CN108508016A - 一种前列腺癌三维病理构型方法 - Google Patents

一种前列腺癌三维病理构型方法 Download PDF

Info

Publication number
CN108508016A
CN108508016A CN201810310042.3A CN201810310042A CN108508016A CN 108508016 A CN108508016 A CN 108508016A CN 201810310042 A CN201810310042 A CN 201810310042A CN 108508016 A CN108508016 A CN 108508016A
Authority
CN
China
Prior art keywords
prostate
lesion
tissue
picture
layer
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.)
Granted
Application number
CN201810310042.3A
Other languages
English (en)
Other versions
CN108508016B (zh
Inventor
王磊
戚庭月
李福东
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Affiliated Hospital of Yangzhou University
Original Assignee
Affiliated Hospital of Yangzhou University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Affiliated Hospital of Yangzhou University filed Critical Affiliated Hospital of Yangzhou University
Priority to CN201810310042.3A priority Critical patent/CN108508016B/zh
Publication of CN108508016A publication Critical patent/CN108508016A/zh
Application granted granted Critical
Publication of CN108508016B publication Critical patent/CN108508016B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Primary Health Care (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Epidemiology (AREA)
  • Analytical Chemistry (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Biochemistry (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Image Processing (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本发明公开了离体组织的电脑模型的构建方法领域内的一种前列腺癌三维病理构型方法，其采用前列腺癌行根治手术后的离体前列腺标本，用颜料将前列腺被膜的前面和后面用不同颜色涂满，并分为若干层切开；先进行拍照，然后制作成病理切片，于显微镜下诊断并勾勒并记录病灶信息，再将病灶信息标注在打印的图片上，然后根据标注后的图片进行三维构建。构建后的三维实体可准确重现前列腺中的各病灶空间分布，可将病灶大小、细胞的分化程度、有无血管及淋巴管侵犯、有无神经侵犯、有无前列腺被膜侵犯等病理诊断信息予以标注，以帮助临床医师做出更全面的临床评判。

Description

一种前列腺癌三维病理构型方法
技术领域
本发明涉及一种离体组织的电脑模型的构建方法，特别涉及前列腺癌切除标本的三维病理构型的构建方法。
背景技术
病理诊断是临床诊断的金标准，在前列腺的临床诊治过程中具有指导性作用。前列腺癌病灶在前列腺内呈多灶性分布，每个病灶的肿瘤细胞分化程度、有无血管侵犯、有无神经侵犯、有无侵犯被膜等指标也不尽相同。但目前临床上采用的病理诊断方法是通过将病变组织制作成病理切片后诊断，所得出的诊断结果均是二维的诊断，不能反映前列腺中各病灶的空间分布、病灶间及病灶与前列腺被膜间的解剖关系。临床医师也只能依据二维病理诊断结果制定后续治疗方案，不能依据前列腺内各病灶的整体情况作出全面的客观评判后制定恰当的治疗方案。在病理学上的三维诊断的构建，目前未见报道。
发明内容
本发明的目的是提供一种前列腺癌三维病理构型方法，旨在解决传统前列腺癌病理诊断中不能反映前列腺中各病灶的空间分布、病灶间及病灶与前列腺被膜间的解剖关系的问题，使其可以准确重现前列腺中的各病灶空间分布，且在三维构型下将每个病灶的大小、病灶中癌细胞的分化程度、有无血管及淋巴管侵犯、有无神经侵犯、有无前列腺被膜侵犯传统病理诊断信息标注，以帮助临床医师做出更全面的临床评判。
本发明的目的是这样实现的：一种前列腺癌三维病理构型方法，包括如下步骤：
（1）将前列腺癌行根治手术后的离体前列腺标本用中性甲醛固定，固定完成后将标本取出，置于广口瓶中晾干；
（2）取出晾干后的根治前列腺癌标本，根据前列腺上附着的双侧输精管及精囊，确定前列腺的解剖结构，用颜料将前列腺被膜的前面和后面用不同颜色涂满，并再次晾干；
（3）经与尿道前列腺部垂直的方向，将前列腺癌标本由膀胱底至前列腺尖部分为若干层切开；切开后每层前列腺从上至下按序排放，放置过程中保证每层前列腺同一颜色的被膜在同一侧；
（4）将按序排放好的前列腺分层组织拍照，拍照时在组织旁放置标注刻度尺；
（5）拍照后将每层前列腺分层组织按照正“十”字形切开，切开后的每块前列腺组织分别编号；
（6）每块编号的前列腺组织经传统病理制片流程后制作成病理切片，于显微镜下诊断并勾勒出病灶的范围，记录病灶中癌细胞的分化程度、血管 及淋巴管侵犯、神经侵犯、前列腺被膜侵犯的病理诊断信息 ，该信息包括相应的位置及大小；
（7）将先前拍摄的前列腺分层组织图片打印成图片，然后将步骤（6）中勾勒出的病灶范围，包括癌细胞的分化程度、血管及淋巴管侵犯、神经侵犯、前列腺被膜侵犯信息标注在打印后的图片上；
（8）将标注好相关病理诊断信息的图片进行三维构型，选择图片中最下方的前列腺分层组织的尿道前列腺部中心点为原点建立坐标系；
（9）选择垂直于前列腺分层组织的方向为Z轴，垂直于Z轴且与打印图片长轴平行为X轴，Y轴方向由Z轴方向与X轴方向根据右手法则确定；
（10）使用图像处理算法对每个前列腺分层组织进行病灶点或病灶区域的提取，确定病灶在当前图片上的2D位置信息；
（11）根据相邻两个前列腺分层组织图片的边缘信息，使用比例轮廓模板匹配算法，将相邻切片进行准确的方向匹配，依次进行，将所有前列腺分层组织图片的方向配准一致；
（12）根据第（10）步中所确定的病灶2D信息，结合当前前列腺分层组织的Z轴坐标，建立每个前列腺分层组织上对应的病灶3D坐标信息；
（13）沿Z轴方向逐层叠加，将相邻切片的同一病灶区进行合并，计算真实的病灶个数，并建立每个病灶在前列腺坐标系中的3D信息。
优选方案为：步骤（1）中前列腺标本用10%中性甲醛固定8-12小时，步骤（1）和（2）中晾干时间为0.5-1小时。步骤（2）中前列腺被膜的前面用红色涂满，将前列腺被膜的后面用黄色涂满。步骤（3）中切开的每层厚度为3-5mm；切开后每层前列腺从上至下按序排放，放置过程中保证每层前列腺红色被膜在上，黄色被膜在下。该方案使得操作方便，易于识别。
本发明的有益效果在于：
一、通过前列腺癌的三维病理构型，可以将前列腺内各癌灶的空间分布、癌灶间的解剖关系、癌灶内肿瘤细胞的分化程度、血管及淋巴管侵犯情况、神经侵犯及前列腺被膜侵犯情况立体的表示出来。与现有的二维前列腺癌病理诊断相比，三维病理构型更加全面反映病情，有利于临床医师制定更恰当的治疗方案。
二、临床工作中，有部分前列腺癌病例在影像学（如超声、CT、MRI）检查时不能反映出病灶的大小、分布等信息，此时在影像学检查中显示的影像与正常前列腺无太大区别。通过前列腺癌根治标本的三维病理构型，可以反映出各癌灶的空间分布，有利于临床医师对这类病例的癌灶空间分布规律的研究，以此提高临床前列腺穿刺诊断的阳性率，减少前列腺癌的漏诊。
三、 目前前列腺癌的二维病理诊断因自身局限，取病变组织诊断时具有一定的随机性，这就造成后续的病理诊断中有可能将一些重要信息（如有无血管侵犯、有无神经侵犯、有无前列腺被膜侵犯）遗漏，而前列腺癌的三维病理构型在操作过程中是将全部前列腺分层切开后诊断，避免了以上重要信息的遗漏。
四、三维诊断技术目前在超声、CT、MRI中逐步开展，属于新兴技术范畴。通过前列腺的三维病理构型可以将上述三维诊断技术进行病理诊断与影像学诊断的融合，更有利于对前列腺整体诊断技术水平的提高，而传统二维病理诊断则不能与上述三维诊断技术融合，限制了整体诊断技术水平的提高。
五、三维诊断技术是目前疾病诊断的发展方向，而在病理学诊断中还未开展。通过前列腺癌三维病理构型可起到示范效应，有利于其他肿瘤三维病理构型的开展，利于病理学诊断水平的提高。
具体实施方式
一种前列腺癌三维病理构型方法，包括如下步骤：
（1）将前列腺癌行根治手术后的离体前列腺标本用10%中性甲醛固定10小时，固定完成后将标本取出，置于广口瓶中晾干0.5小时；
（2）取出晾干后的根治前列腺癌标本，根据前列腺上附着的双侧输精管及精囊，确定前列腺的解剖结构，用颜料将前列腺被膜的前面和后面用不同颜色涂满，前列腺被膜的前面用红色涂满，将前列腺被膜的后面用黄色涂满，并再次晾干0.5小时；
（3）沿与尿道前列腺部垂直的方向，将前列腺癌标本由膀胱底至前列腺尖部分为若干层切开，每层厚度为5mm；切开后每层前列腺从上至下按序排放，放置过程中保证中保证每层前列腺红色被膜在上，黄色被膜在下；
（4）将按序排放好的前列腺分层组织拍照，拍照时在组织旁放置标注刻度尺；
（5）拍照后将每层前列腺分层组织按照正“十”字形切开，切开后的每块前列腺组织分别编号，例如第一层编号为A1、A2、A3、A4，第二层编号B1、B2、B3、B4，第三层编号C1、C2、C3、C4，依次类推，第N层编号为N1、N2、N3、N4；
（6）每块编号的前列腺组织经传统病理制片流程后制作成病理切片，于显微镜下诊断并勾勒出病灶的范围，记录病灶中癌细胞的分化程度、血管 及淋巴管侵犯、神经侵犯、前列腺被膜侵犯信息 ，该信息包括相应的位置及大小；其中，癌细胞的分化程度，采用医学上专门的Gleason评分，例如6分、7分、8分，表明肿瘤细胞的分化程度；血管、淋巴管、前列腺被膜是否被侵犯，记载为“有侵犯”与“未侵犯”，这些记载及评分与之对应的病灶坐标相结合在一起，形成所述信息；
（7）将先前拍摄的前列腺分层组织图片打印成图片，然后将步骤（6）中勾勒出的病灶范围，包括癌细胞的分化程度、血管及淋巴管侵犯、神经侵犯、前列腺被膜侵犯信息标注在打印后的图片上；
（8）将标注好相关病理诊断信息的图片进行三维构型，选择图片中最下方的前列腺分层组织的尿道前列腺部中心点为原点建立坐标系；
（9）选择垂直于前列腺分层组织的方向为Z轴，垂直于Z轴且与打印图片长轴平行为X轴，Y轴方向由Z轴方向与X轴方向根据右手法则确定；
（10）使用图像处理算法对每个前列腺分层组织进行病灶点或病灶区域的提取，确定病灶在当前图片上的2D位置信息；
（11）根据相邻两个前列腺分层组织图片的边缘信息，使用比例轮廓模板匹配算法，将相邻切片进行准确的方向匹配，依次进行，将所有前列腺分层组织图片的方向配准一致；
（12）根据第（10）步中所确定的病灶2D信息，结合当前前列腺分层组织的Z轴坐标，建立每个前列腺分层组织上对应的病灶3D坐标信息；
（13）沿Z轴方向逐层叠加，A1、B1、C1……N1相对应叠加，A2、B2、C2……N2相叠加，A2、B2、C3……N3相对应叠加，A4、B4、C4……N4相叠加；构建时，将相邻切片的同一病灶区进行合并，计算真实的病灶个数，并建立每个病灶在前列腺坐标系中的3D信息。
上述步骤（1）中前列腺标本可用10%中性甲醛固定8-12小时，步骤（1）和（2）中晾干时间为0.5-1小时。步骤（3）中切开的每层厚度可为3-5mm。
该方法可以准确重现前列腺中的各病灶空间分布，且在三维构型下将每个病灶的大小、病灶中癌细胞的分化程度、有无血管及淋巴管侵犯、有无神经侵犯、有无前列腺被膜侵犯传统病理诊断信息标注，以帮助临床医师做出更全面的临床评判。
本发明并不局限于上述实施例，在本发明公开的技术方案的基础上，本领域的技术人员根据所公开的技术内容，不需要创造性的劳动就可以对其中的一些技术特征作出一些替换和变形，这些替换和变形均在本发明的保护范围内。

Claims (4)

1.一种前列腺癌三维病理构型方法，其特征在于包括如下步骤：
（1）将前列腺癌行根治手术后的离体前列腺标本用中性甲醛固定，固定完成后将标本取出，置于广口瓶中晾干；
（2）取出晾干后的根治前列腺癌标本，根据前列腺上附着的双侧输精管及精囊，确定前列腺的解剖结构，用颜料将前列腺被膜的前面和后面用不同颜色涂满，并再次晾干；
（3）经与尿道前列腺部垂直的方向，将前列腺癌标本由膀胱底至前列腺尖部分为若干层切开；切开后每层前列腺从上至下按序排放，放置过程中保证每层前列腺同一颜色的被膜在同一侧；
（4）将按序排放好的前列腺分层组织拍照，拍照时在组织旁放置标注刻度尺；
（5）拍照后将每层前列腺分层组织按照正“十”字形切开，切开后的每块前列腺组织分别编号；
（6）每块编号的前列腺组织经传统病理制片流程后制作成病理切片，于显微镜下诊断并勾勒出病灶的范围，记录病灶中癌细胞的分化程度、血管及淋巴管侵犯、神经侵犯、前列腺被膜侵犯的病理诊断信息，该信息包括相应的位置及大小；
（7）将先前拍摄的前列腺分层组织图片打印成图片，然后将步骤（6）中勾勒出的病灶范围，包括癌细胞的分化程度、血管及淋巴管侵犯、神经侵犯、前列腺被膜侵犯病理诊断信息标注在打印后的图片上；
（8）将标注好相关病理诊断信息的图片进行三维构型，选择图片中最下方的前列腺分层组织的尿道前列腺部中心点为原点建立坐标系；
（9）选择垂直于前列腺分层组织的方向为Z轴，垂直于Z轴且与打印图片长轴平行为X轴，Y轴方向由Z轴方向与X轴方向根据右手法则确定；
（10）使用图像处理算法对每个前列腺分层组织进行病灶点或病灶区域的提取，确定病灶在当前图片上的2D位置信息；
（11）根据相邻两个前列腺分层组织图片的边缘信息，使用比例轮廓模板匹配算法，将相邻切片进行准确的方向匹配，依次进行，将所有前列腺分层组织图片的方向配准一致；
（12）根据第（10）步中所确定的病灶2D信息，结合当前前列腺分层组织的Z轴坐标，建立每个前列腺分层组织上对应的病灶3D坐标信息；
（13）沿Z轴方向逐层叠加，将相邻切片的同一病灶区进行合并，计算真实的病灶个数，并建立每个病灶在前列腺坐标系中的3D信息。
2.根据权利要求1所述的一种前列腺癌三维病理构型方法，其特征在于：步骤（1）中前列腺标本用10%中性甲醛固定8-12小时，步骤（1）和（2）中晾干时间为0.5-1小时。
3.根据权利要求1所述的一种前列腺癌三维病理构型方法，其特征在于：步骤（2）中前列腺被膜的前面用红色涂满，将前列腺被膜的后面用黄色涂满。
4.根据权利要求3所述的一种前列腺癌三维病理构型方法，其特征在于：步骤（3）中切开的每层厚度为3-5mm；切开后每层前列腺从上至下按序排放，放置过程中保证每层前列腺红色被膜在上，黄色被膜在下。
CN201810310042.3A 2018-04-09 2018-04-09 一种前列腺癌三维病理构型方法 Active CN108508016B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810310042.3A CN108508016B (zh) 2018-04-09 2018-04-09 一种前列腺癌三维病理构型方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810310042.3A CN108508016B (zh) 2018-04-09 2018-04-09 一种前列腺癌三维病理构型方法

Publications (2)

Publication Number Publication Date
CN108508016A true CN108508016A (zh) 2018-09-07
CN108508016B CN108508016B (zh) 2023-08-22

Family

ID=63381294

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810310042.3A Active CN108508016B (zh) 2018-04-09 2018-04-09 一种前列腺癌三维病理构型方法

Country Status (1)

Country Link
CN (1) CN108508016B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109961448A (zh) * 2019-04-10 2019-07-02 杭州智团信息技术有限公司 组织病变区域勾勒方法及系统
CN110296935A (zh) * 2019-07-05 2019-10-01 扬州大学附属医院 一种实体肿瘤三维病理诊断方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101915693A (zh) * 2010-07-07 2010-12-15 新疆医科大学 基于人胚胎三叉神经利用组织切片染色进行三维重建方法
CN105118088A (zh) * 2015-08-06 2015-12-02 曲阜裕隆生物科技有限公司 一种基于病理切片扫描装置的3d成像及融合的方法
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

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101915693A (zh) * 2010-07-07 2010-12-15 新疆医科大学 基于人胚胎三叉神经利用组织切片染色进行三维重建方法
CN105118088A (zh) * 2015-08-06 2015-12-02 曲阜裕隆生物科技有限公司 一种基于病理切片扫描装置的3d成像及融合的方法
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

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
TAKUKAZU NAGAKAWA 等: "Three-Dimensional Studies on the Structure of the Tissue Surrounding the Superior Mesenteric Artery", 《INTERNATIONAL JOURNAL OF PANCREATOLOGY》 *
武国军 等: "转基因小鼠前列腺癌模型肿瘤三维超声成像与三维病理重建", 《实用医学杂志》 *
王大东 等: "病理组织三维重建的研究进展", 《国外医学生物医学工程分册》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109961448A (zh) * 2019-04-10 2019-07-02 杭州智团信息技术有限公司 组织病变区域勾勒方法及系统
CN110296935A (zh) * 2019-07-05 2019-10-01 扬州大学附属医院 一种实体肿瘤三维病理诊断方法
CN110296935B (zh) * 2019-07-05 2022-09-13 扬州大学附属医院 一种实体肿瘤三维图像构建方法

Also Published As

Publication number Publication date
CN108508016B (zh) 2023-08-22

Similar Documents

Publication Publication Date Title
Yagel et al. Added value of three‐/four‐dimensional ultrasound in offline analysis and diagnosis of congenital heart disease
Weinreb et al. PI-RADS prostate imaging–reporting and data system: 2015, version 2
CN104303184B (zh) 整合医疗成像和活检数据的临床工作站以及使用其的方法
WO2015161728A1 (zh) 三维模型的构建方法及装置、图像监控方法及装置
CN109902682A (zh) 一种基于残差卷积神经网络的乳腺x线图像检测方法
CN109498046A (zh) 基于核素图像与ct冠脉造影融合的心肌梗死定量评估方法
CN101859441B (zh) 基于影像的无创监测肿瘤浸润周围组织程度的计算机辅助分析方法
CN109620404A (zh) 基于医学图像的肾脏分段的方法及其系统
CN116230215B (zh) 一种卵巢透明细胞癌预测的设备、系统及可存储介质
Yang et al. Multiview sequential learning and dilated residual learning for a fully automatic delineation of the left atrium and pulmonary veins from late gadolinium-enhanced cardiac MRI images
CN108508016A (zh) 一种前列腺癌三维病理构型方法
Wang et al. Automated ovarian cancer identification using end-to-end deep learning and second harmonic generation imaging
Wei et al. Differentiating mass-like tuberculosis from lung cancer based on radiomics and CT features
Zou et al. Multi-task deep learning based on T2-Weighted Images for predicting Muscular-Invasive Bladder Cancer
Yu et al. A prospective evaluation of staging and target volume definition of lymph nodes by 18FDG PET/CT in patients with squamous cell carcinoma of thoracic esophagus
Shi et al. Metabolic anomaly appearance aware U-Net for automatic lymphoma segmentation in whole-body PET/CT scans
CN112508943A (zh) 基于超声影像的乳腺肿瘤识别方法
Hoyte et al. Measurements from image‐based three dimensional pelvic floor reconstruction: A study of inter‐and intraobserver reliability
Jia et al. Monitoring of thermal lesions in ultrasound using fully convolutional neural networks: A preclinical study
Yang et al. Two case reports of bilateral adrenal myelolipomas
Sang et al. FCTformer: Fusing convolutional operations and Transformer for 3D Rectal Tumor Segmentation in MR images
Song et al. Liver segmentation based on SKFCM and improved GrowCut for CT images
Li et al. The use of deep learning technology for the detection of optic neuropathy
Chen et al. Multimodal fusion network for detecting hyperplastic parathyroid glands in SPECT/CT images
Bao et al. Automatic identification and segmentation of orbital blowout fractures based on artificial intelligence

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