本發(fā)明涉及智能醫(yī)療監(jiān)護(hù)管理領(lǐng)域，具體涉及基于cbct雙通道分析兒童睡眠呼吸異常風(fēng)險(xiǎn)評(píng)估系統(tǒng)及方法。

背景技術(shù)：

1、兒童阻塞性睡眠呼吸暫停（obstructive?sleep?apnea,?osa）是一種常見的睡眠障礙，表現(xiàn)為睡眠期間上氣道部分或完全阻塞，影響正常通氣和睡眠模式。兒童的病因、臨床表現(xiàn)、診斷標(biāo)準(zhǔn)是幾乎獨(dú)立的標(biāo)準(zhǔn)和篩查領(lǐng)域，兒童的患病率高且危害較大、持續(xù)，存在需要技術(shù)輔助來早期發(fā)現(xiàn)、療效評(píng)估的技術(shù)手段。

2、目前的診斷金標(biāo)準(zhǔn)是多導(dǎo)睡眠監(jiān)測(cè)（polysomnography,psg），在簡化檢測(cè)設(shè)備的同時(shí)，還需要對(duì)psg信號(hào)進(jìn)行處理優(yōu)化；但在兒童群體中存在如下顯著局限：

3、配合難度大：需連接多個(gè)傳感器，易引發(fā)不適和抗拒；

4、環(huán)境不自然：醫(yī)院實(shí)驗(yàn)室環(huán)境異于日常睡眠，易產(chǎn)生“首夜效應(yīng)”；

5、資源與可及性差：睡眠中心集中在大城市，設(shè)備稀缺，等待時(shí)間長；

6、成本高、耗時(shí)長：設(shè)備昂貴、需專業(yè)人員整夜監(jiān)控及復(fù)雜分析。

7、現(xiàn)有psg判讀方法以及已有專利的診斷算法需人工進(jìn)行大量預(yù)處理才能用于osa的評(píng)估建模，技術(shù)敏感性較強(qiáng)，多聚焦于成人osa或psg技術(shù)優(yōu)化，在兒童osa領(lǐng)域缺乏有效替代方案。兒童osa與成人不同，病因更常見于腺樣體/扁桃體肥大、顱頜面結(jié)構(gòu)異常等，診斷標(biāo)準(zhǔn)也不同（兒童ahi≥1即異常）。

8、鑒于此，本發(fā)明提出基于cbct雙通道分析兒童睡眠呼吸異常風(fēng)險(xiǎn)評(píng)估系統(tǒng)及方法。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的是提供基于cbct雙通道分析兒童睡眠呼吸異常風(fēng)險(xiǎn)評(píng)估系統(tǒng)及方法，解決了現(xiàn)有兒童阻塞性睡眠呼吸暫停（osa）診斷中依賴多導(dǎo)睡眠監(jiān)測(cè)存在操作復(fù)雜、成本高、依從性差等問題。

2、第一方面，本發(fā)明提供基于cbct雙通道分析兒童睡眠呼吸異常風(fēng)險(xiǎn)評(píng)估方法，包括以下步驟：

3、s101：對(duì)cbct原始影像數(shù)據(jù)進(jìn)行頭位矯正和三維定位描跡處理獲取頜面部影像參數(shù)集，所述頜面部影像參數(shù)集包括針對(duì)上氣道不同區(qū)段的矢狀面積、體積以及頜面部多維角度參數(shù)和多維距離參數(shù)；

4、s102：基于頜面部影像參數(shù)集，采用單因素回歸篩選與多因素邏輯回歸建模構(gòu)建兒童阻塞性睡眠呼吸暫停的邏輯回歸臨床預(yù)測(cè)模型；

5、s103：對(duì)cbct原始影像數(shù)據(jù)進(jìn)行等間隔采樣與像素值標(biāo)準(zhǔn)化處理，生成用于深度學(xué)習(xí)的等維度三維影像數(shù)據(jù)立方體；

6、s104：利用以所述三維影像數(shù)據(jù)立方體作為輸入的三維卷積神經(jīng)網(wǎng)絡(luò)模型，得到兒童阻塞性睡眠呼吸暫停的影像深度學(xué)習(xí)分類結(jié)果，所述三維卷積神經(jīng)網(wǎng)絡(luò)模型為恒等快捷連接結(jié)構(gòu)的3d?resnet網(wǎng)絡(luò)；

7、s105：將所述邏輯回歸臨床預(yù)測(cè)模型的輸出結(jié)果與所述三維卷積神經(jīng)網(wǎng)絡(luò)模型的影像深度學(xué)習(xí)分類結(jié)果進(jìn)行協(xié)同分析，得到兒童阻塞性睡眠呼吸暫停的風(fēng)險(xiǎn)分類結(jié)果。

8、作為本發(fā)明一種優(yōu)選技術(shù)方案，獲取所述頜面部影像參數(shù)集的步驟包括：

9、基于標(biāo)準(zhǔn)解剖標(biāo)志點(diǎn)對(duì)cbct原始影像數(shù)據(jù)進(jìn)行頭位矯正；

10、根據(jù)矯正后的cbct原始影像數(shù)據(jù)，提取鼻咽區(qū)、腭咽區(qū)、舌咽區(qū)與喉咽區(qū)的矢狀面積與體積；

11、在三維坐標(biāo)系下測(cè)量下頜骨、舌骨及顱頜面骨架的多維角度參數(shù)與多維距離參數(shù)；

12、組合上述面積、體積、角度與距離參數(shù)構(gòu)成頜面部影像參數(shù)集。

13、作為本發(fā)明一種優(yōu)選技術(shù)方案，構(gòu)建所述邏輯回歸臨床預(yù)測(cè)模型的步驟包括：

14、將頜面部影像參數(shù)集隨機(jī)劃分為訓(xùn)練集與驗(yàn)證集；

15、采用單因素回歸方法篩選p值小于或等于0.1的參數(shù)作為建模變量；

16、基于篩選的建模變量進(jìn)行多因素邏輯回歸建模，構(gòu)建阻塞性睡眠呼吸暫停風(fēng)險(xiǎn)預(yù)測(cè)模型；

17、根據(jù)模型回歸系數(shù)繪制nomogram評(píng)分圖，實(shí)現(xiàn)兒童個(gè)體風(fēng)險(xiǎn)評(píng)分與預(yù)測(cè)。

18、作為本發(fā)明一種優(yōu)選技術(shù)方案，所述生成用于深度學(xué)習(xí)的等維度三維影像數(shù)據(jù)立方體的步驟包括：

19、對(duì)cbct原始影像數(shù)據(jù)按等間隔采樣生成預(yù)設(shè)尺寸的三維數(shù)據(jù)立方體；

20、根據(jù)設(shè)定窗寬與窗位，將影像像素值在預(yù)設(shè)像素區(qū)間標(biāo)準(zhǔn)化至預(yù)設(shè)灰度值范圍；

21、將標(biāo)準(zhǔn)化像素矩陣組合成多通道輸入形式的三維影像數(shù)據(jù)立方體，所述三維影像數(shù)據(jù)立方體的各通道分別對(duì)應(yīng)于軸向、矢狀及冠狀維度的標(biāo)準(zhǔn)化二維切片數(shù)據(jù)。

22、作為本發(fā)明一種優(yōu)選技術(shù)方案，所述影像深度學(xué)習(xí)分類結(jié)果的獲取步驟包括：

23、搭建基于恒等快捷連接結(jié)構(gòu)的3d?resnet網(wǎng)絡(luò)，所述3d?resnet網(wǎng)絡(luò)包括殘差模塊與全局平均池化層；

24、輸入所述三維影像數(shù)據(jù)立方體及其對(duì)應(yīng)阻塞性睡眠呼吸暫停標(biāo)簽，訓(xùn)練所述3dresnet網(wǎng)絡(luò)，經(jīng)過多層卷積與殘差學(xué)習(xí)后輸出對(duì)應(yīng)的分類特征；

25、通過所述3d?resnet網(wǎng)絡(luò)輸出的多分類概率結(jié)果生成阻塞性睡眠呼吸暫停分級(jí)類別，基于所述分類特征與預(yù)設(shè)分級(jí)標(biāo)簽進(jìn)行監(jiān)督訓(xùn)練，優(yōu)化所述3d?resnet網(wǎng)絡(luò)的權(quán)重參數(shù)；

26、基于訓(xùn)練集與驗(yàn)證集評(píng)估所述3d?resnet網(wǎng)絡(luò)的分類準(zhǔn)確率、精確率與召回率。

27、作為本發(fā)明一種優(yōu)選技術(shù)方案，訓(xùn)練所述3d?resnet網(wǎng)絡(luò)的步驟包括：

28、分別構(gòu)建3d?resnet50與3d?resnet101兩種網(wǎng)絡(luò)架構(gòu)，采用交叉熵?fù)p失函數(shù)與adam優(yōu)化器聯(lián)合控制所述3d?resnet網(wǎng)絡(luò)的訓(xùn)練過程；

29、利用訓(xùn)練集分別訓(xùn)練所述3d?resnet50與3d?resnet101；

30、在驗(yàn)證集上比較兩種網(wǎng)絡(luò)的分類性能，選擇驗(yàn)證集分類準(zhǔn)確率最高的網(wǎng)絡(luò)作為最終所述三維卷積神經(jīng)網(wǎng)絡(luò)模型。

31、作為本發(fā)明一種優(yōu)選技術(shù)方案，風(fēng)險(xiǎn)分類結(jié)果的生成邏輯：

32、將所述邏輯回歸臨床預(yù)測(cè)模型的風(fēng)險(xiǎn)預(yù)測(cè)結(jié)果作為第一風(fēng)險(xiǎn)因子，所述影像深度學(xué)習(xí)分類結(jié)果作為第二風(fēng)險(xiǎn)因子；

33、基于加權(quán)協(xié)同決策機(jī)制融合所述第一風(fēng)險(xiǎn)因子與第二風(fēng)險(xiǎn)因子，生成所述兒童阻塞性睡眠呼吸暫停的風(fēng)險(xiǎn)分類結(jié)果；

34、其中：第一風(fēng)險(xiǎn)因子與第二風(fēng)險(xiǎn)因子的權(quán)重根據(jù)歷史臨床樣本的分類準(zhǔn)確率動(dòng)態(tài)調(diào)整獲得。

35、第二方面，本發(fā)明提供基于cbct雙通道分析兒童睡眠呼吸異常風(fēng)險(xiǎn)評(píng)估系統(tǒng)，基于第一方面的實(shí)現(xiàn)，包括頭位矯正與影像參數(shù)提取模塊、邏輯回歸預(yù)測(cè)建模模塊、影像數(shù)據(jù)立方體生成模塊、影像深度學(xué)習(xí)分析模塊和協(xié)同分析模塊，各個(gè)模塊之間通過有線和/或無線連接。

36、頭位矯正與影像參數(shù)提取模塊，對(duì)cbct原始影像數(shù)據(jù)進(jìn)行頭位矯正和三維定位描跡處理獲取頜面部影像參數(shù)集，所述頜面部影像參數(shù)集包括針對(duì)上氣道不同區(qū)段的矢狀面積、體積以及頜面部多維角度參數(shù)和多維距離參數(shù)；

37、邏輯回歸預(yù)測(cè)建模模塊，根據(jù)所述頜面部影像參數(shù)集構(gòu)建兒童阻塞性睡眠呼吸暫停的邏輯回歸臨床預(yù)測(cè)模型，所述邏輯回歸臨床預(yù)測(cè)模型基于單因素回歸篩選與多因素邏輯回歸建模生成，用于輸出兒童阻塞性睡眠呼吸暫停風(fēng)險(xiǎn)預(yù)測(cè)結(jié)果；

38、影像數(shù)據(jù)立方體生成模塊，用于對(duì)所述cbct原始影像數(shù)據(jù)進(jìn)行等間隔采樣和像素值標(biāo)準(zhǔn)化處理，生成等維度多通道三維影像數(shù)據(jù)立方體；

39、影像深度學(xué)習(xí)分析模塊，利用以所述三維影像數(shù)據(jù)立方體作為輸入的三維卷積神經(jīng)網(wǎng)絡(luò)模型，得到兒童阻塞性睡眠呼吸暫停的影像深度學(xué)習(xí)分類結(jié)果，所述三維卷積神經(jīng)網(wǎng)絡(luò)模型為恒等快捷連接結(jié)構(gòu)的3d?resnet網(wǎng)絡(luò)；

40、協(xié)同分析模塊，將所述邏輯回歸臨床預(yù)測(cè)模型的輸出結(jié)果與所述三維卷積神經(jīng)網(wǎng)絡(luò)模型的影像深度學(xué)習(xí)分類結(jié)果進(jìn)行協(xié)同分析，得到兒童阻塞性睡眠呼吸暫停的風(fēng)險(xiǎn)分類結(jié)果。

41、在上述技術(shù)方案中，本發(fā)明提供的技術(shù)效果和優(yōu)點(diǎn)：

42、本發(fā)明通過邏輯回歸臨床預(yù)測(cè)與三維卷積神經(jīng)網(wǎng)絡(luò)影像分析的雙通道協(xié)同設(shè)計(jì)，實(shí)現(xiàn)參數(shù)驅(qū)動(dòng)與數(shù)據(jù)驅(qū)動(dòng)的互補(bǔ)融合，有效提升兒童阻塞性睡眠呼吸暫停診斷的準(zhǔn)確性與可靠性。

43、基于兒童專屬頜面部解剖參數(shù)建模，兼顧年齡段生理特征與個(gè)體差異，增強(qiáng)對(duì)不同兒童樣本的適應(yīng)性與推廣性，將cbct原始影像數(shù)據(jù)在參數(shù)提取與影像數(shù)據(jù)立方體生成中并行利用，兼顧結(jié)構(gòu)參數(shù)與原始影像信息，提升數(shù)據(jù)利用效率與診斷價(jià)值。

44、依托cbct作為影像輸入來源，結(jié)合深度學(xué)習(xí)技術(shù)與回歸建模分析，為兒童阻塞性睡眠呼吸暫停的早期篩查提供了一種非侵入性、標(biāo)準(zhǔn)化的評(píng)估手段，協(xié)同分析模塊通過風(fēng)險(xiǎn)因子加權(quán)機(jī)制，整合雙通道模型的分類結(jié)果，生成統(tǒng)一的風(fēng)險(xiǎn)分類輸出，降低人工判讀的主觀誤差與不一致性。