CN110163195A - 肝癌分群预测模型、其预测系统以及肝癌分群判断方法 - Google Patents

肝癌分群预测模型、其预测系统以及肝癌分群判断方法 Download PDF

Info

Publication number
CN110163195A
CN110163195A CN201810152046.3A CN201810152046A CN110163195A CN 110163195 A CN110163195 A CN 110163195A CN 201810152046 A CN201810152046 A CN 201810152046A CN 110163195 A CN110163195 A CN 110163195A
Authority
CN
China
Prior art keywords
liver cancer
image
tested
divides group
prediction model
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
Application number
CN201810152046.3A
Other languages
English (en)
Inventor
黄宗祺
游家鑫
林仰贤
周贵鼎
廖英凯
林维卿
张戈
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.)
China Medical University Hospital
Original Assignee
China Medical University Hospital
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 China Medical University Hospital filed Critical China Medical University Hospital
Priority to CN201810152046.3A priority Critical patent/CN110163195A/zh
Publication of CN110163195A publication Critical patent/CN110163195A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • 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
    • G06T2207/30056—Liver; Hepatic
    • 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

本发明提供一种肝癌分群预测模型、其预测系统以及肝癌分群判断方法。该肝癌分群预测系统，其包含影像撷取单元和非暂态机器可读媒体。所述非暂态机器可读媒体储存程序，当程序由处理单元执行时用以预测受试肝癌患者的分群。所述程序包含参照资料库取得模块、第一影像前处理模块、特征选取模块、分类模块、第二影像前处理模块以及比对模块。借此所述肝癌分群预测系统可用以预测受试肝癌患者的肿瘤是否转移、受试肝癌患者的转移位置是否在腹腔以及受试肝癌患者是否带有肝炎病毒。

Description

肝癌分群预测模型、其预测系统以及肝癌分群判断方法
技术领域
本发明是有关于一种医疗资讯分析模型、系统以及方法，特别是一种肝癌分群预测模型、肝癌分群预测系统以及肝癌分群判断方法。
背景技术
肝癌(hepatocellular carcinoma)是指发生于肝脏或从肝脏开始的恶性肿瘤。肝癌的症状包括肋骨架右侧下方的肿块或疼痛、腹水、黄疸、容易瘀伤、体重减轻以及身体的虚弱。慢性B型肝炎及慢性C型肝炎是引起肝癌的主要原因，约有60％～70％的肝癌是由慢性B型肝炎引起，约20％的肝癌是由慢性C型肝炎所引起的。感染B型肝炎病毒或C型肝炎病毒之后，有一部份人会变成慢性肝炎，慢性肝炎可能会演变为肝硬化，最后再罹患肝癌。
目前的肝癌的确诊包括：一、检测是否罹患慢性B型肝炎或慢性C型肝炎。二、检验甲型胎儿蛋白(Alpha-Fetoprotein,AFP)指数是否升高(尤其是高于400ng/dL)。三、电脑断层扫描、血管摄影或磁振摄影显现肝癌的典型影像。上述三者具备二者即可诊断为肝癌，若不易确诊者可借助肝切片诊断。然而，上述确诊的方法仅能判断患者是否罹患肝癌，无法用于做为预测患者的预后状况，或对于肝癌患者进行分群，以进一步提供更精准的治疗方式。
由此可知，习用技术缺乏具有高指标性、较佳灵敏度及可应用于临床肝癌分群及预后分析的工具，因此，有必要针对习用技术加以改进，以准确预测肝癌患者的预后状况而改善其致死率。
发明内容
本发明的一态样是在提供一种肝癌分群预测模型，其是以下列步骤建立：取得参照资料库、进行影像前处理步骤、进行特征选取步骤以及进行分类步骤。所述参照资料库由多个参照肝癌患者的多个参照动脉相电脑断层影像而建立。影像前处理步骤是圈选所述参照电脑断层影像中的肿瘤位置以得到参照感兴趣区域(ROI)影像。特征选取步骤是根据所述参照资料库选取至少一个特征值，所述特征值包含利用Laws滤波器分析所述参照感兴趣区域影像后的纹理特征值。分类步骤是将所述特征值利用监督式学习法训练达到收敛，以得到所述肝癌分群预测模型。所述肝癌分群预测模型可用以预测受试肝癌患者的肿瘤是否转移、受试肝癌患者的转移位置是否在腹腔以及受试肝癌患者是否为带有肝炎病毒。
依据前述的肝癌分群预测模型，所述监督式学习法可为支持向量机(Supportvector Machine,SVM)。
依据前述的肝癌分群预测模型，其中当肝癌分群预测模型用以预测受试肝癌患者的肿瘤是否转移时，所述纹理特征值可包含参照感兴趣区域影像的整体强度数值(totalgray-level value,TGV)、对比度(contrast)、平均值(mean)、熵值(entropy)和均质度(homogeneity)。较佳地，特征选取步骤中所选取的特征值可更包含：利用小波(Wavelet)滤波器计算参照感兴趣区域影像的均质度；以及利用相邻灰度等级差异矩阵(NeighborhoodGray Tone Difference Matrix,NGTDM)滤波器计算参照感兴趣区域影像的粗糙度(coarseness)。
依据前述的肝癌分群预测模型，其中肝癌分群预测模型用以预测受试肝癌患者的转移位置是否在腹腔时，纹理特征值可包含参照感兴趣区域影像的均质度和对比度。较佳地，特征选取步骤中所选取的特征值可更包含利用灰阶共现矩阵(Gary level co-occurrence matrix,GLCM)滤波器计算参照感兴趣区域影像的相互关度(correlation)。
依据前述的肝癌分群预测模型，其中肝炎病毒可为B型肝炎病毒或C型肝炎病毒。当肝癌分群预测模型用以预测受试肝癌患者是否带有肝炎病毒时，纹理特征值可包含参照感兴趣区域影像的均质度。较佳地，特征选取步骤中所选取的特征值可更包含利用高斯拉普拉斯运算(Laplacian of Gaussian,LoG)滤波器计算参照感兴趣区域影像的最小值(min)和均质度。
本发明的另一态样是在提供一种肝癌分群判断方法，其包含下列步骤。提供肝癌分群预测模型，其是以下列步骤建立：取得参照资料库、进行影像前处理步骤、进行特征选取步骤以及进行分类步骤。所述参照资料库由多个参照肝癌患者的多个参照动脉相电脑断层影像而建立。影像前处理步骤是圈选所述参照电脑断层影像中肿瘤位置以得到参照感兴趣区域(ROI)影像。特征选取步骤是根据所述参照资料库选取至少一个特征值，所述特征值包含利用Laws滤波器分析所述参照感兴趣区域影像后的纹理特征值。分类步骤是将所述特征值利用监督式学习法训练达到收敛，以得到肝癌分群预测模型。提供受试肝癌患者的目标动脉相电脑断层影像。圈选所述目标动脉相电脑断层影像中的肿瘤位置以得到目标感兴趣区域影像。利用所述肝癌分群预测模型分析所述目标感兴趣区域影像，以判断受试肝癌患者的肿瘤是否转移、受试肝癌患者的转移位置是否在腹腔以及受试肝癌患者是否带有肝炎病毒。
依据前述的肝癌分群判断方法，其中受试肝癌患者的肿瘤是否转移的评估时间可为5年内。
依据前述的肝癌分群判断方法，其中肝炎病毒可为B型肝炎病毒或C型肝炎病毒。
本发明的再一态样是在提供一种肝癌分群预测系统，包含影像撷取单元和非暂态机器可读媒体。所述影像撷取单元用以取得受试肝癌患者的目标动脉相电脑断层影像。所述非暂态机器可读媒体储存程序，其中当所述程序由至少一个处理单元执行时，所述程序预测受试肝癌患者的分群。所述程序包含参照资料库取得模块、第一影像前处理模块、特征选取模块、分类模块、第二影像前处理模块以及比对模块。参照资料库取得模块用以取得参照资料库，所述参照资料库是由多个参照肝癌患者的多个参照动脉相电脑断层影像而建立。第一影像前处理模块用以圈选所述参照电脑断层影像中的肿瘤位置以得到参照感兴趣区域(ROI)影像。特征选取模块是根据所述参照资料库选取至少一个特征值，所述特征值包含利用Laws滤波器分析所述参照感兴趣区域影像后的纹理特征值。分类模块用以将所述特征值利用监督式学习法训练达到收敛，以得到肝癌分群预测模型。第二影像前处理模块用以圈选目标动脉相电脑断层影像中的肿瘤位置以得到目标感兴趣区域影像。比对模块用以将目标感兴趣区域影像以肝癌分群预测模型进行分析，以判断受试肝癌患者的肿瘤是否转移、受试肝癌患者的转移位置是否在腹腔以及受试肝癌患者是否带有肝炎病毒。
依据前述的肝癌分群预测系统，其中当肝癌分群预测系统用以判断受试肝癌患者的肿瘤是否转移时，纹理特征值可包含参照感兴趣区域影像的整体强度数值(total gray-level value,TGV)、对比度(contrast)、平均值(mean)、熵值(entropy)和均质度(homogeneity)。较佳地，特征选取模块所选取的特征值可更包含：利用小波(Wavelet)滤波器计算参照感兴趣区域影像的均质度(homogeneity)；以及利用相邻灰度等级差异矩阵(Neighborhood Gray Tone Difference Matrix,NGTDM)滤波器计算参照感兴趣区域影像的粗糙度(coarseness)。
依据前述的肝癌分群预测系统，其中当肝癌分群预测系统用以判断受试肝癌患者的转移位置是否在腹腔时，纹理特征值可包含参照感兴趣区域影像的均质度和对比度。较佳地，特征选取模块所选取的特征值可更包含利用灰阶共现矩阵(Gary level co-occurrence matrix,GLCM)滤波器计算参照感兴趣区域影像的相互关度(correlation)。
依据前述的肝癌分群预测系统，其中肝炎病毒可为B型肝炎病毒或C型肝炎病毒。当肝癌分群预测系统用以判断受试肝癌患者是否带有肝炎病毒时，纹理特征值可包含参照感兴趣区域影像的均质度。较佳地，特征选取模块所选取的特征值可更包含利用高斯拉普拉斯运算(Laplacian of Gaussian,LoG)滤波器计算参照感兴趣区域影像的最小值(min)和均质度。
借此，本发明提供一种肝癌分群预测模型、一种肝癌分群预测系统以及一种肝癌分群判断方法，可在肝癌病征不明显的疾病初期，借由个案的医学影像资料进行自动化且快速的数据分析，辅助医事人员进行判读而即早确诊。并通过高概率预测肿瘤转移人体其他位置，预先进行适当照护预防，将有效降低医疗成本与照护支出。此外，可通过非侵入检验提高检验精准度同时减少检测项目，降低患者不适感。并可作为医生用药的参考与患者疗效评估，协助医生精准用药，缩短患者试药期和降低不适感。
上述发明内容旨在提供本揭示内容的简化摘要，以使阅读者对本揭示内容具备基本的理解。此发明内容并非本揭示内容的完整概述，且其用意并非在指出本发明实施例的重要/关键元件或界定本发明的范围。
附图说明
为让本发明的上述和其他目的、特征、优点与实施例能更明显易懂，所附图式的说明如下:
图1绘示依照本发明的一实施方式的一种肝癌分群预测模型的建立步骤流程图。
图2绘示依照本发明另一实施方式的一种肝癌分群判断方法的步骤流程图。
图3绘示依照本发明再一实施方式的一种肝癌分群预测系统的方框图。
图4A为建立用于预测受试肝癌患者的肿瘤是否转移的肝癌分群预测模型的特征选取值的数量分析结果。
图4B为用于预测受试肝癌患者的肿瘤是否转移的肝癌分群预测模型于特征选取前的接收者操作特征曲线(receiver operating characteristic curve,ROC)图。
图4C为用于预测受试肝癌患者的肿瘤是否转移的肝癌分群预测模型经特征选取后的接收者操作特征曲线图。
图5A为建立用于预测受试肝癌患者的转移位置是否在腹腔的肝癌分群预测模型的特征选取值的数量分析结果。
图5B为用于预测受试肝癌患者的转移位置是否在腹腔的肝癌分群预测模型于特征选取前的接收者操作特征曲线图。
图5C为用于预测受试肝癌患者的转移位置是否在腹腔的肝癌分群预测模型经特征选取后的接收者操作特征曲线图。
图6A为建立用于预测受试肝癌患者是否带有肝炎病毒的肝癌分群预测模型的特征选取值的数量分析结果。
图6B为用于预测受试肝癌患者是否带有肝炎病毒的肝癌分群预测模型于特征选取前的接收者操作特征曲线图。
图6C为用于预测受试肝癌患者是否带有肝炎病毒的肝癌分群预测模型经特征选取后的接收者操作特征曲线图。
【主要元件符号说明】
100：肝癌分群预测模型的建立步骤
110、120、130、140：步骤
200：肝癌分群判断方法
210、220、230、240：步骤
300：肝癌分群预测系统
400：影像撷取单元
500：非暂态机器可读媒体
510：参照资料库取得模块
520：第一影像前处理模块
530：特征选取模块
540：分类模块
550：第二影像前处理模块
560：比对模块
具体实施方式
在以下详细叙述中，为了说明起见，阐述了许多特定的细节以完整地了解在此揭露的实施方式。然而，明显地，仍有一个或多个实施方式可在没有这些特定细节下执行。
请参照图1，绘示依照本发明的一实施方式的一种肝癌分群预测模型的建立步骤100流程图。本发明的肝癌分群预测模型的建立步骤100包含步骤110、步骤120、步骤130和步骤140，建立后的肝癌分群预测模型可用以预测受试肝癌患者的肿瘤是否转移、受试肝癌患者的转移位置是否在腹腔以及受试肝癌患者是否为带有肝炎病毒，其中所述肝炎病毒可为B型肝炎病毒或C型肝炎病毒。
步骤110是取得参照资料库，所述参照资料库由多个参照肝癌患者的多个参照动脉相电脑断层影像而建立。
步骤120是进行影像前处理步骤，是圈选所述参照电脑断层影像中的肿瘤位置以得到参照感兴趣区域(ROI)影像。在圈选参照感兴趣区域影像时，因在肝脏多期扫描电脑断层影像上，在未施打显影剂时期，肝肿瘤相较于正常组织呈现等低密度(iso-hypodense)，动脉相与静脉相皆呈现高密度(hypodense)，因此借由影像强度随血流灌注时期的变化而定义出肿瘤边界并手动圈选出来。
步骤130是进行特征选取步骤，是根据所述参照资料库选取至少一个特征值，所述特征值包含利用Laws滤波器分析所述参照感兴趣区域影像后的纹理特征值。其中Laws滤波器为纹理测量方法，其是建立代表强度(L)、边缘(E)及斑点(S)的三个一维核心向量，在三个轴向上选定各自核心向量进行卷积运算，可得27(33)种计算结果，由其结果再计算各式影像特征值。
当肝癌分群预测模型用以预测受试肝癌患者的肿瘤是否转移时，所述纹理特征值可包含参照感兴趣区域影像的整体强度数值(total gray-level value,TGV)、对比度(contrast)、平均值(mean)、熵值(entropy)和均质度(homogeneity)。较佳地，所选取的特征值可更包含利用小波(Wavelet)滤波器计算参照感兴趣区域影像的均质度，以及利用相邻灰度等级差异矩阵(Neighborhood Gray Tone Difference Matrix,NGTDM)滤波器计算参照感兴趣区域影像的粗糙度(coarseness)。其中小波滤波器采用低通滤波(Lowpass,L)与高通滤波(Highpass,H)在不同轴向进行信号拆解，获得8(23)种结果，再借由其卷积结果进行灰阶强度直方图统计，由此统计结果加以计算影像的均质度作为特征参数。相邻灰度等级差异矩阵滤波器用于描述影像强度随空间的变化以及变化强度，其中粗糙度是计算每个体素(voxel)与邻近体素的平均差异量同时也是代表空间变化率，即较高的粗糙度表示具有较低的空间变化率且具有相对均匀的纹理特征。
当肝癌分群预测模型用以预测受试肝癌患者的转移位置是否在腹腔时，所述纹理特征值可包含参照感兴趣区域影像的均质度和对比度。较佳地，所选取的特征值可更包含利用灰阶共现矩阵(Gary level co-occurrence matrix,GLCM)滤波器计算参照感兴趣区域影像的相互关度(correlation)。灰阶共现矩阵滤波器为将影像进行灰阶强度机率分布统计与灰阶强度几何分布的分析方法。利用建立好的灰阶共现矩阵，可计算各个体素(voxel)与其邻近体素之间的相互关度，所述相互关度的数值介于-1至1之间。
当肝癌分群预测模型用以预测受试肝癌患者是否带有肝炎病毒时，所述纹理特征值可包含参照感兴趣区域影像的均质度。较佳地，所选取的特征值可更包含利用高斯拉普拉斯运算(Laplacian of Gaussian,LoG)滤波器计算参照感兴趣区域影像的最小值(min)和均质度。高斯拉普拉斯运算滤波器为先采用拉普拉斯运算子对影像进行处理再接续使用高斯运算子达到边缘强化的带通滤波器。数值0.5及1.0为调控高斯曲线的标准差参数，由其运算结果挑选出最小值与均质度作为重要特征参数。
步骤140是进行分类步骤，是将所述特征值利用监督式学习法训练达到收敛，以得到所述肝癌分群预测模型。监督式学习演算法的效能会受到输入特征的数量以及其关联性的影响，特征选取主要是用来自原始特征集中挑选出有助于辨识结果的特征子集，而特征的选取将会影响最后的分类结果。进一步地说，分类步骤是同时输入特征值和多组参照感兴趣区域影像，并利用监督式学习法训练达到收敛以得到肝癌分群预测模型。所述监督式学习法可为差距分析(Gap analysis)、支持向量机(Support vector Machine,SVM)、信息增益属性评估方法(information gain attribute evaluation,IGAE)或上述方法的组合。较佳地，所述监督式学习法可为支持向量机。建立的肝癌分群预测模型可通过不同医学影像组合，对受试肝癌患者进行预测。进一步更可以结合参照肝癌患者的数据资料库，加上年龄，性别，病史与生理指标(如血压、心律)等资料，对受试肝癌患者进行更精准的预测。
请参照图2，绘示依照本发明另一实施方式的一种肝癌分群判断方法200的步骤流程图。本发明的肝癌分群判断方法200包含步骤210、步骤220、步骤230和步骤240。
步骤210是提供肝癌分群预测模型，而肝癌分群预测模型是经由前述步骤110至步骤140所建立。
步骤220是提供受试肝癌患者的目标动脉相电脑断层影像。
步骤230是圈选目标动脉相电脑断层影像中的肿瘤位置以得到目标感兴趣区域影像。在圈选参照感兴趣区域影像时，可借由影像强度随血流灌注时期的变化而定义出肿瘤边界并手动圈选出来。
步骤240是利用所述肝癌分群预测模型分析目标感兴趣区域影像，以判断受试肝癌患者的肿瘤是否转移、受试肝癌患者的转移位置是否在腹腔以及受试肝癌患者是否带有肝炎病毒。其中受试肝癌患者的肿瘤是否转移的评估时间为5年内，肝炎病毒为B型肝炎病毒或C型肝炎病毒。
请再参照图3，绘示依照本发明再一实施方式的一种肝癌分群预测系统300的方框图。本发明的肝癌分群预测系统300包含影像撷取单元400和非暂态机器可读媒体500。肝癌分群预测系统300可用以预测受试肝癌患者的肿瘤是否转移、受试肝癌患者的转移位置是否在腹腔以及受试肝癌患者是否为带有肝炎病毒，其中所述肝炎病毒可为B型肝炎病毒或C型肝炎病毒。
影像撷取单元400用以撷取参照肝癌患者的参照动脉相电脑断层影像，以及撷取受试肝癌患者的目标动脉相电脑断层影像。影像撷取单元可为穿透影像扫描机，较佳地，可为电脑断层扫描仪。
非暂态机器可读媒体500储存程序，其中当所述程序由至少一个处理单元执行时，所述程序预测受试肝癌患者的分群。所述程序包含参照资料库取得模块510、第一影像前处理模块520、特征选取模块530、分类模块540、第二影像前处理模块550以及比对模块560。
参照资料库取得模块510用以取得参照资料库，所述参照资料库是由多个参照肝癌患者的多个参照动脉相电脑断层影像而建立。
第一影像前处理模块520用以圈选所述参照电脑断层影像中的肿瘤位置以得到参照感兴趣区域(ROI)影像。
特征选取模块530是根据所述参照资料库选取至少一个特征值，所述特征值包含利用Laws滤波器分析所述参照感兴趣区域影像后的纹理特征值。当肝癌分群预测模型用以预测受试肝癌患者的肿瘤是否转移时，所述纹理特征值可包含参照感兴趣区域影像的整体强度数值、对比度、平均值、熵值和均质度。较佳地，所选取的特征值可更包含利用小波滤波器计算参照感兴趣区域影像的均质度，以及利用相邻灰度等级差异矩阵滤波器计算参照感兴趣区域影像的粗糙度。当肝癌分群预测模型用以预测受试肝癌患者的转移位置是否在腹腔时，所述纹理特征值可包含参照感兴趣区域影像的均质度和对比度。较佳地，所选取的特征值可更包含利用灰阶共现矩阵滤波器计算参照感兴趣区域影像的相互关度。当肝癌分群预测模型用以预测受试肝癌患者是否带有肝炎病毒时，所述纹理特征值可包含参照感兴趣区域影像的均质度。较佳地，所选取的特征值可更包含利用高斯拉普拉斯运算滤波器计算参照感兴趣区域影像的最小值和均质度。
分类模块540用以将所述特征值利用监督式学习法训练达到收敛，以得到肝癌分群预测模型。所述监督式学习法可为差距分析、支持向量机、信息增益属性评估方法或上述方法的组合。较佳地，所述监督式学习法可为支持向量机。
第二影像前处理模块550用以圈选目标动脉相电脑断层影像中的肿瘤位置以得到目标感兴趣区域影像。在圈选参照感兴趣区域影像时，可借由影像强度随血流灌注时期的变化而定义出肿瘤边界并手动圈选出来。
比对模块560用以将目标感兴趣区域影像以肝癌分群预测模型进行分析，以判断受试肝癌患者的肿瘤是否转移、受试肝癌患者的转移位置是否在腹腔以及受试肝癌患者是否带有肝炎病毒。
<试验例>
一、参照资料库
本发明所使用的参照资料库为中国医药大学暨附设医院所搜集的回溯性肝癌影像资料，其中包含受试者的动脉相电脑断层影像，为经中国医药大学暨附设医院研究伦理委员会(China Medical University&Hospital Research Ethics Committee)核准的临床试验计划，其编号为：NA/CMUH106-REC1-072。受试者为肝癌患者，本临床试验计画亦对患者的情况进行追踪，追踪时间长达五年。
二、用于预测受试肝癌患者的肿瘤是否转移
在本试验例中，需先建立用于预测受试肝癌患者的肿瘤是否转移的肝癌分群预测模型。首先，取得试验例一中的参照资料库，其是由参照肝癌患者的多个参照动脉相电脑断层影像所建立，并进一步结合参照肝癌患者的数据资料库，选出在5年内具有肝癌转移状况的参照肝癌患者。再依据影像强度圈选所述参照电脑断层影像中的肿瘤位置以得到参照感兴趣区域(ROI)影像。接着，根据所述参照资料库选取至少一个特征值，特征值的选取是利用支持向量机并通过分层交叉验证方法(Stratified K-fold)进行交叉验证(cross-validation)，以确定特征选取的数量和所选取的特征值。再同时将确定的特征值以及多组参照感兴趣区域影像输入支持向量机中，并训练达到收敛以得到用于预测受试肝癌患者的肿瘤是否转移的肝癌分群预测模型。
请参照图4A，图4A为建立用于预测受试肝癌患者的肿瘤是否转移的肝癌分群预测模型的特征选取值的数量分析结果。结果显示，当特征选取值的数量为10的时候可得到最佳的交叉验证分数(正确分类的数量)，因此在建立用于预测受试肝癌患者的肿瘤是否转移的肝癌分群预测模型时所使用的特征值为10种。进一步地来说，所选取的特征值为利用Laws滤波器分析所述参照感兴趣区域影像的整体强度数值、对比度、平均值、熵值和均质度、利用小波滤波器计算参照感兴趣区域影像的均质度，以及利用相邻灰度等级差异矩阵滤波器计算参照感兴趣区域影像的粗糙度。较佳地，所选取的特征值为Laws_EEE_TGV、Laws_ESE_TGV、Laws_LLS_TGV、Laws_LSS_TGV、Laws_ESE_contrast、Laws_EES_mean、Laws_LSL_entropy、Laws_SLL_homogeneity、wavelet_LLH_homogeneity和NGTDM_Coarseness。Laws表示Laws滤波器、wavelet表示小波滤波器、NGTDM表示相邻灰度等级差异矩阵滤波器、TGV表示整体强度数值、contrast表示对比度、mean表示平均值、entropy表示熵值、homogeneity表示均质度、Coarseness表示粗糙度。在利用Laws滤波器分析的纹理特征值中，E/S/L分别表示所使用的参数，其中L代表强度、E代表边缘及S代表斑点。在利用小波滤波器分析的特征值中，L/H分别表示所使用的参数，其中L代表低通滤波及H代表高通滤波。
在本试验例中进一步将所建立的肝癌分群预测模型用于预测受试肝癌患者的肿瘤是否转移。其步骤如下：提供用于预测受试肝癌患者的肿瘤是否转移的肝癌分群预测模型；提供受试肝癌患者的目标动脉相电脑断层影像；圈选目标动脉相电脑断层影像中的肿瘤位置以得到目标感兴趣区域影像；最后利用已建立好的用于预测受试肝癌患者的肿瘤是否转移的肝癌分群预测模型判断受试肝癌患者的肿瘤是否转移。判断标准为通过已建立好的用于预测受试肝癌患者的肿瘤是否转移的肝癌分群预测模型和参照资料库的资料进行相似性比对，并针对每个受试肝癌患者在不同试验指标(endpoint)给出一个机率值。
请再参照图4B和图4C，图4B为用于预测受试肝癌患者的肿瘤是否转移的肝癌分群预测模型于特征选取前的接收者操作特征曲线(receiver operating characteristiccurve,ROC)图，其是以983种特征值进行转移分类。图4C为用于预测受试肝癌患者的肿瘤是否转移的肝癌分群预测模型经特征选取后的接收者操作特征曲线图，其是以前述所选取的10种特征值进行转移分类。结果显示，当以未进行特征选取的用于预测受试肝癌患者的肿瘤是否转移的肝癌分群预测模型预测受试肝癌患者在5年内肿瘤是否会转移时，其平均曲线下面积(Area under the Curve,AUC)为75％。而以本发明的用于预测受试肝癌患者的肿瘤是否转移的肝癌分群预测模型预测受试肝癌患者在5年内肿瘤是否会转移时，其平均AUC可提高至90％，显示本发明的肝癌分群预测模型可用以精准的预测受试肝癌患者在5年内肿瘤是否会转移。
三、用于预测受试肝癌患者的转移位置是否在腹腔
在本试验例中，首先需建立用于预测受试肝癌患者的转移位置是否在腹腔的肝癌分群预测模型。首先，取得试验例一中的参照资料库，其是由参照肝癌患者的多个参照动脉相电脑断层影像所建立，并进一步结合参照肝癌患者的数据资料库，选出在具有肝癌转移状况且转移位置在腹腔的参照肝癌患者。再依据影像强度圈选所述参照电脑断层影像中的肿瘤位置以得到参照感兴趣区域影像。接着，根据所述参照资料库选取至少一个特征值，特征值的选取是利用支持向量机并通过分层交叉验证方法(Stratified K-fold)进行交叉验证(cross-validation)，以确定特征选取的数量和所选取的特征值。再同时将确定的特征值以及多组参照感兴趣区域影像输入支持向量机中，并训练达到收敛以得到用于预测受试肝癌患者的转移位置是否在腹腔的肝癌分群预测模型。
请参照图5A，图5A为建立用于预测受试肝癌患者的转移位置是否在腹腔的肝癌分群预测模型的特征选取值的数量分析结果。结果显示，当特征选取值的数量为3的时候可得到最佳的交叉验证分数(正确分类的数量)，因此在建立用于预测受试肝癌患者的肿瘤是否转移的肝癌分群预测模型时所使用的特征值为3种。进一步地来说，所选取的特征值为利用Laws滤波器分析所述参照感兴趣区域影像的均质度和对比度，以及利用灰阶共现矩阵滤波器计算参照感兴趣区域影像的相互关度。较佳地，所选取的特征值为Laws_ELS_homogeneity、Laws_SEE_contrast和GLCM_Correlation。其中Laws表示Laws滤波器、GLCM表示灰阶共现矩阵滤波器、homogeneity表示均质度、contrast表示对比度、Correlation表示相互关度。在利用Laws滤波器分析的纹理特征值中，E/S/L分别表示所使用的参数，其中L代表强度、E代表边缘及S代表斑点。
在本试验例中进一步将所建立的肝癌分群预测模型用于预测受试肝癌患者的转移位置是否在腹腔。其步骤如下：提供用于预测受试肝癌患者的转移位置是否在腹腔的肝癌分群预测模型；提供受试肝癌患者的目标动脉相电脑断层影像；圈选目标动脉相电脑断层影像中的肿瘤位置以得到目标感兴趣区域影像；最后利用已建立好的用于预测受试肝癌患者的转移位置是否在腹腔的肝癌分群预测模型来判断受试肝癌患者的肿瘤转移位置是否在腹腔。判断标准为通过已建立好的用于预测受试肝癌患者的转移位置是否在腹腔的肝癌分群预测模型和参照资料库的资料进行相似性比对，并针对每个受试肝癌患者在不同试验指标(endpoint)给出一个机率值。
请再参照图5B和图5C，图5B为用于预测受试肝癌患者的转移位置是否在腹腔的肝癌分群预测模型于特征选取前的接收者操作特征曲线图，其是以743种特征值进行转移分类。图5C为用于预测受试肝癌患者的转移位置是否在腹腔的肝癌分群预测模型经特征选取后的接收者操作特征曲线图，其是以前述所选取的3种特征值进行转移分类。结果显示，当以未进行特征选取的用于预测受试肝癌患者的转移位置是否在腹腔的肝癌分群预测模型预测受试肝癌患者在5年内肿瘤是否会转移时，其平均AUC为48％。而以本发明的用于预测受试肝癌患者的转移位置是否在腹腔的肝癌分群预测模型预测受试肝癌患者的肿瘤转移位置是否在腹腔时，其平均AUC可提高至75％，显示本发明的肝癌分群预测模型可用以精准的预测受试肝癌患者肿瘤的转移位置是否在腹腔。
四、用于预测受试肝癌患者是否带有肝炎病毒
在本试验例中，首先需建立用于预测受试肝癌患者是否带有肝炎病毒的肝癌分群预测模型。首先，取得试验例一中的参照资料库，其是由参照肝癌患者的多个参照动脉相电脑断层影像所建立，并进一步结合参照肝癌患者的数据资料库，选出带有B型肝炎或C型肝炎的参照肝癌患者。再依据影像强度圈选所述参照电脑断层影像中的肿瘤位置以得到参照感兴趣区域影像。接着，根据所述参照资料库选取至少一个特征值，特征值的选取是利用支持向量机并通过分层交叉验证方法(Stratified K-fold)进行交叉验证(cross-validation)，以确定特征选取的数量和所选取的特征值。再同时将确定的特征值以及多组参照感兴趣区域影像输入支持向量机中，并训练达到收敛以得到用于预测受试肝癌患者是否带有肝炎病毒的肝癌分群预测模型。
请参照图6A，图6A为建立用于预测受试肝癌患者是否带有肝炎病毒的肝癌分群预测模型的特征选取值的数量分析结果。结果显示，当特征选取值的数量为5的时候可得到最佳的交叉验证分数(正确分类的数量)，因此在建立用于预测受试肝癌患者是否带有肝炎病毒的肝癌分群预测模型时所使用的特征值为5种。进一步地来说，所选取的特征值为利用Laws滤波器分析所述参照感兴趣区域影像的均质度，以及利用高斯拉普拉斯运算滤波器计算参照感兴趣区域影像的最小值和均质度。较佳地，所选取的特征值为Laws_ELE_homogeneity、Laws_LSE_homogeneity、Laws_SEL_homogeneity、LoG_1_homogeneity和LoG_0.5_min。其中Laws表示Laws滤波器、LoG表示高斯拉普拉斯运算滤波器、homogeneity表示均质度、min表示最小值。在利用Laws滤波器分析的纹理特征值中，E/S/L分别表示所使用的参数，其中L代表强度、E代表边缘及S代表斑点。在利用LoG滤波器分析的特征值中，0.5/1.0分别表示调控高斯曲线的标准差参数。
在本试验例中进一步将所建立的肝癌分群预测模型用于预测受试肝癌患者是否带有肝炎病毒。其步骤如下：提供用于预测受试肝癌患者是否带有肝炎病毒的肝癌分群预测模型；提供受试肝癌患者的目标动脉相电脑断层影像；圈选目标动脉相电脑断层影像中的肿瘤位置以得到目标感兴趣区域影像；最后利用已建立好的用于预测受试肝癌患者是否带有肝炎病毒的肝癌分群预测模型来判断受试肝癌患者是否带有肝炎病毒。判断标准为通过已建立好的用于预测受试肝癌患者是否带有肝炎病毒的肝癌分群预测模型和参照资料库的资料进行相似性比对，并针对每个受试肝癌患者在不同试验指标(endpoint)给出一个机率值。
请参照图6B和图6C，图6B为用于预测受试肝癌患者是否带有肝炎病毒的肝癌分群预测模型于特征选取前的接收者操作特征曲线图，其是以839种特征值进行转移分类。图6C为用于预测受试肝癌患者是否带有肝炎病毒的肝癌分群预测模型经特征选取后的接收者操作特征曲线图，其是以前述所选取的5种特征值进行转移分类。结果显示，当以未进行特征选取的用于预测受试肝癌患者是否带有肝炎病毒的肝癌分群预测模型预测受试肝癌患者是否带有肝炎病毒时，其平均AUC为49％。而以本发明的用于预测受试肝癌患者是否带有肝炎病毒的肝癌分群预测模型预测受试肝癌患者是否带有肝炎病毒时，其平均AUC可提高至68％，显示本发明的肝癌分群预测模型可用以精准的预测受试肝癌患者是否带有肝炎病毒。
借此，本发明提供一种肝癌分群预测模型、一种肝癌分群预测系统以及一种肝癌分群判断方法，可在肝癌病征不明显的疾病初期，借由个案的医学影像资料进行自动化且快速的数据分析，辅助医事人员进行判读而即早确诊。通过本发明的肝癌分群预测模型、肝癌分群预测系统和肝癌分群判断方法，可协助量化肿瘤资讯而协助临床医师决定治疗策略。肝癌治疗策略依据病人状况可以分为局部性与全身性治疗，其进一步的治疗方式可包含手术切除、经导管栓塞、化疗、放射治疗、标靶药物以及免疫疗法。其中因免疫疗法与标靶药物治疗的治疗费用与并发副作用都较其他疗法高，通过本发明的肝癌分群预测模型、肝癌分群预测系统和肝癌分群判断方法可了解肿瘤特性，除可协助医生拟定治疗策略，也能协助患者降低治疗费用与并发副作用风险。
此外，本发明的肝癌分群预测模型、肝癌分群预测系统和肝癌分群判断方法，并通过高概率预测肿瘤是否会转移以及其转移位置。若转移风险高，依据转移位置预测，可进一步进行详细检查，并针对高转移风险位置定期追踪或进行预防性治疗和适当照护预防，以有效降低医疗成本与照护支出。
本发明的肝癌分群预测模型、肝癌分群预测系统和肝癌分群判断方法亦可通过非侵入检验提高检验精准度同时减少检测项目，降低患者不适感。例如若受试肝癌患者带有B型肝炎病毒或C型肝炎病毒，除上述治疗策略外，需配合同时给予抗病毒药物进行治疗辅助。因此本发明的肝癌分群预测模型、肝癌分群预测系统和肝癌分群判断方法可作为医生用药的参考与患者疗效评估，协助医生精准用药，缩短患者试药期和降低不适感。
虽然本发明已以实施方式揭露如上，然其并非用以限定本发明，任何熟习此技艺者，在不脱离本发明的精神和范围内，当可作各种的更动与润饰，因此本发明的保护范围当视申请专利范围所界定者为准。

Claims (20)

1.一种肝癌分群预测模型，其特征在于是以下列步骤建立：
取得参照资料库，其中该参照资料库由多个参照肝癌患者的多个参照动脉相电脑断层影像而建立；
进行影像前处理步骤，是圈选该些参照电脑断层影像中肿瘤位置以得到参照感兴趣区域影像；
进行特征选取步骤，是根据该参照资料库选取至少一个特征值，该特征值包含利用Laws滤波器分析该参照感兴趣区域影像后的纹理特征值；以及
进行分类步骤，是将该特征值利用监督式学习法训练达到收敛，以得到该肝癌分群预测模型，其中该肝癌分群预测模型能用以预测受试肝癌患者的肿瘤是否转移、该受试肝癌患者的转移位置是否在腹腔以及该受试肝癌患者是否为带有肝炎病毒。
2.根据权利要求1所述的肝癌分群预测模型，其特征在于：其中该监督式学习法为支持向量机。
3.根据权利要求1所述的肝癌分群预测模型，其特征在于：其中当该肝癌分群预测模型用以预测该受试肝癌患者的肿瘤是否转移时，该纹理特征值包含该参照感兴趣区域影像的整体强度数值、对比度、平均值、熵值和均质度。
4.根据权利要求3所述的肝癌分群预测模型，其特征在于：其中当该肝癌分群预测模型用以预测该受试肝癌患者的肿瘤是否转移时，该特征选取步骤中所选取的该特征值更包含：
利用小波滤波器计算该参照感兴趣区域影像的均质度；以及
利用相邻灰度等级差异矩阵滤波器计算该参照感兴趣区域影像的粗糙度。
5.根据权利要求1所述的肝癌分群预测模型，其特征在于：其中当该肝癌分群预测模型用以预测该受试肝癌患者的转移位置是否在腹腔时，该纹理特征值包含该参照感兴趣区域影像的均质度和对比度。
6.根据权利要求5所述的肝癌分群预测模型，其特征在于：其中当该肝癌分群预测模型用以预测该受试肝癌患者的转移位置是否在腹腔时，该特征选取步骤中所选取的该特征值更包含利用灰阶共现矩阵滤波器计算该参照感兴趣区域影像的相互关度。
7.根据权利要求1所述的肝癌分群预测模型，其特征在于：其中该肝炎病毒为B型肝炎病毒或C型肝炎病毒。
8.根据权利要求7所述的肝癌分群预测模型，其特征在于：其中当该肝癌分群预测模型用以预测该受试肝癌患者是否带有该肝炎病毒时，该纹理特征值包含该参照感兴趣区域影像的均质度。
9.根据权利要求8所述的肝癌分群预测模型，其特征在于：其中当该肝癌分群预测模型用以预测该受试肝癌患者是否带有该肝炎病毒时，该特征选取步骤中所选取的该特征值更包含利用高斯拉普拉斯运算滤波器计算该参照感兴趣区域影像的最小值和均质度。
10.一种肝癌分群判断方法，其特征在于包含：
提供如权利要求1的肝癌分群预测模型；
提供受试肝癌患者的目标动脉相电脑断层影像；
圈选该目标动脉相电脑断层影像中的肿瘤位置以得到目标感兴趣区域影像；以及
利用该肝癌分群预测模型分析该目标感兴趣区域影像，以判断该受试肝癌患者的肿瘤是否转移、该受试肝癌患者的转移位置是否在腹腔以及该受试肝癌患者是否带有肝炎病毒。
11.根据权利要求10所述的肝癌分群判断方法，其特征在于：其中该受试肝癌患者的肿瘤是否转移的评估时间为5年内。
12.根据权利要求10所述的肝癌分群判断方法，其特征在于：其中该肝炎病毒为B型肝炎病毒或C型肝炎病毒。
13.一种肝癌分群预测系统，其特征在于包含：
影像撷取单元，用以取得受试肝癌患者的目标动脉相电脑断层影像；以及
非暂态机器可读媒体，其储存程序，其中当该程序由至少一个处理单元执行时，该程序预测该受试肝癌患者的分群，该程序包含：
参照资料库取得模块，用以取得参照资料库，该参照资料库是由多个参照肝癌患者的多个参照动脉相电脑断层影像而建立；
第一影像前处理模块，用以圈选该些参照电脑断层影像中肿瘤位置以得到参照感兴趣区域(ROI)影像；
特征选取模块，是根据该参照资料库选取至少一个特征值，该特征值包含利用Laws滤波器分析该参照感兴趣区域影像后的纹理特征值；
分类模块，用以将该特征值利用监督式学习法训练达到收敛，以得到肝癌分群预测模型；
第二影像前处理模块，用以圈选该目标动脉相电脑断层影像中的肿瘤位置以得到目标感兴趣区域影像；以及
比对模块，用以将该目标感兴趣区域影像以该肝癌分群预测模型进行分析，以判断该受试肝癌患者的肿瘤是否转移、该受试肝癌患者的转移位置是否在腹腔以及该受试肝癌患者是否带有肝炎病毒。
14.根据权利要求13所述的肝癌分群预测系统，其特征在于：其中当该肝癌分群预测系统用以判断该受试肝癌患者的肿瘤是否转移时，该纹理特征值包含该参照感兴趣区域影像的整体强度数值、对比度、平均值、熵值和均质度。
15.根据权利要求14所述的肝癌分群预测系统，其特征在于：其中当该肝癌分群预测系统用以判断该受试肝癌患者的肿瘤是否转移时，该特征选取模块所选取的该特征值更包含：
利用小波滤波器计算该参照感兴趣区域影像的均质度；以及
利用相邻灰度等级差异矩阵滤波器计算该参照感兴趣区域影像的粗糙度。
16.根据权利要求13所述的肝癌分群预测系统，其特征在于：其中当该肝癌分群预测系统用以判断该受试肝癌患者的转移位置是否在腹腔时，该纹理特征值包含该参照感兴趣区域影像的均质度和对比度。
17.根据权利要求16所述的肝癌分群预测系统，其特征在于：其中当该肝癌分群预测系统用以判断该受试肝癌患者的转移位置是否在腹腔时，该特征选取模块所选取的该特征值更包含利用灰阶共现矩阵滤波器计算该参照感兴趣区域影像的相互关度。
18.根据权利要求13所述的肝癌分群预测系统，其特征在于：其中该肝炎病毒为B型肝炎病毒或C型肝炎病毒。
19.根据权利要求18所述的肝癌分群预测系统，其特征在于：其中当该肝癌分群预测系统用以判断该受试肝癌患者是否带有该肝炎病毒时，该纹理特征值包含该参照感兴趣区域影像的均质度。
20.根据权利要求18所述的肝癌分群预测系统，其特征在于：其中当该肝癌分群预测系统用以判断该受试肝癌患者是否带有该肝炎病毒时，该特征选取模块所选取的该特征值更包含利用高斯拉普拉斯运算滤波器计算该参照感兴趣区域影像的最小值和均质度。
CN201810152046.3A 2018-02-14 2018-02-14 肝癌分群预测模型、其预测系统以及肝癌分群判断方法 Pending CN110163195A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810152046.3A CN110163195A (zh) 2018-02-14 2018-02-14 肝癌分群预测模型、其预测系统以及肝癌分群判断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810152046.3A CN110163195A (zh) 2018-02-14 2018-02-14 肝癌分群预测模型、其预测系统以及肝癌分群判断方法

Publications (1)

Publication Number Publication Date
CN110163195A true CN110163195A (zh) 2019-08-23

Family

ID=67635616

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810152046.3A Pending CN110163195A (zh) 2018-02-14 2018-02-14 肝癌分群预测模型、其预测系统以及肝癌分群判断方法

Country Status (1)

Country Link
CN (1) CN110163195A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021052156A1 (zh) * 2019-09-18 2021-03-25 平安科技（深圳）有限公司 数据分析方法、装置、设备及计算机可读存储介质
CN113469905A (zh) * 2021-06-22 2021-10-01 吉林师范大学 一种基于复合正则化的低剂量ct投影域去噪方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101020066A (zh) * 2007-01-19 2007-08-22 山东大学 一种原位移植构建人类肝癌小鼠模型的方法
US20070208514A1 (en) * 2003-04-23 2007-09-06 Hiroshi Yatsuhashi Method of Preparing Disease Prognosis Model, Disease Prognosis Prediction Method using this Model, Prognosis Prediction Device Based on this Model, and Program for Performing the Device and Storage Medium Wherein Said Program is Stored
US20160260211A1 (en) * 2013-10-12 2016-09-08 H. Lee Moffitt Cancer Center And Research Institute, Inc. Systems and methods for diagnosing tumors in a subject by performing a quantitative analysis of texture-based features of a tumor object in a radiological image
CN106420692A (zh) * 2016-08-19 2017-02-22 云南中科灵长类生物医学重点实验室 黄曲霉素诱导猕猴肝纤维化模型的方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070208514A1 (en) * 2003-04-23 2007-09-06 Hiroshi Yatsuhashi Method of Preparing Disease Prognosis Model, Disease Prognosis Prediction Method using this Model, Prognosis Prediction Device Based on this Model, and Program for Performing the Device and Storage Medium Wherein Said Program is Stored
CN101020066A (zh) * 2007-01-19 2007-08-22 山东大学 一种原位移植构建人类肝癌小鼠模型的方法
US20160260211A1 (en) * 2013-10-12 2016-09-08 H. Lee Moffitt Cancer Center And Research Institute, Inc. Systems and methods for diagnosing tumors in a subject by performing a quantitative analysis of texture-based features of a tumor object in a radiological image
CN106420692A (zh) * 2016-08-19 2017-02-22 云南中科灵长类生物医学重点实验室 黄曲霉素诱导猕猴肝纤维化模型的方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021052156A1 (zh) * 2019-09-18 2021-03-25 平安科技（深圳）有限公司 数据分析方法、装置、设备及计算机可读存储介质
CN113469905A (zh) * 2021-06-22 2021-10-01 吉林师范大学 一种基于复合正则化的低剂量ct投影域去噪方法

Similar Documents

Publication Publication Date Title
Singh et al. Radiomics and radiogenomics in gliomas: a contemporary update
Su et al. Lung nodule detection based on faster R-CNN framework
Sun et al. Multiparametric MRI and radiomics in prostate cancer: a review
Chen et al. Computer-aided grading of gliomas combining automatic segmentation and radiomics
TWI668666B (zh) 肝癌分群預測模型、其預測系統以及肝癌分群判斷方法
Shukla et al. AI-DRIVEN novel approach for liver cancer screening and prediction using cascaded fully convolutional neural network
CN108694718A (zh) 直肠癌术前同期新辅助放化疗疗效评估系统和方法
US11790524B2 (en) System and method for quantitative volumetric assessment and modeling of tumor lesions
Narayanan et al. Multi-channeled MR brain image segmentation: A novel double optimization approach combined with clustering technique for tumor identification and tissue segmentation
Attanasio et al. Artificial intelligence, radiomics and other horizons in body composition assessment
Araújo et al. An automatic method for segmentation of liver lesions in computed tomography images using deep neural networks
Florez et al. Emergence of radiomics: novel methodology identifying imaging biomarkers of disease in diagnosis, response, and progression
Alksas et al. A novel computer-aided diagnostic system for early assessment of hepatocellular carcinoma
Chen et al. Generative adversarial network based cerebrovascular segmentation for time-of-flight magnetic resonance angiography image
Rastogi et al. Brain tumor segmentation and tumor prediction using 2D-Vnet deep learning architecture
Jain et al. A deep learning-based feature extraction model for classification brain tumor
CN110163195A (zh) 肝癌分群预测模型、其预测系统以及肝癌分群判断方法
Zhi et al. Deep neural network pulmonary nodule segmentation methods for CT images: Literature review and experimental comparisons
Wang et al. Radiomics and deep learning in nasopharyngeal carcinoma: a review
Zhang et al. An intelligent decision-making support system for the detection and staging of prostate cancer in developing countries
Li et al. Clinical study of diffusion-weighted imaging in the diagnosis of liver focal lesion
Bindu et al. Automated brain tumor detection and segmentation using modified UNet and ResNet model
Noguchi et al. A fundamental study assessing the diagnostic performance of deep learning for a brain metastasis detection task
Meswal et al. A weighted ensemble transfer learning approach for melanoma classification from skin lesion images
Huang et al. Extraction of media adventitia and luminal intima borders by reconstructing intravascular ultrasound image sequences with vascular structural continuity

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
CB03 Change of inventor or designer information

Inventor after: Huang Zongqi

Inventor after: You Jiaxin

Inventor after: Lin Yangxian

Inventor after: Liao Yingkai

Inventor after: Lin Weiqing

Inventor after: Zhang Ge

Inventor before: Huang Zongqi

Inventor before: You Jiaxin

Inventor before: Lin Yangxian

Inventor before: Zhou Guiding

Inventor before: Liao Yingkai

Inventor before: Lin Weiqing

Inventor before: Zhang Ge

CB03 Change of inventor or designer information
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20190823

WD01 Invention patent application deemed withdrawn after publication