CN108847286A - 基于影像特征数据的肿瘤预测方法 - Google Patents
基于影像特征数据的肿瘤预测方法 Download PDFInfo
- Publication number
- CN108847286A CN108847286A CN201810562730.9A CN201810562730A CN108847286A CN 108847286 A CN108847286 A CN 108847286A CN 201810562730 A CN201810562730 A CN 201810562730A CN 108847286 A CN108847286 A CN 108847286A
- Authority
- CN
- China
- Prior art keywords
- data
- tumour
- history
- tumor
- tumor imaging
- 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
Classifications
-
- 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
- G06T7/0014—Biomedical image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- 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
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- 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
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- 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
Abstract
本发明公开了一种基于影像特征数据的肿瘤预测方法,包括以下步骤:S1:参照肿瘤数据采集:对不同种类、不同程度的肿瘤患者的肿瘤影像数据和历史肿瘤数据进行采集;S2:建立参照肿瘤影像特征数据库和历史肿瘤数据库:将S1所述的肿瘤患者的肿瘤影像数据和历史肿瘤数据进行分类,建立参照肿瘤影像特征数据库和历史肿瘤数据库;S3:建立对比函数:根据S2所述的参照肿瘤影像特征数据库和历史肿瘤数据库并通过通过卡尔曼滤波器、有限元和神经网络算法建立用于对比的对比函数。本发明通过采集肿瘤患者的肿瘤影像数据建立参照肿瘤影像特征数据库和历史肿瘤数据库,并进行分类建立对比函数模型,可以较准确的进行肿瘤的预测,并且通过观察受检者后期发病率能够很好的对对比函数模型进行修订,从而能够更好的对肿瘤进行预测,为人们提供安全保障。
Description
技术领域
本发明涉及肿瘤诊断技术领域,尤其涉及一种基于影像特征数据的肿瘤预测方法。
背景技术
肿瘤组织无论在细胞形态和组织结构上,都与其发源的正常组织有不同程度的差异,这种差异称为异型性。异型性是肿瘤异常分化在形态上的表现。异型性小,说明分化程度高,异型性大,说明分化程度低。区别这种异型性的大小是诊断肿瘤,确定其良、恶性的主要组织学依据。良性肿瘤细胞的异型性不明显,一般与其来源组织相似。恶性肿瘤常具有明显的异型性。
良性肿瘤对人体的危害不大,恶性肿瘤对人体的危害很大,恶性肿瘤分为早期、中期和晚期,早期的恶性肿瘤大多可以治愈,中期的恶性肿瘤可以减轻痛苦,延长生命,因此肿瘤的预测是很有必要的,经检索,公开号为CN107833636A的发明专利文件公开了一种肿瘤预测方法,其具体步骤如下:步骤一,建立肿瘤数据库;步骤二,根据肿瘤数据库建立比例风险函数;步骤三,获取受检测者的基因表达数据、生活习惯和CT影像,对受检测者的数据进行转换,得到转换后的新检测样本数据;步骤四,将转换后的新检测样本进行缺失值填充,得到不含缺失值的检测样本数据;步骤五,将不含缺失值的检测样本数据代入比例风险函数中,得到肿瘤预测的风险数值。本发明通过收集不同类型恶性肿瘤患者的肿瘤影像数据建立数据库,进而建立比例风险函数,再对受检测者的数据进行转换和缺失值填充,然后将填充后的数值代入比例风险函数中,建立肿瘤预测的模型,可以较准确的进行肿瘤的预测,但其只是笼统对总体数据进行评估,从而计算受检者患病的风险数值,准确度较低,且其无法较好的对函数进行修订,所以我们急需一种基于影像特征数据的肿瘤预测方法来解决上述问题。
发明内容
基于背景技术存在的技术问题,本发明提出了基于影像特征数据的肿瘤预测方法。
本发明提出的基于影像特征数据的肿瘤预测方法,包括以下步骤:
S1:参照肿瘤数据采集:对不同种类、不同程度的肿瘤患者的肿瘤影像数据和历史肿瘤数据进行采集;
S2:建立参照肿瘤影像特征数据库和历史肿瘤数据库:将S1所述的肿瘤患者的肿瘤影像数据和历史肿瘤数据进行分类,建立参照肿瘤影像特征数据库和历史肿瘤数据库;
S3:建立对比函数:根据S2所述的参照肿瘤影像特征数据库和历史肿瘤数据库并通过通过卡尔曼滤波器、有限元和神经网络算法建立用于对比的对比函数;
S4:受检测者的样本影像特征数据采集:对受检者的体检影像数据和生理指标数据进行采集;
S5:建立受检测者样本影像特征数据库:将S4所述的受检者的各项数据进行分类,建立样本影像特征数据库;
S6:分类对比:将S5所述的样本影像特征数据库代入对比函数进行计算,从而得出被检测者患病的概率;
S7:风险评估与预防方案的制定:根据S6中所述的概率值并结合被检测者当前的生理指标评估患病风险,若评估风险值高于30%,则判定为高风险潜在患者,则需要对受检者制定相应的预防方案;
S8:修订对比函数:根据S7中所述的高风险潜在患者的后期发病率对对比函数进行修订。
优选的,所述S1中,需要对多个肿瘤患者进行性别、年龄、肿瘤类型、肿瘤程度、发病时间、肿瘤基因表达数据、作息习惯、饮食习惯、病理检查数据、遗传病史、肿瘤影像等数据进行采集,并保留数据的完整性。
优选的,所述S2中,按照内因、外因和意外因素并结合肿瘤影像对肿瘤影像数据进行分类,内因包括肿瘤基因表达数据、遗传病史、肿瘤影像等;外因包括作息习惯、饮食习惯等;意外因素包括是否受到过核辐射或重金属污染。
优选的,所述S3中,根据分类后的参照肿瘤影像特征数据库和历史肿瘤数据依次按照卡尔曼滤波器、有限元和神经网络算法得出对比函数。
优选的,所述S4中,对受检者进行性别、年龄、肿瘤类型、肿瘤程度、发病时间、肿瘤基因表达数据、作息习惯、饮食习惯、病理检查数据、遗传病史、肿瘤影像等数据进行采集,并保留数据的完整性。
优选的,所述S5中,将受检者的样本影像特征数据和生理指标数据按照内因、外因和意外因素并结合肿瘤影像进行分类。
优选的,所述S6中,将分类后的受检者的样本影像特征数据依次代入对比函数进行计算。
优选的,所述S8中,若高风险潜在患者的后期发病率高于普通人均发病率,则判定对比函数正确;若高风险潜在患者的后期发病率低于普通人均发病率,则判定对比函数错误;若高风险潜在患者的后期发病率低于普通人均发病率,则判定对比函数错误;若高风险潜在患者的后期发病率与普通人均发病率基本持平,则对比函数进行重新采样修订。
本发明的有益效果:本发明通过采集肿瘤患者的肿瘤影像数据建立参照肿瘤影像特征数据库和历史肿瘤数据库,并进行分类建立对比函数模型,可以较准确的进行肿瘤的预测,并且通过观察受检者后期发病率能够很好的对对比函数模型进行修订,从而能够更好的对肿瘤进行预测,为人们提供安全保障。
具体实施方式
下面结合具体实施例对本发明作进一步解说。
实施例
本实施例中提出了基于影像特征数据的肿瘤预测方法,包括以下步骤:
S1:参照肿瘤数据采集:对不同种类、不同程度的肿瘤患者的肿瘤影像数据和历史肿瘤数据进行采集;
S2:建立参照肿瘤影像特征数据库和历史肿瘤数据库:将S1所述的肿瘤患者的肿瘤影像数据和历史肿瘤数据进行分类,建立参照肿瘤影像特征数据库和历史肿瘤数据库;
S3:建立对比函数:根据S2所述的参照肿瘤影像特征数据库和历史肿瘤数据库并通过通过卡尔曼滤波器、有限元和神经网络算法建立用于对比的对比函数;
S4:受检测者的样本影像特征数据采集:对受检者的体检影像数据和生理指标数据进行采集;
S5:建立受检测者样本影像特征数据库:将S4所述的受检者的各项数据进行分类,建立样本影像特征数据库;
S6:分类对比:将S5所述的样本影像特征数据库代入对比函数进行计算,从而得出被检测者患病的概率;
S7:风险评估与预防方案的制定:根据S6中所述的概率值并结合被检测者当前的生理指标评估患病风险,若评估风险值高于30%,则判定为高风险潜在患者,则需要对受检者制定相应的预防方案;
S8:修订对比函数:根据S7中所述的高风险潜在患者的后期发病率对对比函数进行修订。
本实施例中,所述S1中,需要对多个肿瘤患者进行性别、年龄、肿瘤类型、肿瘤程度、发病时间、肿瘤基因表达数据、作息习惯、饮食习惯、病理检查数据、遗传病史、肿瘤影像等数据进行采集,并保留数据的完整性,所述S2中,按照内因、外因和意外因素并结合肿瘤影像对肿瘤影像数据进行分类,内因包括肿瘤基因表达数据、遗传病史、肿瘤影像等;外因包括作息习惯、饮食习惯等;意外因素包括是否受到过核辐射或重金属污染,所述S3中,根据分类后的参照肿瘤影像特征数据库和历史肿瘤数据依次按照卡尔曼滤波器、有限元和神经网络算法得出对比函数,所述S4中,对受检者进行性别、年龄、肿瘤类型、肿瘤程度、发病时间、肿瘤基因表达数据、作息习惯、饮食习惯、病理检查数据、遗传病史、肿瘤影像等数据进行采集,并保留数据的完整性,所述S5中,将受检者的样本影像特征数据和生理指标数据按照内因、外因和意外因素并结合肿瘤影像进行分类,所述S6中,将分类后的受检者的样本影像特征数据依次代入对比函数进行计算,所述S8中,若高风险潜在患者的后期发病率高于普通人均发病率,则判定对比函数正确;若高风险潜在患者的后期发病率低于普通人均发病率,则判定对比函数错误;若高风险潜在患者的后期发病率低于普通人均发病率,则判定对比函数错误;若高风险潜在患者的后期发病率与普通人均发病率基本持平,则对比函数进行重新采样修订,本发明通过采集肿瘤患者的肿瘤影像数据建立参照肿瘤影像特征数据库和历史肿瘤数据库,并进行分类建立对比函数模型,可以较准确的进行肿瘤的预测,并且通过观察受检者后期发病率能够很好的对对比函数模型进行修订,从而能够更好的对肿瘤进行预测,为人们提供安全保障。
以上所述,仅为本发明较佳的具体实施方式,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,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (8)
1.基于影像特征数据的肿瘤预测方法,其特征在于,包括以下步骤:
S1:参照肿瘤数据采集:对不同种类、不同程度的肿瘤患者的肿瘤影像数据和历史肿瘤数据进行采集;
S2:建立参照肿瘤影像特征数据库和历史肿瘤数据库:将S1所述的肿瘤患者的肿瘤影像数据和历史肿瘤数据进行分类,建立参照肿瘤影像特征数据库和历史肿瘤数据库;
S3:建立对比函数:根据S2所述的参照肿瘤影像特征数据库和历史肿瘤数据库并通过通过卡尔曼滤波器、有限元和神经网络算法建立用于对比的对比函数;
S4:受检测者的样本影像特征数据采集:对受检者的体检影像数据和生理指标数据进行采集;
S5:建立受检测者样本影像特征数据库:将S4所述的受检者的各项数据进行分类,建立样本影像特征数据库;
S6:分类对比:将S5所述的样本影像特征数据库代入对比函数进行计算,从而得出被检测者患病的概率;
S7:风险评估与预防方案的制定:根据S6中所述的概率值并结合被检测者当前的生理指标评估患病风险,若评估风险值高于30%,则判定为高风险潜在患者,则需要对受检者制定相应的预防方案;
S8:修订对比函数:根据S7中所述的高风险潜在患者的后期发病率对对比函数进行修订。
2.根据权利要求1所述的基于影像特征数据的肿瘤预测方法,其特征在于,所述S1中,需要对多个肿瘤患者进行性别、年龄、肿瘤类型、肿瘤程度、发病时间、肿瘤基因表达数据、作息习惯、饮食习惯、病理检查数据、遗传病史、肿瘤影像等数据进行采集,并保留数据的完整性。
3.根据权利要求1所述的基于影像特征数据的肿瘤预测方法,其特征在于,所述S2中,按照内因、外因和意外因素并结合肿瘤影像对肿瘤影像数据进行分类,内因包括肿瘤基因表达数据、遗传病史、肿瘤影像等;外因包括作息习惯、饮食习惯等;意外因素包括是否受到过核辐射或重金属污染。
4.根据权利要求1所述的基于影像特征数据的肿瘤预测方法,其特征在于,所述S3中,根据分类后的参照肿瘤影像特征数据库和历史肿瘤数据依次按照卡尔曼滤波器、有限元和神经网络算法得出对比函数。
5.根据权利要求1所述的基于影像特征数据的肿瘤预测方法,其特征在于,所述S4中,对受检者进行性别、年龄、肿瘤类型、肿瘤程度、发病时间、肿瘤基因表达数据、作息习惯、饮食习惯、病理检查数据、遗传病史、肿瘤影像等数据进行采集,并保留数据的完整性。
6.根据权利要求1所述的基于影像特征数据的肿瘤预测方法,其特征在于,所述S5中,将受检者的样本影像特征数据和生理指标数据按照内因、外因和意外因素并结合肿瘤影像进行分类。
7.根据权利要求1所述的基于影像特征数据的肿瘤预测方法,其特征在于,所述S6中,将分类后的受检者的样本影像特征数据依次代入对比函数进行计算。
8.根据权利要求1所述的基于影像特征数据的肿瘤预测方法,其特征在于,所述S8中,若高风险潜在患者的后期发病率高于普通人均发病率,则判定对比函数正确;若高风险潜在患者的后期发病率低于普通人均发病率,则判定对比函数错误;若高风险潜在患者的后期发病率低于普通人均发病率,则判定对比函数错误;若高风险潜在患者的后期发病率与普通人均发病率基本持平,则对比函数进行重新采样修订。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810562730.9A CN108847286A (zh) | 2018-06-04 | 2018-06-04 | 基于影像特征数据的肿瘤预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810562730.9A CN108847286A (zh) | 2018-06-04 | 2018-06-04 | 基于影像特征数据的肿瘤预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108847286A true CN108847286A (zh) | 2018-11-20 |
Family
ID=64210564
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810562730.9A Pending CN108847286A (zh) | 2018-06-04 | 2018-06-04 | 基于影像特征数据的肿瘤预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108847286A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110364259A (zh) * | 2019-05-30 | 2019-10-22 | 中国人民解放军总医院 | 一种高原疾病预测方法、系统、介质及电子设备 |
CN113838559A (zh) * | 2021-09-15 | 2021-12-24 | 王其景 | 一种医学影像管理系统及方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110106740A1 (en) * | 2002-05-24 | 2011-05-05 | University Of South Florida | Tissue classification method for diagnosis and treatment of tumors |
CN105005714A (zh) * | 2015-06-18 | 2015-10-28 | 中国科学院自动化研究所 | 一种基于肿瘤表型特征的非小细胞肺癌预后方法 |
CN107368695A (zh) * | 2017-08-24 | 2017-11-21 | 南方医科大学南方医院 | 基于放射组学的胃肠间质瘤恶性潜能分类模型的构建方法 |
CN107833636A (zh) * | 2017-12-04 | 2018-03-23 | 浙江鸿赋堂健康管理有限公司 | 一种肿瘤预测方法 |
-
2018
- 2018-06-04 CN CN201810562730.9A patent/CN108847286A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110106740A1 (en) * | 2002-05-24 | 2011-05-05 | University Of South Florida | Tissue classification method for diagnosis and treatment of tumors |
CN105005714A (zh) * | 2015-06-18 | 2015-10-28 | 中国科学院自动化研究所 | 一种基于肿瘤表型特征的非小细胞肺癌预后方法 |
CN107368695A (zh) * | 2017-08-24 | 2017-11-21 | 南方医科大学南方医院 | 基于放射组学的胃肠间质瘤恶性潜能分类模型的构建方法 |
CN107833636A (zh) * | 2017-12-04 | 2018-03-23 | 浙江鸿赋堂健康管理有限公司 | 一种肿瘤预测方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110364259A (zh) * | 2019-05-30 | 2019-10-22 | 中国人民解放军总医院 | 一种高原疾病预测方法、系统、介质及电子设备 |
CN110364259B (zh) * | 2019-05-30 | 2022-05-31 | 中国人民解放军总医院 | 一种高原疾病预测方法、系统、介质及电子设备 |
CN113838559A (zh) * | 2021-09-15 | 2021-12-24 | 王其景 | 一种医学影像管理系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP2510468B1 (en) | Diagnostic techniques for continuous storage and joint analysis of both image and non-image medical data | |
Howard et al. | Cardiac rhythm device identification using neural networks | |
Wu et al. | Prediction of molecular subtypes of breast cancer using BI-RADS features based on a “white box” machine learning approach in a multi-modal imaging setting | |
Hand et al. | Computer screening of xeromammograms: A technique for defining suspicious areas of the breast | |
JP2002517836A (ja) | 乳癌の危険性のコンピュータによる評価方法およびシステム | |
GHAYUMIZADEH et al. | Diagnosing breast cancer with the aid of fuzzy logic based on data mining of a genetic algorithm in infrared images | |
EP3761871A1 (en) | Method for early prediction of neurodegenerative decline | |
CN111602173A (zh) | 断层扫描数据分析 | |
Michaelson et al. | Estimates of the sizes at which breast cancers become detectable on mammographic and clinical grounds | |
US20200279649A1 (en) | Method and apparatus for deriving a set of training data | |
CN113743463B (zh) | 一种基于影像数据和深度学习的肿瘤良恶性识别方法和系统 | |
CN101583308A (zh) | 利用短暂测量分析脑模式 | |
Aggarwal et al. | Semantic and content-based medical image retrieval for lung cancer diagnosis with the inclusion of expert knowledge and proven pathology | |
CN108847286A (zh) | 基于影像特征数据的肿瘤预测方法 | |
Su et al. | Can classification and regression tree analysis help identify clinically meaningful risk groups for hip fracture prediction in older American men (the MrOS cohort study)? | |
Omiotek et al. | Fractal analysis of the computed tomography images of vertebrae on the thoraco-lumbar region in diagnosing osteoporotic bone damage | |
Cascio et al. | Computer-aided diagnosis in digital mammography: comparison of two commercial systems | |
US11058383B2 (en) | Apparatus for the detection of opacities in X-ray images | |
CN113140275B (zh) | 一种肝癌靶向治疗疗效的监测系统及方法 | |
Harangi et al. | Improving the accuracy of optic disc detection by finding maximal weighted clique of multiple candidates of individual detectors | |
Anderson et al. | Incorporation of a biparietal narrowing metric to improve the ability of machine learning models to detect sagittal craniosynostosis with 2D photographs | |
Quellec et al. | Multimedia data mining for automatic diabetic retinopathy screening | |
US20170140123A1 (en) | Method for prognosing a risk of occurrence of a disease | |
Bhaskar et al. | A survey on early detection and prediction of lung cancer | |
Skoura et al. | Analyzing tree-shape anatomical structures using topological descriptors of branching and ensemble of classifiers |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181120 |
|
RJ01 | Rejection of invention patent application after publication |