摘" " 要" " 目的" " 基于超聲影像組學構建機器學習模型，探究其在鑒別囊型肝包蟲病與泡型肝包蟲病中的應用價值。方法" " 選取于我院及四川省甘孜藏族自治州石渠縣經病理結果（金標準）或“四川省包蟲病專家組”依據(jù)臨床結果及專家共識（銀標準）確診的肝包蟲病患者4976例，共納入23 452張超聲圖像，其中囊型肝包蟲病圖像8557張，泡型肝包蟲病圖像14 895張。按病灶類型以8∶2比例將超聲圖像隨機分為訓練集18 762張與獨立測試集4690張。使用Pyradiomics（3.1.0）提取超聲圖像的影像組學特征，對訓練集及獨立測試集超聲圖像均使用相同的提取器；使用極小化極大、標準分數(shù)及均值方法對影像組學特征進行特征縮放，使用主成分分析和Pearson相關系數(shù)進行特征降維，使用方差分析、遞歸特征消除、相關特征法及克魯斯卡爾-沃利斯法篩選最佳影像組學特征?；谥С窒蛄繖C（SVM）、自編碼器（AE）、線性判別分析（LDA）、隨機森林（RF）、邏輯回歸（LR）、自適應增強（AB）、決策樹（DT）、樸素貝葉斯（NB）8種分類器構建鑒別肝包蟲病分型的最佳機器學習模型。訓練集中，以十折交叉驗證策略訓練模型。繪制受試者工作特征（ROC）曲線分析不同分類器中最佳機器學習模型在訓練集及獨立測試集中鑒別肝包蟲病分型的診斷效能。結果" " 從每張超聲圖像中共提取1130個影像組學特征，經特征選擇動態(tài)篩選出1～40個最佳影像組學特征，并以此建立最佳機器學習模型。ROC曲線分析顯示，RF模型在訓練集及獨立測試集中鑒別肝包蟲病分型的曲線下面積分別為0.82、0.86，均高于SVM、AE、LDA、LR、AB、DT、NB模型，差異均有統(tǒng)計學意義（均Plt;0.05）。結論" " 基于超聲影像組學的RF模型對鑒別肝包蟲病分型的診斷效能最佳，有助于肝包蟲病精準超聲診斷。

關鍵詞" " 超聲檢查；影像組學；肝包蟲病；分型；機器學習

［中圖法分類號］R445.1；R532.32" " " ［文獻標識碼］A

Application of ultrasound radiomics in the classification of hepatic echinococcosis

ZHANG Xuhui，SUOLANG Lamu，QIU Jiajun，REN Yelei，WANG Yifei，LU Qiang，LI Yongzhong，CAI Diming

Department of Ultrasound Medical，West China Hospital，Sichuan University，Chengdu 610041，China

ABSTRACT" " Objective" " To construct a machine learning model based on ultrasound radiomics，and to explore the application value in the differentiating cystic echinococcosis and alveolar echinococcosis.Methods" " A total of 4976 patients diagnosed with hepatic echinococcosis in our hospital and Shiqu county，Ganzi tibetan autonomous prefecture，Sichuan province according to pathological results（gold standard） or diagnosed by the “Sichuan Province Echinococcosis Expert Group” based on clinical outcomes and expert consensus（silver standard） were selected，including a total of 23 452 ultrasound images，with 8557 images of cystic echinococcosis and 14 895 images of alveolar echinococcosis.The ultrasound images were randomly divided into training set（18 762 images） and independent test set（4690 images） in a 8∶2 ratio according to the lesion type.Pyradiomics（3.1.0） was used to extract radiomic features from ultrasonographic images，and the same extractor was applied for the ultrasonic images of the training set and the independent test set.MinMax，Z-score and Mean methods were used for feature scaling of radiomic features.Principal component analysis and Pearson correlation coefficient were used for feature dimensionality reduction，and analysis of variance，recursive feature elimination，relevant features，as well as the Kruskal-Wallis methods were used to screen the best image radiomic features.The machine learning models were constructed based on 8 classifiers，including support vector machine（SVM），auto-encoder（AE），linear discriminant analysis（LDA），random forest（RF），Logistic regression（LR），adaptive boosting（AB），decision tree（DT） and naive Bayes（NB）.In the training set，a ten-fold cross-validation strategy was employed to train the model.Receiver operating characteristic（ROC） curve was drawn to analyze the diagnostic performance of the best machine learning model in different classifiers in the training set and the independent test set in differentiating the classification of hepatic echinococcosis.Results" " A total of 1130 radiomic features were extracted from each ultrasonic image，and 1～40 optimal radiomic features were dynamically selected by feature selection to establish the optimal machine learning models.ROC curve analysis showed that the area under the curve of RF model for the classification of hepatic echinococcosis in the training and independent test sets were 0.82 and 0.86，respectively，which were higher than those of the SVM，AE，LDA，LR，AB，DT and NB models，and the differences were statistically significant（all Plt;0.05）.Conclusion" " The RF model based on ultrasound radiomics demonstrates the optimal diagnostic efficacy in differentiating the classification of hepatic echinococcosis，which is helpful for the precise ultrasound diagnosis of the disease.

KEY WORDS" " Ultrasonography；Radiomics；Hepatic echinococcosis；Classification；Machine learning

包蟲病是由棘球絳蟲引起的人畜共患疾病，其中以細粒棘球絳蟲（E.granulosus）和多房棘球絳蟲（E.multilocularis）最為常見，主要引起肝臟感染，可分別引起囊型肝包蟲?。╟ystic echinococcosis，CE）和泡型肝包蟲?。╝lveolar echinococcosis，AE）。我國西部是CE和AE的流行地區(qū)，發(fā)病率分別為6.8%和6.2%［1］。CE囊腫可破裂，引起發(fā)熱、蕁麻疹、播散甚至過敏性休克等癥狀，也可對門靜脈、肝靜脈或下腔靜脈等造成壓迫或占位效應，從而引起門靜脈高壓及靜脈梗阻；AE呈進行性浸潤和增生，具有類似惡性腫瘤的轉移性生長特點，患者臨床表現(xiàn)可能與肝細胞癌相似，病死率超過90%［2］。故應在相對早期階段進行準確分型并采取恰當?shù)闹委煷胧?。但在肝包蟲病的早期階段（感染后10～15年）患者常無明顯癥狀。由于長時間的潛伏和浸潤性生長，部分肝包蟲病患者在最終確診時已失去手術機會。AE患者常由于誤診而接受了錯誤的治療，而CE患者則常被過度治療［3］。因此，準確識別CE與AE非常重要。影像組學可從原始圖像中挖掘潛在數(shù)據(jù)，用于精確診斷和治療［4-5］。機器學習算法為肝包蟲病的準確鑒別提供了新的方法。本研究基于超聲影像組學構建機器學習模型，探究其在鑒別CE與AE中的應用價值。

資料與方法

一、研究對象

選取2005年1月至2022年12月于我院及四川省甘孜藏族自治州石渠縣經病理結果（金標準）或“四川省包蟲病專家組”依據(jù)臨床結果及專家共識（銀標準）［6-7］確診的肝包蟲病患者4976例，男2157例，女2819例，年齡8～95歲，中位年齡43.0（25.0）歲；其中CE患者1641例，AE患者2981例，混合型患者354例。共6466個病灶，最大徑0.5～32.6 cm，中位最大徑6.8（5.2）cm。共納入超聲圖像23 452張，其中CE超聲圖像8557張，AE超聲圖像14 895張?！八拇ㄊ“x病專家組”按照《肝兩型包蟲病診斷與治療專家共識（2019版）》［6］及AE超聲分型標準（EMUC-US）［8］，將患者超聲表現(xiàn)為單囊型（CE1）、多子囊型（CE2）、內囊破裂型（CE3）、實變型（CE4）及鈣化型（CE5）特征的病灶診斷為CE，將患者超聲表現(xiàn)為暴風雪型、偽囊型、類血管瘤型、骨化型及類轉移瘤型特征的病灶診斷為AE。以“四川省包蟲病專家組”根據(jù)肝包蟲病超聲表現(xiàn)結合患者病史、血清學結果及其他影像學資料作為最終診斷及分型依據(jù)。超聲圖像納入標準：①具備CE或AE典型超聲圖像特征；②灰階超聲圖像；③病灶內無血流信號的CDFI圖像。超聲圖像排除標準：①無診斷意義的超聲圖像（不含病灶及不典型病灶）；②病灶內有血流信號的CDFI圖像；③圖像質量差；④含標記、測量線等影響計算機識別的超聲圖像。本研究經我院生物醫(yī)學倫理審查委員會審核批準（批準號：2023-1811），所有研究工作均符合相關涉及人體研究的倫理要求。

二、模型構建流程

模型構建流程包括圖像采集及分割（手動勾畫感興趣區(qū)并分割）、特征提取、特征選擇（動態(tài)選擇最佳特征）、模型訓練及測試，具體如下。

（一）圖像采集及分割

圖像采集使用百勝MyLab TMX7（AC2541腹部凸陣探頭，頻率1～8 MHz）、Philips CX50（C5-2腹部凸陣探頭，頻率2～5 MHz）、邁瑞Z60（C6-2P腹部凸陣探頭，頻率2～6 MHz）、GE Logiq E9（C1-5-RS腹部凸陣探頭，頻率1.5～5.0 MHz）、西門子Acuson Sequoia（5C1腹部凸陣探頭，頻率1～5 MHz）彩色多普勒超聲診斷儀。由6名經過圖像勾畫訓練的肝包蟲病專家使用PLAINlabel軟件對納入的每張超聲圖像進行病灶輪廓勾畫，勾畫完畢后將數(shù)據(jù)文件均以JPG格式存盤。病灶輪廓勾畫要求：對于邊界不清晰的病灶，勾畫病灶的最外緣；若病灶過大超出成像范圍或存在聲影或后方回聲增強，僅勾畫病灶本身；多個病灶圖像按照病灶間的相對位置進行勾畫，若多個病灶不相鄰則僅勾畫最大徑最大的病灶，若多個病灶相鄰則將多個相鄰病灶當作1個病灶進行勾畫。見圖1。

（二）超聲影像組學分析

1.數(shù)據(jù)集劃分及特征提?。喊床≡铑愋鸵?∶2比例將超聲圖像隨機分為訓練集與獨立測試集。訓練集中，使用十折交叉驗證策略訓練機器學習模型，將訓練集圖像分為10份，然后將每一份作為交叉驗證集，其余作為訓練集進行模型訓練。使用Pyradiomics（3.1.0）提取超聲圖像的影像組學特征，訓練集及獨立測試集超聲圖像均使用相同的提取器［9］。使用的特征提取方法包括：一階統(tǒng)計量、形狀、灰度共生矩陣、灰度行程矩陣、灰度區(qū)域大小矩陣、鄰域灰度差矩陣、灰度依賴矩陣；使用的圖像變換方法包括：小波變換、拉普拉斯變換、對數(shù)變換、指數(shù)變換及梯度變換。

2.數(shù)據(jù)預處理及特征選擇：使用極小化極大（MinMax）、標準分數(shù)（Z-score）及均值（Mean）方法對影像組學特征進行特征縮放，以達到數(shù)據(jù)的歸一化，并提高數(shù)據(jù)的可比較性。為了減少特征數(shù)便于后續(xù)特征篩選和模型構建，同時盡可能保留關鍵信息，使用主成分分析（PCA）和Pearson相關系數(shù)（PCC）進行特征降維。本研究中，PCA的閾值為0.99，PCC的閾值為0.90。在特征篩選階段，使用方差分析（ANOVA）、遞歸特征消除（RFE）、相關特征法（Relief）及克魯斯卡爾-沃利斯法（KW）篩選方法選擇與標簽數(shù)據(jù)最佳的影像組學特征。

3.模型構建：基于不同的數(shù)據(jù)預處理及特征篩選方法，使用8種分類器構建鑒別肝包蟲病分型的機器學習模型，包括支持向量機（SVM）、自編碼器（AE）、線性判別分析（LDA）、隨機森林（RF）、邏輯回歸（LR）、自適應增強（AB）、決策樹（DT）、樸素貝葉斯（NB）。模型構建使用的軟件有：Python 3.7.9語言、FeAture Explorer 0.5.7軟件［10］。

三、統(tǒng)計學處理

應用Python 3.7.9、R 4.2.2語言，繪制受試者工作特征（ROC）曲線分析不同分類器中最佳機器學習模型在訓練集及獨立測試集中鑒別肝包蟲病分型的診斷效能，曲線下面積（AUC）比較采用Delong檢驗。Plt;0.05為差異有統(tǒng)計學意義。

結" 果

一、訓練集與獨立測試集臨床資料

訓練集18 762張，獨立測試集4690張，其中訓練集中CE超聲圖像6846張，AE超聲圖像11 916張；獨立測試集中CE超聲圖像1711張，AE超聲圖像2979張。訓練集與獨立測試集臨床資料見表1。

二、超聲影像組學分析

對每張超聲圖像使用相同的提取器提取影像組學特征，共提取1130個影像組學特征。使用每一種特征篩選方法動態(tài)選擇1～40個影像組學特征?；诓煌臄?shù)據(jù)預處理、特征降維及特征篩選方法，通過使用不同的分類器，共構建了7680個機器學習模型以評估肝包蟲病患者的診斷分型。根據(jù)訓練集中最高AUC及1-標準誤（1-SE）原則，挑選每一類分類器中的最佳機器學習模型。SVM中，使用MinMax進行數(shù)據(jù)歸一化，使用PCA進行特征降維，使用RFE進行特征篩選，共篩選出37個特征；AE中，使用Z-score進行數(shù)據(jù)歸一化，使用PCC進行特征降維，使用RFE進行特征篩選，共篩選出27個特征；LDA中，使用Mean進行數(shù)據(jù)歸一化，使用PCA進行特征降維，使用RFE進行特征篩選，共篩選出39個特征；RF中，使用Mean進行數(shù)據(jù)歸一化，使用PCC進行特征降維，使用Relief進行特征篩選，共篩選出32個特征；LR中，使用MinMax進行數(shù)據(jù)歸一化，使用PCA進行特征降維，使用RFE進行特征篩選，共篩選出32個特征；AB中，使用Mean進行數(shù)據(jù)歸一化，使用PCC進行特征降維，使用RFE進行特征篩選，共篩選出33個特征；DT中，使用MinMax進行數(shù)據(jù)歸一化，使用PCC進行特征降維，使用RFE進行特征篩選，共篩選出30個特征；NB中，使用MinMax進行數(shù)據(jù)歸一化，使用PCA進行特征降維，使用RFE進行特征篩選，共篩選出31個特征。不同分類器中最佳機器學習模型的建模參數(shù)見表2。

三、不同分類器中最佳機器學習模型分別在訓練集及獨立測試集中鑒別肝包蟲病分型的診斷效能

不同分類器中最佳機器學習模型分別在訓練集及獨立測試集中鑒別肝包蟲病分型的診斷效能見表3，4。RF模型在訓練集及獨立測試集中鑒別肝包蟲病分型的AUC分別為0.82、0.86，均高于其他模型，差異均有統(tǒng)計學意義（均Plt;0.05）。用于RF建模的32個影像組學特征見表5。根據(jù)1-SE原則，RF模型在訓練集及獨立測試集中的歸一化、特征降維、特征篩選方法及影像組學特征數(shù)的選擇見圖2。RF模型在訓練集及獨立測試集中鑒別肝包蟲病分型的ROC曲線圖見圖3。

討" 論

肝臟是包蟲病最常見的受累器官，幾乎所有原發(fā)性AE病灶和70%的CE病灶均來源于肝臟，CE與AE雖均由棘球絳蟲引起，但二者在形態(tài)學、流行病學、病理、臨床過程、預后及臨床治療等方面均明顯不同。CE呈膨脹性生長，推薦使用阿苯達唑藥物治療；AE呈浸潤性生長，有類似惡性腫瘤的特征，可出現(xiàn)遠處轉移，也被稱為“蟲癌”，WHO推薦盡早行手術根治［11］。然而，AE患者常由于誤診而接受了錯誤的治療，非活動性CE囊腫（CE4或CE5）臨床常采用手術治療［3］。因此，準確診斷肝包蟲病并進一步明確CE或AE與患者后續(xù)的治療及預后息息相關。但是，我國肝包蟲病地方性流行區(qū)多為經濟發(fā)展落后的中西部牧區(qū)，當?shù)亟洕l(fā)展水平及基層衛(wèi)生醫(yī)療條件相對落后，可能延誤診斷，影響患者的治療及預后［12］。超聲檢查具有圖像直觀、無放射性、價廉、操作便倢等特點，是WHO推薦的首選影像學工具，非常適合在包蟲病流行區(qū)開展篩查工作［6，13-14］。但進行肝包蟲病篩查的一線醫(yī)務工作者缺乏必要的基礎超聲知識，其診斷水平參差不齊，差異性較大，誤診肝包蟲病分型的情況時有發(fā)生［14-15］。

影像組學概念最早于2012年提出，其通過圖像獲取及重建、感興趣區(qū)勾畫、特征提取、特征篩選、模型構建等過程，從超聲、CT、MRI等影像數(shù)據(jù)中高通量提取大量疾病的特征性影像特征［16］。憑借對海量影像數(shù)據(jù)中高緯特征信息的提取與挖掘，有助于輔助臨床醫(yī)師對疾病做出更精準的診斷［17-19］。影像組學不僅代表了醫(yī)學與人工智能結合的前沿方向，也為未來醫(yī)療的發(fā)展開辟了新的道路。Jia等［20］綜述了超聲影像組學的臨床應用價值，發(fā)現(xiàn)超聲影像組學目前主要應用于鑒別良惡性腫塊（甲狀腺、乳腺、前列腺、肝臟等）、預測肝纖維化分級、評估腫瘤的生物學活性及分子特征等方面。目前尚未建立基于超聲圖像和人工智能技術輔助診斷肝包蟲病的規(guī)范。本研究利用兩中心的超聲數(shù)據(jù)集，遵循超聲影像組學流程，開發(fā)用于肝包蟲病診斷分型（CE與AE）的機器學習模型，結果顯示，RF模型在訓練集及獨立測試集中鑒別肝包蟲病分型的AUC分別為0.82、0.86，均高于SVM、AE、LDA、LR、AB、DT、NB模型，差異均有統(tǒng)計學意義（均Plt;0.05）。表明RF模型的診斷效能最佳。RF模型使用Mean進行數(shù)據(jù)歸一化，使用PCC進行特征降維，使用Relief進行特征篩選，基于篩選出的32個影像組學特征進行模型構建，其在獨立測試集中的靈敏度、特異度、準確率、AUC分別為0.62、0.89、0.76、0.86，具有良好的診斷效能。分析原因為：①本研究納入了迄今為止最多的肝包蟲病超聲圖像；②使用來自不同制造商的超聲儀器進行成像，保證了模型的泛化性；③采用不同的歸一化、特征降維及特征篩選方法，動態(tài)篩選了1～40個影像組學特征，最大程度地保留了原始特征矩陣的相關信息，有利于在達到盡可能高的AUC的同時減少特征數(shù)量，提高運算速度；④為獲得最佳機器學習模型，本研究探索了大量模型，包括目前臨床廣泛應用的SVM、RF及Boosting策略模型。

本研究的局限性：①未納入與肝包蟲病超聲表現(xiàn)相似的肝臟病變，特別是與AE相似的肝臟病變，如肝細胞癌、肝內膽管細胞癌、肝膿腫、肝血管瘤、肝轉移瘤、肝臟囊腫等；②未納入與肝包蟲病患者診斷相關的臨床信息，而超聲醫(yī)師在真實臨床環(huán)境中極可能參考這些信息；③獨立測試集中機器學習模型的診斷準確率仍不理想。目前，人工智能領域最流行的算法為深度學習，將該算法應用到肝包蟲病數(shù)據(jù)集是本課題組未來的研究方向［21-23］；④構建的機器學習模型能否真正滿足肝包蟲病流行區(qū)的臨床工作，能否真正輔助肝包蟲病流行區(qū)的基層醫(yī)務工作者，需進一步的探索和比較；⑤本數(shù)據(jù)集僅包含來自我國四川地區(qū)的超聲圖像，該模型在其他地區(qū)或其他國家對肝包蟲病分型的鑒別診斷效能亟待探討。

綜上所述，基于超聲影像組學構建的機器學習模型在鑒別肝包蟲病分型方面有較高的診斷效能，其中RF 模型對鑒別肝包蟲分型的診斷效能最佳，有助于肝包蟲病的精準超聲診斷。今后可成立獨立的肝包蟲病輔助診斷及分型的超聲圖像工作站，并部署到醫(yī)療資源受限的包蟲病流行區(qū)，從而改善醫(yī)療資源及醫(yī)療服務的分配。

參考文獻

［1］ Wen H，Vuitton L，Tuxun T，et al.Echinococcosis：advances in the 21st century［J］.Clin Microbiol Rev，2019，32（2）：e00075-18.

［2］ Stojkovic M，Junghanss T.Cystic and alveolar echinococcosis［J］.Handb Clin Neurol，2013，114（1）：327-334.

［3］ Mustapayeva A，Manciulli T，Zholdybay Z，et al.Incidence rates of surgically managed cystic echinococcosis in Kazakhstan［J］.Am J Trop Med Hyg，2020，102（1）：90-95.

［4］ 王平，黃品同.超聲影像組學鑒別乳腺腫塊良惡性的應用進展［J］.臨床超聲醫(yī)學雜志，2023，25（7）：581-583.

［5］ Chetan MR，Gleeson FV.Radiomics in predicting treatment response in non-small-cell lung cancer：current status，challenges and future perspectives［J］.Eur Radiol，2021，31（2）：1049-1058.

［6］ 中國醫(yī)師協(xié)會外科醫(yī)師分會包蟲病外科專業(yè)委員會.肝兩型包蟲病診斷與治療專家共識（2019版）［J］.中華消化外科雜志，2019，18（8）：711-721.

［7］ Brunetti E，Kern P，Vuitton DA.Expert consensus for the diagnosis and treatment of cystic and alveolar echinococcosis in humans［J］.Acta Trop，2010，114（1）：1-16.

［8］ Kratzer W，Weimer H，Schmidberger J.Echinococcosis：a challenge for liver sonography［J］.Ultraschall Med，2022，43（2）：120-145.

［9］ van Griethuysen JJM，F(xiàn)edorov A，Parmar C，et al.Computational radiomics system to decode the radiographic phenotype［J］.Cancer Res，2017，77（21）：e104-e107.

［10］ Song Y，Zhang J，Zhang YD，et al.FeAture Explorer（FAE）：a tool for developing and comparing radiomics models［J］.PLoS One，2020，15（8）：e0237587.

［11］ 李海濤，單驕宇，邵英梅，等.阿苯達唑脂質體和阿苯達唑片治療囊型包蟲病的臨床療效及安全性［J］.中華肝臟病雜志，2011，19（7）：532-536.

［12］ 張旭輝，索朗拉姆，邱甲軍，等.基于超聲影像組學建立肝棘球蚴病分型模型的可行性研究［J］.中國血吸蟲病防治雜志，2022，34（5）：500-506，536.

［13］ Casulli A.Recognising the substantial burden of neglected pandemics cystic and alveolar echinococcosis［J］.Lancet Global Health，2020，8（4）：470-471.

［14］ Deplazes P，Rinaldi L，Rojas CA，et al.Global distribution of alveolar and cystic echinococcosis［J］.Adv Parasitol，2017，95（1）：315-493.

［15］ 柴君杰.我國棘球蚴病防治面臨的挑戰(zhàn)和研究需求［J］.中國寄生蟲學與寄生蟲病雜志，2009，27（5）：379-383.

［16］ Lambin P，Rios-Velazquez E，Leijenaar R，et al.Radiomics：extracting more information from medical images using advanced feature analysis［J］.Eur J Cancer，2012，48（4）：441-446.

［17］ Gillies RJ，Kinahan PE，Hricak H.Radiomics：images are more than pictures，they are data［J］.Radiology，2016，278（2）：563-577.

［18］ Dercle L，McGale J，Sun S，et al.Artificial intelligence and radiomics：fundamentals，applications，and challenges in immunotherapy［J］.J Immunother Cancer，2022，10（9）：e005292.

［19］ 張利文，方夢捷，臧亞麗，等.影像組學的發(fā)展與應用［J］.中華放射學雜志，2017，51（1）：75-77.

［20］ Jia Y，Yang J，Zhu Y，et al.Ultrasound-based radiomics：current status，challenges and future opportunities［J］.Med Ultrason，2022，24（4）：451-460.

［21］ Yang Y，Cairang Y，Jiang TA，et al.Ultrasound identification of hepatic echinococcosis using a deep convolutional neural network model in China：a retrospective，large-scale，multicentre，diagnostic accuracy study［J］.Lancet Digit Health，2023，5（8）：503-514.

［22］ Wu M，Yan C，Wang X，et al.Automatic classification of hepatic cystic echinococcosis using ultrasound images and deep learning［J］.J Ultrasound Med，2022，41（1）：163-174.

［23］ Xin S，Shi H，Jide A，et al.Automatic lesion segmentation and classification of hepatic echinococcosis using a multiscale-feature convolutional neural network［J］.Med Biol Eng Comput，2020，58（3）：659-668.

（收稿日期：2023-11-25）