CN109124660B - 基于深度学习的胃肠间质瘤术后风险检测方法和系统 - Google Patents
基于深度学习的胃肠间质瘤术后风险检测方法和系统 Download PDFInfo
- Publication number
- CN109124660B CN109124660B CN201810662492.9A CN201810662492A CN109124660B CN 109124660 B CN109124660 B CN 109124660B CN 201810662492 A CN201810662492 A CN 201810662492A CN 109124660 B CN109124660 B CN 109124660B
- Authority
- CN
- China
- Prior art keywords
- image data
- network model
- residual error
- error network
- image
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 37
- 201000011243 gastrointestinal stromal tumor Diseases 0.000 title claims abstract description 31
- 206010051066 Gastrointestinal stromal tumour Diseases 0.000 title claims abstract description 30
- 230000002980 postoperative effect Effects 0.000 title claims abstract description 23
- 238000013135 deep learning Methods 0.000 title claims abstract description 20
- 230000003187 abdominal effect Effects 0.000 claims abstract description 25
- 238000000034 method Methods 0.000 claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 22
- 238000007781 pre-processing Methods 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000012952 Resampling Methods 0.000 claims abstract description 11
- 230000010354 integration Effects 0.000 claims abstract description 8
- 238000005457 optimization Methods 0.000 claims abstract description 7
- 238000012360 testing method Methods 0.000 claims description 42
- 206010028980 Neoplasm Diseases 0.000 claims description 27
- 238000010606 normalization Methods 0.000 claims description 7
- 230000000306 recurrent effect Effects 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000010200 validation analysis Methods 0.000 description 9
- 201000011510 cancer Diseases 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000002496 gastric effect Effects 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 230000001575 pathological effect Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 239000005517 L01XE01 - Imatinib Substances 0.000 description 1
- 208000035346 Margins of Excision Diseases 0.000 description 1
- 206010027457 Metastases to liver Diseases 0.000 description 1
- 206010070627 Tumour rupture Diseases 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000009098 adjuvant therapy Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000004791 biological behavior Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- KTUFNOKKBVMGRW-UHFFFAOYSA-N imatinib Chemical compound C1CN(C)CCN1CC1=CC=C(C(=O)NC=2C=C(NC=3N=C(C=CN=3)C=3C=NC=CC=3)C(C)=CC=2)C=C1 KTUFNOKKBVMGRW-UHFFFAOYSA-N 0.000 description 1
- 229960002411 imatinib Drugs 0.000 description 1
- 230000002055 immunohistochemical effect Effects 0.000 description 1
- 201000008806 mesenchymal cell neoplasm Diseases 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000002271 resection Methods 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
- A61B6/5229—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data combining image data of a patient, e.g. combining a functional image with an anatomical image
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- High Energy & Nuclear Physics (AREA)
- Physics & Mathematics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Optics & Photonics (AREA)
- Pathology (AREA)
- Radiology & Medical Imaging (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Image Analysis (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Image Processing (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了基于深度学习的胃肠间质瘤术后风险检测方法和系统，其中方法步骤包括：获取原始病例图像数据集和复发病例图像数据集；提取感兴趣区域并进行预处理；构建残差网络模型，对第二图像数据集中图像数据进行重采样；对残差网络模型进行训练；获取待检测数据并输入至残差网络模型得出检测结果。本发明采用病例样本的腹部增强期薄层CT图像通过残差网络模型进行深度学习，实现对其进行分类，用于胃肠间质瘤术后风险检测判断；同时还可结合RMS‑prop优化算法进行训练、采用基于投票的集成方法实现对较小样本量的对象的分类，增加判断的准确性和稳定性。本发明作为基于深度学习的胃肠间质瘤术后风险检测方法和系统可广泛应用于数据处理领域。
Description
技术领域
本发明涉及数据处理领域，尤其是基于深度学习的胃肠间质瘤术后风险检测方法和系统。
背景技术
胃肠道间质瘤(Gastrointestinal Stromal Tumors,GIST)是一类起源于胃肠道间质组织的肿瘤，占消化道间叶肿瘤的大部分。胃肠间质瘤具有术后复发风险，然而其术后复发风险分级一直是困扰临床医生的难题。
目前临床上，GIST的复发危险度评估体系主要包括两种：改良NIH以及AFIP。改良NIH与AFIP都包括肿瘤最大径、核分裂计数和肿瘤部位三个参数，此外改良NIH还包括肿瘤破裂这个参数。在临床操作上，改良NIH更为简易，因此目前NIH应用得相当多一点。但近期亦有研究表明，相比改良NIH分级标准，AFIP分级标准更能准确地预测GIST患者的术后复发风险。然而，并非所有的GIST的生物学行为和临床转归都可以用前述这些危险度评估方法来解释，比如一部分很小的GIST可以迅速进展并发展为肝脏转移，也不乏大的GIST(高危)即使不接受术后辅助治疗患者依然长期保持无病生存。现有的GIST复发危险度评估方法虽然能为临床医师提供有用的参考意见，但仍有改进的空间。
发明内容
为了解决上述技术问题，本发明的目的是：提供基于深度学习对小样本量图像进行分析实现低失误率的胃肠间质瘤术后风险检测方法。
为了解决上述技术问题，本发明的另一目的是：提供基于深度学习对小样本量图像进行分析实现低失误率的胃肠间质瘤术后风险检测系统。
本发明所采用的技术方案是：基于深度学习的胃肠间质瘤术后风险检测方法，包括有以下步骤：
A、获取腹部增强期薄层CT的第一图像数据集和第二图像数据集，所述第一图像数据集为原始病例图像数据集，所述第二图像数据集为复发病例图像数据集；
B、获取第一图像数据集中图像数据的肿瘤轮廓感兴趣区域，并对肿瘤轮廓感兴趣区域进行预处理；
C、构建残差网络模型，对第二图像数据集中图像数据进行重采样；
D、采用对肿瘤轮廓感兴趣区域进行预处理的数据和第二图像数据集中图像数据进行重采样的数据对残差网络模型进行训练；
E、获取待检测腹部增强期薄层CT的图像数据，将待检测腹部增强期薄层CT的图像数据输入至残差网络模型得出检测结果。
进一步，还包括有步骤F：获取腹部增强期薄层CT的第一图像测试集和第二图像测试集，并输入至残差网络模型得出检测结果，对检测结果通过ROC曲线验证检测准确度；所述第一图像测试集为原始病例图像测试集，所述第二图像测试集为复发病例图像测试集。
进一步，所述步骤B中对肿瘤轮廓感兴趣区域进行预处理的具体步骤为：
B1、将肿瘤轮廓感兴趣区域分割为28×28像素的方格；
B2、对上述方格进行数据归一化和数据增强处理。
进一步，所述步骤D中采用RMS-prop优化算法对残差网络模型进行训练。
进一步，所述步骤D中采用基于投票的集成方法对残差网络模型输出的分类结果进行处理。
本发明所采用的另一技术方案是：基于深度学习的胃肠间质瘤术后风险检测系统，包括有
数据获取模块，用于获取腹部增强期薄层CT的第一图像数据集和第二图像数据集，所述第一图像数据集为原始病例图像数据集，所述第二图像数据集为复发病例图像数据集；
预处理模块，获取第一图像数据集中图像数据的肿瘤轮廓感兴趣区域，并对肿瘤轮廓感兴趣区域进行预处理；
构建模块，用于构建残差网络模型，对第二图像数据集中图像数据进行重采样；
训练模块，用于采用对肿瘤轮廓感兴趣区域进行预处理的数据和第二图像数据集中图像数据进行重采样的数据对残差网络模型进行训练；
残差网络模型，获取待检测腹部增强期薄层CT的图像数据，将待检测腹部增强期薄层CT的图像数据输入至残差网络模型得出检测结果。
进一步，还包括有验证模块，用于获取腹部增强期薄层CT的第一图像测试集和第二图像测试集，并输入至残差网络模型得出检测结果，对检测结果通过ROC曲线验证检测准确度；所述第一图像测试集为原始病例图像测试集，所述第二图像测试集为复发病例图像测试集。
进一步，所述预处理模块包括有：
分割子模块，用于将肿瘤轮廓感兴趣区域分割为28×28像素的方格；
方格处理子模块，用于对上述方格进行数据归一化和数据增强处理。
进一步，所述训练模块用于对残差网络模型采用RMS-prop优化算法进行训练。
进一步，所述残差网络模型中采用基于投票的集成方法对残差网络模型输出的分类结果进行处理。
本发明的有益效果是：采用病例样本的腹部增强期薄层CT图像通过残差网络模型进行深度学习，实现对其进行分类，用于胃肠间质瘤术后风险检测判断；同时还可结合RMS-prop优化算法进行训练、采用基于投票的集成方法实现对较小样本量的对象的分类，增加判断的准确性和稳定性。
附图说明
图1为本发明方法的步骤流程图；
图2为本发明具体实施例中ResNet的简单网络结构；
图3为图2中识别块神经层构成示意图；
图4为图2中卷积块神经层构成示意图；
图5为模型训练和验证曲线；
图6为独立验证数据集的ROC曲线。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步说明：
参照图1，基于深度学习的胃肠间质瘤术后风险检测方法，包括有以下步骤：
A、获取腹部增强期薄层CT的第一图像数据集和第二图像数据集，所述第一图像数据集为原始病例图像数据集，所述第二图像数据集为复发病例图像数据集；
在本发明具体实施例中，胃肠间质瘤的腹部增强期薄层CT数据为预先设定的，采用的标准通常为：
1、患者纳入标准
(a)初诊原发性GIST；
(b)经病理和免疫组织化学检查确诊为GISTs；
(c)接受手术完整切除者，且手术切缘为阴性；
(d)具有完整的临床病理数据和随访资料；
(e)具有可供分析的术前腹部增强CT资料(术前15天以内)。
2、排除标准
(a)合并其他恶性肿瘤或近5年内有过其他恶性肿瘤病史者；
(b)合并其他严重疾患，有可能影响本次研究评估者；
(c)术前或术后接受规范伊马替尼治疗者。
B、获取第一图像数据集中图像数据的肿瘤轮廓感兴趣区域，并对肿瘤轮廓感兴趣区域进行预处理；
通常采用ITK-SNAP软件进行病灶标识，将肿瘤轮廓逐层勾画出来，形成可用于深度学习分析的感兴趣区域，排除包括空气区域或邻近组织在内的其他图像的干扰；
C、构建残差网络模型，采用ResNet(Residual Network)的简单网络结构，对第二图像数据集中图像数据进行重采样；
考虑到数据样本量较少，因此采用ResNet的简单网络结构。此外，由于阳性事件相对小，所以对复发的病例数据进行重采样处理。如图2所示，网络结构包括9个识别块(Identity block)和2个卷积块(Convolutional block)。如图3所示，每个标识块含有两个卷积层。每次卷积后采用批量标准化(BN,Batch Normalization)和线性整流函数(ReLu)。因为输入和输出是相同的尺寸，所以每个标识块直接使用一个捷径连接(shortcut)。如图4所示，每个卷积块有3个卷积层和一个投影捷径连接(卷积的步幅为2)。在卷积层中，权值被初始化为正态分布。
D、采用对肿瘤轮廓感兴趣区域进行预处理的数据和第二图像数据集中图像数据进行重采样的数据对残差网络模型进行训练；
E、获取待检测腹部增强期薄层CT的图像数据，将待检测腹部增强期薄层CT的图像数据输入至残差网络模型得出检测结果。
进一步作为优选的实施方式，所述步骤B中对肿瘤轮廓感兴趣区域进行预处理的具体步骤为：
B1、将肿瘤轮廓感兴趣区域分割为28×28像素的方格；
B2、对上述方格进行数据归一化和数据增强处理。
进一步作为优选的实施方式，所述步骤D中采用RMS-prop优化算法对残差网络模型进行训练，训练后的残差网络模型可根据输入的数据处理得到分类结果，从而判断是否存在复发风险；例如采用尺寸为32的mini-batch，模型迭代训练1500次，采用无衰减或自适应学习，学习速率为0.001。
由于样本数量相对较少，进一步作为优选的实施方式，在对残差网络模型进行训练时采用留一法(Leave-One-Out)进行交叉验证。如图5所示的模型训练和验证曲线，空心点线条TL代表训练损失(training loss)，空心点线条VL代表验证损失(validationloss)。实心点线条TA代表训练的准确性(training accuracy)，实心点线条VA代表验证的准确性(validation accuracy)。
进一步作为优选的实施方式，所述步骤D中采用基于投票的集成方法(Votingbased Ensemble method)对残差网络模型输出的分类结果进行处理。
由于胃肠间质瘤的腹部增强期薄层CT数据样本较少，因此采用基于投票的集成方法，基于深度学习的特征提高分类的准确性和稳定性。
进一步作为优选的实施方式，还包括有步骤F：获取腹部增强期薄层CT的第一图像测试集和第二图像测试集，并输入至残差网络模型得出检测结果，对检测结果通过ROC曲线验证检测准确度；所述第一图像测试集为原始病例图像测试集，所述第二图像测试集为复发病例图像测试集。
例如本发明具体实施方式中，残差网络模型由31个GISTs病例CT数据样本的VOI数据训练而成，包含2540个像素方格(Patch)。另外10个GISTs病例CT数据样本(包含1005个像素Patch)作为独立验证。参照图6的独立验证数据集的ROC曲线，验证结果中，8个患者预测准确，2个患者预测错误(预测结果均为假阳性)。
作为本发明的另一具体实施例，与上述基于深度学习的胃肠间质瘤术后风险检测方法相对应的基于深度学习的胃肠间质瘤术后风险检测系统，包括有
数据获取模块，用于获取腹部增强期薄层CT的第一图像数据集和第二图像数据集，所述第一图像数据集为原始病例图像数据集，所述第二图像数据集为复发病例图像数据集；
预处理模块，获取第一图像数据集中图像数据的肿瘤轮廓感兴趣区域，并对肿瘤轮廓感兴趣区域进行预处理；
构建模块，用于构建残差网络模型，对第二图像数据集中图像数据进行重采样；
训练模块，用于采用对肿瘤轮廓感兴趣区域进行预处理的数据和第二图像数据集中图像数据进行重采样的数据对残差网络模型进行训练；
残差网络模型，获取待检测腹部增强期薄层CT的图像数据，将待检测腹部增强期薄层CT的图像数据输入至残差网络模型得出检测结果。
进一步作为优选的实施方式，还包括有验证模块，用于获取腹部增强期薄层CT的第一图像测试集和第二图像测试集，并输入至残差网络模型得出检测结果，对检测结果通过ROC曲线验证检测准确度；所述第一图像测试集为原始病例图像测试集，所述第二图像测试集为复发病例图像测试集。
进一步作为优选的实施方式，所述预处理模块包括有：
分割子模块，用于将肿瘤轮廓感兴趣区域分割为28×28像素的方格；
方格处理子模块，用于对上述方格进行数据归一化和数据增强处理。
进一步作为优选的实施方式，所述训练模块用于对残差网络模型采用RMS-prop优化算法进行训练。
进一步作为优选的实施方式，所述残差网络模型中采用基于投票的集成方法对分类结果进行处理。
以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可以作出种种的等同变换或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (5)
1.基于深度学习的胃肠间质瘤术后风险检测系统，其特征在于：包括有
数据获取模块，用于获取腹部增强期薄层CT的第一图像数据集和第二图像数据集，所述第一图像数据集为原始病例图像数据集，所述第二图像数据集为复发病例图像数据集；
预处理模块，获取第一图像数据集中图像数据的肿瘤轮廓感兴趣区域，并对肿瘤轮廓感兴趣区域进行预处理；
构建模块，用于构建残差网络模型，对第二图像数据集中图像数据进行重采样；
训练模块，用于采用对肿瘤轮廓感兴趣区域进行预处理的数据和第二图像数据集中图像数据进行重采样的数据对残差网络模型进行训练；
残差网络模型，获取待检测腹部增强期薄层CT的图像数据，将待检测腹部增强期薄层CT的图像数据输入至残差网络模型得出检测结果。
2.根据权利要求1所述的基于深度学习的胃肠间质瘤术后风险检测系统，其特征在于：还包括有验证模块，用于获取腹部增强期薄层CT的第一图像测试集和第二图像测试集，并输入至残差网络模型得出检测结果，对检测结果通过ROC曲线验证检测准确度；所述第一图像测试集为原始病例图像测试集，所述第二图像测试集为复发病例图像测试集。
3.根据权利要求1所述的基于深度学习的胃肠间质瘤术后风险检测系统，其特征在于：所述预处理模块包括有：
分割子模块，用于将肿瘤轮廓感兴趣区域分割为28×28像素的方格；
方格处理子模块，用于对上述方格进行数据归一化和数据增强处理。
4.根据权利要求1所述的基于深度学习的胃肠间质瘤术后风险检测系统，其特征在于：所述训练模块用于对残差网络模型采用RMS-prop优化算法进行训练。
5.根据权利要求4所述的基于深度学习的胃肠间质瘤术后风险检测系统，其特征在于：所述残差网络模型中采用基于投票的集成方法对残差网络模型输出的分类结果进行处理。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810662492.9A CN109124660B (zh) | 2018-06-25 | 2018-06-25 | 基于深度学习的胃肠间质瘤术后风险检测方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810662492.9A CN109124660B (zh) | 2018-06-25 | 2018-06-25 | 基于深度学习的胃肠间质瘤术后风险检测方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109124660A CN109124660A (zh) | 2019-01-04 |
| CN109124660B true CN109124660B (zh) | 2022-06-10 |
Family
ID=64802300
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810662492.9A Active CN109124660B (zh) | 2018-06-25 | 2018-06-25 | 基于深度学习的胃肠间质瘤术后风险检测方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109124660B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110365639A (zh) * | 2019-05-29 | 2019-10-22 | 中国科学院信息工程研究所 | 一种基于深度残差网络的恶意流量检测方法及系统 |
| CN110458109A (zh) * | 2019-08-13 | 2019-11-15 | 西南林业大学 | 一种基于图像识别技术的茶叶病害识别系统及工作方法 |
| CN110738649A (zh) * | 2019-10-14 | 2020-01-31 | 青岛大学 | 一种用于胃癌增强CT图像自动识别的Faster RCNN网络的训练方法 |
| CN110728239B (zh) * | 2019-10-14 | 2023-10-13 | 青岛大学 | 一种利用深度学习的胃癌增强ct图像自动识别系统 |
| CN111798427B (zh) * | 2020-06-30 | 2022-06-21 | 天津大学 | 基于迁移学习的胃肠道间质瘤中核分裂象检测系统 |
| CN112561869B (zh) * | 2020-12-09 | 2021-11-02 | 深圳大学 | 一种胰腺神经内分泌肿瘤术后复发风险预测方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1839391A (zh) * | 2003-06-25 | 2006-09-27 | 美国西门子医疗解决公司 | 用于乳房成像的自动诊断和决策支持的系统和方法 |
| CN101689220A (zh) * | 2007-04-05 | 2010-03-31 | 奥利安实验室有限公司 | 用于治疗、诊断和预测医学病症发生的系统和方法 |
| CN104881568A (zh) * | 2015-04-27 | 2015-09-02 | 苏州敏宇医疗科技有限公司 | 一种基于云计算的肿瘤治疗疗效早期评价的系统和方法 |
| CN106778046A (zh) * | 2017-02-28 | 2017-05-31 | 思派（北京）网络科技有限公司 | 一种基于特征值进行前列腺癌复发预测的系统和方法 |
| CN107220966A (zh) * | 2017-05-05 | 2017-09-29 | 郑州大学 | 一种基于影像组学的脑胶质瘤分级预测方法 |
| CN107273704A (zh) * | 2017-07-12 | 2017-10-20 | 北京航空航天大学 | 一种脑卒中复发预测模型的建立方法及装置 |
| CN107369151A (zh) * | 2017-06-07 | 2017-11-21 | 万香波 | 基于大数据深度学习的胃肠间质瘤病理诊断支持系统和方法 |
| CN107492090A (zh) * | 2016-06-09 | 2017-12-19 | 西门子保健有限责任公司 | 根据合成数据利用机器学习的基于图像的肿瘤表型分析 |
| CN107818821A (zh) * | 2016-09-09 | 2018-03-20 | 西门子保健有限责任公司 | 在医学成像中的基于机器学习的组织定征 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10424411B2 (en) * | 2013-09-20 | 2019-09-24 | Siemens Healthcare Gmbh | Biopsy-free detection and staging of cancer using a virtual staging score |
| US10339651B2 (en) * | 2016-10-28 | 2019-07-02 | International Business Machines Corporation | Simultaneous feature extraction and dictionary learning using deep learning architectures for characterization of images of heterogeneous tissue samples |
-
2018
- 2018-06-25 CN CN201810662492.9A patent/CN109124660B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1839391A (zh) * | 2003-06-25 | 2006-09-27 | 美国西门子医疗解决公司 | 用于乳房成像的自动诊断和决策支持的系统和方法 |
| CN101689220A (zh) * | 2007-04-05 | 2010-03-31 | 奥利安实验室有限公司 | 用于治疗、诊断和预测医学病症发生的系统和方法 |
| CN104881568A (zh) * | 2015-04-27 | 2015-09-02 | 苏州敏宇医疗科技有限公司 | 一种基于云计算的肿瘤治疗疗效早期评价的系统和方法 |
| CN107492090A (zh) * | 2016-06-09 | 2017-12-19 | 西门子保健有限责任公司 | 根据合成数据利用机器学习的基于图像的肿瘤表型分析 |
| CN107818821A (zh) * | 2016-09-09 | 2018-03-20 | 西门子保健有限责任公司 | 在医学成像中的基于机器学习的组织定征 |
| CN106778046A (zh) * | 2017-02-28 | 2017-05-31 | 思派（北京）网络科技有限公司 | 一种基于特征值进行前列腺癌复发预测的系统和方法 |
| CN107220966A (zh) * | 2017-05-05 | 2017-09-29 | 郑州大学 | 一种基于影像组学的脑胶质瘤分级预测方法 |
| CN107369151A (zh) * | 2017-06-07 | 2017-11-21 | 万香波 | 基于大数据深度学习的胃肠间质瘤病理诊断支持系统和方法 |
| CN107273704A (zh) * | 2017-07-12 | 2017-10-20 | 北京航空航天大学 | 一种脑卒中复发预测模型的建立方法及装置 |
Non-Patent Citations (3)
| Title |
|---|
| Machine learning applications in cancer prognosis and prediction;Konstantina Kourou，et al;《Computational and Structural Biotechnology Journal》;20151231;第13卷;第8-17页 * |
| 基于MRI纹理特征的早期肝癌术后复发预测;祁红琳 等;《中国医学物理学杂志》;20170930;第34卷(第9期);第908-911页 * |
| 基于残差神经网络的宫颈癌细胞识别的改进算法;夏为为 等;《电视技术》;20180531;第42卷(第5期);第90-93页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109124660A (zh) | 2019-01-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109124660B (zh) | 基于深度学习的胃肠间质瘤术后风险检测方法和系统 | |
| US20220156930A1 (en) | Cancer risk stratification based on histopathological tissue slide analysis | |
| JP7406745B2 (ja) | コンピュータ検出方法のための電子画像を処理するためのシステムおよび方法 | |
| US11164312B2 (en) | System and method to quantify tumor-infiltrating lymphocytes (TILs) for clinical pathology analysis based on prediction, spatial analysis, molecular correlation, and reconstruction of TIL information identified in digitized tissue images | |
| US20220351860A1 (en) | Federated learning system for training machine learning algorithms and maintaining patient privacy | |
| US11631171B2 (en) | Automated detection and annotation of prostate cancer on histopathology slides | |
| US20110111435A1 (en) | Detecting Cell Surface Markers | |
| Ahn et al. | Artificial intelligence in breast cancer diagnosis and personalized medicine | |
| WO2020185660A1 (en) | Improved histopathology classification through machine self-learning of "tissue fingerprints" | |
| CN116157834A (zh) | 使用机器学习技术评定数字病理学图像中的特征的异质性 | |
| EP3117259A1 (en) | Assessment of staining quality | |
| CN113011257A (zh) | 一种乳腺癌免疫组化人工智能判读方法 | |
| Choi et al. | Deep learning model improves tumor-infiltrating lymphocyte evaluation and therapeutic response prediction in breast cancer | |
| Iuga et al. | Automated mapping and N-Staging of thoracic lymph nodes in contrast-enhanced CT scans of the chest using a fully convolutional neural network | |
| Gao et al. | Radiomics analysis based on ultrasound images to distinguish the tumor stage and pathological grade of bladder cancer | |
| CN102201038B (zh) | 脑瘤p53蛋白表达检测方法 | |
| Sobral-Leite et al. | Artificial intelligence-based morphometric signature to identify ductal carcinoma in situ with low risk of progression to invasive breast cancer | |
| Swiderska-Chadaj et al. | Predicting MYC translocation in HE specimens of diffuse large B-cell lymphoma through deep learning | |
| Morisi | The use of digital pathology and machine learning for the detection and characterisation of canine soft tissue sarcomas | |
| Zhang et al. | A Pathology-Interpretable Deep Learning Model for Predicting Microsatellite Instability State in Colorectal Cancer: Validation across Diverse Platforms and Asian Cohorts | |
| Li | Novel Population Specific Computational Pathology-based Prognostic and Predictive Biomarkers for Breast Cancer | |
| Harmon et al. | AI in Pathology | |
| Saednia | Machine Learning and Digital Histopathology Analysis for Tissue Characterization and Treatment Response Prediction in Breast Cancer | |
| Ahmadvand et al. | A Deep Learning Approach for the Identification of the Molecular Subtypes of Pancreatic Ductal Adenocarcinoma Based on Whole Slide Pathology Images | |
| Rehman et al. | Computational approach for counting of SISH amplification signals for HER2 status assessment |
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 |