CN107016395B - 稀疏表示的原发性脑部淋巴瘤和胶质母细胞瘤的鉴别系统 - Google Patents
稀疏表示的原发性脑部淋巴瘤和胶质母细胞瘤的鉴别系统 Download PDFInfo
- Publication number
- CN107016395B CN107016395B CN201710162702.3A CN201710162702A CN107016395B CN 107016395 B CN107016395 B CN 107016395B CN 201710162702 A CN201710162702 A CN 201710162702A CN 107016395 B CN107016395 B CN 107016395B
- Authority
- CN
- China
- Prior art keywords
- sparse representation
- tumor
- image
- feature
- features
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
- G06V10/422—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation for representing the structure of the pattern or shape of an object therefor
- G06V10/424—Syntactic representation, e.g. by using alphabets or grammars
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30096—Tumor; Lesion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/513—Sparse representations
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Multimedia (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Image Analysis (AREA)
Abstract
本发明属于计算机辅助诊断技术领域,具体为一种基于稀疏表示体系的原发性脑部淋巴瘤和胶质母细胞瘤鉴别方法。本发明首先利用基于卷积神经网络的图像分割方法分割T1增强和T2加权MRI图像肿瘤区域;然后设计字典学习和稀疏表示方法提取肿瘤区域纹理特征。为减少特征冗余性和提高肿瘤鉴别效率,采用迭代稀疏表示特征选择方法,选择少数高稳定性高分辨力的特征用于肿瘤鉴别;最后,基于特征态融合的思想,建立同时包含T1增强或T2加权两个模态的联合稀疏表示分类模型提高肿瘤鉴别精度。本发明方法不仅能够获得较高的肿瘤鉴别精度,且无需人工操作提取鉴别参数,具有较强的鲁棒性,可用于原发性脑部淋巴瘤和胶质母细胞瘤的临床鉴别。
Description
技术领域
本发明属于计算机辅助诊断技术领域,具体为基于稀疏表示体系的原发性脑部淋巴瘤和胶质母细胞瘤的鉴别方法。
背景技术
临床上原发性脑部淋巴瘤(Primary central nervous system lymphoma,PCNSL)和胶质母细胞瘤(Glioblastoma,GBM)的治疗方案存在较大差异,治疗前对二者的准确鉴别,能指导临床医师制定合理的治疗方案,具有重要的临床价值。然而利用一些传统模态核磁共振成像图像如T1加权、T1增强、T2加权和T2FLAIR准确鉴别原发性脑部淋巴瘤和胶质母细胞瘤十分困难,由于这两种肿瘤在这些模态的图像上呈现许多相似的特性。一些先进的MRI成像方式如扩散加权成像、动态磁化率增强灌注成像等被用于辅助诊断这两种肿瘤,但这些方法本身也存在一些鉴别参数提取的问题[1][2]。
在过去十年中,随着模式识别工具的发展和数据集的扩大,致使图像向高维数据特征的转化以及随后利用这些数据的决策支持,这种做法被称为影像组学。影像组学的高维数据特征与病人的其他数据结合能够进一步提高诊断和预后的准确性。2014年自然期刊上发表文章 [3]提出利用图像的高通量特征进行肿瘤亚型鉴别,随后一些研究者也相继提出利用高通量特征进行肿瘤分子标记物的预测和肿瘤分类等,并取得了更好的效果。这些方法在疾病预测诊断时,不仅可以提取医生肉眼可直接观察的特征进行分类预测,如形状体素灰度等,还可以提取一些难以直接观测得到但对分类预测至关重要的特征信息。
稀疏表示理论认为自然信号可由字典中少数原子线性组合而成,这些原子包含了信号的最本质特征,通过字典训练和优化算法求解可有效提取这些本质特征。稀疏表示在信号表达分析方面的优势使其在数据压缩、信号降噪、信号分离、图像恢复和分类识别等领域取得广泛应用。稀疏表示能够准确有效地提取和分析理影像组学中高通量数据特征,从中有效发现对疾病诊断鉴别有效的关键信息。
发明内容
本发明的目的是提出一套基于稀疏表示体系的原发性脑部淋巴瘤和胶质母细胞瘤的自动鉴别方法。
本发明基于影响组学的思想,首先,设计一种基于字典学习和稀疏表示的高通量肿瘤纹理特征提取方法,将不同体积不同形状的肿瘤区域转化为968维纹理特征;其次,针对提取特征存在的冗余问题,建立迭代稀疏表示方法,选择少数高稳定性高分辨力的特征;最后,建立联合稀疏表示分类模型,利用T1增强和T2加权模态图像纹理特征的结合,鉴别肿瘤。
本发明提出的基于稀疏表示体系的原发性脑部淋巴瘤和胶质母细胞瘤鉴别方法,其步骤如下:
步骤一.稀疏表示肿瘤纹理特征提取
肿瘤区域的分割是后续特征提取和分类识别的前提和基础。为获得精确的分割肿瘤区域,首先,对T1增强和T2加权模态MRI图像进行脑壳剥离和数据归一化预处理,然后选择部分肿瘤图像进行手动分割构建训练集,训练图像分割卷积神经网络(文献[4]提出),最后利用训练的网络自动分割图像中肿瘤区域。
分别提取肿瘤T1增强和T2加权模态图像纹理特征,由于不同患者肿瘤大小形状存在较大差异,因此采用基于图像块的处理方式提取肿瘤纹理特征。图2展示了本发明设计的基于稀疏表示图像纹理特征提取流程图。针对肿瘤T1增强或T2加权模态图像,首先提取肿瘤区域图像块集合Y∈Rn×N,Y=[y1,y2…yN],yi∈Rn,yi表示第i个图像块,N为肿瘤区域所包含的图像块的个数。分别选择多个原发性脑部淋巴瘤图像块集合和多个胶质母细胞瘤图像块集合,并采用K-奇异值分解方法(文献[5])分别训练原发性脑部淋巴瘤字典DP∈Rn×K和胶质母细胞瘤字典DG∈Rn×K,将训练字典组合得到纹理特征提取字典D=[DP,DG]∈Rn×2K。图3展示了训练得到的原发性脑部淋巴瘤字典和胶质母细胞瘤字典。
对于任意肿瘤区域,利用字典D对其对应的图像块集合Y进行稀疏表示,由于不同肿瘤抽取图像块个数不同,因此对图像块集合中图像块单独稀疏表示,并将稀疏表示系数的绝对值平均作为肿瘤的纹理特征,即:
其中,Λ=[α1,α2,…αN],αi∈R2K为yi对应的稀疏表示系数,f∈R2K为最终获得的肿瘤纹理特征,为αi的估计结果,利用正交匹配追踪求解式(1)稀疏表示模型。图4a和图4b分别为提取的原发性脑部淋巴瘤字典和胶质母细胞瘤纹理特征。
步骤二.迭代稀疏表示特征选择
特征提取获得的纹理特征存在大量冗余信息,这些冗余特征不仅增加了后续分类识别的计算量,还可能影响识别精度,因此采用迭代稀疏表示特征选择方法分别从提取的T1增强和 T2加权模态图像纹理特征fT1和fT2中选择少量高分辨力特征。每次迭代从训练集中随机选择 M个样本,对应的样本标签可表示为lk∈RM,样本特征集可表示为Fk∈RM×2K,k表示迭代次数,利用样本特征对样本标签进行稀疏表示,选择与样本标签相关性较强的样本特征:
η为稀疏约束项控制参数,利用正交匹配追踪算法求解式(2)稀疏表示模型。将前k次得到的稀疏表示系数平均得到更新的稀疏表示系数:
计算前后两次迭代稀疏表示系数间的绝对差d(k)=||w(k)-w(k-1)||2,判断绝对差是否小于预设常数或是否达到最大迭代次数,是则停止迭代,输出最终得到稀疏表示系数w(k),否则继续迭代。
对w(k)绝对值按从大到小排序,得到对应特征重要性由高到低的排序。最后对排序后的特征,利用顺序前进法测试训练集,得到最优识别率对应的特征组合即为最终选择的特征。
步骤三.多模态特征融合稀疏表示分类
对于待测肿瘤T1增强图像和T2加权图像选择的特征fT1和fT2,利用训练集肿瘤T1增强图像和T2加权图像特征集合FT1和FT2分别对其稀疏表示:
其中,w1和w2为权重参数,由训练集训练获得,利用阈值收缩算法求解式(6)多模态信息融合的稀疏表示分类模型:
其中,δi(·)表示选择第i类特征对应的系数,最终待测肿瘤样本类别为:
其中,f=[fT1;fT2]表示待测样本的两种特征。
最后,分别计算准确度(accuracy,ACC)、敏感度(sensitivity,SEN)、特异度(specificity,SPE)定量化评价预测性能。
本发明的创新点在于,构建了一套基于稀疏表示体系的原发性脑部淋巴瘤和胶质母细胞瘤自动鉴别方法。首先设计了一种基于稀疏表示和字典学习的方法提取肿瘤纹理特征;其次,利用迭代稀疏表示的方法从提取的纹理特征中选择少数高区分力特征,来提高分类鉴别效率;最后,建立多模态特征融合稀疏表示分类模型,结合肿瘤T1增强图像和T2加权图像纹理特征信息进一步提高肿瘤鉴别精度。
本发明的有益效果:原发性脑部淋巴瘤与胶质母细胞瘤图像间存在纹理差异,基于图像块处理的方式,本发明利用稀疏表示和字典学习方法,有效的将不同体积不同形状的肿瘤图像转化为刻画肿瘤纹理信息的高维数据;利用迭代稀疏表示方法从提取的纹理特征中选择少数高区分力特征,不仅有利于鉴别精度的提高,还消除了特征的冗余性,减少了后续分类算法的运算量。建立多模态特征融合稀疏表示分类模型,从理论上结合了肿瘤T1增强MRI图像和T2加权MRI图像信息,能够进一步提高鉴别性能。整个肿瘤鉴别过程算法自动完成,无需人工提取鉴别参数,使该方法具有较强的鲁棒性。
附图说明
图1本发明提出基于稀疏表示体系的原发性脑部淋巴瘤和胶质母细胞瘤鉴别方法流程图。
图2基于字典学习和稀疏表示的图像纹理特征提取流程图。
图3 T1增强模态图像原发性脑部淋巴瘤字典(a)和胶质母细胞瘤字典(b)。
图4 T1增强模态图像肿瘤区域纹理特征。其中,(a)原发性脑部淋巴瘤纹理特征,(b) 胶质母细胞瘤纹理特征。
具体实施方式
以下是整个方法的具体实现步骤:
1、首先对数据集图像进行去脑壳、灰度归一化等操作,并分别从T1增强图像和T2加权图像集合中选择40例图像进行肿瘤区域手工标注,然后分别将标记结果和对应图像送入两种构建的卷积神经网络训练网络参数,最后利用已训练的两种卷积神经网络分割对应模态图像的肿瘤区域。
2、抽取肿瘤区域包含的图像块集合,图像块大小为11*11,图像块中心间隔为5*5。针 T1增强模态图像,选择20例原发性脑部淋巴瘤图像对应的图像块集合,利用K奇异值分解方法训练原发性脑部淋巴瘤字典,选择20例胶质母细胞瘤图像对应的图像块集合,利用K奇异值分解方法训练胶质母细胞瘤字典,训练字典大小均为121*484,将两个字典组合构成T1 增强模态图像纹理特征提取字典,大小为121*968;对于T2加权模态图像,以与T1增强模态图像相同的方式训练T2加权模态图像纹理特征提取字典,大小同样为121*968。
3、利用训练的纹理特征提取字典稀疏表示对应模态的肿瘤区域,即对肿瘤区域包含的图像块集合进行稀疏表示,利用正交匹配追踪算法求解稀疏表示问题,稀疏表示系数的稀疏度为1/968。然后将图像块集合中所有图像块对应的稀疏表示系数平均得到968维的纹理特征。
4、对于提取的两种模态纹理特征,分别进行如下操作:设置最小正整数ε=0.0001,最大迭代次数K0=300,每次迭代选择样本个数M=5和稀疏表示系数中非0元素个数为1。利用迭代稀疏表示算法对特征进行重要性排序。将排序后前30个特征作为初始特征集,之后每次从剩余特征中选择最重要特征加入特征集,直到特征集个数达到100,每次特征集更新后,计算利用特征集中特征鉴别肿瘤的准确率,准确最高时对应的特征集中包含的特征为最终选择的特征。最终筛选得到T1增强模态图像纹理特征77个,T2加权模态图像纹理特征89个。
6、每例肿瘤对应166个纹理特征,利用多模态融合稀疏表示分类方法对数据集进行十倍交叉验症。首先,设置稀疏系数约束参数分别利用训练集T1增强模态图像肿瘤特征集合和T2加权模态图像特征集合对对应模态测试肿瘤特征进行稀疏表示,并将稀疏表示系数加权平均,其中训练的系数权重分别为w1=2.2和w2=1.7;然后利用阈值收缩算法求解式(6)多模态信息融合的稀疏表示分类模型;最后计算稀疏表示残差判断肿瘤类别并统计鉴别结果的准确度、灵敏度、特异性。
结果分析
表1给出了不同方法对原发性脑部淋巴瘤和胶质母细胞瘤的鉴别情况。本发明验证数据集中包含22例原发性脑部淋巴瘤和45例胶质母细胞瘤的T1增强模态图像和T2加权模态图像。文献[2]分析了25例原发性脑部淋巴瘤与62例胶质母细胞瘤的DWI图像,提取表观扩散系数(Apparent diffusion coefficients,ADC)区分这两种肿瘤。文献[6]分析了10例原发性脑部淋巴瘤与18例胶质母细胞瘤的DSC-PWI图像,提取相对脑血容量(relativecerebral blood volume,rCBV)对肿瘤进行鉴别。“T1增强特征鉴别”为仅利用本发明提取筛选的T1增强模态图像对应的纹理特征鉴别肿瘤,“T2加权特征鉴别”为仅利用本发明提取筛选的T2加权模态图像对应的纹理特征鉴别肿瘤。
文献[2]和文献[6]方法虽然取得了良好的鉴别效果,但鉴别肿瘤时利用先进的MRI成像,而这些模态MRI患者常规检查时不经常使用,此外鉴别参数提取的稳定性与可靠性也是这两种方法中存在的问题。对比献[2]和文献[6]方法可见,本发明方法不仅能够利用常用的T1增强模态图像和T2加权模态图像有效鉴别肿瘤,而且由于本发明方法整个鉴别过程由算法自动完成,无需人工操作提取鉴别参数,因此在实际应用中具有较强的鲁棒性。此外,对比“T1 增强特征鉴别”,“T2加权特征鉴别”和“本发明方法鉴别”三种方法可见,本发明中多模态特征融合模型能够有效的结合不同模态图像信息,从而进一步提高肿瘤鉴别精度。
表1.不同方法发性脑部淋巴瘤和胶质母细胞瘤鉴别效果
参考文献
1.Nakajima S.,Okada T.,Yamamoto A.,et al.Differentiation betweenprimary central nervous system lymphoma and glioblastoma:a comparative studyof parameters derived from dynamic susceptibility contrast-enhancedperfusion-weighted MRI[J].Clinical Radiology,2015,70: 1393-1399.
2.Ahn SJ.,Shin HJ.,Chang J H.,et al.Differentiation between primarycerebrallymphoma and glioblastoma using the apparent diffusion coefficient:comparison of three different ROI methods.Plos One,2014,9(9):e112948.
3.Aerts HJ,Velazquez E R,Leijenaar RT,et al.Decoding tumour phenotypeby noninvasive imaging using a quantitative radiomics approach.NatureCommunication,2014,5:4006.
4.Pereira S,Pinto A,Alves V,et al.Brain tumor segmentation usingconvolutional neural networks in MRI images.IEEE Transactions on MedicalImaging,2016,35(5):1240-1251.
5.Elad M,Aharon M.Image denoising via sparse and redundantrepresentations over learned dictionaries.IEEE Transactions on ImageProcessing,2006,15(12):3736-3745.
6.Xing Z,You R X,Li J,et al.Differentiation of primary centralnervous system lymphomas from high-grade gliomas by rCBV and percentage ofsignal intensity recovery derived from dynamic susceptibility-weightedcontrast-enhanced perfusion MR imaging.ClinNeuroradiol,2014, 24(4):326-329.。
Claims (1)
1.一种基于稀疏表示体系的原发性脑部淋巴瘤和胶质母细胞瘤鉴别系统,其特征在于,包括:稀疏表示肿瘤纹理特征提取模块、迭代稀疏表示特征选择模块、多模态特征融合稀疏表示分类模块,其中:
(1)所述稀疏表示肿瘤纹理特征提取模块,用于提取肿瘤纹理特征;具体包括:
利用基于卷积神经网络的图像分割方法分割T1增强和T2加权模态MRI图像中肿瘤区域;基于不同病人肿瘤大小和形状不同,采用基于图像块的处理方式提取肿瘤纹理特征;针对T1增强或T2加权模态肿瘤区域图像,首先抽取大量肿瘤区域包含的图像块集合,训练稀疏表示字典,然后利用训练字典对肿瘤区域进行稀疏表示,提取肿瘤区域纹理特征;稀疏表示纹理特征提取模型表示为:
其中,yi∈Rn,i=[1,2…N]为肿瘤区域包含的图像块,N为图像块的个数,D∈Rn×2K为稀疏表示字典,λ为稀疏约束项控制参数,αi∈R2K为yi对应的稀疏表示系数,为αi的估计结果,利用正交匹配追踪算法求解式(1)稀疏模型,获得最终肿瘤纹理特征f∈R2K;
(2)所述迭代稀疏表示特征选择模块,通过建立迭代稀疏表示特征选择模型,经过迭代计算,获得特征的重要性排序;具体包括:
特征提取获得的纹理特征存在大量冗余信息,因此建立迭代稀疏表示特征选择模型,分别从提取的T1增强和T2加权模态图像纹理特征fT1和fT2中选择少量高分辨率特征;每次迭代从训练样本集中随机选择部分样本,利用样本特征集对样本标签进行稀疏表示,选择与样本标签相关性较强的特征:
η为稀疏约束项控制参数,lk∈RM为样本标签,Fk∈RM×2K为样本特征集,M为选择的样本个数,k表示迭代次数,利用正交匹配追踪算法求解式(2)稀疏表示模型,并将每次迭代获得的稀疏表示系数平均得到平均系数,按绝对值大小对平均系数进行排序,得到特征的重要性排序;
(3)所述多模态特征融合稀疏表示分类模块,通过建立多模态信息融合的稀疏表示分类模型,用于获取待测肿瘤样本类别;具体包括:
由于T1增强和T2加权模态肿瘤图像体现肿瘤不同特征,会产生不同分类效果,结合步骤二选择的T1增强模态肿瘤图像特征和T2加权模态肿瘤图像特征,建立多模态信息融合的稀疏表示分类模型:
其中,fT1和fT2分别为待测肿瘤T1增强图像和T2加权图像对应的特征,FT1和FT2分别为训练样本T1增强图像和T2加权图像对应的特征集合,为稀疏系数约束参数,为T1增强图像特征稀疏表示分类系数和T2加权图像特征稀疏表示分类系数的加权平均;利用阈值收缩算法求解式(3),当获得稀疏系数和后,计算加权稀疏表示残差:
以此来判断肿瘤类别,其中δj(·)表示选择第j类特征对应的系数,w1和w2为权重参数;
最终待测肿瘤样本类别为:
其中,f=[fT1;fT2]表示待测样本的两种特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710162702.3A CN107016395B (zh) | 2017-03-18 | 2017-03-18 | 稀疏表示的原发性脑部淋巴瘤和胶质母细胞瘤的鉴别系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710162702.3A CN107016395B (zh) | 2017-03-18 | 2017-03-18 | 稀疏表示的原发性脑部淋巴瘤和胶质母细胞瘤的鉴别系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107016395A CN107016395A (zh) | 2017-08-04 |
CN107016395B true CN107016395B (zh) | 2021-02-26 |
Family
ID=59440867
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710162702.3A Active CN107016395B (zh) | 2017-03-18 | 2017-03-18 | 稀疏表示的原发性脑部淋巴瘤和胶质母细胞瘤的鉴别系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107016395B (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107392909B (zh) * | 2017-06-22 | 2020-11-06 | 苏州大学 | 基于神经网络与约束图搜索算法的oct图像层分割方法 |
CN108447063B (zh) * | 2017-12-15 | 2020-06-19 | 浙江中医药大学 | 脑胶质母细胞瘤的多模态核磁共振图像分割方法 |
CN108319969B (zh) * | 2018-01-12 | 2021-06-22 | 复旦大学 | 基于稀疏表示框架的脑胶质瘤生存期预测方法和系统 |
CN109102889A (zh) * | 2018-06-29 | 2018-12-28 | 平安科技(深圳)有限公司 | 疾病检测方法、检测服务器及计算机可读存储介质 |
CN109191422B (zh) * | 2018-07-09 | 2021-04-30 | 复旦大学 | 基于常规ct图像的缺血性脑卒中早期检测系统和方法 |
CN110880360A (zh) * | 2018-09-05 | 2020-03-13 | 重庆工商职业学院 | 一种基于稀疏表示的帕金森病数据集分类方法 |
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 |
CN109816632B (zh) * | 2018-12-25 | 2020-12-25 | 东软集团股份有限公司 | 脑图像处理方法、装置、可读存储介质及电子设备 |
CN110335665B (zh) * | 2019-04-01 | 2021-07-20 | 佛山原子医疗设备有限公司 | 一种应用于医学图像辅助诊断分析的以图搜图方法及系统 |
CN110276414B (zh) * | 2019-07-01 | 2024-01-16 | 山东省肿瘤防治研究院(山东省肿瘤医院) | 基于字典学习和稀疏表示的影像特征提取方法及表达方法 |
CN110796668B (zh) * | 2019-10-28 | 2022-04-01 | 闽江学院 | 一种基于稀疏限制的白细胞细胞核分割方法 |
CN110956610A (zh) * | 2019-10-31 | 2020-04-03 | 广州市番禺区中心医院(广州市番禺区人民医院、广州市番禺区心血管疾病研究所) | 基于稀疏表示的下肢深静脉血栓溶栓疗效预测方法及系统 |
CN110992320B (zh) * | 2019-11-22 | 2023-03-21 | 电子科技大学 | 一种基于双重交错的医学图像分割网络 |
CN111353998A (zh) * | 2020-05-13 | 2020-06-30 | 温州医科大学附属第一医院 | 一种基于人工智能的肿瘤诊疗预测模型及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103714536A (zh) * | 2013-12-17 | 2014-04-09 | 深圳先进技术研究院 | 基于稀疏表示的多模态磁共振图像的分割方法及装置 |
WO2014152919A1 (en) * | 2013-03-14 | 2014-09-25 | Arizona Board Of Regents, A Body Corporate Of The State Of Arizona For And On Behalf Of Arizona State University | Kernel sparse models for automated tumor segmentation |
CN104182954A (zh) * | 2014-08-27 | 2014-12-03 | 中国科学技术大学 | 一种实时的多模态医学图像融合方法 |
CN106097374A (zh) * | 2016-06-24 | 2016-11-09 | 西安电子科技大学 | 基于稀疏低秩与Atlas集的3D MRI胰腺分割方法 |
CN106250914A (zh) * | 2016-07-22 | 2016-12-21 | 华侨大学 | 基于结构稀疏多核学习的多模态数据特征筛选和分类方法 |
CN106339591A (zh) * | 2016-08-25 | 2017-01-18 | 汤平 | 一种基于深度卷积神经网络的预防乳腺癌自助健康云服务系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8745541B2 (en) * | 2003-03-25 | 2014-06-03 | Microsoft Corporation | Architecture for controlling a computer using hand gestures |
-
2017
- 2017-03-18 CN CN201710162702.3A patent/CN107016395B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014152919A1 (en) * | 2013-03-14 | 2014-09-25 | Arizona Board Of Regents, A Body Corporate Of The State Of Arizona For And On Behalf Of Arizona State University | Kernel sparse models for automated tumor segmentation |
CN103714536A (zh) * | 2013-12-17 | 2014-04-09 | 深圳先进技术研究院 | 基于稀疏表示的多模态磁共振图像的分割方法及装置 |
CN104182954A (zh) * | 2014-08-27 | 2014-12-03 | 中国科学技术大学 | 一种实时的多模态医学图像融合方法 |
CN106097374A (zh) * | 2016-06-24 | 2016-11-09 | 西安电子科技大学 | 基于稀疏低秩与Atlas集的3D MRI胰腺分割方法 |
CN106250914A (zh) * | 2016-07-22 | 2016-12-21 | 华侨大学 | 基于结构稀疏多核学习的多模态数据特征筛选和分类方法 |
CN106339591A (zh) * | 2016-08-25 | 2017-01-18 | 汤平 | 一种基于深度卷积神经网络的预防乳腺癌自助健康云服务系统 |
Non-Patent Citations (3)
Title |
---|
Automatic Classification of Intracardiac Tumor and Thrombi in Echocardiography Based on Sparse Representation;Yi Guo.et.;《IEEE JOURNAI OF BIOMEDICAI AND HEALTH INFORMATICS》;20150331;第19卷(第2期);第601-611页 * |
Sparse Representation for Tumor Classification Based on Feature Extraction Using Latent Low-Rank Representation;Bin Gan.et;《BioMed Research International》;20140211;第1-7页 * |
基于深度卷积神经网络的CT图像肝脏肿瘤分割方法研究;李雯;《中国优秀硕士学位论文全文数据库 医药卫生科技辑》;20170315(第3期);第E076-31页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107016395A (zh) | 2017-08-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107016395B (zh) | 稀疏表示的原发性脑部淋巴瘤和胶质母细胞瘤的鉴别系统 | |
Danelakis et al. | Survey of automated multiple sclerosis lesion segmentation techniques on magnetic resonance imaging | |
CN109035263B (zh) | 基于卷积神经网络的脑肿瘤图像自动分割方法 | |
Zhang et al. | Mapping population-based structural connectomes | |
Chen et al. | Computer‐aided grading of gliomas combining automatic segmentation and radiomics | |
Lucena et al. | Convolutional neural networks for skull-stripping in brain MR imaging using silver standard masks | |
CN111931811B (zh) | 一种基于超像素图像相似度的计算方法 | |
Dimitriadis et al. | Improving the reliability of network metrics in structural brain networks by integrating different network weighting strategies into a single graph | |
CN108109140A (zh) | 基于深度学习的低级别脑胶质瘤柠檬酸脱氢酶无损预测方法及系统 | |
CN110097921B (zh) | 基于影像组学的胶质瘤内基因异质性可视化定量方法和系统 | |
US20230154006A1 (en) | Rapid, accurate and machine-agnostic segmentation and quantification method and device for coronavirus ct-based diagnosis | |
Xu et al. | Using transfer learning on whole slide images to predict tumor mutational burden in bladder cancer patients | |
Heydarheydari et al. | Auto-segmentation of head and neck tumors in positron emission tomography images using non-local means and morphological frameworks | |
Abdullah et al. | Multi-sectional views textural based SVM for MS lesion segmentation in multi-channels MRIs | |
WO2024060842A1 (zh) | 分类模型获取方法、表达类别确定方法、装置、设备及介质 | |
Bhatele et al. | Machine learning application in Glioma classification: review and comparison analysis | |
CN108319969B (zh) | 基于稀疏表示框架的脑胶质瘤生存期预测方法和系统 | |
Khademi et al. | Whole volume brain extraction for multi-centre, multi-disease FLAIR MRI datasets | |
Lawrence et al. | Computer assisted detection of polycystic ovary morphology in ultrasound images | |
Zhao et al. | A survey of dictionary learning in medical image analysis and its application for glaucoma diagnosis | |
Eskildsen et al. | Detecting Alzheimer’s disease by morphological MRI using hippocampal grading and cortical thickness | |
Chen et al. | Glioma grade prediction using wavelet scattering-based radiomics | |
Harrison et al. | State-of-the-art of breast cancer diagnosis in medical images via convolutional neural networks (cnns) | |
URAL | Computer aided deep learning based assessment of stroke from brain radiological ct images | |
Liu et al. | TrEnD: A transformer‐based encoder‐decoder model with adaptive patch embedding for mass segmentation in mammograms |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |