CN105005714A - 一种基于肿瘤表型特征的非小细胞肺癌预后方法 - Google Patents
一种基于肿瘤表型特征的非小细胞肺癌预后方法 Download PDFInfo
- Publication number
- CN105005714A CN105005714A CN201510340718.XA CN201510340718A CN105005714A CN 105005714 A CN105005714 A CN 105005714A CN 201510340718 A CN201510340718 A CN 201510340718A CN 105005714 A CN105005714 A CN 105005714A
- Authority
- CN
- China
- Prior art keywords
- tumor
- feature
- lung cancer
- cell lung
- tumour
- 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
- 206010028980 Neoplasm Diseases 0.000 title claims abstract description 108
- 238000004393 prognosis Methods 0.000 title claims abstract description 30
- 208000002154 non-small cell lung carcinoma Diseases 0.000 title claims abstract description 21
- 208000029729 tumor suppressor gene on chromosome 11 Diseases 0.000 title claims abstract description 21
- 238000000034 method Methods 0.000 title claims abstract description 19
- 210000004072 lung Anatomy 0.000 claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 25
- 238000012360 testing method Methods 0.000 claims abstract description 16
- 201000011510 cancer Diseases 0.000 claims abstract description 15
- 238000010801 machine learning Methods 0.000 claims abstract description 15
- 238000001574 biopsy Methods 0.000 claims abstract description 8
- 208000020816 lung neoplasm Diseases 0.000 claims description 20
- 206010058467 Lung neoplasm malignant Diseases 0.000 claims description 19
- 201000005202 lung cancer Diseases 0.000 claims description 19
- 239000000284 extract Substances 0.000 claims description 10
- 208000000649 small cell carcinoma Diseases 0.000 claims description 7
- 208000009956 adenocarcinoma Diseases 0.000 claims description 5
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 230000009182 swimming Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 2
- 238000013135 deep learning Methods 0.000 claims description 2
- 238000003745 diagnosis Methods 0.000 abstract description 10
- 208000037841 lung tumor Diseases 0.000 description 4
- 230000001575 pathological effect Effects 0.000 description 4
- 230000000505 pernicious effect Effects 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 210000004907 gland Anatomy 0.000 description 3
- 239000012141 concentrate Substances 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 206010002091 Anaesthesia Diseases 0.000 description 1
- 206010027336 Menstruation delayed Diseases 0.000 description 1
- 230000037005 anaesthesia Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 230000036210 malignancy Effects 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 238000002271 resection Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Abstract
本发明提出了一种基于肿瘤表型特征的非小细胞肺癌预后方法，包括：S1，从非小细胞肺癌患者肺部影像数据库中对每一个肿瘤进行分割，提取目标区域，并根据所述肿瘤目标区域图像提取肿瘤表型特征库；S2，根据所述非小细胞肺癌患者肺部影像数据的临床信息和组织活检结果对肿瘤进行分类，将分类的肺部影像数据的数据集按比例分为训练数据集和测试数据集；S3，依据训练数据集，采用机器学习方法对各分类训练数据集进行特征训练，得到能够正确辨识各分类的训练数据集对应类型肿瘤关键特征，通过所述关键特征对各类测试数据集进行预测统计和预后分析。本发明实现了计算机方法辅助完成肿瘤预后分析并给出辅助诊断建议。
Description
技术领域
本发明涉及根据图像信息进行肿瘤预后的技术，特别是涉及一种基于肿瘤表型特征的非小细胞肺癌预后方法。
背景技术
采用无创技术进行肺部肿瘤的预后能够减少由传统的组织活检手段带来的手术麻醉、肿瘤切除和时间等待等临床局限性。CT影像作为一种新的辅助诊断方式，能够以一种无创的形式对人体内部的肿瘤给出一个较为全面的显示。因此，采用CT影像对非小细胞肺癌进行预后分析，对每一个病变给出个性化的临床辅助诊断建议不仅与目前的精准医学概念相吻合，并且能够提高非小细胞肺癌临床诊断的可靠性与准确性。
肺部肿瘤分为良性肿瘤与恶性肿瘤两种，不同的肿瘤性质治疗方式完全不同，也直接影响着预后。又根据肺肿瘤恶性程度，在临床上可分为肺癌早期(I、II)和肺癌晚期(III、IV)肿瘤。根据肺部肿瘤组织活检结果，在临床上主要分为腺癌和鳞癌两大肺部癌症类型。以上三种肿瘤的分类都需要医生根据其主观的临床经验以及肿瘤切片进行组织活检得到结果，然而，就目前的诊断方式得到的诊断结果也往往存在错误。因此采用计算机方法辅助完成肿瘤预后分析并给出可信的辅助诊断建议具有极高的临床意义。
发明内容
为了实现上述目的，本发明提出了一种基于肿瘤表型特征的非小细胞肺癌预后方法，实现了计算机方法辅助完成肿瘤预后分析并给出给出辅助诊断建议。
本发明提出的一种基于肿瘤表型特征的非小细胞肺癌预后方法，包括：
步骤S1，从非小细胞肺癌患者肺部影像数据库中对每一个肿瘤进行分割，提取目标区域，并根据所述肿瘤目标区域图像提取肿瘤表型特征库；
步骤S2，根据所述非小细胞肺癌患者肺部影像数据的临床信息和组织活检结果对肿瘤进行分类，将分类的肺部影像数据的数据集按比例分为训练数据集和测试数据集；
步骤S3，依据各分类肺部影像数据的训练数据集，采用机器学习方法对各分类肺部影像数据的训练数据集进行特征训练，得到能够正确辨识各分类肺部影像数据的训练数据集对应类型肿瘤关键特征，通过所述关键特征对各类肺部影像数据的测试数据集进行预测统计和预后分析。
优选的，步骤S1中所述肿瘤目标区域图像提取肿瘤表型特征库包括一阶统计特征、二阶特征和三维特征、纹理特征以及小波特征；
一阶统计特征包括熵、峰度、能量、最大灰度值、最小灰度值以及像素平均绝对偏差；
二阶特征应包括肿瘤最大径、肿瘤最小径以及单层最大面积；
三维特征应包括三维最大径，体积，表面积，不对称性；
纹理特征包括游程特征和灰度共生矩阵特征；
小波特征包括在完成小波变换后的图像上提取的各种统计特征和纹理特征。
优选的，步骤S2中所述对肿瘤进行的分类包括三类数据集：良性肿瘤与恶性肿瘤、肺癌早期肿瘤与晚期肿瘤、腺癌肿瘤与鳞癌肿瘤。
优选的，所述机器学习方法为模式识中的自动分类算法；所述关键特
征为通过机器学习方法在所述肿瘤表型特征库中筛选得到的具有预后价值的特征。
优选的，所述机器学习方法为支持向量机算法或卷积神经网络算法或深度学习算法。
优选的，所述肺部影像为CT或磁共振或超声或其它临床影像设备采集得到的肺部影像数据。
本发明通过根据肺癌CT数据的表型特征采用机器学习方法对三种数据类型进行训练，并从原始表型特征库中计算各个特征的预后贡献度，选择能够正确识别良性肿瘤与恶性肿瘤、肺癌早期与肺癌晚期肿瘤、腺癌肿瘤与鳞癌肿瘤关键特征，并使用关键特征对各测试数据集进行分类预测提供辅助诊断建议并进行预后精度分析，实现了计算机方法辅助完成肿瘤预后分析并给出给出辅助诊断建议，具有较高的准确度。
附图说明
图1为本发明的流程示意图；
图2为本发明实施例的三例非小细胞肺癌目标数据图像的2D和3D视图；
图3为本发明实施例的三种分类肺部影像数据的训练数据集对应类型肿瘤关键特征在对应测试数据集上的分类预测精度结果图；
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明作进一步的详细说明。
如图1所示，本发明提出的一种基于肿瘤表型特征的非小细胞肺癌预后方法包括：
步骤S1，从非小细胞肺癌患者肺部影像数据库中对每一个肿瘤进行分割，提取目标区域，并根据所述肿瘤目标区域图像提取肿瘤表型特征库。
本实施例中肺部影像为CT采集得到的肺部影像数据，还可以为磁共振或超声或其它临床影像设备采集得到的肺部影像数据。
本步骤中，首先对于非小细胞肺癌患者肺部影像数据库中每一个肿瘤采用分割算法进行肿瘤区域的分割，根据肿瘤目标数据，提取肿瘤的各个表型特征形成肿瘤表型特征库。
肿瘤表型特征库包括一阶统计特征、二维特征和三维特征、纹理特征以及小波特征等；一阶统计特征包括熵、峰度、能量、最大灰度值、最小灰度值以及像素平均绝对偏差；二阶特征应包括肿瘤最大径、肿瘤最小径以及单层最大面积；三维特征应包括三维最大径，体积，表面积，不对称性；纹理特征包括游程特征和灰度共生矩阵特征；小波特征包括在完成小波变换后的图像上提取的各种统计特征和纹理特征。对每一个肿瘤的表型特征提取结束后，将每一个肿瘤的按照特征顺序有序存储。
步骤S2，根据所述非小细胞肺癌患者肺部影像数据的临床信息和组织活检结果对肿瘤进行分类，将分类的肺部影像数据的数据集按比例分为训练数据集和测试数据集。
本实施例中对肿瘤进行的分类包括三类数据集：良性肿瘤和恶性肿瘤一类、临床分期的肺癌早期(I、II)和肺癌晚期(III、IV)一类、腺癌肿瘤和鳞癌肿瘤一类，共三类数据集。并将以上三类数据集各分为训练数据集和测试数据集。训练数据集用于获取分类预测的关键特征，测试数据集用于统计各分类预后的准确度。
步骤S3，依据各分类肺部影像数据的训练数据集，采用机器学习方法对各分类肺部影像数据的训练数据集进行特征训练，得到能够正确辨识各分类肺部影像数据的训练数据集对应类型肿瘤关键特征，根据所述得到的
各分类的关键特征对相应的测试数据集进行测试，得到测试数据集中各肿瘤的预测结果。对各分类测试数据集进行预测分析和预后统计，得到肺癌辅助诊断结论并统计预后精度。
测试数据集中各肿瘤的预测结果包括：(1)良恶性：良性肿瘤或恶性肿瘤；肺癌临床分期：临床分期的肺癌早期(I、II)和肺癌晚期(III、IV)；病理分型：腺癌肿瘤或鳞癌肿瘤。
本实施例中，所述机器学习方法为模式识中的自动分类算法；所述关键特征为通过机器学习方法在所述肿瘤表型特征库中筛选得到的具有预后价值的特征；机器学习方法可以采用基于支持向量机或基于神经网络或者基于深度学习等训练方法。
所述根据机器学习方法得到非小细胞肺癌的肿瘤关键特征为能够正确识别肿瘤良性和恶性的特征、识别肺癌早期和肺癌晚期的特征、识别腺癌和鳞癌的特征。三种肿瘤关键特征对应一个或多个关键特征用于后续的临床预后性能验证。
图2为本实施例提供的肺癌CT影像中肿瘤目标区域图像，第一行三幅小图为2D形式显示肿瘤目标区域，第二行三幅小图为对应的三个肿瘤的3D显示。
为本实施例的由训练数据集得到的肿瘤关键特征，在测试数据集上的给出的辅助诊断建议的统计分析结果。当取不同数量的关键特征，对于良恶性分类的预测、临床分期的预测和病理分型的预测结果都是不一样的。
参照图3，在取少部分关键特征时，都不能达到较好的预后效果，当关键特征数量取到前20个及其以上时，三类数据的肿瘤预后辅助诊断结果都达到了80％，表示本发明所提出的预后方案能够准确的识别肿瘤的良恶性、早期或晚期肺癌以及肿瘤的病理分型。
表1为本发明实施例提供的能够正确完成三种预后分析的关键特征，各类预测对应的关键特征以*表示。
表1
参照表1，对于腺癌和鳞癌的病理分型预测，以纹理特征为代表的关键特征可以达到较好的预后精度；对于肿瘤良恶性的分类预测，以纹理特征、Gabor特征和峰度为代表的关键特征能够达到较好的预后精度；对于肺癌早期(I、II)和晚期(III、IV)的预测，以纹理特征、三维表型信息为代表的关键特征能到达到较好的预后精度。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明
的保护范围应以所述权利要求的保护范围为准。
Claims (6)
1.一种基于肿瘤表型特征的非小细胞肺癌预后方法，其特征在于，所述方法包括：
步骤S1，从非小细胞肺癌患者肺部影像数据库中对每一个肿瘤进行分割，提取目标区域，并根据所述肿瘤目标区域图像提取肿瘤表型特征库；
步骤S2，根据所述非小细胞肺癌患者肺部影像数据的临床信息和组织活检结果对肿瘤进行分类，将分类的肺部影像数据的数据集按比例分为训练数据集和测试数据集；
步骤S3，依据各分类肺部影像数据的训练数据集，采用机器学习方法对各分类肺部影像数据的训练数据集进行特征训练，得到能够正确辨识各分类肺部影像数据的训练数据集对应类型肿瘤关键特征，通过所述关键特征对各类肺部影像数据的测试数据集进行预测统计和预后分析。
2.如权利要求1所述的一种基于肿瘤表型特征的非小细胞肺癌预后方法，其特征在于，步骤S1中所述肿瘤目标区域图像提取肿瘤表型特征库包括一阶统计特征、二阶特征和三维特征、纹理特征以及小波特征；
一阶统计特征包括熵、峰度、能量、最大灰度值、最小灰度值以及像素平均绝对偏差；
二阶特征应包括肿瘤最大径、肿瘤最小径以及单层最大面积；
三维特征应包括三维最大径，体积，表面积，不对称性；
纹理特征包括游程特征和灰度共生矩阵特征；
小波特征包括在完成小波变换后的图像上提取的各种统计特征和纹理特征。
3.如权利要求2所述的一种基于肿瘤表型特征的非小细胞肺癌预后方法，其特征在于，步骤S2中所述对肿瘤进行的分类包括三类数据集：良性肿瘤与恶性肿瘤、肺癌早期肿瘤与晚期肿瘤、腺癌肿瘤与鳞癌肿瘤。
4.如权利要求3所述的一种基于肿瘤表型特征的非小细胞肺癌预后方法，其特征在于，所述机器学习方法为模式识中的自动分类算法；所述关键特征为通过机器学习方法在所述肿瘤表型特征库中筛选得到的具有预后价值的特征。
5.如权利要求4所述的一种基于肿瘤表型特征的非小细胞肺癌预后方法，其特征在于，所述机器学习方法为支持向量机算法或卷积神经网络算法或深度学习算法。
6.如权利要求1-5任一项所述的一种基于肿瘤表型特征的非小细胞肺癌预后方法，其特征在于，所述肺部影像为CT或磁共振或超声或其它临床影像设备采集得到的肺部影像数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510340718.XA CN105005714A (zh) | 2015-06-18 | 2015-06-18 | 一种基于肿瘤表型特征的非小细胞肺癌预后方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510340718.XA CN105005714A (zh) | 2015-06-18 | 2015-06-18 | 一种基于肿瘤表型特征的非小细胞肺癌预后方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN105005714A true CN105005714A (zh) | 2015-10-28 |
Family
ID=54378384
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510340718.XA Pending CN105005714A (zh) | 2015-06-18 | 2015-06-18 | 一种基于肿瘤表型特征的非小细胞肺癌预后方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105005714A (zh) |
Cited By (26)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105447569A (zh) * | 2015-12-18 | 2016-03-30 | 北京柏惠维康科技有限公司 | 一种基于深度学习的乳腺癌细胞特征分析系统 |
| CN105513057A (zh) * | 2015-11-30 | 2016-04-20 | 首都医科大学 | 一种肿瘤辅助诊断方法 |
| CN105653858A (zh) * | 2015-12-31 | 2016-06-08 | 中国科学院自动化研究所 | 一种基于影像组学的病变组织辅助预后系统和方法 |
| CN105701351A (zh) * | 2016-01-15 | 2016-06-22 | 上海市第十人民医院 | 基于人工神经网络模型超声造影特征自动识别系统及方法 |
| CN106355023A (zh) * | 2016-08-31 | 2017-01-25 | 北京数字精准医疗科技有限公司 | 基于医学影像的开放式定量分析方法与系统 |
| CN107016665A (zh) * | 2017-02-16 | 2017-08-04 | 浙江大学 | 一种基于深度卷积神经网络的ct肺结节检测方法 |
| CN107280697A (zh) * | 2017-05-15 | 2017-10-24 | 北京市计算中心 | 基于深度学习和数据融合的肺结节分级判定方法和系统 |
| CN107292103A (zh) * | 2017-06-19 | 2017-10-24 | 京东方科技集团股份有限公司 | 一种预测图像生成方法及装置 |
| WO2018006152A1 (en) * | 2016-07-04 | 2018-01-11 | Deep Genomics Incorporated | Systems and methods for generating and training convolutional neural networks using biological sequences and relevance scores derived from structural, biochemical, population and evolutionary data |
| CN107766874A (zh) * | 2017-09-07 | 2018-03-06 | 沈燕红 | 一种超声容积生物学参数的测量方法及测量系统 |
| WO2018132997A1 (zh) * | 2017-01-19 | 2018-07-26 | 中国科学院深圳先进技术研究院 | 一种基于影像组学的生存期预测方法及装置 |
| CN108538369A (zh) * | 2018-03-20 | 2018-09-14 | 中南大学湘雅医院 | 中枢神经系统肿瘤影像数据的分析方法 |
| CN108573491A (zh) * | 2017-03-10 | 2018-09-25 | 南京大学 | 一种基于机器学习的三维超声图像分割方法 |
| CN108847286A (zh) * | 2018-06-04 | 2018-11-20 | 暨南大学附属第医院（广州华侨医院） | 基于影像特征数据的肿瘤预测方法 |
| CN108897984A (zh) * | 2018-05-07 | 2018-11-27 | 上海理工大学 | 基于ct影像组学特征与肺癌基因表达间相关性分析方法 |
| CN109887600A (zh) * | 2019-04-16 | 2019-06-14 | 上海理工大学 | 一种对非小细胞肺癌预后生存情况的分析方法 |
| CN110223743A (zh) * | 2019-06-14 | 2019-09-10 | 吉林大学第一医院 | 一种针对肺癌诊断记录的结构化处理方法和系统 |
| CN110246584A (zh) * | 2019-06-13 | 2019-09-17 | 吉林大学第一医院 | 一种肺癌样本的预测评估方法和系统 |
| CN110415820A (zh) * | 2019-08-08 | 2019-11-05 | 中南大学 | 基于大数据的非小细胞肺癌评估方法、装置和电子设备 |
| CN111354442A (zh) * | 2018-12-20 | 2020-06-30 | 中国医药大学附设医院 | 肿瘤影像深度学习辅助子宫颈癌患者预后预测系统、方法 |
| CN111369536A (zh) * | 2020-03-05 | 2020-07-03 | 上海市肺科医院（上海市职业病防治院） | 一种肺部纵膈淋巴结检测模型的生成方法及系统 |
| CN111640503A (zh) * | 2020-05-29 | 2020-09-08 | 上海市肺科医院 | 一种晚期肺癌患者的肿瘤突变负荷的预测系统及方法 |
| CN111862091A (zh) * | 2020-08-05 | 2020-10-30 | 昆山杜克大学 | 一种基于表型测量早期发现综合征的系统 |
| CN112184658A (zh) * | 2020-09-24 | 2021-01-05 | 上海健康医学院 | 用于非小细胞肺癌预后生存预测的方法、介质及电子设备 |
| CN112530592A (zh) * | 2020-12-14 | 2021-03-19 | 青岛大学 | 一种基于机器学习的非小细胞肺癌风险预测方法 |
| CN113724185A (zh) * | 2021-03-08 | 2021-11-30 | 腾讯科技（深圳）有限公司 | 用于图像分类的模型处理方法、装置及存储介质 |
-
2015
- 2015-06-18 CN CN201510340718.XA patent/CN105005714A/zh active Pending
Cited By (34)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105513057A (zh) * | 2015-11-30 | 2016-04-20 | 首都医科大学 | 一种肿瘤辅助诊断方法 |
| CN105447569B (zh) * | 2015-12-18 | 2018-10-19 | 北京柏惠维康科技有限公司 | 一种基于深度学习的乳腺癌细胞特征分析系统 |
| CN105447569A (zh) * | 2015-12-18 | 2016-03-30 | 北京柏惠维康科技有限公司 | 一种基于深度学习的乳腺癌细胞特征分析系统 |
| CN105653858A (zh) * | 2015-12-31 | 2016-06-08 | 中国科学院自动化研究所 | 一种基于影像组学的病变组织辅助预后系统和方法 |
| CN105701351A (zh) * | 2016-01-15 | 2016-06-22 | 上海市第十人民医院 | 基于人工神经网络模型超声造影特征自动识别系统及方法 |
| US11636920B2 (en) | 2016-07-04 | 2023-04-25 | Deep Genomics Incorporated | Systems and methods for generating and training convolutional neural networks using biological sequences and relevance scores derived from structural, biochemical, population and evolutionary data |
| WO2018006152A1 (en) * | 2016-07-04 | 2018-01-11 | Deep Genomics Incorporated | Systems and methods for generating and training convolutional neural networks using biological sequences and relevance scores derived from structural, biochemical, population and evolutionary data |
| CN106355023A (zh) * | 2016-08-31 | 2017-01-25 | 北京数字精准医疗科技有限公司 | 基于医学影像的开放式定量分析方法与系统 |
| WO2018132997A1 (zh) * | 2017-01-19 | 2018-07-26 | 中国科学院深圳先进技术研究院 | 一种基于影像组学的生存期预测方法及装置 |
| CN107016665B (zh) * | 2017-02-16 | 2021-05-04 | 浙江大学 | 一种基于深度卷积神经网络的ct肺结节检测方法 |
| CN107016665A (zh) * | 2017-02-16 | 2017-08-04 | 浙江大学 | 一种基于深度卷积神经网络的ct肺结节检测方法 |
| CN108573491A (zh) * | 2017-03-10 | 2018-09-25 | 南京大学 | 一种基于机器学习的三维超声图像分割方法 |
| CN107280697A (zh) * | 2017-05-15 | 2017-10-24 | 北京市计算中心 | 基于深度学习和数据融合的肺结节分级判定方法和系统 |
| WO2018233520A1 (zh) * | 2017-06-19 | 2018-12-27 | 京东方科技集团股份有限公司 | 一种生成预测图像的方法及装置 |
| CN107292103A (zh) * | 2017-06-19 | 2017-10-24 | 京东方科技集团股份有限公司 | 一种预测图像生成方法及装置 |
| CN107766874B (zh) * | 2017-09-07 | 2021-06-04 | 深圳度影医疗科技有限公司 | 一种超声容积生物学参数的测量方法及测量系统 |
| CN107766874A (zh) * | 2017-09-07 | 2018-03-06 | 沈燕红 | 一种超声容积生物学参数的测量方法及测量系统 |
| CN108538369A (zh) * | 2018-03-20 | 2018-09-14 | 中南大学湘雅医院 | 中枢神经系统肿瘤影像数据的分析方法 |
| CN108538369B (zh) * | 2018-03-20 | 2022-02-15 | 中南大学湘雅医院 | 中枢神经系统肿瘤影像数据的分析方法 |
| CN108897984A (zh) * | 2018-05-07 | 2018-11-27 | 上海理工大学 | 基于ct影像组学特征与肺癌基因表达间相关性分析方法 |
| CN108847286A (zh) * | 2018-06-04 | 2018-11-20 | 暨南大学附属第医院（广州华侨医院） | 基于影像特征数据的肿瘤预测方法 |
| CN111354442A (zh) * | 2018-12-20 | 2020-06-30 | 中国医药大学附设医院 | 肿瘤影像深度学习辅助子宫颈癌患者预后预测系统、方法 |
| CN109887600A (zh) * | 2019-04-16 | 2019-06-14 | 上海理工大学 | 一种对非小细胞肺癌预后生存情况的分析方法 |
| CN110246584A (zh) * | 2019-06-13 | 2019-09-17 | 吉林大学第一医院 | 一种肺癌样本的预测评估方法和系统 |
| CN110223743A (zh) * | 2019-06-14 | 2019-09-10 | 吉林大学第一医院 | 一种针对肺癌诊断记录的结构化处理方法和系统 |
| CN110415820A (zh) * | 2019-08-08 | 2019-11-05 | 中南大学 | 基于大数据的非小细胞肺癌评估方法、装置和电子设备 |
| CN111369536A (zh) * | 2020-03-05 | 2020-07-03 | 上海市肺科医院（上海市职业病防治院） | 一种肺部纵膈淋巴结检测模型的生成方法及系统 |
| CN111640503B (zh) * | 2020-05-29 | 2023-09-26 | 上海市肺科医院 | 一种晚期肺癌患者的肿瘤突变负荷的预测系统及方法 |
| CN111640503A (zh) * | 2020-05-29 | 2020-09-08 | 上海市肺科医院 | 一种晚期肺癌患者的肿瘤突变负荷的预测系统及方法 |
| CN111862091A (zh) * | 2020-08-05 | 2020-10-30 | 昆山杜克大学 | 一种基于表型测量早期发现综合征的系统 |
| CN112184658A (zh) * | 2020-09-24 | 2021-01-05 | 上海健康医学院 | 用于非小细胞肺癌预后生存预测的方法、介质及电子设备 |
| CN112184658B (zh) * | 2020-09-24 | 2023-11-24 | 上海健康医学院 | 用于非小细胞肺癌预后生存预测的方法、介质及电子设备 |
| CN112530592A (zh) * | 2020-12-14 | 2021-03-19 | 青岛大学 | 一种基于机器学习的非小细胞肺癌风险预测方法 |
| CN113724185A (zh) * | 2021-03-08 | 2021-11-30 | 腾讯科技（深圳）有限公司 | 用于图像分类的模型处理方法、装置及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105005714A (zh) | 一种基于肿瘤表型特征的非小细胞肺癌预后方法 | |
| Sun et al. | Multiparametric MRI and radiomics in prostate cancer: a review | |
| Scalco et al. | Texture analysis of medical images for radiotherapy applications | |
| EP3432784B1 (en) | Deep-learning-based cancer classification using a hierarchical classification framework | |
| Giger et al. | Breast image analysis for risk assessment, detection, diagnosis, and treatment of cancer | |
| Bauer et al. | A survey of MRI-based medical image analysis for brain tumor studies | |
| Zhu et al. | Computer technology in detection and staging of prostate carcinoma: a review | |
| Fu et al. | Deep learning-based radiomic features for improving neoadjuvant chemoradiation response prediction in locally advanced rectal cancer | |
| CN106683104B (zh) | 基于集成深度卷积神经网络的前列腺磁共振图像分割方法 | |
| Shen et al. | Optimized prostate biopsy via a statistical atlas of cancer spatial distribution | |
| CN108694718A (zh) | 直肠癌术前同期新辅助放化疗疗效评估系统和方法 | |
| US9424460B2 (en) | Tumor plus adjacent benign signature (TABS) for quantitative histomorphometry | |
| Gong et al. | Fusion of quantitative imaging features and serum biomarkers to improve performance of computer‐aided diagnosis scheme for lung cancer: a preliminary study | |
| Yang et al. | Magnetic resonance imaging (MRI)-based radiomics for prostate cancer radiotherapy | |
| Dinh et al. | Multicenter validation of prostate tumor localization using multiparametric MRI and prior knowledge | |
| Peng et al. | A region‐appearance‐based adaptive variational model for 3D liver segmentation | |
| Zhang et al. | Development and validation of MRI‐based deep learning models for prediction of microsatellite instability in rectal cancer | |
| Li et al. | Molecular subtypes recognition of breast cancer in dynamic contrast-enhanced breast magnetic resonance imaging phenotypes from radiomics data | |
| CN108921821A (zh) | 基于lasso回归的乳腺癌腋窝淋巴结转移状态的判别方法 | |
| Xu et al. | Using transfer learning on whole slide images to predict tumor mutational burden in bladder cancer patients | |
| CN108922602A (zh) | 基于大数据分析mri图像的直肠癌术前同期新辅助放化疗疗效评估系统和方法 | |
| Li et al. | Radiomics based on T2-weighted imaging and apparent diffusion coefficient images for preoperative evaluation of lymph node metastasis in rectal cancer patients | |
| Saha et al. | Interobserver variability in identification of breast tumors in MRI and its implications for prognostic biomarkers and radiogenomics | |
| Guan et al. | Detecting asymmetric patterns and localizing cancers on mammograms | |
| Zou et al. | Multi-task deep learning based on T2-Weighted Images for predicting Muscular-Invasive Bladder Cancer |
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: 20151028 |
|
| RJ01 | Rejection of invention patent application after publication |