖

1.2.1 蒙特卡羅仿真產(chǎn)生神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本

利用蒙特卡羅仿真產(chǎn)生包絡(luò)信號訓(xùn)練樣本，這些訓(xùn)練樣本服從零差K 分布、獨立同分布（independent identically distributed，IID），且對應(yīng)于不同lg α 和k 參數(shù)的組合：lg α∈{-1.00，-0.99，…，-0.01，0.00，0.01，…，1.99，2.00}、k∈{0.00，0.01，…，1.99，2.00}。在訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型時，以上各數(shù)值分別是不同組合下lg α 和k 參數(shù)的參考標準。因此，共產(chǎn)生301×201=60 501 組訓(xùn)練樣本。每個訓(xùn)練樣本的包絡(luò)信號長度為216（即216 個數(shù)據(jù)點）。對于任意一組lg α 和k參數(shù)，蒙特卡羅仿真產(chǎn)生服從零差K 分布的IID 包絡(luò)信號樣本TS 的計算公式如下[14]：

式中，X 和Y 是服從單位高斯分布的IID 包絡(luò)信號樣本；z 是服從伽馬分布的IID 包絡(luò)信號樣本，伽馬分布的形狀參數(shù)為α、尺度參數(shù)為1。

1.2.2 輸入神經(jīng)網(wǎng)絡(luò)的特征參數(shù)

根據(jù)超聲背散射包絡(luò)信號估算零差K 模型參數(shù)，是一個逆問題。由于RSK 法的3 個參數(shù)R、S、K 和XU 法的2 個參數(shù)X、U 都可以用于估算零差K 模型參數(shù)，因此，本研究基于神經(jīng)網(wǎng)絡(luò)模型提出一種方法可以綜合運用這些參數(shù)，并且能夠避免傳統(tǒng)RSK 法和XU 法計算復(fù)雜度較高的問題。通過設(shè)置神經(jīng)網(wǎng)絡(luò)的特征參數(shù)、網(wǎng)絡(luò)結(jié)構(gòu)和訓(xùn)練方式，可以有效地提高其估算性能。

本研究考慮以下15 個特征參數(shù)：公式（3）～（5）中，設(shè)置v∈{0.72，0.88，2.00}，共得到9 個與R、S、K對應(yīng)的特征參數(shù)；公式（6）～（7）中，用I1=Av替代原本的I=A2，同樣設(shè)置v∈{0.72，0.88，2.00}，如此可得到6 個與X、U 對應(yīng)的特征參數(shù)。

1.2.3 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖2 所示的前饋神經(jīng)網(wǎng)絡(luò)，由1 個輸入層、2 個隱含層和1 個輸出層構(gòu)成。輸入層共有15 個神經(jīng)元，對應(yīng)于上文所述的15 個特征參數(shù)；隱含層1 和隱含層2 的神經(jīng)元個數(shù)分別為40和15；輸出層有2 個神經(jīng)元，分別對應(yīng)于lg α 和k參數(shù)值。

圖2 前饋神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖

1.2.4 神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練

采用誤差反向傳播（back propagation，BP）算法訓(xùn)練前饋神經(jīng)網(wǎng)絡(luò)，具體為Levenberg-Marquardt BP算法[15]。在訓(xùn)練神經(jīng)網(wǎng)絡(luò)之前，將訓(xùn)練樣本和參考標準的值映射到[-1，1]范圍，以加速訓(xùn)練。在神經(jīng)網(wǎng)絡(luò)測試時，再將網(wǎng)絡(luò)輸出值反映射到原來的范圍。學(xué)習(xí)率設(shè)置為0.01，損失函數(shù)為均方誤差。2 個隱含層的傳遞函數(shù)為雙曲正切S 形（即Sigmoid）傳遞函數(shù)，輸出層為線性傳遞函數(shù)。

1.3 基于神經(jīng)網(wǎng)絡(luò)的超聲背散射零差K 成像方法

基于神經(jīng)網(wǎng)絡(luò)的超聲背散射零差K 成像方法流程圖如圖3 所示。超聲背散射零差K 成像是基于α 和k 參數(shù)的映射圖，通過在包絡(luò)信號上使用滑動窗口處理得到。主要步驟包括：（1）在包絡(luò)信號上，使用一個正方形窗口以獲取局部背散射信號，這些信號數(shù)據(jù)輸入訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型，得到α 和k 參數(shù)估計值，再將這些估計值賦予位于窗口中心的新像素；（2）正方形窗口以一定的步長即窗口重疊率在包絡(luò)信號上滑動，重復(fù)此步驟以產(chǎn)生α 和k 參數(shù)圖；（3）利用掃描變換將α 和k 參數(shù)圖轉(zhuǎn)換為凸陣圖像，并使用偽彩色映射以便顯示，再設(shè)置肝實質(zhì)感興趣區(qū)域（region of interest，ROI）；（4）將ROI 內(nèi)的α 和k 圖像疊加顯示到B 超圖像上，同時顯示結(jié)構(gòu)信息和參數(shù)信息，即基于神經(jīng)網(wǎng)絡(luò)的超聲背散射零差K 成像。為了在抑制邊界偽影的同時提高成像分辨力[16]，本研究使用換能器脈沖長度的1 倍作為窗口邊長，以實現(xiàn)小窗口超聲背散射零差K 成像。

圖3 基于神經(jīng)網(wǎng)絡(luò)的超聲背散射零差K 成像方法流程圖

1.4 試驗數(shù)據(jù)

1.4.1 計算機仿真實驗數(shù)據(jù)

利用公式（9）的蒙特卡羅仿真產(chǎn)生測試樣本，以評估各參數(shù)估計方法的性能。這些服從零差K 分布的IID 測試樣本，對應(yīng)于不同的lg α 和k 參數(shù)組合：lg α∈{-1.0，-0.9，…，-0.1，0.0，0.1，…，1.9，2.0}；k∈{0.0，0.1，…，1.9，2.0}。在測試神經(jīng)網(wǎng)絡(luò)模型時，以上各數(shù)值分別是不同組合下lg α 和k 參數(shù)的參考標準。因此，共產(chǎn)生31×21=651 組測試樣本。每個測試樣本的包絡(luò)信號長度同樣為216。對于每組測試樣本，重復(fù)試驗100 次。

利用以下指標評價估算性能[14]：相對均方根誤差（relative root mean square error，RRMSE）、相對偏差（relative bias，RB）、歸一化標準差（normalized standard deviation，NSD），具體計算公式如下：

1.4.2 臨床試驗數(shù)據(jù)

臨床試驗數(shù)據(jù)經(jīng)批準在臺灣長庚醫(yī)院采集[17]，所有受試者均簽署了知情同意書。受試者分為2 組：第一組為72 名肝臟捐獻者，第二組為204 名慢性乙肝患者。第一組男女比例為24∶48，平均年齡為（38.2±13.3）歲；第二組男女比例為148∶56，平均年齡為（54.7±12.4）歲。第一組受試者脂肪肝檢測的參考標準為磁共振波譜（magnetic resonance spectroscopy，MRS）測量的肝臟脂肪分數(shù)（hepatic fat fraction，HFF）。第二組受試者脂肪肝檢測的參考標準為肝穿刺活檢，根據(jù)組織學(xué)檢查結(jié)果將脂肪肝程度分為4 個等級：正常（S0）（肝臟脂肪變性<肝細胞數(shù)量的5%）；輕度（S1）（肝細胞數(shù)量的5%≤肝臟脂肪變性<肝細胞數(shù)量的33%）；中度（S2）（肝細胞數(shù)量的33%≤肝臟脂肪變性<肝細胞數(shù)量的66%）；重度（S3）（肝臟脂肪變性≥肝細胞數(shù)量的66%）

在行MRS 或組織學(xué)檢查之前，受試者均進行了標準的腹部超聲檢查，超聲掃描儀為Terason 3000型（Terason，Burlington，MA，USA），凸陣換能器（5C2A型，Terason）的中心頻率為3 MHz，陣元數(shù)為128，脈沖長度（pulse length，PL）約為2.3 mm。超聲成像的焦點和深度分別為4 cm 和8 cm。原始超聲背散射信號由128 條掃描線組成，采樣頻率為30 MHz。利用MATLAB 軟件（R2020a，MathWorks，Natick，MA，USA）進行背散射信號的離線處理。

1.5 臨床超聲背散射信號處理

對臨床超聲背散射信號進行希爾伯特變換，以獲取包絡(luò)信號。對包絡(luò)信號進行對數(shù)壓縮（動態(tài)范圍40 dB），并進行掃描變換，以構(gòu)建B 超圖像。采用未壓縮的包絡(luò)信號進行超聲背散射零差K 成像。將滑動窗口的邊長設(shè)置為1PL，以保證零差K 成像有較高的分辨力。為了在成像分辨力和計算時間之間進行折中，將滑動窗口的重疊率設(shè)置為50%[16]。通過在B超圖像上手動勾畫ROI 以獲得定量測量，再將ROI應(yīng)用于相應(yīng)的零差K 圖像，計算出ROI 內(nèi)圖像像素值的平均值。

1.6 統(tǒng)計學(xué)分析

對于第一組受試者，計算Pearson 相關(guān)系數(shù)r 和概率P，以評估超聲背散射零差K 模型參數(shù)與HFF之間的相關(guān)性（P<0.05 表示差異具有統(tǒng)計學(xué)意義）。對于第二組受試者，使用95%置信區(qū)間（confidence interval，CI）分析受試者ROC，計算≥S1、≥S2、≥S3的AUC 值（≥S1 表示S0 與S1～S3 的二分類，≥S2表示S0～S1 與S2～S3 的二分類，≥S3 表示S0～S2 與S3的二分類），以評估診斷不同程度脂肪肝的性能。利用SigmaPlot 軟件（v12.5，Systat Software，CA，USA）進行統(tǒng)計分析。

2 結(jié)果

2.1 計算機仿真試驗結(jié)果

不同估計方法估算超聲背散射零差K 模型lg α 和k 參數(shù)性能的對比結(jié)果詳見表1～2。RRMSE、RB、NSD 的數(shù)值越小，代表估算性能越好。在RRMSE和NSD 方面，本研究提出的神經(jīng)網(wǎng)絡(luò)法均優(yōu)于傳統(tǒng)RSK 法和XU 法。在RB 方面，對于lg α 參數(shù)，本研究提出的神經(jīng)網(wǎng)絡(luò)法略差于傳統(tǒng)的RSK 法和XU 法。而對于k 參數(shù)，本研究提出的神經(jīng)網(wǎng)絡(luò)法優(yōu)于RSK法。整體上來看，本研究提出的神經(jīng)網(wǎng)絡(luò)法優(yōu)于傳統(tǒng)RSK 法和XU 法。

表1 不同估計方法估算超聲背散射零差K 模型lg α 參數(shù)的精度對比結(jié)果

表2 不同估計方法估算超聲背散射零差K 模型k 參數(shù)的精度對比結(jié)果

在運行效率方面，利用普通計算機在MATLAB 環(huán)境下測試算法的平均運行時間，結(jié)果如下：RSK 法為0.164 6 s，XU 法為0.102 1 s，本研究提出的神經(jīng)網(wǎng)絡(luò)法為0.011 3 s?？梢姡窠?jīng)網(wǎng)絡(luò)法的運行效率明顯高于RSK 法和XU 法。

2.2 臨床試驗結(jié)果

2.2.1 第一組受試者的臨床試驗結(jié)果

不同程度脂肪肝的B 超成像與基于神經(jīng)網(wǎng)絡(luò)的超聲背散射零差K 模型αNN和kNN成像如圖4、5 所示。αNN和kNN圖像中每一個像素值對應(yīng)于色階條中αNN和kNN的數(shù)值，因此是一種具有物理意義的定量超聲成像方式。相比之下，B 超圖像的像素值對應(yīng)于對數(shù)壓縮之后的灰階，是以相對方式顯示組織回波信號的幅度或回波反射性，且B 超圖像的灰階會受動態(tài)范圍、圖像后處理等參數(shù)的影響，所以B 超圖像是一種非定量即定性的成像方式。由圖4 和圖5 可見，隨著脂肪肝嚴重程度的增加，超聲背散射零差K模型αNN和kNN圖像的整體亮度逐漸增大，表明αNN和kNN成像能夠以可視化方式直觀地定征或評價脂肪肝。

圖4 不同程度脂肪肝的B 超成像與基于神經(jīng)網(wǎng)絡(luò)估計的超聲背散射零差K 模型αNN 成像

圖5 不同程度脂肪肝的B 超成像與基于神經(jīng)網(wǎng)絡(luò)估計的超聲背散射零差K 模型kNN 成像

Zhou 等[16]研究發(fā)現(xiàn)超聲背散射統(tǒng)計參數(shù)與HFF非線性相關(guān)，但與lg HFF 呈線性相關(guān)。因此，本研究分析超聲背散射零差K 模型參數(shù)與lg HFF 的相關(guān)性，基于神經(jīng)網(wǎng)絡(luò)估計的αNN和kNN參數(shù)與lg HFF 的散點圖與線性擬合分別如圖6、7 所示，相關(guān)系數(shù)分別為r=0.651（P<0.000 1）和r=0.650（P<0.000 1），表明αNN和kNN參數(shù)與lg HFF 均有較好的線性相關(guān)性。

圖6 基于神經(jīng)網(wǎng)絡(luò)估計的超聲背散射零差K 模型αNN 參數(shù)值與lg HFF 的散點圖與線性擬合

利用傳統(tǒng)RSK 法和XU 法估計的超聲背散射零差K 模型αRSK和αXU參數(shù)與lg HFF 的相關(guān)性分別為r=0.094（P<0.000 1）和r=0.628（P<0.000 1）。相比于傳統(tǒng)RSK 法和XU 法，本研究提出的基于神經(jīng)網(wǎng)絡(luò)估計的超聲背散射零差K 模型參數(shù)與lg HFF 之間具有更好的相關(guān)性。

2.2.2 第二組受試者的臨床試驗結(jié)果

肝活檢結(jié)果表明，不同程度脂肪肝的受試者例數(shù)分別為80 例（S0）、70 例（S1）、36 例（S2）、18 例（S3）。基于神經(jīng)網(wǎng)絡(luò)估計的超聲背散射零差K 模型αNN和kNN參數(shù)與脂肪肝程度的箱形圖分別如圖8、9 所示，隨著脂肪肝嚴重程度的增加，αNN和kNN參數(shù)值均呈現(xiàn)增大趨勢，表明αNN和kNN參數(shù)能夠檢測不同程度的脂肪肝。

圖7 基于神經(jīng)網(wǎng)絡(luò)估計的超聲背散射零差K 模型kNN 參數(shù)值與lg HFF 的散點圖與線性擬合

圖8 基于神經(jīng)網(wǎng)絡(luò)估計的超聲背散射零差K 模型αNN 參數(shù)值與脂肪肝程度的箱形圖

圖9 基于神經(jīng)網(wǎng)絡(luò)估計的超聲背散射零差K 模型kNN 參數(shù)值與脂肪肝程度的箱形圖

利用神經(jīng)網(wǎng)絡(luò)估計的超聲背散射零差K 模型αNN和kNN成像診斷不同程度脂肪肝的ROC 分別如圖10、11 所示。αNN和kNN成像診斷脂肪肝程度≥S1、≥S2、≥S3 的AUC 值分別為0.77（95%CI：0.70～0.84）、0.84（95%CI：0.78～0.89）、0.87（95%CI：0.80～0.93）和0.77（95%CI：0.70～0.84）、0.84（95%CI：0.79～0.90）、0.84（95%CI：0.77～0.91）。上述結(jié)果表明，αNN和kNN成像診斷脂肪肝的性能良好。

圖10 基于神經(jīng)網(wǎng)絡(luò)估計的超聲背散射零差K 模型αNN 成像診斷不同程度脂肪肝的ROC

利用傳統(tǒng)RSK 法和XU 法估計的超聲背散射零差K 模型αRSK和αXU成像診斷脂肪肝程度≥S1、≥S2、≥S3 的AUC 值分別為0.561（95%CI：0.480～0.643）、0.573（95%CI：0.485～0.660）、0.526（95%CI：0.388～0.664）和0.753（95%CI：0.682～0.824）、0.829（95%CI：0.773～0.886）、0.809（95%CI：0.726～0.892）。相比傳統(tǒng)RSK 法和XU 法，本研究提出的基于神經(jīng)網(wǎng)絡(luò)估計的超聲背散射零差K 模型參數(shù)具有更好的脂肪肝程度評估性能。

圖11 基于神經(jīng)網(wǎng)絡(luò)估計的超聲背散射零差K 模型kNN 成像診斷不同程度脂肪肝的ROC

3 結(jié)語

近年來，超聲組織定征技術(shù)在肝臟評價中受到廣泛關(guān)注[18-19]。本研究提出了基于神經(jīng)網(wǎng)絡(luò)的超聲背散射零差K 成像評價脂肪肝的新方法。

從理論上分析，肝臟發(fā)生脂肪變性后，多余的脂肪滴貢獻了額外的散射子，導(dǎo)致脂肪肝的散射子個數(shù)多于正常肝臟，且脂肪肝程度越嚴重，散射子數(shù)量越大，這可能是超聲背散射零差K 模型α 參數(shù)成像能夠檢測脂肪肝的理論基礎(chǔ)。此外，當散射子數(shù)量越來越多，導(dǎo)致彌漫散射子的局部聚集[20]，也可能產(chǎn)生相干散射子，致使相干散射信號與彌漫散射信號的比值增大，這是超聲背散射零差K 模型k 參數(shù)成像檢測脂肪肝的理論推測。

計算機仿真實驗結(jié)果和臨床實驗結(jié)果表明，相比傳統(tǒng)RSK 法和XU 法，本文提出的基于神經(jīng)網(wǎng)絡(luò)的超聲背散射零差K 成像方法整體上提高了估算精度，提高了脂肪肝評估性能，可為定量超聲評價脂肪肝提供一種新手段。

本研究仍具有不足之處，雖然在整體估算精度上較優(yōu)，但是在RB 指標方面所提出的神經(jīng)網(wǎng)絡(luò)法并不優(yōu)于傳統(tǒng)RSK 法和XU 法。由于神經(jīng)網(wǎng)絡(luò)法可以允許多個特征參數(shù)輸入，因此具有較高的靈活性。在未來研究中，可設(shè)計新的特征參數(shù)，并相應(yīng)改進神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和訓(xùn)練方式，以進一步提高神經(jīng)網(wǎng)絡(luò)方法的估算精度。