1、医疗卫生装备2023年1月第44卷第1期Chinese Medical Equipment JournalVol 44No 1January2023基于神经网络的超声背散射零差 K 成像脂肪肝评价方法研究丁琪瑛1，吴水才2，崔博翔3，周著黄2*（1.北京工业大学校医院超声室，北京 100124；2.北京工业大学环境与生命学部，智能化生理测量与临床转化北京市国际科研合作基地，北京 100124；3.台湾长庚大学医学院，台湾桃园 33302）摘要目的：针对传统超声背散射零差 K 模型参数估计方法存在复杂度较高的问题，提出一种基于神经网络的超声背散射零差 K 模型参数估计方法，并在此基础上提出一种基
2、于神经网络的超声背散射零差 K 成像脂肪肝评价方法。方法：首先，利用蒙特卡罗仿真得到模拟的超声背散射包络信号样本，然后提取特征参数并输入到训练好的神经网络模型中，即可得到零差 K 模型参数的估计结果。其次，利用滑动窗口法估计窗口内局部背散射包络信号的零差K 模型参数值，对零差 K 模型参数估计值矩阵进行扫描变换、颜色映射和感兴趣区域设置，将感兴趣区域内的参数图像叠加显示到 B 超图像中，实现超声背散射零差 K 成像。最后，通过计算机仿真实验验证基于神经网络的超声背散射零差 K 模型参数估计方法的估算精度，通过临床实验验证基于神经网络的超声背散射零差 K 成像评价脂肪肝的性能。结果：计算机仿真实
3、验结果表明，基于神经网络的超声背散射零差 K 模型参数估计方法估计零差 K 模型 lg 参数、k 参数的相对均方根误差分别为 0.505 和 0.408，相比传统估计方法整体上提高了估算精度。临床实验结果表明，基于神经网络的超声背散射零差 K 模型参数 NN、kNN诊断脂肪肝S1、S2、S3 的 AUC 值分别为 0.77、0.84、0.87 和 0.77、0.84、0.84，相比基于传统超声背散射零差 K 成像提高了脂肪肝评估性能。结论：提出的基于神经网络的超声背散射零差 K 成像脂肪肝评价方法能够较好地评估脂肪肝，可为定量超声评价脂肪肝提供一种新手段。关键词神经网络；超声背散射；定量超声成
4、像；肝脏脂肪变性；零差 K 模型；脂肪肝中国图书资料分类号R318；R445文献标志码A文章编号1003-8868（2023）01-0019-08DOI：10.19745/j.1003-8868.2023004Hepatic steatosis assessment method using ultrasound backscatterhomodyned-K imaging based on neural network estimatorDING Qi-ying1,WU Shui-cai2,TSUI Po-hsiang3,ZHOU Zhu-huang2*(1.Department of Ul
5、trasound,BJUT Hospital,Beijing University of Technology,Beijing 100124,China;2.Faculty ofEnvironment and Life,Beijing University of Technology,Beijing International Science and Technology Cooperation Base forIntelligent Physiological Measurement and Clinical Transformation,Beijing 100124,China;3.Col
6、lege of Medicine,ChangGung University,Taoyuan 33302,Taiwan Province,China)AbstractObjectiveTo propose two neural network estimator-based methods respectively for estimating ultrasound backs-catter homodyned-K model parameters and evaluating hepatic steatosis with ultrasound backscatter homodyned-K i
7、magingto solve the problem of high complexity of the traditional estimation method of ultrasound backscatter homodyned-K modelparameters.MethodsFirstly,simulated ultrasonic backscatter envelope signal samples were obtained using Monte Carlosimulation,and then the feature parameters were extracted an
8、d input to the trained neural network model to gain theestimation results of homodyned-K model parameters.Secondly,the homodyned-K model parameters for the backscatterenvelope signals within the windows were estimated by the sliding window method,and the matrix of the estimatedhomodyned-K model para
9、meters underwent scaning transformation,color mapping and setting of region of interest,and theparameter images in the region of interest were superimposed onto the B-ultrasound images to realize ultrasound backscatterhomodyned-K imaging.Finally,the estimation accuracy of the neural network-based pa
10、rameter estimation method forultrasound backscatter homodyned-K model was verified by computer simulation experiments,and the performance of theneural network-based ultrasound backscatter homodyned-K imaging for hepatitis steatosis assessment was validated byclinical trials.ResultsThe results of com
11、puter simulation experiments showed that the relative root-mean-square errors ofestimating ultrasound backscatter homodyned-K model parameters lg and k by the neural network-based method were0.505 and 0.408,respectively,and the estimation accuracy was enhanced significantly when compared with the tr
12、aditionalestimation method.The results of clinical trials indicated that the AUC values of the neural network-based ultrasound 研究与设计 丁琪瑛，吴水才，崔博翔，等.基于神经网络的超声背散射零差 K 成像脂肪肝评价方法研究J.医疗卫生装备，2023，44（1）：19-26.Thesis论著Thesis论著 19 医疗卫生装备2023年1月第44卷第1期Chinese Medical Equipment JournalVol 44No 1January20230引言肝脏
13、脂肪变性是一种因肝细胞内沉积过多脂肪导致的慢性肝病，同时是非酒精性脂肪性肝病（no-nalcoholic fatty liver disease，NAFLD）的主要表现。全球人群中，NAFLD 的患病率高达 25%1，而我国流行性 NAFLD 的总病例数约为 2.43 亿2，且有低龄化趋势。据估计，约有 20%的 NAFLD 可能进展为脂肪性肝炎（nonalcoholic steatohepatitis，NASH），其中又有约 20%的 NASH 可能进展为肝硬化和肝细胞癌3，因此脂肪肝的早期诊断和跟踪监测具有重要意义。临床上，肝穿刺活检仍是诊断脂肪肝的金标准，但其具有侵入性，且可能导致取样误
14、差、诱发并发症等问题，并不适合脂肪肝的筛查和监测。因此，非侵入性的医学影像学方法广受关注。相比 CT 和 MRI，超声成像设备具有价格低廉、易获取、实时性好、可移动性佳等优势，被广泛用于肝病的检查，但临床最常用的 B 超成像是一种非定量成像方式，且对早期脂肪肝的检测敏感度较低4。因此，近年来定量超声技术受到了较多关注，定量超声参量主要包括声速、声衰减、功率谱参数、背散射统计（包络统计）、弹性等声参量5-8。定量超声可通过分析原始超声背散射信号，提取与生物组织微结构或状态直接相关的声参量。声学上，肝脏组织可建模为一系列散射声波微小粒子即散射子的组合9-10。对于正常肝脏，肝细胞和肝小叶等是肝脏的
15、超声散射子，而当肝脏发生脂肪变性时，脂肪滴成为额外的散射子。这种肝脏微结构或状态的改变，最终体现在从散射子接收的背散射回波信号中。超声背散射信号的包络统计可兼容传统超声成像架构，使其成为一类重要的定量超声参量。超声背散射零差 K 模型是参数最具物理意义的包络统计模型11，其参数估计方法主要有信噪比-偏度-峰度（signal-to-noise-ratio，skewness，kurtosis，RSK）法12和 X 统计-U 统计（X-statistics，U-statistics，XU）法13。虽然RSK 法和 XU 法在基于超声背散射零差 K模型的组织定征中大量应用，但这 2 种方法均存在计算复
16、杂度较高的问题。而神经网络法可以直接将特征参数输入至训练好的神经网络模型中，即可得到参数估计，因此计算复杂度明显低于传统 RSK 法和 XU 法。本研究提出基于神经网络估计零差 K 模型参数的方法，并在此基础上提出基于神经网络的超声背散射零差 K 成像评价脂肪肝的新方法。1方法1.1理论基础1.1.1超声背散射零差K模型对于超声背散射信号包络振幅 A，零差 K 分布模型的概率密度函数 f（）定义为11f（A|，）=A+0 xJ0（x）J0（Ax）1+x222()-dx（1）式中，表示散射子聚集参数，理论上可反映超声分辨单元内的有效散射子个数；2和 22 分别表示相干散射信号和弥漫散射信号的能量；J0（）表示零阶第一类贝塞尔函数；x 表示积分变量。根据 和，可以推导出表示相干散射信号与弥漫散射信号比值的k 参数，其计算公式如下：k=（2）理论上，k 参数可以反映散射子分布的周期性或准周期性。1.1.2超声背散射零差K模型参数的传统估计方法超声背散射零差 K 模型参数的传统估计方法主要包括 RSK 法12和 XU 法13。以 Av表示包络振幅A的 v 次幂，RSK 法的基础是 Av的信噪比
