基于门脉血管特征的肝静脉压力梯度测量方法与流程

本发明涉及无创测量领域，具体涉及一种基于门脉血管特征的肝静脉压力梯度测量方法。

背景技术：

肝硬化是各种病因导致的肝脏进行性弥漫性的损害。据2015年《lancet》全球死亡率及疾病负担率统计显示：在欧美发达国家，肝硬化在致死病因中位居第六位；在中国，肝硬化在致死病因中位居前十。根据研究，门静脉高压是肝硬化重要表现之一。通过对肝硬化患者门脉压力的测量，进行肝硬化患者危险分层，选择适合的临床推荐治疗方案，能显著降低患者的肝硬化失代偿并发症发病率，提高肝硬化患者的生存时间。2015版bavenovi共识指出门脉压力与肝硬化患者的预后密切相关，强烈推荐在单独使用药物治疗的肝硬化患者单独测量门脉压力。因此，门脉压力的测量成为肝硬化患者管理的最重要的环节之一。

肝静脉压力梯度(hvpg)的测量被推荐为门静脉高压症风险分层的金标准，hvpg>5mmhg定义为门静脉高压，当hvpg≥10mmhg时，诊断为临床显著性门脉高压。2016年《美国肝病学会肝硬化门静脉高压出血的风险分层、诊断和管理实践指导》指出当hvpg>12mmhg时，静脉曲张出血风险增加，当hvpg>20mmhg时，出血控制失败率高，死亡风险增加。肝硬化患者的预后与门静脉压力值有密切的相关性，hvpg对于治疗应答，并发症风险和长期预后具有重要的临床参考价值。然而，hvpg是有创的评估手段，在门脉高压早期没有严重并发症时难以被患者接受、且检查费用昂贵，不适合持续性地随访监测。hvpg在我国及其他发展中国家的临床推广应用受到很大限制。近年来，以肝脏弹性评估为代表的无创评估门脉压力的方法，成为肝硬化门脉压力测量的研究热点。研究采用超声弹性成像与磁共振弹性成像技术均发现，肝脏、脾脏的弹性成像值与患者的hvpg呈显著相关性。但是，患者肥胖、腹水、肝脏炎症、脂肪肝病因等因素影响诊断的准确性。此外，还有基于临床的常规无创检查构建预测肝静脉压力梯度模型的方法。如基于肝脏超声弹性成像和血小板、肝硬度×脾脏直径/血小板评分(lsps)、ast与plt比值(apri)、fib-4、child-pugh评分、meld分级等，然而这些模型预测门静脉高压的灵敏度低、特异性差。

综上，目前临床的无创预测模型仍然受各种干扰因素影响其准确性，而有创测量门脉压力的方法风险大、费用高、操作难度大。

技术实现要素：

本发明所要解决的技术问题是：提出一种基于门脉血管特征的肝静脉压力梯度测量方法，解决传统技术中有创测量门脉压力的方法风险大、费用高、操作难度大，而目前临床的无创预测模型仍然受各种干扰因素影响其准确性的问题。

本发明解决上述技术问题采用的技术方案是：

基于门脉血管特征的肝静脉压力梯度测量方法，包括以下步骤：

s1.获取肝硬化门脉高压患者的cta图层序列；

s2.基于cta图层序列，利用mimics软件构建门脉血管三维模型；

s3.提取门静脉血管三维模型的血管特征；

s4.将提取的门静脉血管三维模型的血管特征与该患者的hvpg组成特征矩阵；

s5.重复步骤s1-s4，获得多个肝硬化门脉高压患者的血管特征和hvpg组成的特征矩阵；

s6.将步骤s5获取的多个特征矩阵随机划分为训练组和验证组；

s7.基于对训练组中的特征矩阵进行分析，构建hvpg预测模型；

s8.采用验证组中的数据对hvpg预测模型进行准确性和灵敏度评估。

作为进一步优化，步骤s1中，通过cta序列薄层扫描方式，获取肝硬化门脉高压患者的门静脉期cta图层序列，以dicom格式导出。

作为进一步优化，步骤s2具体包括：

s21.将cta图层序列导入mimics软件，自动生成门脉期cta的冠状位、矢状位和横轴位图像；

s22.以门静脉血管为目标，利用mimics的阈值工具，以尽量包含门静脉血管目标的ct值且排除临近目标的周围肝脏等软组织的ct值为目标设置阈值范围，初步勾选门脉血管；

s23.利用mimcs软件的区域增长工具选择门静脉，提取与门静脉血管目标在空间结构上有连接的结构；

s24.利用mask工具将目标未选中的地方进行填充，擦除多余的非门脉系统组织；

s25.利用calculate3dmask工具建立门脉血管三维模型；

s26.利用mimics软件的smoothing工具对门脉血管三维模型进行表面光滑处理。

作为进一步优化，步骤s3中，所述提取门静脉血管三维模型的血管特征具体包括：

在mimics软件中选择medcad下面的centerline工具，生成三维门脉血管的centerline特征，所述centerline特征包括：最匹配直径、最小直径、最大直径、曲率、水力直径，水力比例、周长、截面积以及椭圆率。

作为进一步优化，步骤s4中，所述该患者的hvpg的获取方法是：

通过多次测量肝静脉游离压(fhvp)，取其平均值作为测量的fhvp的值；通过多次测量肝静脉楔压(whvp)，取其平均值作为测量的whvp的值；然后通过计算公式：hvpg＝whvp-fhvp来获取该患者的肝静脉压力梯度。

作为进一步优化，步骤s7中，采用lasso回归分析法分析训练组中的特征矩阵，筛选与hvpg密切相关的centerline特征，以hvpg为输出结果，以获取最佳的auroc为目标，构建hvpg预测模型。

作为进一步优化，步骤s8中，准确性和灵敏度评估通过的hvpg预测模型可用于肝硬化门脉高压患者的肝静脉压力梯度的预测。

作为进一步优化，步骤s8中，所述对hvpg预测模型进行准确性评估具体包括：

基于hvpg预测模型和验证组中的数据计算auroc值，并将计算的auroc值与设定阈值进行比较，从而判定hvpg预测模型的准确性。

本发明的有益效果是：

(1)创新性地将门脉系统血管特征用于肝静脉压力梯度测量；将cta门静脉形态特征定量，与临床经验性分析cta相比，该方法充分挖掘门脉血管的特征变化，通过大数据分析，赋予相应特征权重系数，能更精确评估肝静脉压力梯度。

(2)与其他无创评估肝静脉压力梯度方法相比，cta特征的获取不受操作者技术水平、患者腹水，肥胖，肝脏脂肪变性，炎症，肝硬化病因的影响，能更客观准确评估肝静脉压力梯度。

(3)该方法利用临床cta图像，构建预测肝静脉压力梯度模型，数据来源简单，大部分医院可以开展此技术，适合推广使用。

附图说明

图1为本发明中的基于门脉血管特征的肝静脉压力梯度测量方法流程图。

具体实施方式

本发明旨在提出一种基于门脉血管特征的肝静脉压力梯度测量方法，解决传统技术中有创测量门脉压力的方法风险大、费用高、操作难度大，而目前临床的无创预测模型仍然受各种干扰因素影响其准确性的问题。其核心思想是：利用肝硬化门脉高压患者的cta图层序列构建门脉血管三维模型，并提取门脉血管的特征；通过lasso回归分析，筛选出与hvpg密切相关的血管特征，从而构建基于门脉血管特征的模型预测hvpg。

在具体实现上，参见图1，本发明中的基于门脉血管特征的肝静脉压力梯度测量方法包括以下实施步骤：

s1.获取肝硬化门脉高压患者的cta图层序列；

本步骤中，采用肘静脉注射ct造影剂，cta序列薄层扫描方式，获取上腹cta平扫，动脉期、门静脉期、平衡期图像，将cta门静脉期的cta图层序列以dicom格式导出，层厚0.75mm，图像分辨率512×512像素。

s2.基于cta图层序列，利用mimics软件构建门脉血管三维模型；

本步骤中，基于cta图层序列，利用mimics软件构建门脉血管三维模型具体包括：

s21.将cta图层序列导入mimics软件，自动生成门脉期cta的冠状位、矢状位和横轴位图像；

s22.以门静脉血管为目标，利用mimics的阈值工具，以尽量包含门静脉血管目标的ct值且排除临近目标的周围肝脏等软组织的ct值为目标设置阈值范围，初步勾选门脉血管；

s23.利用mimcs软件的区域增长工具选择门静脉，提取与门静脉血管目标在空间结构上有连接的结构；

s24.利用mask工具将目标未选中的地方进行填充，擦除多余的非门脉系统组织；

s25.利用calculate3dmask工具建立门脉血管三维模型；

s26.利用mimics软件的smoothing工具对门脉血管三维模型进行表面光滑处理。

s3.提取门静脉血管三维模型的血管特征；

本步骤中，在mimics软件中选择medcad下面的centerline工具，生成三维门脉血管的centerline特征，所述centerline特征包括：最匹配直径、最小直径、最大直径、曲率、水力直径，水力比例、周长、截面积以及椭圆率。

s4.将提取的门静脉血管三维模型的血管特征与该患者的hvpg组成特征矩阵；

本步骤中，患者的hvpg通过预先测量获得，其方法为：

在放射透视设备的引导下，将端孔直导管或者球囊导管经过颈内静脉进而进入肝静脉，对于端孔直导管，分别在肝静脉内近下腔静脉处和肝静脉分支远端楔入测肝静脉游离压(freehepaticvenouspressure,fhvp)和肝静脉楔压(wedgedhepaticvenouspressure,whvp)，

为了准确性考虑，可以分别测压3次，取3次的平均值作为测量的fhvp值和whvp值，通过公式：hvpg＝whvp-fhvp来获取该患者的肝静脉压力梯度。

对于球囊导管，将其送至肝静脉内距下腔静脉开口3～4cm，在打起球囊闭塞肝静脉前后分别测量fhvp和whvp，待压力值稳定后做记录，为了准确性考虑，可以分别测压3次，取3次的平均值作为测量的fhvp值和whvp值。通过公式：hvpg＝whvp-fhvp来获取该患者的肝静脉压力梯度。

s5.重复步骤s1-s4，获得多个肝硬化门脉高压患者的血管特征和hvpg组成的特征矩阵；

s6.将步骤s5获取的多个特征矩阵随机划分为训练组和验证组；

s7.基于对训练组中的特征矩阵进行分析，构建hvpg预测模型；

本步骤中，采用lasso回归分析法分析训练组中的特征矩阵，筛选与hvpg密切相关的centerline特征，以hvpg为输出结果，以获取最佳的auroc为目标，构建hvpg预测模型。

s8.采用验证组中的数据对hvpg预测模型进行准确性和灵敏度评估。

本步骤中，基于hvpg预测模型和验证组中的数据计算auroc值，并将计算的auroc值与设定阈值进行比较，从而判定hvpg预测模型的准确性，如：auroc大于0.9，则判定hvpg预测模型准确，否则判定为不准确。

而模型的灵敏度评估可以通过预测的反应时间来判定。

准确性和灵敏度评估通过的hvpg预测模型可用于肝硬化门脉高压患者的肝静脉压力梯度的预测。