CN104424386A - 基于多参数磁共振影像的前列腺癌计算机辅助识别系统 - Google Patents
基于多参数磁共振影像的前列腺癌计算机辅助识别系统 Download PDFInfo
- Publication number
- CN104424386A CN104424386A CN201310370531.5A CN201310370531A CN104424386A CN 104424386 A CN104424386 A CN 104424386A CN 201310370531 A CN201310370531 A CN 201310370531A CN 104424386 A CN104424386 A CN 104424386A
- Authority
- CN
- China
- Prior art keywords
- prostate cancer
- magnetic resonance
- image
- parameter
- identification
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了一种基于多参数磁共振影像的前列腺癌计算机辅助识别系统及方法,包括图像预处理模块、参数处理模块、预测与评价模块三个部分。该系统综合利用了T2加权图像、扩散加权图像和动态增强图像的特征,利用人工神经网络的结构达到识别前列腺癌病灶的目的。经测试该系统在前列腺外周带的ROC(受试者工作特性)曲线下面积为0.931,识别准确率为0.887,在中央腺体中的ROC曲线下面积为0.909,识别准确率为0.915。采用本发明的技术方案,能够很好地将常规磁共振扫描序列所得的影像信息整合起来,最大限度地利用了这些图像中的定量参数,较为客观地给出了前列腺癌的识别结果。且操作简便,能较为直观地给医生一个参考,为后续制定诊断方案提供重要依据。
Description
技术领域
本发明属于医学图像的计算机辅助分析技术领域,具体是一种基于磁共振图像(MRI)中感兴趣区域(ROI)的特征参数来辅助识别前列腺癌病灶的软件系统。
背景技术
前列腺癌是男性中常见的一种恶性肿瘤,是男性癌症患者中第二多发的疾病,在整个人群中发病率排在第五位。近些年来,前列腺癌受到了潜在患者和泌尿科医师越来越多的关注,临床病例数也在快速积累。磁共振技术应用于前列腺疾病有十多年时间,目前已成为前列腺癌识别、诊断、指导治疗、随访最常用的影像学方法。近几年,由于磁共振技术的进步和诊断经验的积累,同时包含解剖信息和功能信息的多参数磁共振成像大大提高了磁共振在前列腺癌各方面的应用价值。
目前的前列腺磁共振检查主要包括常规检查,如T1加权成像(T1WI)和T2加权成像(T2WI),以及能够提供功能信息的多种磁共振功能成像,如扩散加权成像(DWI)、动态增强图像(DCE)、磁共振波谱成像(MRS)等。各个序列图像之间的信息能够相互补充,但同时临床医生需要综合利用所有的影像结果,对病人的情况做出判断,而判断正确与否依赖于临床医生的个人经验。计算机辅助识别系统可有效避免医生基于单一指标判断,或过度依赖于个人经验的主观判断,这种计算机辅助技术可以综合多个参数并提供多变量分析,不仅使医生的诊断过程更加客观,而且提高了诊断效率。
人工神经网络(ANN)以其能够以计算方法为基础进行多因子分析的特性而被广泛应用于前列腺癌的识别。与传统的统计方法或是单一指标预测相比,ANN可含多个输入参数,所有指标可以同时作为ANN的输入,它可以有效地利用这些具有非线性关系的变量,进行训练和预测,从而实现辅助诊断,大大提高了诊断效率与诊断准确率,在不同程度上减少了不必要的穿刺。
由于技术的复杂性,多参数磁共振影像的信息不能很好地传递给临床医生,不易被临床医生所解读和利用。本计算机辅助识别系统正可作为一项辅助技术,解决临床医师难以有效利用多参数磁共振成像信息的难题。将多种磁共振序列所得影像的解剖及功能信息用于前列腺癌病灶的识别,可辅助医师更敏感地检出前列腺癌。这样的计算机辅助识别系统将使得多参数磁共振信息得到充分利用,在计算机辅助识别系统的帮助下临床医生的诊断过程更加客观准确,操作起来也非常方便,使前列腺癌的各项检查更有效率。
发明内容
本发明提出了一种通过计算机辅助的方法来识别前列腺癌的系统。通过提取多参数磁共振图像中的定量信息,选取合适的特征参数,应用人工神经网络的方法,对前列腺癌病灶进行了识别。
本发明能够通过计算机的定量分析,完成以下任务:
1.从磁共振图像中挖掘有用信息,识别前列腺癌病灶,给出患癌概率,具有较高的准确率、敏感性、特异性、阳性预测率和阴性预测率;
2.对前列腺区分外周带和中央腺体分别进行分析,比较了二者在磁共振影像上特征的差异;
3.通过特征筛选,选取对识别前列腺癌有重要意义的特征参数,为临床诊断提供依据;
4.对比不同磁共振序列的组合效果,找出最佳的组合形式,尝试为临床扫描提供更合理的方案和参考。
为实现上述目的,本发明采取以下技术方案:基于多参数磁共振影像的前列腺癌计算机辅助识别系统,包括以下三个步骤:
1.将多参数磁共振影像的数据导入该计算机辅助识别系统,从图像中选取可疑区域;
2.提取所选图像区域中的特征参数,选取对辅助识别前列腺癌贡献较大的特征作为后续步骤的输入;
3.将步骤2中得到的特征参数作为人工神经网络的输入参数,通过调节神经网络的结构,使得输出的识别结果达到最佳。
本发明通过采取以上技术方案,很好地将常规磁共振扫描序列所得的图像信息整合起来,利用这些图像中的定量参数,客观地给出了前列腺癌的识别结果。通过比较发现,综合利用磁共振影像中三个常规序列的扫描结果能更准确地识别前列腺癌,并为临床决策提供更加丰富的信息。该技术方案操作简单,只需临床医生从扫描图像中选取可疑的前列腺癌区域,即可给出该区域的患癌概率,能给医生一个直观的参考,为后续制定诊断方案提供重要依据。
本发明已在71例病人的影像数据中做过测试,所有前列腺癌患者为穿刺验证,非前列腺癌患者同时得到穿刺排除和三年以上随访。病人在接受穿刺之前均接受过多参数磁共振扫描,包括T2WI,DWI和DCE,并经过常规临床检查。
通过对已有的71个病例分析,目前该系统的识别准确率在外周带中为0.887,在中央腺体中为0.915,均能满足临床的需求,并且通过比较发现,该计算机辅助系统的识别结果与有经验的放射学专家(分别有7年和9年前列腺癌影像诊断经验)的识别结果相当。在外周带中,通过该系统,三个扫描序列单独的识别结果与有经验放射学专家的识别结果的相关系数分别为T2WI:0.706,DWI:0.750,DCE:0.554,在中央腺体内三个序列的识别结果与有经验放射学专家的识别结果的相关系数分别为T2WI:0.492,DWI:0.650,DCE:0.348。
附图说明
图1是本计算机辅助识别系统的数据处理流程图。
图2是两个病人(一个前列腺癌患者,另一个为非前列腺癌病人)的磁共振T2加权图像、扩散加权图像和动态增强图像及曲线,图中箭头所指为前列腺癌区域。
图3是人工神经网络的结构示意图。
图4是本计算机辅助识别系统对测试结果统计后得到的ROC(受试者工作特性)曲线。
具体实施方式
下面结合附图对本发明作进一步详细说明,本发明共包含三个主要模块,如图1所示,具体如下:
1.图像预处理模块:将来自同一病人的轴位T2加权图像、扩散加权图像和动态增强图像分别导入到系统内,手动选取感兴趣区域(可固定大小也可任意大小),计算扩散加权图像的表观扩散系数图(ADC)和动态增强图像的动态增强曲线,为后续提取特征做准备。整个选取过程由两位有经验的放射学专家(分别有7年和9年的前列腺磁共振诊断经验)来评定,共计从外周带中选取了238个ROI,从中央腺体中选取了188个ROI。
2.参数处理模块:分别对三个序列扫描得到的图像提取特征参数,如图2。其中T2加权图像中提取特征参数12个(包括感兴趣区的信号均值、标准差、变异系数、最小值、10%分位数、偏态系数、峰态系数和基于灰度共生矩阵提取的能量值、对比度、相关系数、一致性、熵等),扩散加权图像特征12个(与T2加权图像中的类似),动态增强图像特征5个(曲线流入率、流出率、峰值、达峰时间和曲线下面积等)。对所提取的特征使用顺序选择方法进行优化,得到贡献较大的特征参数作为人工神经网络的输入参数。
3.预测与评价模块:
1)前列腺癌识别:通过人工神经网络模型达到识别前列腺癌病灶的目的。该神经网络结构如图3所示,共包括三层,分别是输入层、隐层和输出层,其中输入层各节点代表从步骤2中选择的特征参数,将这些参数归一化后作为人工神经网络的输入。该网络隐层共有节点14个(通过经验获取),输出层为识别结果(0到1之间,0代表不可能是前列腺癌,1代表确定是前列腺癌);
2)识别性能评价:通过交叉检验的方法轮流训练和测试数据,利用ROC曲线的曲线下面积(AUC)作为性能评价的指标,同时也计算该系统识别的准确率、敏感性、特异性、阳性预测率和阴性预测率等。
在测试阶段,按照不同的序列组合方式对数据进行了分组,分组情况如下:
第一组:T2WI
第二组:T2WI+DWI
第三组:T2WI+DCE
第四组:T2WI+DWI+DCE
按照图1所示的流程,对每组数据进行测试后发现,当结合三个序列(即第四组)时,ROC曲线下的面积达到最大,在外周带和中央腺体中分别是0.931和0.909,这个结果说明了利用人工神经网络结构来综合多参数磁共振影像中不同序列的结果是可行且非常有必要的,三个序列的影像数据能够相互补充,为临床决策提供更加丰富的信息。
Claims (8)
1.一种基于磁共振图像的计算机辅助识别系统,具体是一种利用多参数磁共振影像中感兴趣区域的特征参数来辅助识别前列腺癌病灶的软件系统,其特征是包括以下部分:
1)图像预处理:将来自同一病人的多参数磁共振影像数据导入到系统内,手动提取感兴趣区域(可固定大小也可任意大小),计算扩散加权图像的表观扩散系数和动态增强图像的动态增强曲线;
2)参数处理:分别对三个序列扫描得到的图像提取特征参数。对所提取的特征使用顺序选择方法进行优化,得到贡献较大的特征参数作为人工神经网络的输入参数;
3)预测与评价:通过人工神经网络模型达到识别前列腺癌病灶的目的。使用交叉检验的方法轮流训练和测试数据,利用ROC曲线下面积作为性能评价的指标,同时也计算该系统识别的准确率、敏感性、特异性、阳性预测率和阴性预测率等。
2.如权利要求1所述的方法,其中还包括在对图像处理之前,使用临床常规的六分区穿刺方法获得各分区内的病理信息,为本系统的性能评价作为金标准。
3.如权利要求1所述的方法,其中多参数磁共振影像包括轴位T2加权图像、扩散加权图像和动态增强图像,以及对这些影像数据的任意组合。
4.如权利要求1所述的方法,其中对参数提取的特征包括一般灰度特征、灰度直方图特征、纹理特征和功能参数,以及对这些特征的任意组合。
5.如权利要求1所述的方法,其中利用人工神经网络模型识别前列腺癌病灶的步骤包括将参数处理完之后的信息进行归一化后输入到该网络模型中,利用机器学习的方法不断训练和测试识别结果,最后比较得出最佳的识别前列腺癌的网络参数等。
6.如权利要求1所述的方法,其中评价方法中使用的交叉检验可以是多折交叉检验方法或者是leave-one-out(从数据组中去掉一个,以所有其它的数据建立模型来预测去掉的这个)检验方法。
7.如权利要求5所述的方法,该人工神经网络模型的输出结果为0到1之间的预测概率,0代表不可能是前列腺癌,1代表确定是前列腺癌。
8.如权利要求5所述的方法,其中包括连续或定期地利用新增病例数据对所述识别系统进行在训练,补充该系统的样本量,完善神经网络的结构参数等。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310370531.5A CN104424386A (zh) | 2013-08-23 | 2013-08-23 | 基于多参数磁共振影像的前列腺癌计算机辅助识别系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310370531.5A CN104424386A (zh) | 2013-08-23 | 2013-08-23 | 基于多参数磁共振影像的前列腺癌计算机辅助识别系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104424386A true CN104424386A (zh) | 2015-03-18 |
Family
ID=52973336
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310370531.5A Pending CN104424386A (zh) | 2013-08-23 | 2013-08-23 | 基于多参数磁共振影像的前列腺癌计算机辅助识别系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104424386A (zh) |
Cited By (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105243283A (zh) * | 2015-11-06 | 2016-01-13 | 吴志宏 | 前列腺癌诊疗信息采集系统 |
CN106778005A (zh) * | 2016-12-27 | 2017-05-31 | 中南民族大学 | 基于多参数mri的前列腺癌计算机辅助检测方法及系统 |
CN107133638A (zh) * | 2017-04-01 | 2017-09-05 | 中南民族大学 | 基于两分类器的多参数mri前列腺癌cad方法及系统 |
CN107256544A (zh) * | 2017-04-21 | 2017-10-17 | 南京天数信息科技有限公司 | 一种基于vcg16的前列腺癌图像诊断方法及系统 |
WO2017195047A1 (en) * | 2016-05-11 | 2017-11-16 | International Business Machines Corporation | Predicting personalized cancer metastasis routes, biological mediators of metastasis and metastasis blocking therapies |
CN108324244A (zh) * | 2018-01-03 | 2018-07-27 | 华东师范大学 | 用于ai+mri影像辅助诊断的自动增广训练样本的构建方法及系统 |
CN109410216A (zh) * | 2018-09-14 | 2019-03-01 | 北京市商汤科技开发有限公司 | 一种缺血性脑卒中图像区域分割方法及装置 |
CN109459852A (zh) * | 2019-01-07 | 2019-03-12 | 史丽 | 一种基于神经网络的散射介质光学成像方法 |
CN109545380A (zh) * | 2019-01-10 | 2019-03-29 | 上海联影医疗科技有限公司 | 人体结构生长健康状况确定方法、装置、存储介质及设备 |
CN109709503A (zh) * | 2019-02-13 | 2019-05-03 | 上海联影医疗科技有限公司 | 一种磁共振系统控制方法、磁共振系统、计算机设备 |
CN110188792A (zh) * | 2019-04-18 | 2019-08-30 | 万达信息股份有限公司 | 前列腺mri三维图像的图像特征获取方法 |
CN110211111A (zh) * | 2019-05-31 | 2019-09-06 | 上海联影医疗科技有限公司 | 一种血管提取的方法、装置、图像处理设备及存储介质 |
WO2019200745A1 (zh) * | 2018-04-20 | 2019-10-24 | 平安科技(深圳)有限公司 | Mri病变位置检测方法、装置、计算机设备和存储介质 |
CN110444294A (zh) * | 2019-09-10 | 2019-11-12 | 中南大学 | 一种基于感知神经网络的前列腺癌辅助分析方法及设备 |
CN110517765A (zh) * | 2019-07-15 | 2019-11-29 | 中南大学 | 一种基于模糊推理逻辑的前列腺癌大数据辅助决策方法及系统构建方法 |
CN110739059A (zh) * | 2018-07-18 | 2020-01-31 | 西门子医疗有限公司 | 生成用于mrt序列的设定参数 |
CN110800066A (zh) * | 2017-07-03 | 2020-02-14 | 通用电气公司 | 根据多参数放射学数据的生理学标测图 |
CN111344801A (zh) * | 2017-11-22 | 2020-06-26 | 通用电气公司 | 针对前列腺癌的多模态计算机辅助诊断系统和方法 |
CN111354056A (zh) * | 2020-05-25 | 2020-06-30 | 南京慧脑云计算有限公司 | 一种加速扩散磁共振成像采集的方法 |
CN111447900A (zh) * | 2018-11-14 | 2020-07-24 | 途亚特有限公司 | 基于深度学习的影像分析方法、系统及移动终端 |
CN112545481A (zh) * | 2019-09-26 | 2021-03-26 | 北京赛迈特锐医疗科技有限公司 | 在mpMRI上自动分割和定位前列腺癌的系统及方法 |
CN112545477A (zh) * | 2019-09-26 | 2021-03-26 | 北京赛迈特锐医疗科技有限公司 | 自动生成mpMRI前列腺癌全面评估报告的系统及方法 |
CN112545476A (zh) * | 2019-09-26 | 2021-03-26 | 北京赛迈特锐医疗科技有限公司 | 在mpMRI上检出前列腺癌包膜外侵犯的系统及方法 |
CN112562847A (zh) * | 2019-09-26 | 2021-03-26 | 北京赛迈特锐医疗科技有限公司 | 在mpMRI图像上自动检出前列腺癌转移的系统及方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5989811A (en) * | 1994-09-29 | 1999-11-23 | Urocor, Inc. | Sextant core biopsy predictive mechanism for non-organ confined disease status |
US6004267A (en) * | 1997-03-07 | 1999-12-21 | University Of Florida | Method for diagnosing and staging prostate cancer |
CN101551855A (zh) * | 2009-05-13 | 2009-10-07 | 西安电子科技大学 | 自适应核匹配追踪辅助诊断系统及其辅助诊断方法 |
CN102038502A (zh) * | 2009-10-14 | 2011-05-04 | 西门子公司 | 对在扩散加权的磁共振成像中的失真的校正 |
CN102247144A (zh) * | 2011-04-18 | 2011-11-23 | 大连理工大学 | 基于时间强度特征的乳腺病灶良恶性诊断计算机辅助方法 |
-
2013
- 2013-08-23 CN CN201310370531.5A patent/CN104424386A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5989811A (en) * | 1994-09-29 | 1999-11-23 | Urocor, Inc. | Sextant core biopsy predictive mechanism for non-organ confined disease status |
US6004267A (en) * | 1997-03-07 | 1999-12-21 | University Of Florida | Method for diagnosing and staging prostate cancer |
CN101551855A (zh) * | 2009-05-13 | 2009-10-07 | 西安电子科技大学 | 自适应核匹配追踪辅助诊断系统及其辅助诊断方法 |
CN102038502A (zh) * | 2009-10-14 | 2011-05-04 | 西门子公司 | 对在扩散加权的磁共振成像中的失真的校正 |
CN102247144A (zh) * | 2011-04-18 | 2011-11-23 | 大连理工大学 | 基于时间强度特征的乳腺病灶良恶性诊断计算机辅助方法 |
Non-Patent Citations (7)
Title |
---|
D. AMPELIOTIS ET AL ;: "《A Computer-Aided System for the Detection of Prostate Cancer Based on Magnetic Resonance Image Analysis》", 《COMMUNICATIONS CONTROL AND SIGNAL PROCESSING 3RD INTERNATIONAL SYMPOSIUM》 * |
EMILIE NIAF,ET AL;: "《Computer-aided diagnosis of prostate cancer in the peripheral zone using multiparametric MRI》", 《PHYSICS IN MEDICINE AND BIOLOGY》 * |
张学琴 等;: "《扩散加权成像诊断前列腺中央腺体癌》", 《中国医学影像技术》 * |
李珂: "《基于DCE-MRI的乳腺病灶良恶性计算机辅助诊断研究》", 《中国优秀硕士学位论文全文数据库医药卫生科技辑 》 * |
范兵 等: "《动态对比增强MRI对前列腺癌的诊断价值》", 《国际医学放射学杂志》 * |
郭雪梅 等: "《两种前列腺外周带ADC值测量方法的效能比较》", 《中国医学影像技术》 * |
郭雪梅 等;: "《前列腺外周带癌的ADC值与其病理分级和临床分期的相关性》", 《中国医学影像技术》 * |
Cited By (40)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105243283B (zh) * | 2015-11-06 | 2019-04-19 | 吴志宏 | 前列腺癌诊疗信息采集系统 |
CN105243283A (zh) * | 2015-11-06 | 2016-01-13 | 吴志宏 | 前列腺癌诊疗信息采集系统 |
WO2017195047A1 (en) * | 2016-05-11 | 2017-11-16 | International Business Machines Corporation | Predicting personalized cancer metastasis routes, biological mediators of metastasis and metastasis blocking therapies |
GB2566624B (en) * | 2016-05-11 | 2019-07-17 | Ibm | Predicting personalized cancer metastasis routes, biological mediators of metastasis and metastasis blocking therapies |
GB2566624A (en) * | 2016-05-11 | 2019-03-20 | Ibm | Predicting personalized cancer metastasis routes, biological mediators of metastasis and metastasis blocking therapies |
CN106778005A (zh) * | 2016-12-27 | 2017-05-31 | 中南民族大学 | 基于多参数mri的前列腺癌计算机辅助检测方法及系统 |
CN106778005B (zh) * | 2016-12-27 | 2019-06-07 | 中南民族大学 | 基于多参数mri的前列腺癌计算机辅助检测系统 |
CN107133638A (zh) * | 2017-04-01 | 2017-09-05 | 中南民族大学 | 基于两分类器的多参数mri前列腺癌cad方法及系统 |
CN107133638B (zh) * | 2017-04-01 | 2020-01-14 | 中南民族大学 | 基于两分类器的多参数mri前列腺癌cad方法及系统 |
CN107256544A (zh) * | 2017-04-21 | 2017-10-17 | 南京天数信息科技有限公司 | 一种基于vcg16的前列腺癌图像诊断方法及系统 |
CN110800066A (zh) * | 2017-07-03 | 2020-02-14 | 通用电气公司 | 根据多参数放射学数据的生理学标测图 |
CN111344801A (zh) * | 2017-11-22 | 2020-06-26 | 通用电气公司 | 针对前列腺癌的多模态计算机辅助诊断系统和方法 |
CN111344801B (zh) * | 2017-11-22 | 2023-10-27 | 通用电气公司 | 针对前列腺癌的多模态计算机辅助诊断系统和方法 |
CN108324244A (zh) * | 2018-01-03 | 2018-07-27 | 华东师范大学 | 用于ai+mri影像辅助诊断的自动增广训练样本的构建方法及系统 |
WO2019200745A1 (zh) * | 2018-04-20 | 2019-10-24 | 平安科技(深圳)有限公司 | Mri病变位置检测方法、装置、计算机设备和存储介质 |
CN110739059A (zh) * | 2018-07-18 | 2020-01-31 | 西门子医疗有限公司 | 生成用于mrt序列的设定参数 |
CN110739059B (zh) * | 2018-07-18 | 2024-04-09 | 西门子医疗有限公司 | 生成用于mrt序列的设定参数 |
CN109410216A (zh) * | 2018-09-14 | 2019-03-01 | 北京市商汤科技开发有限公司 | 一种缺血性脑卒中图像区域分割方法及装置 |
CN109410216B (zh) * | 2018-09-14 | 2020-12-29 | 北京市商汤科技开发有限公司 | 一种缺血性脑卒中图像区域分割方法及装置 |
CN111447900A (zh) * | 2018-11-14 | 2020-07-24 | 途亚特有限公司 | 基于深度学习的影像分析方法、系统及移动终端 |
CN109459852A (zh) * | 2019-01-07 | 2019-03-12 | 史丽 | 一种基于神经网络的散射介质光学成像方法 |
CN109545380A (zh) * | 2019-01-10 | 2019-03-29 | 上海联影医疗科技有限公司 | 人体结构生长健康状况确定方法、装置、存储介质及设备 |
US11313927B2 (en) | 2019-02-13 | 2022-04-26 | Shanghai United Imaging Healthcare Co., Ltd. | Systems and methods for magnetic resonance imaging |
US11977137B2 (en) | 2019-02-13 | 2024-05-07 | Shanghai United Imaging Healthcare Co., Ltd. | Systems and methods for magnetic resonance imaging |
CN109709503A (zh) * | 2019-02-13 | 2019-05-03 | 上海联影医疗科技有限公司 | 一种磁共振系统控制方法、磁共振系统、计算机设备 |
CN109709503B (zh) * | 2019-02-13 | 2021-03-23 | 上海联影医疗科技股份有限公司 | 一种磁共振系统控制方法、磁共振系统、计算机设备 |
CN110188792A (zh) * | 2019-04-18 | 2019-08-30 | 万达信息股份有限公司 | 前列腺mri三维图像的图像特征获取方法 |
CN110188792B (zh) * | 2019-04-18 | 2023-09-08 | 万达信息股份有限公司 | 前列腺mri三维图像的图像特征获取方法 |
CN110211111A (zh) * | 2019-05-31 | 2019-09-06 | 上海联影医疗科技有限公司 | 一种血管提取的方法、装置、图像处理设备及存储介质 |
CN110517765A (zh) * | 2019-07-15 | 2019-11-29 | 中南大学 | 一种基于模糊推理逻辑的前列腺癌大数据辅助决策方法及系统构建方法 |
CN110444294A (zh) * | 2019-09-10 | 2019-11-12 | 中南大学 | 一种基于感知神经网络的前列腺癌辅助分析方法及设备 |
CN112545477A (zh) * | 2019-09-26 | 2021-03-26 | 北京赛迈特锐医疗科技有限公司 | 自动生成mpMRI前列腺癌全面评估报告的系统及方法 |
CN112545481B (zh) * | 2019-09-26 | 2022-07-15 | 北京赛迈特锐医疗科技有限公司 | 在mpMRI上自动分割和定位前列腺癌的系统及方法 |
CN112545477B (zh) * | 2019-09-26 | 2022-07-15 | 北京赛迈特锐医疗科技有限公司 | 自动生成mpMRI前列腺癌全面评估报告的系统及方法 |
CN112545476B (zh) * | 2019-09-26 | 2022-07-15 | 北京赛迈特锐医疗科技有限公司 | 在mpMRI上检出前列腺癌包膜外侵犯的系统及方法 |
CN112562847A (zh) * | 2019-09-26 | 2021-03-26 | 北京赛迈特锐医疗科技有限公司 | 在mpMRI图像上自动检出前列腺癌转移的系统及方法 |
CN112545476A (zh) * | 2019-09-26 | 2021-03-26 | 北京赛迈特锐医疗科技有限公司 | 在mpMRI上检出前列腺癌包膜外侵犯的系统及方法 |
CN112545481A (zh) * | 2019-09-26 | 2021-03-26 | 北京赛迈特锐医疗科技有限公司 | 在mpMRI上自动分割和定位前列腺癌的系统及方法 |
CN112562847B (zh) * | 2019-09-26 | 2024-04-26 | 北京赛迈特锐医疗科技有限公司 | 在mpMRI图像上自动检出前列腺癌转移的系统及方法 |
CN111354056A (zh) * | 2020-05-25 | 2020-06-30 | 南京慧脑云计算有限公司 | 一种加速扩散磁共振成像采集的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104424386A (zh) | 基于多参数磁共振影像的前列腺癌计算机辅助识别系统 | |
CN110060774B (zh) | 一种基于生成式对抗网络的甲状腺结节识别方法 | |
Si et al. | Fully end-to-end deep-learning-based diagnosis of pancreatic tumors | |
Miranda et al. | A survey of medical image classification techniques | |
Ma et al. | Cascade convolutional neural networks for automatic detection of thyroid nodules in ultrasound images | |
CN108464840B (zh) | 一种乳腺肿块自动检测方法及系统 | |
Liu et al. | A framework of wound segmentation based on deep convolutional networks | |
Chen et al. | Automatic whole slide pathology image diagnosis framework via unit stochastic selection and attention fusion | |
Xu et al. | Using transfer learning on whole slide images to predict tumor mutational burden in bladder cancer patients | |
US20220207730A1 (en) | Systems and Methods for Automated Image Analysis | |
Wankhede et al. | Dynamic architecture based deep learning approach for glioblastoma brain tumor survival prediction | |
Yang et al. | A convolutional neural network trained with dermoscopic images of psoriasis performed on par with 230 dermatologists | |
Elayaraja et al. | An efficient approach for detection and classification of cancer regions in cervical images using optimization based CNN classification approach | |
Lv et al. | Development and validation of a clinically applicable deep learning strategy (HONORS) for pulmonary nodule classification at CT: a retrospective multicentre study | |
Bahadure et al. | Feature extraction and selection with optimization technique for brain tumor detection from MR images | |
Liu et al. | TN‐USMA Net: Triple normalization‐based gastrointestinal stromal tumors classification on multicenter EUS images with ultrasound‐specific pretraining and meta attention | |
Nayan et al. | A deep learning approach for brain tumor detection using magnetic resonance imaging | |
Nagadeepa et al. | Artificial Intelligence based Cervical Cancer Risk Prediction Using M1 Algorithms | |
Wang et al. | Multiscale feature fusion for skin lesion classification | |
Tenali et al. | Oral Cancer Detection using Deep Learning Techniques | |
Iqbal et al. | Image enhancement methods on extracted texture features to detect prostate cancer by employing machine learning techniques | |
Ali et al. | Improving classification accuracy for prostate cancer using noise removal filter and deep learning technique | |
Li et al. | A dual attention-guided 3D convolution network for automatic segmentation of prostate and tumor | |
Hilal et al. | Design of Intelligent Alzheimer Disease Diagnosis Model on CIoT Environment | |
Bhuvaneshwari et al. | An internet of health things-driven skin cancer classification using progressive cyclical convolutional neural network with ResNexT50 optimized by exponential particle swarm optimization |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20150318 |
|
RJ01 | Rejection of invention patent application after publication |