基于深度学习的肝门静脉高压分级辅助诊断方法研究.pdf

摘要

PortalHypertension,PHT

肝门静脉高压症（）是肝脏疾病的主要并发症，其特

征是肝门静脉压力大幅度上升。PHT存在发病率高、致死率高的特点，是全世界

范围内的公共卫生问题。肝静脉压力梯度(HepaticVenousPressureGradient,HVPG)

是诊断PHT的金标准。HVPG的传统有创测量方法会给患者带来不小的风险，同

时价格也十分昂贵，这些因素都限制了其在临床上的使用。因此，准确可靠的无创

PHT分级诊断方法对医生和患者来说至关重要。针对上述问题，本文基于肝门静

脉部位的计算机断层扫描(ComputedTomography,CT)图像，使用深度学习方法对

PHT进行分级辅助诊断。具体研究内容如下：

CT

第一，针对本研究所使用数据集存在的图像质量低、小样本以及类别不平

CT

衡问题，我们首先对肝门静脉部位图像进行了直方图均衡化、重排列等预处理

操作，以提高图像质量并扩充数据集。然后基于得到的数据集，使用卷积神经网络

对PHT进行分类，并探究了损失函数、特征融合等因素对分类结果的影响。结果

证明，使用重加权LDAM损失函数、特征融合方法以及迁移学习策略，ResNet50

网络取得了最佳效果，其准确率（召回率）达到了82.47%。

第二，为了进一步提高PHT分类的准确性，我们基于Transformer结构，探究

了分类和回归对PHT分类效果的影响。首先，迁移了多个预训练Transformer模型

用于PHT分类。随后，在此基础上进一步设计回归任务，并提出了一个新的损失

函数PH-LDAM用于解决数据集类别不平衡的问题。结果表明，在分类任务中，其

中ViT(VisionTransformer)模型表现最佳。而回归任务中，在使用具有经验值的PH-

LDAM损失函数情况下，VPT(VisualPromptTuning)主干网络取得了最佳的结果，

()86.18%

其准确率召回率达到了。

CT

综上，本文基于不同的深度神经网络以及多种方法，在肝门静脉部位数据

集上，探究了不同网络、不同方法对PHT疾病分类效果的影响。本文的结果说明

基于Transformer结构的回归模型，可以充分利用标签中的连续信息。也证明PH-

LDAM损失函数可以有效缓解数据集中的类别不平衡问题，具有很强的可迁移性。

本研究具有较好的临床应用前景，能够辅助医生准确可靠地对PHT进行分级诊断、

减少PHT给患者带来的风险，还为相关疾病的诊断分级和辅助治疗提供了新的视

角。

关键词：门静脉高压，小样本，类别不平衡，迁移学习，深度学习

ABSTRACT

Portalhypertension(PHT),amajorcomplicationofliverdiseasecharacterizedbya

significantincreaseinportalvenouspressure,isamajorpublichealthconcernduetoits

highincidenceandmortality.Thehepaticvenouspressuregradient(HVPG)isthegold

standardforthediagnosisofPHT.However,traditionalinvasivemethodsofmeasuring

HVPGposesignificantriskstopatientsandarecostly,limitingtheirclinicaluse.

Therefore,anaccurateandreli