CN109829488A - 一种头颈部癌症局部复发预测装置 - Google Patents
一种头颈部癌症局部复发预测装置 Download PDFInfo
- Publication number
- CN109829488A CN109829488A CN201910042418.1A CN201910042418A CN109829488A CN 109829488 A CN109829488 A CN 109829488A CN 201910042418 A CN201910042418 A CN 201910042418A CN 109829488 A CN109829488 A CN 109829488A
- Authority
- CN
- China
- Prior art keywords
- training
- module
- random forest
- feature
- local recurrence
- 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
Links
Landscapes
- Investigating Or Analysing Biological Materials (AREA)
- Nuclear Medicine (AREA)
Abstract
本发明提出一种头颈部癌症局部复发预测装置,包括:数据采集模块,用于采集数据构成训练样本;分组模块,用于将所述训练样本分组为训练集和测试集;特征提取模块,用于对所述训练集进行特征提取;第一训练模块,用于接收所述特征提取模块提取的特征进行随机森林训练,得到第一随机森林分类器;第一测试模块,用于将所述测试集输入至所述第一随机森林分类器;第二训练模块,用于将所述第一随机森林分类器的输出作为输入进行随机森林训练,得到第二随机森林分类器;第二测试模块,用于将所述测试集输入至所述第二随机森林分类器。
Description
技术领域
本发明涉及一种预测装置,具体涉及一种头颈部癌症局部复发预测装置。
背景技术
精确肿瘤学旨在为患者量身定制癌症的全方位的防治方案,特别是在癌症预防,筛查,风险分级,治疗和治疗结果评估等方面进行护理个性化。随着我国医疗基础设施的逐步完善,国家医疗机构高校等科研机构的通力合作下,可以预见,在不久的将来个性化治疗将成为肿瘤临床的标准治疗。越来越多的实验证明,癌症的成因是生物基因或肿瘤基因的功能突变,这也改变了临床治疗方案的规划,以便在特定患者群中实现更好的癌症控制效果。另一方面,快速学习范式,(知识驱动型医疗保健)包括重复使用常规临床数据以训练模型以获得知识,用来预测患者的治疗结果,这在肿瘤学界也得到了普及。尽管大多数精确肿瘤学的研究方法都集中在基因学技术上,但人们认为只有多学科的交叉整合,集合基因组学,转录组学,蛋白质组学,代谢组学研究等多方面学科,才能有效地解开生物学机制的奥秘。
由于肿瘤的不同分期所表现的特征并不相同,甚至有些差别很大,这使全面整合对癌症风险评估的工作显得尤为重要。在空间域与时间域,肿瘤内的基因特征,蛋白质特征,细胞微环境特征,组织和解剖学病理特征等都会表现出相当大的变化,这其中不乏关于肿瘤恶化扩散的有用信息。肿瘤通常由多个克隆癌细胞亚群组成,组成一个复杂的动态系统,由于它们微环境和外部治疗的相互作用而表现出快速变异的特性。在生长速率,基因表达,扩散能力和免疫特征等方面,不同的癌细胞亚群可表现出不同的特征。这些特性可以通过在肿瘤内观察到的代谢活性,细胞增殖情况,富氧水平,PH值,血管系统和坏死区域的差异来描述。这种肿瘤内的差异称为肿瘤异质性,即使在相同组织病理学类型的肿瘤中也可以看到显着不同异质性特征。具有这种异质特征的肿瘤有着较高的复发扩散风险,这也影响治疗手段方法的选择。
如今,随着医疗体系的完善,几乎每位患者都可以负担的起影像筛查的费用,这使医学成像在肿瘤内变异的诊查中发挥着核心作用。医学图像,如氟葡萄糖(FDG)正电子发射断层扫描(PET)和X射线计算机断层扫描(CT)都是微创的检查手段,它们为解码肿瘤提供了大量的潜在数据来源。从所有类型的医学图像中定量提取高维可采集数据后进行分析,并用其辅助临床决策,这一过程可称为影像组学。从肿瘤成像特征推断出基因表达特征和临床表现的大量实验,使该领域在过去几年发展迅速。影像组学的基本假设是侵袭性肿瘤的基因组不同性质的表达可以转化为不同种类的肿瘤代谢和形成解剖病理学的肿瘤实体,从而提出将对医学图像的定量分析作为进行癌症风险评估的必要预后工具,并使之成为预后工作中不可或缺的一部分。
发明内容
鉴于以上所述现有技术的缺点,本发明的目的在于提供一种头颈部癌症局部复发预测装置。
为实现上述目的及其他相关目的,本发明提供一种头颈部癌症局部复发预测装置,其特征在于,该预测装置包括:
数据采集模块,用于采集数据构成训练样本;
分组模块,用于将所述训练样本分组为训练集和测试集;
特征提取模块,用于对所述训练集进行特征提取;
第一训练模块,用于接收所述特征提取模块提取的特征进行随机森林训练,得到第一随机森林分类器;
第一测试模块,用于将所述测试集输入至所述第一随机森林分类器;
第二训练模块,用于将所述第一随机森林分类器的输出作为输入进行随机森林训练,得到第二随机森林分类器;
第二测试模块,用于将所述测试集输入至所述第二随机森林分类器。
可选地,所述特征提取模块提取的特征至少包括方差、协方差、峰度、SUV最大值、SUV峰值、SUV均值、SUV曲线下面积、总病变糖酵解、失活体积百分比和广义有效总量中的一种。
可选地,所述特征提取模块提取的特征包括:10个一阶统计特征、5种形态特征和每个特征使用40种不同的提取参数组合计算得到的共40个纹理特征。
可选地,所述40个纹理特征包括9个来自灰度共生矩阵的特征,13个来自灰度级运行长度矩阵的特征,13个来自灰度级区域矩阵的特征和5个来自邻域灰度差矩阵的特征。
如上所述,本发明的一种头颈部癌症局部复发预测装置,具有以下有益效果:
首先,通过本发明的方法,可以对患者在进行放化疗或手术之前,充分利用医学影象数据及临床信息,更准确的预判治疗效果,即是否会出现局部复发,进而有针对的调整治疗方案,例如,当预测出局部复发风险较高时,可以增大放疗强度。
其次,目前随着技术的提升,医疗设备成像速度加快,可是智能化的阅片技术并没有有相应幅度的进步,读片医师的负担较重,尤其是预后方面较之前期诊断发展相对缓慢。本发明装置作为辅助医疗手段,可以减轻放射科医生的负担。
附图说明
为了进一步阐述本发明所描述的内容,下面结合附图对本发明的具体实施方式作进一步详细的说明。应当理解,这些附图仅作为典型示例,而不应看作是对本发明的范围的限定。
图1为本发明所述的一种头颈部癌症局部复发预测装置的构建的流程图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
从医学图像中定量提取高维可挖掘数据作为放射学的一个分支已经广泛被人所知。放射学预测是癌症风险评估的一种重要手段,也是评估肿瘤恶化的预测工具。目前的技术中,对于术后或放化疗后是否会局部复发的预测需要进行活检,对患者损伤较大,尤其在头颈部的特殊部位,而对于非侵害型预测主要依赖于医生的判断。
据此,本发明提出一种基于影像组学与机器学习相结合的对头颈部癌症局部复发风险预测装置,其构建流程图如图1。在本发明中,采用四家医院的患者数据用于分析头颈部癌症的局部复发(Locoregional Recurrences,LR)。项目从300名患者的治疗前的FDG-PET图像和CT图像中提取放射性特征1615个,包括图像强度,形状,纹理等。结合医疗影像和患者临床数据,采用随机森林和不平衡调整策略构建了预测模型。四家医院的数据被分成两组,其中一组用于训练构建模型,另一组用于独立验证(验证结果为LR:AUC=0.69且CI=0.67)。
一种基于影像组学与机器学习相结合的对头颈部癌症局部复发风险预测装置,包括数据采集模块、分组模块、特征提取模块、第一训练模块、第一测试模块、第二训练模块、第二测试模块。
其中数据采集模块,用于采集数据构成训练样本;
于本施例中,对来自四个不同机构的300名头颈部癌症患者的医学成像和临床数据进行了分析,这些患者的治疗管理为单独接受放射治疗(n=48,16%)或化疗放疗治疗(n=252,84%)。数据来自美国麦吉尔大学健康中心研究伦理委员会在患者匿名化后在线发布临床和影像数据。
1.1H&N1组,数据集包括92名在加拿大QC的 général juif(HGJ)治疗的头颈部鳞状细胞癌(HNSCC)患者。在随访期间,12名患者发生局部复发(13%)。该数据集被用作训练集的一部分。
1.2H&N2组数据集由102名头颈部鳞状细胞癌(HNSCC)患者组成,这些患者在加拿大QC中心医院(CHUS)接受治疗。在随访期间,17名患者出现局部复发(17%)。该数据集被用作训练集的一部分。
1.3H&N3组数据集包括在加拿大QC的 Maisonneuve-Rosemont(HMR)治疗的41名头颈部鳞状细胞癌(HNSCC)患者。在随访期间,9例患者出现局部复发(22%)。该数据集用作测试集的一部分。
1.4H&N4数据集由65名头颈部鳞状细胞癌(HNSCC)患者组成,这些患者在加拿大QC中心的蒙特利尔大学医院(CHUM)接受治疗。在随访期间,7例患者出现局部复发(11%)。该数据集用作测试集的一部分。
所有患者在治疗前的中位数18天内接受FDG-PET/CT成像扫描。300名患者中,有93名(31%)患者的医学影像轮廓由放射科专家直接在PET/CT扫描的CT上绘制,之后用于治疗计划的制定。另外207名(69%)患者,其医学影像疗轮廓在专用于治疗计划制定的的不同CT扫描上绘制,并使用软件MIM(MIM软件公司,Cleveland,OH)采用基于强度的自由形式可变形配准传播/重新采样方式重新扫描到FDG-PET/CT影像。
所述分组模块,用于将所述训练样本分组为训练集和测试集。于本实施例中,研究的样本为患有复发性头颈部癌症,接受保守治疗的患者被排除在外。在随访期间未发生局部复发,并且随访时间小于24个月的患者也被排除在研究之外。之后,将四个组分成两组,一个组作为训练组(H&N1组和H&N2组;n=194),另一个组为测试组(H&N3组和H&N4组;n=106)。对训练集的患者进行自助采样和分层随机子采样以得到感兴趣的相关性能指标并构建最终预测模型,并且采用测试集的患者来验证结果,这样验证结果计算完全独立。这种精确患者组的划分可以达到如下效果:I)不同组的共同训练,可以模型排除掉一些不同机构因素造成的差异;II)减少测试结果报告的数量;III)创建训练集大小,测试集大小比约为2:1;IV)进行分区取样,局部复发发生的比例在训练和测试集中大致相同。
所述特征提取模块,用于对所述训练集进行特征提取。
于本实施例中,将最初的FDG-PET/CT图像和DICOM格式的相关放射治疗轮廓图像着手,使用MATLAB中(MathWorks,Natick,MA)内部例程读取完整的数据集并将其转化为Matlab可以识别的格式。PET图像被转换SUV(standard uptake value)图,CT图像以HU(Hounsfield Unit)格式保存。然后,从由每个机构的放射肿瘤学家描绘的“原发型GTV+淋巴结型GTV”轮廓定义的肿瘤区域的PET和CT图像中提取了总共1615个影像特征。这些特征可以分为三个不同的组:I)10个一阶统计特征(强度);II)5种形态特征(形状);和III)每个特征使用40种不同的提取参数组合计算得到的共40个纹理特征。
本发明提取的特征为方差(variance),协方差(skewness),峰度(kurtosis),SUV最大值(SUVmax),SUV峰值(SUVpeak),SUV均值(SUVmean),SUV曲线下面积(AUC),总病变糖酵解(total lesion glycolysis),失活体积百分比(percentage of inactive volume)和广义有效总量(generalized effective total uptake)。提取的形状特征用以描述ROI的几何特性。在此项目中提取的特征是体积,大小(肿瘤最大直径),坚固性(solidity),偏心率(eccentricity)和紧凑性(compactness)。
本发明中,40个纹例特征为,9个特征来自灰度共生矩阵(GLCM),13个特征来自灰度级运行长度矩阵(GLRLM),13个特征来自灰度级区域矩阵(GLSZM),5个特征来自邻域灰度差矩阵(NGTDM)。本发明采样得到同样大小的体素,用26体素-3D分析方法连接来构建所有纹理矩阵。对于四种中的每一种纹理类型,每次扫描仅计算一个矩阵,且只考虑3D空间的同时相连的13个方向中的体素。使用以下参数的所有可能组合(共40种)提取来自PET和CT体积的ROI的所有40个纹理特征:
1)体素尺寸(5个):体素尺寸为1mm,2mm,3mm,4mm和5mm。
2)量化算法(2个):等概率(强度直方图均衡)量化算法和具有固定数量的灰度级的均匀(强度范围的均衡)量化算法。
3)灰度级数(4个):量化ROI中固定的8,16,32和64灰度级数。
第一训练模块,用于接收所述特征提取模块提取的特征进行随机森林训练,得到第一随机森林分类器;第一测试模块,用于将所述测试集输入至所述第一随机森林分类器;
具体地,本实施例采用三个影像特征集,(I:PET特征;II:CT特征;和III:PET和CT特征)的影像学特征集构建预测模型,每一个特征集均含有一阶特征10个,形态特征15个,40种提取方法提取的40个特征(共40*40=1600)共1600个,每组影响特征集均含1615个影像特征。并在训练集(H&N1组和H&N2组;n=194)上完成训练工作。
首先,使用信息增益方程方法,对每个初始特征集,即上述所说的三组影响特征集的每组共1615个特征,执行特征集缩减,目的是在预测能力(斯皮尔曼相关系数)和非冗余(最大信息系数)之间达到平衡,得到25个不同特征的简化特征集。
然后,使用前向逐步逻辑回归方法特征选择,对于每个简化特征集,选择1到10的特征组合作为模型阶数(即组合变量的数量)。
在得到最佳模型的阶数后,使用自助重采样方法在训练集上进行预测评估,以得到对局部复发风险预测的最终逻辑回归系数。
最后,在定义的测试集中来测试最终构建预测模型,并进行性能评估。最终的预测模型是一个整体的概念,包括从开始的图像数据集缩减处理一直到最终的第二随机森林分类器,可以看成是一个完整的预测模型,即本发明的预测装置,对于最终构建的预测模型而言,输入即为患者的影像信息合临床信息,输出为是否会有局部复发。
第二训练模块,用于将所述第一随机森林分类器的输出作为输入进行随机森林训练,得到第二随机森林分类器;第二测试模块,用于将所述测试集输入至所述第二随机森林分类器。
具体地,本发明提出结合医学影像和临床数据共同预测头颈部癌症的复发风险。预测模型的构建同样使用来自H&N1组和H&N2组的194名患者所组成的训练集进行。
首先,构建了仅包含以下临床变量的用于LR预测的随机森林分类器:I)年龄;II)头颈部癌症型(口咽癌,下咽癌,鼻咽癌或喉癌);和III)肿瘤分期。选择以下肿瘤阶段变量的组合输入临床随机森林分类器:I)T分期;II)N分期;III)T分期和N分期;IV)TNM分期。得到最佳组合的为T-分期和N-分期。
为解决不平衡问题,即事件发生和不发生发生之间的不成比例,使用随机降采样和不平衡调整策略。并结合随机分组法在训练集上估计模型性能。使用年龄、肿瘤类型结T-分期和N-分期,可对局部复发的预测达到最好效果。
肿瘤的局部复发问题是一个很典型的不平衡问题,如果放射治疗范围比较全面,或手术方案较好,将患者的异质性潜伏癌变细胞杀死,出现局部复发的可能就会很小。但是并不能排除不复发,这使得得到的医疗数据样本中,事件发生(局部复发)的样本数小于事件未发生(未复发)的样本数,造成不平衡。本发明为了解决在事件的发生和未发生的预测之间平衡问题,将Schiller不平衡调整策略应用于本发明。不平衡事件即当给定类别的实例(例如,患者)的比例(例如,事件的发生)远低于另一类的实例的比例(例如,未发生)时,不平衡调整成为训练过程的重要部分。在本发明中,分区由许多P=[N-/N+]组成,其中N-特定样本中数量多的实例数,N+是特定样本数量少的实例数。在每个分区中重复使用N+,随机采样N-,使得或在每个分区平衡。例如,对于N-=168和N+=32,将创建五个分区:两个分区包含来自多数类的33个实例,三个分区包含来自多数类的34个实例,并且所有分区包含来自少数类的32个实例类。
然后,对于逻辑回归训练过程,针对每个创建的分区训练不同的分类器(不同的系数),最终取每个分区系数的平均值来构建整体分类器。对于随机森林的训练,对每个分区创建决策树,而不是仅对每个样本创建决策树,每个区域的决策树用于构建最终的随机森林。
随机森林是机器学习算法中应用于决策分析预测的表现较好的模型。随机森林的训练过程需要独立训练森林中的多个决策树。在本发明中,使用了100个自助训练样本来训练每个随机森林训练集(H&N1和H&N2队列;n=194)。对于每个样本,使用上面详述的不平衡调整策略,使得每个样本产生多个决策树(每个分区一个)最终组成随机森林。因此,每个随机森林的决策树的最终数量取决于所研究的每个结果的每个自助样本中事件的实际比例。在本发明中用于预测LR使用582个决策树来构建。
本发明为了进一步校正随机森林训练过程中的数据不平衡,除了采用不平衡调整策略之外,还使用了集合的每个分区中的实例的欠/过采样。欠采样/过采样的权重从0.5到2,每步增量为0.1。分层随机子采样用于估计给定训练过程的最佳权重(还用此方法估计要使用的最佳临床分期变量),使平均AUC值达到最大,该过程将训练集随机分成多个子训练集和和子测试集(n=10),大小比为2:1,与实际比例相符。
本发明中,所构建的预测模型在训练集(H&N组和H&N2组;n=194)中进行训练,此时的预测模型也是一个整体的已经优选后的概念,例如,PET,CT,PET/CT三个影像集已经通过上述工作后可以确定PET/CT组合更好的预测局部复发问题,因此,此时的模型仅为为PET/CT所构建的模型,同样的,临床信息选取也已经固定,固定为包含年龄,头颈部癌症分类,T阶段,N阶段。然后在测试集(H&N3和H&N4组;n=106)中测试。使用ROC指标评估预测性能,具体包含AUC,及一致性指数(CI),理论计算结果AUC=0.69且CI=0.67。
上述实施例仅例示性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (4)
1.一种头颈部癌症局部复发预测装置,其特征在于,该预测装置包括:
数据采集模块,用于采集数据构成训练样本;
分组模块,用于将所述训练样本分组为训练集和测试集;
特征提取模块,用于对所述训练集进行特征提取;
第一训练模块,用于接收所述特征提取模块提取的特征进行随机森林训练,得到第一随机森林分类器;
第一测试模块,用于将所述测试集输入至所述第一随机森林分类器;
第二训练模块,用于将所述第一随机森林分类器的输出作为输入进行随机森林训练,得到第二随机森林分类器;
第二测试模块,用于将所述测试集输入至所述第二随机森林分类器。
2.根据权利要求1所述的一种头颈癌症局部复发预测装置,其特征在于,所述特征提取模块提取的特征至少包括方差、协方差、峰度、SUV最大值、SUV峰值、SUV均值、SUV曲线下面积、总病变糖酵解、失活体积百分比和广义有效总量中的一种。
3.根据权利要求2所述的一种头颈癌症局部复发预测装置,其特征在于,所述特征提取模块提取的特征包括:10个一阶统计特征、5种形态特征和每个特征使用40种不同的提取参数组合计算得到的共40个纹理特征。
4.根据权利要求1所述的一种头颈癌症局部复发预测装置,其特征在于,所述40个纹理特征包括9个来自灰度共生矩阵的特征,13个来自灰度级运行长度矩阵的特征,13个来自灰度级区域矩阵的特征和5个来自邻域灰度差矩阵的特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910042418.1A CN109829488B (zh) | 2019-01-17 | 2019-01-17 | 一种头颈部癌症局部复发预测装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910042418.1A CN109829488B (zh) | 2019-01-17 | 2019-01-17 | 一种头颈部癌症局部复发预测装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109829488A true CN109829488A (zh) | 2019-05-31 |
CN109829488B CN109829488B (zh) | 2021-07-02 |
Family
ID=66860322
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910042418.1A Active CN109829488B (zh) | 2019-01-17 | 2019-01-17 | 一种头颈部癌症局部复发预测装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109829488B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110400601A (zh) * | 2019-08-23 | 2019-11-01 | 元码基因科技(无锡)有限公司 | 基于rna靶向测序和机器学习的癌症亚型分型方法及装置 |
CN111276191A (zh) * | 2020-01-15 | 2020-06-12 | 范时浩 | 胰腺癌血液中糖的分子量统计识别方法、系统、介质及装置 |
CN112262440A (zh) * | 2020-07-15 | 2021-01-22 | 北京肿瘤医院(北京大学肿瘤医院) | 一种通过影像组学特征判断癌症治疗反应的方法及系统 |
CN112750528A (zh) * | 2019-10-30 | 2021-05-04 | 中国医药大学附设医院 | 预测肿瘤的特性参数的计算机辅助预测系统、方法及计算机程序产品 |
TWI783907B (zh) * | 2022-05-24 | 2022-11-11 | 華碩電腦股份有限公司 | 輔助診斷系統及其方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101290659A (zh) * | 2008-05-29 | 2008-10-22 | 宁波新然电子信息科技发展有限公司 | 基于组合分类器的手写识别方法 |
CN104850818A (zh) * | 2014-02-17 | 2015-08-19 | 华为技术有限公司 | 人脸检测器训练方法、人脸检测方法及装置 |
-
2019
- 2019-01-17 CN CN201910042418.1A patent/CN109829488B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101290659A (zh) * | 2008-05-29 | 2008-10-22 | 宁波新然电子信息科技发展有限公司 | 基于组合分类器的手写识别方法 |
CN104850818A (zh) * | 2014-02-17 | 2015-08-19 | 华为技术有限公司 | 人脸检测器训练方法、人脸检测方法及装置 |
Non-Patent Citations (2)
Title |
---|
徐光柱 等: "《实用性目标检测与跟踪算法原理与应用》", 30 June 2015 * |
赵雪章,席运江,黄雄波: "基于双层分类模型的人体动作识别方法", 《计算机工程与设计》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110400601A (zh) * | 2019-08-23 | 2019-11-01 | 元码基因科技(无锡)有限公司 | 基于rna靶向测序和机器学习的癌症亚型分型方法及装置 |
CN112750528A (zh) * | 2019-10-30 | 2021-05-04 | 中国医药大学附设医院 | 预测肿瘤的特性参数的计算机辅助预测系统、方法及计算机程序产品 |
CN111276191A (zh) * | 2020-01-15 | 2020-06-12 | 范时浩 | 胰腺癌血液中糖的分子量统计识别方法、系统、介质及装置 |
CN112262440A (zh) * | 2020-07-15 | 2021-01-22 | 北京肿瘤医院(北京大学肿瘤医院) | 一种通过影像组学特征判断癌症治疗反应的方法及系统 |
WO2022011616A1 (zh) * | 2020-07-15 | 2022-01-20 | 北京肿瘤医院(北京大学肿瘤医院) | 一种通过影像组学特征判断癌症治疗反应的方法及系统 |
TWI783907B (zh) * | 2022-05-24 | 2022-11-11 | 華碩電腦股份有限公司 | 輔助診斷系統及其方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109829488B (zh) | 2021-07-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Mu et al. | Radiomics of 18 F-FDG PET/CT images predicts clinical benefit of advanced NSCLC patients to checkpoint blockade immunotherapy | |
CN109829488A (zh) | 一种头颈部癌症局部复发预测装置 | |
Yu et al. | Development and validation of a predictive radiomics model for clinical outcomes in stage I non-small cell lung cancer | |
Lambin et al. | Decision support systems for personalized and participative radiation oncology | |
Coroller et al. | CT-based radiomic signature predicts distant metastasis in lung adenocarcinoma | |
Coroller et al. | Radiomic-based pathological response prediction from primary tumors and lymph nodes in NSCLC | |
Lemarignier et al. | Correlation between tumour characteristics, SUV measurements, metabolic tumour volume, TLG and textural features assessed with 18 F-FDG PET in a large cohort of oestrogen receptor-positive breast cancer patients | |
Mylona et al. | Voxel-based analysis for identification of urethrovesical subregions predicting urinary toxicity after prostate cancer radiation therapy | |
Zindler et al. | The clinical utility of prognostic scoring systems in patients with brain metastases treated with radiosurgery | |
CN113610845B (zh) | 肿瘤局部控制预测模型的构建方法、预测方法及电子设备 | |
Armato III et al. | Imaging in pleural mesothelioma: a review of the 11th International Conference of the International Mesothelioma Interest Group | |
Sitki Copur | State of Cancer Research Around the Globe. | |
Amarasinghe et al. | A deep learning model to automate skeletal muscle area measurement on computed tomography images | |
Weissmann et al. | Deep learning for automatic head and neck lymph node level delineation provides expert-level accuracy | |
Labby et al. | Lung volume measurements as a surrogate marker for patient response in malignant pleural mesothelioma | |
US11972867B2 (en) | Method of training a machine learning data processing model, method of determining a hypoxia status of a neoplasm in a human or animal body, and system therefore | |
Belfatto et al. | Kinetic models for predicting cervical cancer response to radiation therapy on individual basis using tumor regression measured in vivo with volumetric imaging | |
Meng et al. | Artificial intelligence-based radiomics in bone tumors: Technical advances and clinical application | |
Bogowicz et al. | Perfusion CT radiomics as potential prognostic biomarker in head and neck squamous cell carcinoma | |
DeSouza et al. | Standardised lesion segmentation for imaging biomarker quantitation: a consensus recommendation from ESR and EORTC | |
Barua et al. | Computed tomography radiomics kinetics as early imaging correlates of osteoradionecrosis in oropharyngeal cancer patients | |
Lin et al. | MRI-based radiogenomics analysis for predicting genetic alterations in oncogenic signalling pathways in invasive breast carcinoma | |
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 | |
Yang et al. | Diagnostic accuracy of ultrasonic histogram features to evaluate radiation toxicity of the parotid glands: a clinical study of xerostomia following head-and-neck cancer radiotherapy | |
Patrick et al. | Reduction of inter-observer contouring variability in daily clinical practice through a retrospective, evidence-based intervention |
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 |