CN110428396A - 一种基于ct影像的特征参数降维方法和系统 - Google Patents

一种基于ct影像的特征参数降维方法和系统 Download PDF

Info

Publication number
CN110428396A
CN110428396A CN201910554722.4A CN201910554722A CN110428396A CN 110428396 A CN110428396 A CN 110428396A CN 201910554722 A CN201910554722 A CN 201910554722A CN 110428396 A CN110428396 A CN 110428396A
Authority
CN
China
Prior art keywords
feature
images
conversion treatment
binary conversion
assignment
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
CN201910554722.4A
Other languages
English (en)
Inventor
刘春阳
张建华
金雯雯
李颖越
轩梦辉
孙晓茜
汪士杰
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.)
First Affiliated Hospital of Zhengzhou University
Original Assignee
First Affiliated Hospital of Zhengzhou 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 First Affiliated Hospital of Zhengzhou University filed Critical First Affiliated Hospital of Zhengzhou University
Priority to CN201910554722.4A priority Critical patent/CN110428396A/zh
Publication of CN110428396A publication Critical patent/CN110428396A/zh
Pending legal-status Critical Current

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • 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
    • G06T2207/30061—Lung
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明提供一种基于CT影像的特征参数降维方法和系统，方法包括如下步骤：选取CT影像的感兴趣区域；在CT影像的感兴趣区域选取与病理相关的特征，将其作为直观特征；根据设定权重对感兴趣区域进行二值化处理，筛选出权重大于设定权重的特征，将其作为二值化处理后的特征；通过直观特征和二值化处理后的特征进行赋值，对CT影像的特征参数降维。本发明提供的技术方案，能够通过对直观特征和二值化处理后的特征进行赋值，实现对CT影像特征参数的降维，从而解决现有技术中在对CT影像进行分析处理时由于特征过多而导致计算复杂的问题。

Description

一种基于CT影像的特征参数降维方法和系统
技术领域
本发明属于CT影像分析技术领域，具体涉及一种基于CT影像的特征参数降维方法和系统。
背景技术
影像学诊断主要从结节的大小、部位、内部特征、周边环境等进行评判。其主要诊断方法有X线胸片、计算机断层扫描(computed tomography，CT)、正电子发射断层扫描(positron emission tomography，PET)、正电子发射断层扫描/CT(psitron emissiontomography/CT，PET/CT)、核磁共振成像(magnetic resonance imaging，MRI)。CT是目前最有价值的影像学检查方法，通过CT影像分析，放射科医师可根据一些区域的特征判断疾病的良恶性，如结节越大，恶性病变的几率越大，70％的恶性结节位于上叶，这些区域被称为感兴趣区域。
研究利用不同方法筛选出与疾病的良、恶性密切相关的影像学指标，并纳入不同指标建立模型，利用先进的生物信息学技术对筛选出的肿瘤标记物进行分析，可以探讨它们的生物学功能以及在疾病形成和发展过程中的作用。对于现有的CT图像的特征提取，基本做法大都是先进行选择感兴趣区域，再进行特征的提取以及特征的降维以及归一化处理，然后得到降维后的特征向量集，将降维后的特征向量集归一化处理后作为分类系统的输入，为之后的支持向量机分类识别以及建模做好了基础。
但建立模型时，选择合适的特征子集纳入模型也是问题的关键，选择过多的特征会使计算复杂度提高，增加过度拟合的可能性，而选择过少的特征则会训练产生一个不可靠的分类器。
发明内容
本发明提供一种基于CT影像的特征参数降维方法，用于解决现有技术中在对CT影像进行分析处理时由于特征过多而导致计算复杂的问题；相应的，为了解决上述技术问题，本发明还提供了一种基于CT影像的特征参数降维系统。
为实现上述目的，本发明提供的技术方案为：
一种基于CT影像的特征参数降维方法，包括如下步骤：
(1)选取CT影像的感兴趣区域；
(2)在CT影像的感兴趣区域选取与病理相关的特征，将其作为直观特征；
(3)根据设定权重对感兴趣区域进行二值化处理，筛选出权重大于设定权重的特征，将其作为二值化处理后的特征；
(4)通过直观特征和二值化处理后的特征进行赋值，对CT影像的特征参数降维。
进一步的，步骤(1)中，将CT影像与对应的正常CT影像进行比对，将两者存在差异的区域作为CT影像的感兴趣区域。
进一步的，步骤(4)中根据特征的权重大小对直观特征和二值化处理后的特征参数进行赋值。
进一步的，步骤(4)中对直观特征参数和二值化处理后的特征参数进行赋值时，首先对其进行归一化处理。
进一步的，在对二值化处理后特征中的混合特征赋值时，首先获取二值化处理后白色区域的内切圆，然后根据各混合特征与该内切圆边界之间的距离，确定混合特征的赋值。
一种基于CT影像的特征参数降维系统，包括处理器和存储器，所述存储器上存储有用于在处理器上执行的计算机程序；所述处理器执行该计算机程序时，实现如些控制步骤：
(1)选取CT影像的感兴趣区域；
(2)在CT影像的感兴趣区域选取与病理相关的特征，将其作为直观特征；
(3)根据设定权重对感兴趣区域进行二值化处理，筛选出权重大于设定权重的特征，将其作为二值化处理后的特征；
(4)通过直观特征和二值化处理后的特征进行赋值，对CT影像的特征参数降维。
进一步的，步骤(1)中，将CT影像与对应的正常CT影像进行比对，将两者存在差异的区域作为CT影像的感兴趣区域。
进一步的，步骤(4)中根据特征的权重大小对直观特征和二值化处理后的特征参数进行赋值。
进一步的，步骤(4)中对直观特征参数和二值化处理后的特征参数进行赋值时，首先对其进行归一化处理。
进一步的，在对二值化处理后特征中的混合特征赋值时，首先获取二值化处理后白色区域的内切圆，然后根据各混合特征与该内切圆边界之间的距离，确定混合特征的赋值。
本发明所提供的技术方案，首先在CT感兴趣区域内选择与病理相关的直观特征，然后对感兴趣区域进行二值化处理，选择二值化处理后的特征，最后对直观特征和二值化处理后的特征进行赋值，实现对CT影像特征参数的降维，从而解决现有技术中在对CT影像进行分析处理时由于特征过多而导致计算复杂的问题。
附图说明
图1是本发明方法实施例中基于CT影像的特征参数降维方法的流程图；
图2a是本发明方法实施例中肺癌病例CT影像的肺窗图；
图2b是本发明方法实施例中肺癌病例CT影像的纵隔窗；
图2c是本发明方法实施例中肺癌病例的病理切片图；
图3是本发明方法实施例中感兴趣区域二值化处理后的示意图；
图4是本发明方法实施例中混合特征赋值的示意图。
具体实施方式
本实施例提供一种基于CT影像的特征参数降维方法，包括如下步骤：
(1)获取CT影像的感兴趣区域。
对于CT影像，每幅图像都包含大量的信息，如果全部提取图像的特征，可能会导致实验的复杂性。因此，本实施例在对CT影像进行病理分析时，根据病理特征将CT影像与正常的CT影像进行比较，选取CT影像中存在明显区别的区域，将其作为CT影像的感兴趣区域。
不同的病理有不同的病理特征，如孤立性肺结节CT影像选取边界特征作为病理特征，因为大多数恶性结节常表现为边界不规则或者有毛刺、分叶征，而良性结节则表现为边界光滑，并且结节的大小、空洞征等相关病理特征也能够作为孤立性肺结节的病理特征；肺癌CT影像的主要病理特征是在肺部出现球形结节或肿块等。本实施例中CT影像存在明显区别的区域是指根据病理确定的CT影像上存在病理特征的区域。
(2)在CT影像感兴趣区域提取与病理相关的直观特征。
获取CT影像的感兴趣区域后，从CT影像的感兴趣区域提取与病理相关的直观特征。
与病理相关的直观特征是容易提取的特征，并且对噪声和不相关的转换不敏感、具有区分能力的特征。本实施例中采用Meta分析法筛选出与病理相关的特征，这些特征可以初步判断该病理的大致情况，这些特征即为与病理相关的直观特征。作为其他实施方式，这些直观特征可以根据医师经验得到。
在采用Meta分析法筛选与病理相关的特征时，以国内外公开发表的关于先天性心脏病易感基因和有关先天性心脏病血清学标志物的临床文献研究为例。
首先检索易感基因的文献和血清标记物的文件，然后制定文件纳入和排除的标准，如纳入标准包括：研究内容为先天性心脏病易感基因或血清标志物的相关中英文文献；研究类型为回顾性研究；所有纳入的文献中，金标准为心脏超声或手术诊断，以先天性心脏病为实验组，以健康者为对照组，所有对象均不限定民族、年龄和性别等；根据文献能够获得实验组与对照组总例数及基因突变的例数，或者实验组与对照组血清标记物的水平，并以均数±标准差的形式表示；研究方法正确，过程规范；对于同一作者或同一研究单位的多次研究报道，采用其最新或最完整的报道；本研究纳入的文献均为全文，且语言均为中英文，并仅限于已公开发表的文献，所有数据均从原文获得。排除标准包括：病例未经金标准确诊；综述性文献、评论或讲座；资料分析方法有误或未提供；不能提取有效数据的文献；重复发表的论文；非病例对照研究。
最后采用RevMan5.1软件对纳入的文献进行Meta分析：采用Q统计量的I2检验来分析异质性，得到代表各文献之间的异质性是否显著的概率P1，如果概率P1大于0.05认为各文献间无明显的异质性，此时采用固定效应模型合并数据；如果概率P1小于0.05认为各文献间存在明显的异质性，此时采用随机效应模型合并数据。对于计数资料采用OR值为效应统计量，效应指标以合并OR值及95％置信区间表示，其中OR值为病例组中暴露人数与非暴露人数的比值除以对照组中暴露人数与非暴露人数的比值；对于计量资料采用SMD值做为效应统计量，效应指标以合并SMD值及95％置信区间表示。对合并统计量进行Z检验，得到代表病理特征与对于病理的相关性是否具有统计学意义的概率P2，如果P2不小于0.05表示多个研究合并统计量无统计学意义，如果P小于0.05则表示合并统计量有统计学意义。
(3)根据设定权重对CT影像的感兴趣区域进行二值化处理，筛选出权重大于设定权重的特征，将其作为CT影像感兴趣区域二值化处理后的特征。
特征的权重根据特征与病理的相关程度决定，特征与病理之间的相关性越强，该特征的权重越大。设定权重根据病理设定，不同病理的设定权重不同。
将CT影像感兴趣区域进行二值化处理后，使CT影像中的数据量减少，从而凸显出目标的轮廓。因此，根据设定阈值对CT影像感兴趣区域进行二值化处理，能够使整个CT影像呈现出明显的区别效果。
对CT影像感兴趣区域进行二值化处理后，得到权重大于设定权重值的特征，将这些特征作为CT影像感兴趣区域二值化处理后的特征。
(4)对CT影像感兴趣区域的直观特征和二值化处理后的特征进行赋值，对CT影像的特征参数降维。
在对CT影像感兴趣区域的直观特征和二值化处理后的特征进行赋值时，需要根据各特征的权重大小进行赋值，并且赋值时需要进行归一化处理，方法为：根据前面Meta分析方法得到该病理的良恶性特征的表现，根据其特征不同表现进行赋值。
比如SPN大小纵隔窗上前后径、左右径、上下径的平均值；结节部位的赋值根据结节所在的位置确定，结节所在的部位可能为可上叶、中叶、下叶、肺门、舌叶中的一种，当结节处于上叶时结节部位的赋值为10，当结节处于中叶时结节部位的赋值为5，当结节处于下叶时结节部位的赋值为0，肺门归为中叶，舌叶归为上叶；胸膜凹陷征的赋值方式为：胸膜凹陷征表现为自结节牵拉至胸膜的规则线条状阴影，胸膜凹入所呈现的典型喇叭口状阴影，有此征胸膜凹陷征赋值为10，否则赋值为0；强化的赋值根据强化的均匀程度赋值，当强化均匀时，强化的赋值为10；当强化的不均匀时强化的赋值为5，无强化时强化的赋值为0；血管集束征根据邻近血管向结节聚拢的程度进行赋值，如果邻近血管没有向结节聚拢，该特征的赋值为0，如果邻近血管向结节聚拢，则根据邻近血管与结节的聚拢程度在1-10之间赋值；空洞征根据空洞的有无进行赋值，如果有空洞则空洞征的赋值为10，否则空洞征的赋值为0。作为其他实施方式，也可以根据这些特征的表现进行赋值。
对CT感兴趣区域的二值化处理后的特征进行赋值时，在选取病理的感兴趣区域时，在感兴趣区域可能存在多种病理特征，即混合特征。赋值的方法如下：
统计二值化处理后白色区域像素的数量，即面积C；
求取轮廓边界的形状估计圆方程，得到其圆心；
求得距离该圆心最小距离，即内切圆的半径；
确定边缘与内切圆边界的距离比例进行相应的赋值。
下面采用上述的基于CT影像学的特征参数赋值方法对孤立性肺结节进行分析，以该方法进行详细说明。
采用德国Siemens Somatom Definiton 128排，软件版本为syngo CT2008G的CT机对患者进行扫描，选用欧乃派克350(碘海醇)为造影剂。CT机设置如下：剪切宽度64×2×0.6mm，层厚2mm及5mm，数据采集视场180mm，重建间距2mm及5mm，重建视场180mm，KVP100，像素尺寸：0.32\0.32，X线光管电流：110mA，采集矩阵：512×512。
获取CT影像后，对特征参数赋值的方法为：
(1)根据孤立性肺结节的病理，获取CT影像的感兴趣区域。
通过对CT影像分析，根据病理的特征与正常的特征进行比对，得到两者之间存在差异的区域，将其作为CT影像的感兴趣区域，如图2a、图2b和图2c所示。
(2)对CT影像的感兴趣区域进行直观特征提取。
提取的直观特征包括孤立性肺结节的直观特征包括结节大小、结节部位、空洞征、血管集束征和胸膜凹陷征。
(3)对CT影像的感兴趣区域进行二值化处理后，并提取其二值化处理后的特征。
感兴趣区域中的特征包括边界特征、毛刺征、分叶征、边缘光滑和晕征。
良性和恶性的孤立性肺结节均表现为边缘光滑，因此边缘光滑不具备判定意义，即边缘光滑的权重为0。
分叶征表现为病炤边缘有数个切迹，每相邻两个切迹间的轮廓外突，有浅分叶、中分叶和深分叶之分，且约有80％的肺癌出现深分叶，因此分叶征对诊断肺癌有着重要意义，将分叶征的权重设置为0.8。
毛刺征的出现通常是由于恶性肿瘤细胞沿肺间质增生长所致，其对恶性结节的阳性预测值达到90％，因此毛刺征对诊断肺癌也有着非常重要的意义，将毛刺征的权重设置为0.9。
晕征是指在结节周围的磨玻璃样密度影，形成模糊的边缘，其最初常被描述为侵袭曲霉菌病的典型征象，是出血性病变的表现，且多见于良性病变。
在对CT影像的感兴趣区域进行二值化处理时，选择的设定权重值为0.5，即筛除权重值小于50％的特征。对患者CT影像的感兴趣区域进行二值化处理后，得到腺癌病例肺部CT影像的感兴趣区域二值化处理图像如图3所示。
(3)对CT影像感兴趣区域的直观特征和二值化处理后的特征进行赋值。
CT影像感兴趣区域的直观特征包括结节大小、结节部位、空洞征、血管集束征和胸膜凹陷征，根据各特征对孤立性肺结节的影响对其进行赋值，赋值结果如表1所示。
表1
CT影像感兴趣区域二值化处理后的特征包括分叶征、毛刺征、边界特征和混合特征。边界特征的赋值根据肺部结节边缘与肺实质对比的清晰度在1到10之间取值，清晰度越高对应赋值越小。毛刺征的赋值根据毛刺的长短得到，无毛刺时赋值为0；如果为长毛刺，则毛刺征的赋值根据毛刺的长短在1-5之间取值，毛刺越长毛刺征赋值的取值越小；如果为短毛刺，则毛刺征的赋值根据毛刺的长短在6到10之间取值，毛刺越长毛刺征赋值约小。
分叶征的赋值根据每相邻两个切迹间的轮廓外突数量取值，当无分叶征时分叶征的赋值为0；每相邻两个切迹间的轮廓外突数量为1、2、3、4时，分叶征的赋值分别为2、4、6、8，每相邻两个切迹间的轮廓外突数量在4个以上时，分叶征的赋值为9或10。
对混合特征赋值的方法为：
首先统计二值化处理后白色区域图像的数量，即面积C；
其次求取轮廓边界的形状估计圆方程，得到圆心；
然后求得距离该圆心最小距离，就是内切圆的半径；
最后确定边缘与内切圆的边界的距离比例对混合特征进行赋值，边缘与内切圆的边界距离最长的混合特征的赋值为10，中间距离混合特征的赋值为5，最短距离混合特征的赋值为0，如图4所示。
利用统计方法对本实施例中的方法进行分析，以验证其赋值结果是否准确：
通过对10项CT影像学特征大小、部位、边界特征、毛刺征、分叶征、胸膜凹陷征、强化、血管集束征、空洞征以及混合特征进行赋值，以其作为协变量，SPN诊断结果为应变量，采用向前法作逐步Logistic回归分析筛选出对判定SPN良、恶性有意义的指标。
通过三次变量筛选，毛刺征、分叶征以及混合特征被选入Logistic回归模型，三者的P值均小于0.01，有统计学意义，其结果见表2。
表2

Claims (10)

1.一种基于CT影像的特征参数降维方法，其特征在于，包括如下步骤：
(1)选取CT影像的感兴趣区域；
(2)在CT影像的感兴趣区域选取与病理相关的特征，将其作为直观特征；
(3)根据设定权重对感兴趣区域进行二值化处理，筛选出权重大于设定权重的特征，将其作为二值化处理后的特征；
(4)通过直观特征和二值化处理后的特征进行赋值，对CT影像的特征参数降维。
2.根据权利要求1所述的基于CT影像的特征参数降维方法，其特征在于，步骤(1)中，将CT影像与对应的正常CT影像进行比对，将两者存在差异的区域作为CT影像的感兴趣区域。
3.根据权利要求1所述的基于CT影像的特征参数降维方法，其特征在于，步骤(4)中根据特征的权重大小对直观特征和二值化处理后的特征参数进行赋值。
4.根据权利要求3所述的基于CT影像的特征参数降维方法，其特征在于，步骤(4)中对直观特征参数和二值化处理后的特征参数进行赋值时，首先对其进行归一化处理。
5.根据权利要求1所述的基于CT影像的特征参数降维方法，其特征在于，在对二值化处理后特征中的混合特征赋值时，首先获取二值化处理后白色区域的内切圆，然后根据各混合特征与该内切圆边界之间的距离，确定混合特征的赋值。
6.一种基于CT影像的特征参数降维系统，包括处理器和存储器，所述存储器上存储有用于在处理器上执行的计算机程序；其特征在于，所述处理器执行该计算机程序时，实现如些控制步骤：
(1)选取CT影像的感兴趣区域；
(2)在CT影像的感兴趣区域选取与病理相关的特征，将其作为直观特征；
(3)根据设定权重对感兴趣区域进行二值化处理，筛选出权重大于设定权重的特征，将其作为二值化处理后的特征；
(4)通过直观特征和二值化处理后的特征进行赋值，对CT影像的特征参数降维。
7.根据权利要求6所述的基于CT影像的特征参数降维系统，其特征在于，步骤(1)中，将CT影像与对应的正常CT影像进行比对，将两者存在差异的区域作为CT影像的感兴趣区域。
8.根据权利要求6所述的基于CT影像的特征参数降维系统，其特征在于，步骤(4)中根据特征的权重大小对直观特征和二值化处理后的特征参数进行赋值。
9.根据权利要求8所述的基于CT影像的特征参数降维系统，其特征在于，步骤(4)中对直观特征参数和二值化处理后的特征参数进行赋值时，首先对其进行归一化处理。
10.根据权利要求6所述的基于CT影像的特征参数降维系统，其特征在于，在对二值化处理后特征中的混合特征赋值时，首先获取二值化处理后白色区域的内切圆，然后根据各混合特征与该内切圆边界之间的距离，确定混合特征的赋值。
CN201910554722.4A 2019-06-25 2019-06-25 一种基于ct影像的特征参数降维方法和系统 Pending CN110428396A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910554722.4A CN110428396A (zh) 2019-06-25 2019-06-25 一种基于ct影像的特征参数降维方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910554722.4A CN110428396A (zh) 2019-06-25 2019-06-25 一种基于ct影像的特征参数降维方法和系统

Publications (1)

Publication Number Publication Date
CN110428396A true CN110428396A (zh) 2019-11-08

Family

ID=68408627

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910554722.4A Pending CN110428396A (zh) 2019-06-25 2019-06-25 一种基于ct影像的特征参数降维方法和系统

Country Status (1)

Country Link
CN (1) CN110428396A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113947577A (zh) * 2021-10-18 2022-01-18 上海市精神卫生中心（上海市心理咨询培训中心） 基于健康人群分布实现脑影像特征归一化处理的方法、系统、装置、处理器及其存储介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102542562A (zh) * 2011-11-23 2012-07-04 首都医科大学 一种基于肺结节三正交位ct图像纹理的提取方法和预测肺癌方法
CN104732213A (zh) * 2015-03-23 2015-06-24 中山大学 一种基于乳腺磁共振图像的计算机辅助肿块检测方法
CN106485707A (zh) * 2016-10-11 2017-03-08 中国科学院苏州生物医学工程技术研究所 基于脑核磁共振图像的多维特征分类算法
CN106650693A (zh) * 2016-12-30 2017-05-10 河北三川科技有限公司 一种用于人脸比对的多特征融合识别算法
CN107945878A (zh) * 2017-11-16 2018-04-20 祁小龙 一种基于放射组学的肝静脉压力梯度计算模型的构建方法
CN108461145A (zh) * 2018-01-31 2018-08-28 北京工业大学 基于孕周理化信息变化的妊娠期高血压风险动态评估方法
CN108776962A (zh) * 2018-04-11 2018-11-09 浙江师范大学 一种构建肺肿瘤良恶性预测模型的方法
CN108875829A (zh) * 2018-06-20 2018-11-23 鲁东大学 一种乳腺肿瘤图像的分类方法及系统
CN109658411A (zh) * 2019-01-21 2019-04-19 杭州英库医疗科技有限公司 一种基于ct影像学特征与非小细胞肺癌患者预后情况的相关性分析方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102542562A (zh) * 2011-11-23 2012-07-04 首都医科大学 一种基于肺结节三正交位ct图像纹理的提取方法和预测肺癌方法
CN104732213A (zh) * 2015-03-23 2015-06-24 中山大学 一种基于乳腺磁共振图像的计算机辅助肿块检测方法
CN106485707A (zh) * 2016-10-11 2017-03-08 中国科学院苏州生物医学工程技术研究所 基于脑核磁共振图像的多维特征分类算法
CN106650693A (zh) * 2016-12-30 2017-05-10 河北三川科技有限公司 一种用于人脸比对的多特征融合识别算法
CN107945878A (zh) * 2017-11-16 2018-04-20 祁小龙 一种基于放射组学的肝静脉压力梯度计算模型的构建方法
CN108461145A (zh) * 2018-01-31 2018-08-28 北京工业大学 基于孕周理化信息变化的妊娠期高血压风险动态评估方法
CN108776962A (zh) * 2018-04-11 2018-11-09 浙江师范大学 一种构建肺肿瘤良恶性预测模型的方法
CN108875829A (zh) * 2018-06-20 2018-11-23 鲁东大学 一种乳腺肿瘤图像的分类方法及系统
CN109658411A (zh) * 2019-01-21 2019-04-19 杭州英库医疗科技有限公司 一种基于ct影像学特征与非小细胞肺癌患者预后情况的相关性分析方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
CHUANLIANG CHEN ET AL: ""Forecast model establishment and screening of correlative factors of malignant and benign solitary pulmonary nodules"", 《INT J CLIN EXP MED》 *
李江等: "《中医药科研思路与方法》", 30 September 2017 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113947577A (zh) * 2021-10-18 2022-01-18 上海市精神卫生中心（上海市心理咨询培训中心） 基于健康人群分布实现脑影像特征归一化处理的方法、系统、装置、处理器及其存储介质
CN113947577B (zh) * 2021-10-18 2022-06-28 上海市精神卫生中心（上海市心理咨询培训中心） 基于健康人群分布实现脑影像特征归一化处理的方法、系统、装置、处理器及其存储介质

Similar Documents

Publication Publication Date Title
Cascio et al. Automatic detection of lung nodules in CT datasets based on stable 3D mass–spring models
US10339648B2 (en) Quantitative predictors of tumor severity
Xu et al. DeepLN: a framework for automatic lung nodule detection using multi-resolution CT screening images
EP3806744B1 (en) Immediate workup
US9014456B2 (en) Computer aided diagnostic system incorporating appearance analysis for diagnosing malignant lung nodules
CN1934589A (zh) 为医学成像提供自动决策支持的系统和方法
Li et al. Molecular subtypes recognition of breast cancer in dynamic contrast-enhanced breast magnetic resonance imaging phenotypes from radiomics data
CN106530298A (zh) 一种基于三支决策的肝脏肿瘤ct图像分类方法
US20180053297A1 (en) Methods and Apparatuses for Detection of Abnormalities in Low-Contrast Images
Guo et al. DeepLN: an artificial intelligence-based automated system for lung cancer screening
He et al. Mammographic segmentation and risk classification using a novel binary model based bayes classifier
Florez et al. Emergence of radiomics: novel methodology identifying imaging biomarkers of disease in diagnosis, response, and progression
WO2021209887A1 (en) Rapid, accurate and machine-agnostic segmentation and quantification method and device for coronavirus ct-based diagnosis
CN114782307A (zh) 基于深度学习的增强ct影像直肠癌分期辅助诊断系统
Songsaeng et al. Multi-scale convolutional neural networks for classification of digital mammograms with breast calcifications
CN112508884A (zh) 一种癌变区域综合检测装置及方法
Leichter et al. Improved mammographic interpretation of masses using computer-aided diagnosis
Liu et al. The application of artificial intelligence to chest medical image analysis
CN110428396A (zh) 一种基于ct影像的特征参数降维方法和系统
CN116230237B (zh) 一种基于roi病灶特征的肺癌影响评价方法和系统
Oliver et al. Influence of using manual or automatic breast density information in a mass detection cad system
Hapfelmeier et al. Image feature evaluation in two new mammography CAD prototypes
Aggarwal et al. An efficient visualization and segmentation of lung ct scan images for early diagnosis of cancer
Wang et al. Automated machine-learning framework integrating histopathological and radiological information for predicting IDH1 mutation status in glioma
CN1820274A (zh) 使用机器学习来利用cad系统的常规使用期间所收集到的知识适配cad过程以对医学成像提供cad(计算机辅助决策 )支持

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20191108