CN110444294A - 一种基于感知神经网络的前列腺癌辅助分析方法及设备 - Google Patents
一种基于感知神经网络的前列腺癌辅助分析方法及设备 Download PDFInfo
- Publication number
- CN110444294A CN110444294A CN201910853299.8A CN201910853299A CN110444294A CN 110444294 A CN110444294 A CN 110444294A CN 201910853299 A CN201910853299 A CN 201910853299A CN 110444294 A CN110444294 A CN 110444294A
- Authority
- CN
- China
- Prior art keywords
- image
- concentration
- area
- acp
- medical 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.)
- Granted
Links
- 206010060862 Prostate cancer Diseases 0.000 title claims abstract description 97
- 208000000236 Prostatic Neoplasms Diseases 0.000 title claims abstract description 96
- 238000004458 analytical method Methods 0.000 title claims abstract description 70
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 51
- 230000008447 perception Effects 0.000 title abstract description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 92
- 201000010099 disease Diseases 0.000 claims abstract description 89
- 210000002307 prostate Anatomy 0.000 claims abstract description 19
- 238000012216 screening Methods 0.000 claims abstract description 10
- 230000006870 function Effects 0.000 claims description 92
- 230000003902 lesion Effects 0.000 claims description 53
- 102000007066 Prostate-Specific Antigen Human genes 0.000 claims description 39
- 108010072866 Prostate-Specific Antigen Proteins 0.000 claims description 39
- 238000000034 method Methods 0.000 claims description 37
- 239000003550 marker Substances 0.000 claims description 36
- 230000004913 activation Effects 0.000 claims description 26
- 102100035703 Prostatic acid phosphatase Human genes 0.000 claims description 21
- 210000003743 erythrocyte Anatomy 0.000 claims description 21
- 108010043671 prostatic acid phosphatase Proteins 0.000 claims description 21
- 238000002591 computed tomography Methods 0.000 claims description 19
- 101710181478 Envelope glycoprotein GP350 Proteins 0.000 claims description 17
- 102000001554 Hemoglobins Human genes 0.000 claims description 17
- 108010054147 Hemoglobins Proteins 0.000 claims description 17
- 230000036285 pathological change Effects 0.000 claims description 17
- 231100000915 pathological change Toxicity 0.000 claims description 17
- 230000008859 change Effects 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 14
- 238000007781 pre-processing Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 10
- 208000024891 symptom Diseases 0.000 claims description 9
- 238000011478 gradient descent method Methods 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 3
- 230000003213 activating effect Effects 0.000 claims 1
- 238000003745 diagnosis Methods 0.000 abstract description 33
- 206010028980 Neoplasm Diseases 0.000 abstract description 27
- 201000011510 cancer Diseases 0.000 abstract description 24
- 239000003814 drug Substances 0.000 abstract 1
- ARKHFOXARSJRGJ-UHFFFAOYSA-N 1-(6-aminohexyl)pyrrolidin-2-one Chemical compound NCCCCCCN1CCCC1=O ARKHFOXARSJRGJ-UHFFFAOYSA-N 0.000 description 37
- 101100261173 Arabidopsis thaliana TPS7 gene Proteins 0.000 description 14
- GLQOALGKMKUSBF-UHFFFAOYSA-N [amino(diphenyl)silyl]benzene Chemical compound C=1C=CC=CC=1[Si](C=1C=CC=CC=1)(N)C1=CC=CC=C1 GLQOALGKMKUSBF-UHFFFAOYSA-N 0.000 description 14
- 239000013598 vector Substances 0.000 description 13
- 238000010586 diagram Methods 0.000 description 12
- 238000002600 positron emission tomography Methods 0.000 description 10
- 239000000126 substance Substances 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 4
- FPIPGXGPPPQFEQ-UHFFFAOYSA-N 13-cis retinol Natural products OCC=C(C)C=CC=C(C)C=CC1=C(C)CCCC1(C)C FPIPGXGPPPQFEQ-UHFFFAOYSA-N 0.000 description 3
- FPIPGXGPPPQFEQ-BOOMUCAASA-N Vitamin A Natural products OC/C=C(/C)\C=C\C=C(\C)/C=C/C1=C(C)CCCC1(C)C FPIPGXGPPPQFEQ-BOOMUCAASA-N 0.000 description 3
- FPIPGXGPPPQFEQ-OVSJKPMPSA-N all-trans-retinol Chemical compound OC\C=C(/C)\C=C\C=C(/C)\C=C\C1=C(C)CCCC1(C)C FPIPGXGPPPQFEQ-OVSJKPMPSA-N 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 230000002068 genetic effect Effects 0.000 description 3
- 235000013372 meat Nutrition 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 239000000439 tumor marker Substances 0.000 description 3
- 235000019155 vitamin A Nutrition 0.000 description 3
- 239000011719 vitamin A Substances 0.000 description 3
- 229940045997 vitamin a Drugs 0.000 description 3
- 208000026350 Inborn Genetic disease Diseases 0.000 description 2
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 2
- 238000001574 biopsy Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 235000014113 dietary fatty acids Nutrition 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 229930195729 fatty acid Natural products 0.000 description 2
- 239000000194 fatty acid Substances 0.000 description 2
- 150000004665 fatty acids Chemical class 0.000 description 2
- 238000002599 functional magnetic resonance imaging Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 201000005202 lung cancer Diseases 0.000 description 2
- 208000020816 lung neoplasm Diseases 0.000 description 2
- 230000036210 malignancy Effects 0.000 description 2
- 238000012634 optical imaging Methods 0.000 description 2
- 208000017497 prostate disease Diseases 0.000 description 2
- 230000000391 smoking effect Effects 0.000 description 2
- 239000000758 substrate Substances 0.000 description 2
- 108091032973 (ribonucleotides)n+m Proteins 0.000 description 1
- 201000009030 Carcinoma Diseases 0.000 description 1
- 241000282412 Homo Species 0.000 description 1
- UPYKUZBSLRQECL-UKMVMLAPSA-N Lycopene Natural products CC(=C/C=C/C=C(C)/C=C/C=C(C)/C=C/C1C(=C)CCCC1(C)C)C=CC=C(/C)C=CC2C(=C)CCCC2(C)C UPYKUZBSLRQECL-UKMVMLAPSA-N 0.000 description 1
- 208000007433 Lymphatic Metastasis Diseases 0.000 description 1
- 208000024556 Mendelian disease Diseases 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 108091033411 PCA3 Proteins 0.000 description 1
- FOCVUCIESVLUNU-UHFFFAOYSA-N Thiotepa Chemical compound C1CN1P(N1CC1)(=S)N1CC1 FOCVUCIESVLUNU-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 208000009956 adenocarcinoma Diseases 0.000 description 1
- 201000008395 adenosquamous carcinoma Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000007469 bone scintigraphy Methods 0.000 description 1
- 150000001746 carotenes Chemical class 0.000 description 1
- 235000005473 carotenes Nutrition 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000001143 conditioned effect Effects 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000005911 diet Nutrition 0.000 description 1
- 230000037213 diet Effects 0.000 description 1
- 238000011549 displacement method Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000537 electroencephalography Methods 0.000 description 1
- 210000000981 epithelium Anatomy 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000003925 fat Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 208000016361 genetic disease Diseases 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 235000009200 high fat diet Nutrition 0.000 description 1
- 210000000987 immune system Anatomy 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007917 intracranial administration Methods 0.000 description 1
- 201000010985 invasive ductal carcinoma Diseases 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 210000004995 male reproductive system Anatomy 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000008506 pathogenesis Effects 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 239000002243 precursor Substances 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 201000005825 prostate adenocarcinoma Diseases 0.000 description 1
- 210000005267 prostate cell Anatomy 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 150000004671 saturated fatty acids Chemical class 0.000 description 1
- 235000003441 saturated fatty acids Nutrition 0.000 description 1
- 238000002603 single-photon emission computed tomography Methods 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 206010041823 squamous cell carcinoma Diseases 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
- 239000011573 trace mineral Substances 0.000 description 1
- 235000013619 trace mineral Nutrition 0.000 description 1
- NCYCYZXNIZJOKI-UHFFFAOYSA-N vitamin A aldehyde Natural products O=CC=C(C)C=CC=C(C)C=CC1=C(C)CCCC1(C)C NCYCYZXNIZJOKI-UHFFFAOYSA-N 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- 230000003936 working memory Effects 0.000 description 1
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
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10104—Positron emission tomography [PET]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Radiology & Medical Imaging (AREA)
- Biomedical Technology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于感知神经网络的前列腺癌辅助分析方法及设备，通过多个疾病指数和医学图像指数相结合为输入点，在医学大数据背景下不断调整神经网络的权重值和偏置值，通过调整两者的比例，形成基于神经网络的智能分析模型，该模型可帮助医生更精确地诊断前列腺患者。辅助分析方法及设备虽然可以提供癌症的可能临床阶段和历史决策结果，但只能作为医生的辅助诊断决策系统，不能完全取代医生。但是,它通过对癌症可能阶段的预测以及对图像进行筛选，筛选图像的最有效部分供医生参考，在很大程度上减轻了医生的工作负担，提高了医院的效率，大大提高了医生的诊断的准确性。
Description
技术领域
本发明涉及数据分析领域，特别是指一种基于感知神经网络的前列腺癌辅助分析方法及设备。
背景技术
前列腺癌(PCA)是一种发生在前列腺上皮恶性肿瘤的癌症，是人类特有的疾病。发病年龄主要在55岁以后，发病率也随着年龄的增长而增加。在欧洲和美国，男性癌症患者的发病率排名第一，而死亡率排名第二。在美国，前列腺癌的发病率已上升到第一位，死亡率仅次于肺癌。前列腺癌已成为欧美男性最常见的恶性肿瘤之一。
在像中国这样的发展中国家，发病率低于许多欧美国家。然而，由于发展中国家人口基数大，病例数同样不可低估。20世纪80年代以前，中国前列腺癌的发病率不到1/100000，发病率极低。但经过几十年的变化，前列腺癌的发病率现已超过5/100000，并且呈飞速增长状态，增长速度几乎是原来的5倍。2012年中国登记的前列腺癌发病率为9.92/100000，男性恶性肿瘤发病率居第六位；2018年，亚洲前列腺癌患者占18100001人，占全球新增患者总数的一半。
面对如此庞大及日益加速增长的前列腺癌患者，医生在努力提升自己的诊断效率、准确率的同时，还面临着庞大的医疗数据及图像。在目前的医院系统中，PET-CT(正电子发射计算机断层显像PET和计算机X射线断层显像CT)扫描每个患者将产生大约640张图像。如果以手动形式处理和筛选图像，将浪费大量的劳动力、物力和人力资源。如果所有图像都存储和处理，640个图像需要大约200万字节的空间，然而640个图像中只有一部分可以用作有效的处理信息，这将导致医疗系统资源的极大浪费。
发明内容
有鉴于此，本发明的目的在于提出一种能够解决快速分析甄别图像，辅助医生提高诊断效率及准确率的一种基于感知神经网络的前列腺癌辅助分析方法及设备。
基于上述目的，一方面，本发明提供了一种基于感知神经网络的前列腺癌辅助分析方法，包括：
获取历史患者的医学图像，对所述医学图像进行预处理并检测所述医学图像的图像边缘，利用弗里曼链码对所述图像边缘进行注释，得到病变区域的面积及灰度等级，根据所述面积及灰度等级生成图像指数输入；
获取历史患者的标记物浓度，根据所述标记物浓度整合生成疾病指数输入；
将所述图像指数输入及所述疾病指数输入作为神经网络的输入，通过激活函数调整权重值及偏置值，生成分析模型；
将用户的所述图像指数输入及所述疾病指数输入输入到所述分析模型，筛选出图像最有效部分及预估症状阶段，供医生参考。
在一些实施方式中，所述获取历史患者的医学图像，对所述医学图像进行预处理并检测所述医学图像的图像边缘，具体包括：
所述医学图像至少包括PET扫描图像及CT扫描图像；
对所述医学图像进行灰度处理，利用高斯模糊的方式得到医学图像函数，对所述医学图像函数求取偏导并得到所述医学图像点坐标与图像边缘强度的振幅及渐变方向的等位角之间的关系为
其中，x、y为医学图像点的x轴、y轴坐标值，M(x,y)为图像边缘强度的振幅，Q(x,y)为渐变方向的等位角，Gx(x,y)、Gy(x,y)分别为医学图像点在x轴、y轴的偏导值；
根据所述图像边缘强度的振幅及渐变方向的等位角确定所述图像边缘。
在一些实施方式中，
病变区域的面积为
其中，PArea为一幅图像的病变区域面积，n1为总点数，pix1[i]为i点的像素值，s[i]为i点的弗里曼链码；
病变区域的灰度等级为
其中，PGray-level为一幅图像的病变区域的灰度等级，nl为病变区域的总像素点，Vpi为单个像素点的像素值；
图像指数输入为AHP(t)＝{XArea,XGray-level}
其中AHP(t)为图像指数输入，{XArea,XGray-level}为病变区域的面积PArea及病变区域的灰度等级PGray-level的集合。
在一些实施方式中，所述获取历史患者的标记物浓度，根据所述标记物浓度整合生成疾病指数输入，具体包括：
所述标记物浓度至少包括前列腺酸磷酸酶浓度、前列腺膜抗原浓度、全前列腺特异性抗原浓度、游离前列腺特异性抗原浓度、血红蛋白浓度及红血球浓度；
所述疾病指数输入为
ACP(t)＝{XTPSA,XRBC,XHb,XFPSA,XPAP,XPSMA}
其中，ACP(t)为疾病指数输入，XTPSA、XRBC、XHb、XFPSA、XPAP、XPSMA分别为全前列腺特异性抗原浓度、红血球浓度、血红蛋白浓度、游离前列腺特异性抗原浓度、前列腺酸磷酸酶浓度、前列腺膜抗原浓度。
在一些实施方式中，所述通过激活函数调整权重值及偏置值，具体包括：
所述激活函数为Sigmoid函数
其中，f为Sigmoid函数，x为变量；
将所述神经网络中每一层的输出作为下一层的输入
其中，为当前层的输出，ACP(t)为疾病指数输入，m为层数，m＝0,1,…,M-1，M为神经网络的总层数，wm+1为当前层权重值，am为前一层的输出，bm+1为当前层的偏置值，fm+1为当前层的Sigmoid函数；
计算得到预期结果；
获取所述医学图像对应的实际结果，得到损失函数为
其中，E(ACP(t),AHP(t))(w,b)为损失函数，Ddesired result为预期结果，Dactual result为实际结果；
利用梯度下降方法使所述误差函数达到最小值得到最优解，通过所述最优解调整所述权重值及偏置值为
其中，w′(ACP(t),AHP(t))、b′(ACP(t),AHP(t))分别为最优权重值及最优偏置值，w(ACP(t),AHP(t))、b(ACP(t),AHP(t))分别为当前权重值及当前偏置值，η1、η2分别为权重值的学习效率及偏置值的学习效率，δ为损失函数在参数上的梯度。
另一方面，本发明还提供了一种基于感知神经网络的前列腺癌辅助分析设备，包括：
图像指数模块，获取历史患者的医学图像，对所述医学图像进行预处理并检测所述医学图像的图像边缘，利用弗里曼链码对所述图像边缘进行注释，得到病变区域的面积及灰度等级，根据所述面积及灰度等级生成图像指数输入；
疾病指数模块，获取历史患者的标记物浓度，根据所述标记物浓度整合生成疾病指数输入；
模型建立模块，将所述图像指数输入及所述疾病指数输入作为神经网络的输入，通过激活函数调整权重值及偏置值，生成分析模型；
输出模块，将用户的所述图像指数输入及所述疾病指数输入输入到所述分析模型，筛选出图像最有效部分及预估症状阶段，供医生参考。
在一些实施方式中，所述图像指数模块获取历史患者的医学图像，对所述医学图像进行预处理并检测所述医学图像的图像边缘，具体包括：
所述医学图像至少包括PET扫描图像及CT扫描图像；
对所述医学图像进行灰度处理，利用高斯模糊的方式得到医学图像函数，对所述医学图像函数求取偏导并得到所述医学图像点坐标与图像边缘强度的振幅及渐变方向的等位角之间的关系为
其中，x、y为医学图像点的x轴、y轴坐标值，M(x,y)为图像边缘强度的振幅，Q(x,y)为渐变方向的等位角，Gx(x,y)、Gy(x,y)分别为医学图像点在x轴、y轴的偏导值；
根据所述图像边缘强度的振幅及渐变方向的等位角确定所述图像边缘。
在一些实施方式中，
病变区域的面积为
其中，PArea为一幅图像的病变区域面积，n1为总点数，pix1[i]为i点的像素值，s[i]为i点的弗里曼链码；
病变区域的灰度等级为
其中，PGray-level为一幅图像的病变区域的灰度等级，nl为病变区域的总像素点，Vpi为单个像素点的像素值；
图像指数输入为
AHP(t)＝{XArea,XGray-level}
其中AHP(t)为图像指数输入，{XArea,XGray-level}为病变区域的面积PArea及病变区域的灰度等级PGray-level的集合。
在一些实施方式中，所述疾病指数模块获取历史患者的标记物浓度，根据所述标记物浓度整合生成疾病指数输入，具体包括：
所述标记物浓度至少包括前列腺酸磷酸酶浓度、前列腺膜抗原浓度、全前列腺特异性抗原浓度、游离前列腺特异性抗原浓度、血红蛋白浓度及红血球浓度；
所述疾病指数输入为
ACP(t)＝{XTPSA,XRBC,XHb,XFPSA,XPAP,XPSMA}
其中，ACP(t)为疾病指数输入，XTPSA、XRBC、XHb、XFPSA、XPAP、XPSMA分别为全前列腺特异性抗原浓度、红血球浓度、血红蛋白浓度、游离前列腺特异性抗原浓度、前列腺酸磷酸酶浓度、前列腺膜抗原浓度。
在一些实施方式中，所述模型建立模块通过激活函数调整权重值及偏置值，具体包括：
所述激活函数为Sigmoid函数
其中，f为Sigmoid函数，x为变量；
将所述神经网络中每一层的输出作为下一层的输入
其中，为当前层的输出，ACP(t)为疾病指数输入，m为层数，m＝0,1,…,M-1，M为神经网络的总层数，wm+1为当前层权重值，am为前一层的输出，bm+1为当前层的偏置值，fm+1为当前层的Sigmoid函数；
计算得到预期结果；
获取所述医学图像对应的实际结果，得到损失函数为
其中，E(ACP(t),HAP(t))(w,b)为损失函数，Ddesired result为预期结果，Dactual result为实际结果；
利用梯度下降方法使所述误差函数达到最小值得到最优解，通过所述最优解调整所述权重值及偏置值为
其中，w′(ACP(t),AHP(t))、b′(ACP(t),AHP(t))分别为最优权重值及最优偏置值，w(ACP(t),AHP(t))、b(ACP(t),AHP(t))分别为当前权重值及当前偏置值，η1、η2分别为权重值的学习效率及偏置值的学习效率，δ为损失函数在参数上的梯度。
从上面所述可以看出，本发明提供的一种基于感知神经网络的前列腺癌辅助分析方法及设备，通过多个疾病指数和医学图像指数相结合为输入点，在医学大数据背景下不断调整神经网络的权重值和偏置值，通过调整两者的比例，形成基于神经网络的智能分析模型，该模型可帮助医生更精确地诊断前列腺患者。辅助分析方法及设备虽然可以提供癌症的可能临床阶段和历史决策结果，但只能作为医生的辅助诊断决策系统，不能完全取代医生。但是,它通过对癌症可能阶段的预测以及对图像进行筛选，筛选图像的最有效部分供医生参考，在很大程度上减轻了医生的工作负担，提高了医院的效率，大大提高了医生的诊断的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提出的一种基于感知神经网络的前列腺癌辅助分析方法的流程示意图；
图2为本发明实施例提出的一种神经网络过程中使用的激活函数示意图；
图3为本发明实施例提出的一种前列腺癌的临床分期示意图；
图4为本发明实施例提出的一种基于感知神经网络的前列腺癌辅助分析方法的总体结构示意图；
图5为本发明实施例提出的前列腺癌病变的像素强度图像示意图；
图6为本发明实施例提出的前列腺癌病变的像素强度显示示意图；
图7为本发明实施例提出的灰度和梯度振幅示意图；
图8为本发明实施例提出的抑制图像和二进制图像输出示意图；
图9为本发明实施例提出的前列腺癌指数分布示意图；
图10为本发明实施例提出的从2011年至2015年在三家医院的TPSA值示意图；
图11为本发明实施例提出的从2011年至2015年在三家医院的FPSA/TPSA值示意图；
图12为本发明实施例提出的基因遗传对前列腺癌医学数据决策的影响示意图；
图13为本发明实施例提出的初、早、中、晚期四个阶段的治愈率示意图；
图14为本发明实施例提出的医生和系统的分析精确度示意图；
图15为本发明实施例提出的一种基于感知神经网络的前列腺癌辅助分析设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。
需要说明的是，本发明实施例中所有使用“第一”和“第二”的表述均是为了区分两个相同名称非相同的实体或者非相同的参量，可见“第一”“第二”仅为了表述的方便，不应理解为对本发明实施例的限定，后续实施例对此不再一一说明。
本发明实施例提供了一种基于感知神经网络的前列腺癌辅助分析方法，需要说明的是，辅助分析方法是一种基于机器学习的新型智能系统，其应用得到了社会的广泛认可。通过分析大量的历史案例，智能系统仍然能够极大地方便人们的生活，减轻相关的工作和生活负担。为了提高机器辅助诊断的准确性和合理性，在做出决策时不仅要利用简单的疾病指数，还要包括更重要的PET-CT图像进行图像指数分析，因为有时候图像可以更直接、更准确、更有效地判断疾病。因此，建立了基于感知神经网络的新决策模型，即基于感知神经网络的前列腺癌辅助分析方法。在本方法中疾病指数可以指示前列腺癌的可能分期阶段，图像指数可以对图像进行分析并指示前列腺癌在图像中可能的病变区域与病变密度，因此使两种指数构成模型的输入即疾病指数输入即图像指数输入，通过模型辅助医生快速找到图像的最有效部分及癌症可能的阶段，供医生参考。
如图1所示，为本发明实施例提出的一种基于感知神经网络的前列腺癌辅助分析方法的流程示意图。该方法具体包括以下步骤：
步骤101，获取历史患者的医学图像，对所述医学图像进行预处理并检测所述医学图像的图像边缘，利用弗里曼链码对所述图像边缘进行注释，得到病变区域的面积及灰度等级，根据所述面积及灰度等级生成图像指数输入。
本步骤旨在对得到的医学图像进行处理分析出图像中的病变区域面积及灰度等级，并生成由每幅图像中病变区域面积及灰度等级组成的图像指数输入。其中，医学图像可以为很多种，例如：脑电图(EEG)、单光子发射体层成像(SPECT)、正电子发射型计算机断层显像(PET)、功能性磁共振成像(fMRI)、侵入性光学成像(Invasive Optical Imaging)、颅内电极记录(Intracranial Recording)、脑皮层电图(ECoG)等；同时，图像边缘是指图像灰度变化率最大的地方，而确定图像灰度的方法有浮点算法、整数方法、位移方法、平均值法等等；另外图像指数输入为对图像进行处理后结果的集合，其可以是两个、三个或更多相关图像处理后结果的集合。其不同的医学图像及图像边缘获取方法只要能达到相应的目的，不同的方法均不会影响本发明的保护范围。
步骤102，获取历史患者的标记物浓度，根据所述标记物浓度整合生成疾病指数输入。
本步骤旨在获取疾病标记物浓度并生成疾病指数输入。其中，标记物可以为很多种，例如：前列腺酸磷酸酶(PAP)、前列腺膜抗原(PSMA)、全前列腺特异性抗原(TPSA)、游离前列腺特异性抗原(FPSA)、血红蛋白(Hb)、红血球(RBC)、前列腺特异性抗原(PSA)、前列腺特异性抗原前体(p2PSA)等等，整合可以为建立标记物浓度集合、以特定的计算方式将多种标记物浓度计算生成一个特定值或矢量等；疾病指数输入为标记物浓度的集合。其不同的标记物及整合方法只要能达到相应的目的，不同的方法均不会影响本发明的保护范围。
步骤103，将所述图像指数输入及所述疾病指数输入作为神经网络的输入，通过激活函数调整权重值及偏置值，生成分析模型。
本步骤旨在利用激活函数对神经网络中的两个输入进行权重值及偏置值的调整，使分析模型达到最佳状态。其中，激活函数的类型有多种，例如：sigmoid函数、tanh函数、ReLU函数等，其不同的激活函数对其中的系数调整分别有各自的计算方式，应用在本申请中则其调整权重值及偏置值的方式也各不相同。其不同的激活函数及调整方法只要能达到相应的目的，不同的方法均不会影响本发明的保护范围。
步骤104，将用户的所述图像指数输入及所述疾病指数输入输入到所述分析模型，筛选出图像最有效部分及预估症状阶段，供医生参考。
本步骤旨在将用户的医疗资料输入到训练好的分析模型中，并从中筛选出图像最有效部分及预估症状阶段，供医生参考，减少医生自己筛选图像的时间并给与医生对用户癌症阶段的初步印象，使医生更好的对用户的病情进行判断。
通过应用本申请的技术方案，该方案通过多个疾病指数和医学图像指数相结合为输入点，在医学大数据背景下不断调整神经网络的权重值和偏置值，通过调整两者的比例，形成基于神经网络的智能分析模型，该模型可帮助医生更精确地诊断前列腺患者。辅助分析方法及设备虽然可以提供癌症的可能临床阶段和历史决策结果，但只能作为医生的辅助诊断决策系统，不能完全取代医生。但是,它通过对癌症可能阶段的预测以及对图像进行筛选，筛选图像的最有效部分供医生参考，在很大程度上减轻了医生的工作负担，提高了医院的效率，大大提高了医生的诊断的准确性。
进一步的，为了找到一幅图像中的焦点区域，并找到焦点区域的图像边缘。在本申请的可选实施例中，所述获取历史患者的医学图像，对所述医学图像进行预处理并检测所述医学图像的图像边缘，具体包括：
所述医学图像至少包括PET扫描图像及CT扫描图像；
对所述医学图像进行灰度处理，利用高斯模糊的方式得到医学图像函数，对所述医学图像函数求取偏导并得到所述医学图像点坐标与图像边缘强度的振幅及渐变方向的等位角之间的关系为
其中，x、y为医学图像点的x轴、y轴坐标值，M(x,y)为图像边缘强度的振幅，Q(x,y)为渐变方向的等位角，Gx(x,y)、Gy(x,y)分别为医学图像点在x轴、y轴的偏导值；
根据所述图像边缘强度的振幅及渐变方向的等位角确定所述图像边缘。
进一步的，为了准确表达通过注释后的弗里曼链码得到的病变区域的面积及灰度等级。在本申请的可选实施例中，病变区域的面积为
其中，PArea为一幅图像的病变区域面积，n1为总点数，pix1[i]为i点的像素值，s[i]为i点的弗里曼链码；
病变区域的灰度等级为
其中，PGray-level为一幅图像的病变区域的灰度等级，nl为病变区域的总像素点，Vpi为单个像素点的像素值；
图像指数输入为
AHP(t)＝{XArea,XGray-level}
其中AHP(t)为图像指数输入，{XArea,XGray-level}为病变区域的面积PArea及病变区域的灰度等级PGray-level的集合。
进一步的，为了使疾病指数输入能够更为准确的表现疾病的相关指数，使系统获取的疾病指数为最有价值的信号标记物。在本申请的可选实施例中，所述获取历史患者的标记物浓度，根据所述标记物浓度整合生成疾病指数输入，具体包括：
所述标记物浓度至少包括前列腺酸磷酸酶浓度、前列腺膜抗原浓度、全前列腺特异性抗原浓度、游离前列腺特异性抗原浓度、血红蛋白浓度及红血球浓度；
所述疾病指数输入为
ACP(t)＝{XTPSA,XRBC,XHb,XFPSA,XPAP,XPSMA}
其中，ACP(t)为疾病指数输入，XTPSA、XRBC、XHb、XFPSA、XPAP、XPSMA分别为全前列腺特异性抗原浓度、红血球浓度、血红蛋白浓度、游离前列腺特异性抗原浓度、前列腺酸磷酸酶浓度、前列腺膜抗原浓度。
进一步的，为了使AHP(t)及ACP(t)通过权重值及偏置值的调控达到最优状态，从而输出更为精准的预测信息。在本申请的可选实施例中，所述通过激活函数调整权重值及偏置值，具体包括：
所述激活函数为Sigmoid函数
其中，f为Sigmoid函数，x为变量；
将所述神经网络中每一层的输出作为下一层的输入
其中，为当前层的输出，ACP(t)为疾病指数输入，m为层数，m＝0,1,…,M-1，M为神经网络的总层数，wm+1为当前层权重值，am为前一层的输出，bm+1为当前层的偏置值，fm+1为当前层的Sigmoid函数；
计算得到预期结果；
获取所述医学图像对应的实际结果，得到损失函数为
其中，E(ACP(t),AHP(t))(w,b)为损失函数，Ddesired result为预期结果，Dactual result为实际结果；
利用梯度下降方法使所述误差函数达到最小值得到最优解，通过所述最优解调整所述权重值及偏置值为
其中，w′(ACP(t),AHP(t))、b′(ACP(t),AHP(t))分别为最优权重值及最优偏置值，w(ACP(t),AHP(t))、b(ACP(t),AHP(t))分别为当前权重值及当前偏置值，η1、η2分别为权重值的学习效率及偏置值的学习效率，δ为损失函数在参数上的梯度。
在具体的应用场景中，第一步对历史医学图像的预处理过程。在一些医学图像中，可能有一些颜色标签，称之为图像的噪声。因此，需要对收集的前列腺癌医学图像进行第一步处理，即对前列腺癌图像进行灰度处理，以获得完整的灰度癌症图像：
PGray＝PR*α+PG*β+PB*γ
PR，PG和PB分别对应于原始图像中原始颜色图案的红、绿、蓝三种颜色。根据前列腺癌医学图像的特点，参数α的值范围为0.25～0.35，β值范围为0.55～0.65，γ值范围为0.1～0.2。
其中h(x,y,σ)为高斯模糊程度，σ为确定输入参数的高斯方差，以确定癌症图像的模糊程度，x、y是图像每个像素的坐标值。
然后在前列腺癌图像上对高斯模糊进行平滑处理，以获得经过处理的前列腺癌图像：
g(x,y)＝h(x,y,σ)*f(x,y)
其中g(x,y)为处理后的前列腺癌图像函数，f(x,y)为处理前的前列腺癌图像函数，*表示卷积，卷积将f(x,y)转换为二维模板，用于在癌症图像上进行卷积操作。
然后计算前列腺癌医学图像的梯度和振幅。图像渐变，渐变的方向是函数f(x,y)变化最快的方向。像素沿边缘方向轻轻变化，并显著垂直于边缘方向。差分运算符可以检测到边缘的这种变化，通常使用第一或第二导数来检测边。这里使用一阶有限差计算梯度的振幅和方向，
平滑和过滤后前列腺癌医学图像的梯度可用于计算坐标值x和y的部分导数，一阶有限差值近似为
其中，f′x(x,y)、Gx为f(x,y)在x轴上的偏导数，f′y(x,y)、Gy为f(x,y)在y轴上的偏导数。
在矩形坐标系中，坐标、振幅和方位角之间的关系为：
其中，x、y为医学图像点的x轴、y轴坐标值，M(x,y)为图像边缘强度的振幅，Q(x,y)为渐变方向的等位角，Gx(x,y)、Gy(x,y)分别为医学图像点在x轴、y轴的偏导值；
对于前列腺医学图像需要得到焦点区域，从而得到焦点区域的边缘图像。其中，M(x,y)表示反映癌症图像边缘强度的振幅；Q(x,y)表示反映渐变方向的等位角；因此，当M(x,y)获得地区最大值时，即为前列腺癌病变区域的边缘。
在检测到前列腺癌病变区域的边缘后，将尝试获得一个输入参数区域。该方法使用八向弗里曼链码来计算不规则区域，然后在链代码上执行前矢量和后矢量注释：
其中，s1[i]、s2[i]分别为前矢量注释和后矢量注释，pix1[i]为i点的像素值。
添加前矢量注释和后矢量注释，结果是：
其中，s[i]为i点的弗里曼链码，A为弗里曼链码方向。
最终目标区域可以表示为：
其中，PArea为一幅图像的病变区域面积，n1为总点数，pix1[i]为i点的像素值，s[i]为i点的弗里曼链码；
将原始图像转换为灰度图像后，可以计算模型输入的另一个参数：
其中，PGray-level为一幅图像的病变区域的灰度等级，nl为病变区域的总像素点，Vpi为单个像素点的像素值。
第二步为建立大数据环境下前列腺癌辅助分析方法的输入模型。在大数据背景下的前列腺癌辅助分析方法中，输入分为两部分。一部分是疾病指数输入ACP(t)。当筛查测试(如数字直肠检查(DRE)或前列腺特异性抗原(PSA)测试异常时，通常怀疑前列腺癌的出现和诊断。进行进一步的诊断测试，如磁共振成像(MRI)融合活检、PCA3、RNA测试、计算机断层扫描(CT)、随机12核活检、骨扫描等,可以准确评估肿瘤的严重程度。在这些测试结果中，肿瘤标记物是诊断、治疗和预后最有价值的信号。因此，前列腺疾病指数输入由六种疾病指数组成，分别为：前列腺酸磷酸酶(PAP)、前列腺膜抗原(PSMA)、全前列腺特异性抗原(TPSA)、游离前列腺特异性抗原(FPSA)、血红蛋白(Hb)、红血球(RBC)。结合这六个疾病指数的载体是本方法的一个输入：
ACP(t)＝{XTPSA,XRBC,XHb,XFPSA,XPAP,XPSMA}
其中，ACP(t)为疾病指数输入，XTPSA、XRBC、XHb、XFPSA、XPAP、XPSMA分别为全前列腺特异性抗原浓度、红血球浓度、血红蛋白浓度、游离前列腺特异性抗原浓度、前列腺酸磷酸酶浓度、前列腺膜抗原浓度。
前列腺癌疾病指数是协助诊断的重要指数，但单纯依靠疾病指数作为判断和判断显然过于肤浅和不足。因此，在以疾病指数为输入依据的基础上，系统还增加了部分输入图像指数输入AHP(t)。AHP(t)是两种医学图像指数：患者拍摄的正电子发射计算机断层扫描(PET)和计算机X射线断层扫描(CT)产生的病变面积和病变区域密度。这两个指数构成一个矢量AHP(t),作为本方法的另一个输入：
AHP(t)＝{XArea,XGray-level}
其中AHP(t)为图像指数输入，{XArea,XGray-level}为病变区域的面积PArea及病变区域的灰度等级PGray-level的集合；
输入模型不仅是理论机辅助分析的开始，也是神经网络输入层中两个输入神经网络模型的开始。
第三步为建立大数据环境下的机器辅助前列腺癌分析方法的神经网络模型。这一阶段分为两部分：第一部分是疾病指数和医学图像指数权重的合理评价和分配；第二部分是辅助分析方法的分析过程，通过调整肿瘤标记物的权重值和偏置值，得出了初步的分析结果。
神经网络模型根据前列腺癌的诊断过程分为两部分。一部分是通过早期收集大量前列腺癌病例的统计作为培养数据信息的模型，目标是不断调整各点之间的权重和偏差。依据六种不同的疾病指数(肿瘤标记)：前列腺酸磷酸酶(PAP)、前列腺膜抗原(PSMA)、全前列腺特异性抗原(TPSA)、游离前列腺特异性抗原(FPSA)、血红蛋白(Hb)、红血球(RBC)，由向量输入生成ACP(t)，得到疾病指数的返回误差，以调整辅助分析方法的参数。
另一部分为早期采集和计数的大量前列腺癌病例图像，通过初步预处理获得的两个医学图像指数作为模型培养的数据信息，以不断调整权重和不同点之间的偏差。根据正电子发射型计算机断层扫描(PET)和计算机X射线断层扫描(CT)两种医学图像指数：病变面积和病变区域密度生成的载体AHP(t)作为输入，得到疾病指数的返回误差，以调整辅助分析方法的参数。
因此，两个部分的输入可以通过矢量表示如下：
ACP(t)＝{XTPSA,XRBC,XHb,XFPSA,XPAP,XPSMA}
AHP(t)＝{XArea,XGray-level}
当由6个肿瘤标记物浓度和2个医学图像指数生成的ACP(t)和AHP(t)输入到神经网络之后，神经元之间的权重被调整以形成下一个神经元的输入，每个神经元都有相应的激活功能，用于处理数据。
本具体实施例选择的激活函数是Sigmoid函数，Sigmoid函数是生物学中常见的S形函数,也称为S型生长曲线。因为它的值范围是(0,1)，前列腺癌的输入向量ACP(t)和AHP(t)可以映射到间隔(0,1)。在前列腺癌的大数据医学辅助分析过程中，神经网络的上层和下层之间没有线性连接，这些特征之间的差异是复杂的，但差异并不大。因此，Sigmoid函数是本方法的合适选择。
其中，f为Sigmoid函数，x为变量；Sigmoid激活函数的激活曲线如图2所示。
在多层网络中，上一层的输出将用作后一层的输入：
其中，为当前层的输出，ACP(t)为疾病指数输入，m为层数，m＝0,1,…,M-1，M为神经网络的总层数，wm+1为当前层权重值，am为前一层的输出，bm+1为当前层的偏置值，fm+1为当前层的Sigmoid函数。
六个疾病指数和两个医学图像指数可以按权重计算，以获得最终的癌症结果，称之为预期结果(the Desired result)。比较预期结果和实际结果(actual results)，损失函数将按照梯度下降方法达到最小值。目的是通过调整权重，使诊断决策结果越来越接近实际值，使权重和偏置达到“完美”状态。预期结果和实际结果的损失函数为：
其中，E(ACP(t),AHP(t))(w,b)为损失函数，Ddesired result为预期结果，Dactual result为实际结果。
其中，节点数n作为最终输出，诊断前列腺癌下大数据的预期结果与实际结果将是前列腺癌的分化值，本具体实施例最终要达到的目标是获得价值，即尽量减少前列腺癌的分化值。当它达到一定的小值时即为最优解，最后，通过最优解来调整权重值和偏置值，优化后的权重值和偏置值为：
其中，w′(ACP(t),AHP(t))、b′(ACP(t),AHP(t))分别为最优权重值及最优偏置值，w(ACP(t),AHP(t))、b(ACP(t),AHP(t))分别为当前权重值及当前偏置值，η1、η2分别为权重值的学习效率及偏置值的学习效率，δ为损失函数在参数上的梯度。
诊断精度是整个模型的基本要求。精度越高，辅助分析方法越完善。调整权重值、偏置值、诊断精度的目的是通过6个肿瘤标记物浓度和2个医学图像指数生成的2个输入ACP(t)、AHP(t)，通过调整权重值及偏置值的分布，得到最终的诊断决定结果。
第四步，大数据环境下前列腺癌辅助分析方法的决策模型。
在决策模型中，规则推理模型是从基于规则的专家系统(人工智能领域的专家系统分支)中引入的一种新的权重调整算法。在具体应用场景中，采用基于规则推理的更简单的专家系统模型。规则推理模型的规则库是由规则表示的知识集组成，其中包括推理执行所需的知识。如图3所示，在前列腺癌的诊断过程中，低水平前列腺癌临床症状并不特别明显，但在前列腺癌临床症状水平较高的情况下，前列腺癌的研究情况也很明显。实验发现当患者临床期前列腺癌在中期或晚期时图像特征比初期或早期时更明显。因此，如果有前列腺疾病的步骤、医学图像指数的索引和辅助诊断还处于初期或早期，则可能导致疾病指数权重大于图像指数权重。
在基于规则的推理模型的工作记忆中，将有推理执行所需的完整数据集，通过分析前列腺癌的不同临床阶段指数特征的变化，可以大致获得一个分析结果。
最后，当两个诊断结果作为条件时，为了完成推理过程，必须确定当前周期中需要激活哪个规则。在具体应用场景中，每个诊断都是一个明确的值，并且每组条件在工作区中都有相应的数据。因此，在确定条件时，即可确定相应的规则，并且通常不会出现规则冲突。
在具体应用场景中，通过基于规则的推理模型，可以得出最终结果。基于此结果，根据最终产值(DPC)执行癌症分期，然后进行癌症辅助分析。根据肿瘤淋巴结转移、肿瘤结、TNM指南，前列腺癌主要分为四个阶段：初期、早期、中期和晚期。根据最终产值(DPC)，对前列腺癌的临床分期进行了全面评估。
为了进一步阐述本发明的技术思想，现结合具体的应用场景，对本发明的技术方案进行说明。
在具体应用场景中，从中国三家一流医院收集了所需的全部医疗信息：湘雅医院、湘雅第二医院和湘雅第三医院，并将这些信息分类。此外，数据中心从不同方面收集各种信息，帮助进行系统辅助分析。
系统收集了大量的前列腺癌医学数据，并做了相应的分类统计和预处理，然后进行相应的记录工作。由于收集了大量的医疗数据，虽然都是与前列腺癌有关的医学数据，但该系统只会使用部分医疗数据。因此，为了保证实验的顺利进行及其合理性和准确性，系统从三院收集的数据中提取了8000余例前列腺患者数据，并提取了16143项系统化、结构化和从患者的数据中提取的有效信息。
在对前述测试集的超过8000个前列腺患者的分析和测试之后，辅助分析系统需要进行参数设置：(1)初始化权重确定，初始化权重应被设置成不同的值，因此，对于权重的初始化，将伴随一个随机发生程序，以生成一组0～0.5的随机数作为网络的初始权重；(2)最低训练率，因为训练速率会自动调整，故初始值可设置为0.9；(3)动态系数,一般为0.6～0.8；(4)允许的损失为0.001～0.00001。
根据正电子发射计算机断层扫描(PET)和计算X射线机断层扫描(CT)生成的两个医学图像指数，对智能系统图像索引初始化信息进行预处理，获得病变区域和灰度等级两个图像指数，生成的矢量AHP(t)，作为辅助分析系统的一个初始输入。
在这个过程中，由于前列腺癌图像具有很大的噪声，因此在实验前对大量的前列腺癌图像进行了预实验，并针对前列腺癌图像处理的各种参数由筛选器和双阈值计算并灰显。图像的后处理如图4所示。将病变区域的边缘强度与周围边缘强度进行比较，生成的边缘范围将更加精确，并确保最终辅助分析系统正确诊断。如图5和图6所示，显示了检测后边缘像素的强度与周围像素的强度，进行比较后可以清楚地看到，边缘强度远远高于周围的像素强度。
整个预处理过程是先对图像执行灰度处理，然后计算灰度图像的梯度振幅，进行非最大值抑制、阈值处理最终获得二进制图像输出，并获得一个二进制值，用于计算病变区域面积。图像依据弗里曼链码来进行计算不规则连接图，如图7和图8所示。在获取两部分数据指数后，系统使用数据指数生成向量作为系统模型的初始输入。只有准确的指数数据才能做出准确的辅助诊断。
在8000多名前列腺患者的大数据环境中，辅助分析系统训练数据以获得相应的权重。系统对前列腺癌的四个临床阶段有特定的数值划分。在疾病指数方面，系统获取了前列腺酸磷酸酶(PAP)、前列腺膜抗原(PSMA)、前列腺酸磷酸酶(PAP)、前列腺膜抗原(PSMA)、全前列腺特异性抗原(TPSA)、游离前列腺特异性抗原(FPSA)、血红蛋白(Hb)、红血球(RBC)的物质浓度。在图像指数方面，获取了患者拍摄的正电子发射计算机断层扫描(PET)和计算机X射线断层扫描(CT)。因此，在前列腺癌疾病指数和医学图像指数两个模块中，根据每个疾病指数的权重和医学图像指数加上训练结果数据，系统将给出每个节点之间的合理权重。前列腺癌疾病指数和图像指数的权重分布如图9所示。
由于医学图像在前列腺癌早期没有明显的特征，因此需要将疾病指数和图像指数的合理分配权重划分为四种情况。(1)当疾病指数和图像指数都指向初期和早期时，设定疾病指数权重略大于图像指数。(2)当疾病指数和图像指数都指向中期和晚期时，设定的疾病指数权重略小于图像指数。另外两种情况较为不同的是，其疾病指数模型的临床阶段与医学图像模型有很大的不同。因为图像检测的说服力在前列腺癌的早期、初期阶段非常小。因此，为了保证准确性和合理性，权重设计进行了以下处理：(3)当图像指数指向初期和早期，疾病指数指向中期和晚期时，设定的疾病指数的权重远远大于图像指数。(4)当图像指数指向中期和晚期，疾病指数指向初期和早期时，设定的疾病指数的权重比图像指数要小得多。
TPSA是前列腺癌的一种特殊标志物，对早期无明显症状的前列腺癌的诊断也具有重要意义。如图10所示，某患者在2011年至2015年的五年中，TPSA的平均值从18.63纳克/毫升增加到45.2纳克/毫升，在2013年达到峰值，但从2013年到2015年开始下降。近五年的趋势表明，前列腺患者的状况得到有效控制。一般认为患者的TPSA低于4纳克/毫升或者TPSA大于10纳克/毫升，则表明患者是前列腺癌患者的风险增加。当平均水平超过50纳克/毫升时，患者很可能患有前列腺癌。
FSPA/TSPA是辅助分析系统的另一个重要诊断指标，也是辅助诊断和治疗的重要基础。如图11所示，FPSA/TPSA的正常范围约为0.25，但在2011年至2015年的五年中，FPSA/TPSA值低于了0.25，且从2011年至2014年呈下降趋势。FPSA/TPSA的值在2014年已降至0.05，而当FPSA/TPSA低于0.1时，癌症发病率将高达56％。这表明，大多数前列腺癌患者在这段时间内病情已经恶化，并且没有得到很好的控制。在这些规整化的医疗数据中，可以进一步认识到，在这五年中，三家医院的大多数患者都处于癌症中、晚期的阶段。
到目前为止，前列腺癌的病因被分为两个主要诱因。其中一个是基因导致前列腺癌。为了证明这种说法，从2011年至2015年数据中从所有主要前列腺患者中提取了数据，并做了如图6所示的分析。如图12所示，对于一个危险的数据比例，设置非继承患者的数量为1，基因患者是无继承病人的倍数。从数以万计的数据中，可以大致得出两个结论：一是遗传性疾病患者人数是患者总数的五倍以上，这表明遗传是前列腺癌的主要原因之一；另一点是，从数据的趋势可以看出，这种倍数关系在2011年至2015年间持续上升，遗传疾病的比例随着患者数量的增加而增加，这表明遗传患者的数量逐年增加。
另一个是饮食导致前列腺癌。首先，爱吸烟的人患癌症的几率更高。许多人知道烟雾中含有很多脏东西，在吸烟的过程中，这些物质会吸进体内。其次，维生素A是人体所需的微量元素，吸收一定量的维生素A可以促进人体的健康发展，而过量摄入则会导致人体饱和脂肪酸大量增加，从而引起前列腺细胞病变。第三，胡萝卜素对前列腺癌的发病机制有一定的促进作用。第四，高脂肪饮食也是前列腺癌的一个原因，因为它含有许多动物脂肪和一些脂肪酸。如果人们多吃这些东西，体内的一些肉被消化成不同类型的脂肪酸，所以从长远来看，患前列腺癌的几率会大大增加。这就是为什么许多医生说，癌症患者必须少吃肉，因为多吃肉会损害他们的免疫系统。
前列腺癌是男性生殖系统中最常见的恶性肿瘤。2014年世界卫生组织前列腺癌病理学分类包括前列腺癌(腺癌)、导管腺癌、泌尿癌、鳞状细胞癌和腺鳞状癌。其中，前列腺腺癌占95％以上。前列腺癌的发病率和死亡率仅次于肺癌，在癌症死亡率中排名第二。如图13所示，前列腺癌初期治愈率超过95％，早期治愈率超过80％，中期治愈率低于40％，晚期治愈率仅为25％。
前列腺癌辅助分析方法的主要作用不言而喻，主要用于前列腺患者的初步诊断，并根据数据收集统计信息。五年来，三所医院的八千多名病人中，绝大多数在医生的治疗下逐渐康复。在本实验中，诊断的准确性被定义为第一次患者诊断时的准确性。如图14所示，显示了医生与辅助分析系统分析精度的比较，当病例数相对较低时，医生专家的诊断精度明显高于辅助分析系统的诊断精度。然而，随着病例数量的增加，医生专家的诊断精度下降，而辅助分析系统的诊断精度有所上升。根据具体数据，当病例数从200例增加到8000例时，人工专家诊断的准确率从97％下降到81％，辅助分析系统的诊断准确率从61％提高到87％。因此，可以得出结论，当诊断数据达到一定量时，前列腺癌辅助分析系统的准确性将超过医生专家。因此，辅助分析系统可以辅助医生专家并为医生专家提供参考。
本具体实施例提出了一种基于感知神经网络的前列腺癌辅助分析方法，以解决发展中国家人口众多、医疗水平欠发达造成的医疗资源稀缺问题。以六个疾病指标和两个医学图像指标相结合为输入点，在医学大数据背景下不断调整神经网络的重量和偏差，形成基于神经网络的智能分析模型。该模型协助医生更精确地诊断前列腺患者。本方法虽然可以提供诊断信息和决策结果，但只能作为医生的辅助诊断决策系统，不能完全取代医生。但是，它在很大程度上减轻了医生的工作负担，提高了医院的效率，大大提高了医生的诊断的准确性。
基于同一发明构思，本发明实施例还提供了一种基于感知神经网络的前列腺癌辅助分析设备，如图15所示，包括：
图像指数模块1501，获取历史患者的医学图像，对所述医学图像进行预处理并检测所述医学图像的图像边缘，利用弗里曼链码对所述图像边缘进行注释，得到病变区域的面积及灰度等级，根据所述面积及灰度等级生成图像指数输入；
疾病指数模块1502，获取历史患者的标记物浓度，根据所述标记物浓度整合生成疾病指数输入；
模型建立模块1503，将所述图像指数输入及所述疾病指数输入作为神经网络的输入，通过激活函数调整权重值及偏置值，生成分析模型；
输出模块1504，将用户的所述图像指数输入及所述疾病指数输入输入到所述分析模型，筛选出图像最有效部分及预估症状阶段，供医生参考。
在具体的应用场景中，所述图像指数模块1501获取历史患者的医学图像，对所述医学图像进行预处理并检测所述医学图像的图像边缘，具体包括：
所述医学图像至少包括PET扫描图像及CT扫描图像；
对所述医学图像进行灰度处理，利用高斯模糊的方式得到医学图像函数，对所述医学图像函数求取偏导并得到所述医学图像点坐标与图像边缘强度的振幅及渐变方向的等位角之间的关系为
其中，x、y为医学图像点的x轴、y轴坐标值，M(x,y)为图像边缘强度的振幅，Q(x,y)为渐变方向的等位角，Gx(x,y)、Gy(x,y)分别为医学图像点在x轴、y轴的偏导值；
根据所述图像边缘强度的振幅及渐变方向的等位角确定所述图像边缘。
在具体的应用场景中，
病变区域的面积为
其中，PArea为一幅图像的病变区域面积，n1为总点数，pix1[i]为i点的像素值，s[i]为i点的弗里曼链码；
病变区域的灰度等级为
其中，PGray-level为一幅图像的病变区域的灰度等级，nl为病变区域的总像素点，Vpi为单个像素点的像素值；
图像指数输入为
AHP(t)＝{XArea,XGray-level}
其中AHP(t)为图像指数输入，{XArea,XGray-level}为病变区域的面积PArea及病变区域的灰度等级PGray-level的集合。
在具体的应用场景中，所述疾病指数模块1502获取历史患者的标记物浓度，根据所述标记物浓度整合生成疾病指数输入，具体包括：
所述标记物浓度至少包括前列腺酸磷酸酶浓度、前列腺膜抗原浓度、全前列腺特异性抗原浓度、游离前列腺特异性抗原浓度、血红蛋白浓度及红血球浓度；
所述疾病指数输入为
ACP(t)＝{XTPSA,XRBC,XHb,XFPSA,XPAP,XPSMA}
其中，ACP(t)为疾病指数输入，XTPSA、XRBC、XHb、XFPSA、XPAP、XPSMA分别为全前列腺特异性抗原浓度、红血球浓度、血红蛋白浓度、游离前列腺特异性抗原浓度、前列腺酸磷酸酶浓度、前列腺膜抗原浓度。
在具体的应用场景中，所述模型建立模块1503通过激活函数调整权重值及偏置值，具体包括：
所述激活函数为Sigmoid函数
其中，f为Sigmoid函数，x为变量；
将所述神经网络中每一层的输出作为下一层的输入
其中，为当前层的输出，ACP(t)为疾病指数输入，m为层数，m＝0,1,…,M-1，M为神经网络的总层数，wm+1为当前层权重值，am为前一层的输出，bm+1为当前层的偏置值，fm+1为当前层的Sigmoid函数；
计算得到预期结果；
获取所述医学图像对应的实际结果，得到损失函数为
其中，E(ACP(t),AHP(t))(w,b)为损失函数，Ddesired result为预期结果，Dactual result为实际结果；
利用梯度下降方法使所述误差函数达到最小值得到最优解，通过所述最优解调整所述权重值及偏置值为
其中，w′(ACP(t),AHP(t))、b′(ACP(t),AHP(t))分别为最优权重值及最优偏置值，w(ACP(t),AHP(t))、b(ACP(t),AHP(t))分别为当前权重值及当前偏置值，η1、η2分别为权重值的学习效率及偏置值的学习效率，δ为损失函数在参数上的梯度。
上述实施例的设备用于实现前述实施例中相应的方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本公开的范围(包括权利要求)被限于这些例子；在本发明的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本发明的不同方面的许多其它变化，为了简明它们没有在细节中提供。
另外，为简化说明和讨论，并且为了不会使本发明难以理解，在所提供的附图中可以示出或可以不示出与集成电路(IC)芯片和其它部件的公知的电源/接地连接。此外，可以以框图的形式示出装置，以便避免使本发明难以理解，并且这也考虑了以下事实，即关于这些框图装置的实施方式的细节是高度取决于将要实施本发明的平台的(即，这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如，电路)以描述本发明的示例性实施例的情况下，对本领域技术人员来说显而易见的是，可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本发明。因此，这些描述应被认为是说明性的而不是限制性的。
尽管已经结合了本发明的具体实施例对本发明进行了描述，但是根据前面的描述，这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如，其它存储器架构(例如，动态RAM(DRAM))可以使用所讨论的实施例。
本发明的实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本发明的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于感知神经网络的前列腺癌辅助分析方法，其特征在于，包括：
获取历史患者的医学图像，对所述医学图像进行预处理并检测所述医学图像的图像边缘，利用弗里曼链码对所述图像边缘进行注释，得到病变区域的面积及灰度等级，根据所述面积及灰度等级生成图像指数输入；
获取历史患者的标记物浓度，根据所述标记物浓度整合生成疾病指数输入；
将所述图像指数输入及所述疾病指数输入作为神经网络的输入，通过激活函数调整权重值及偏置值，生成分析模型；
将用户的所述图像指数输入及所述疾病指数输入输入到所述分析模型，筛选出图像最有效部分及预估症状阶段，供医生参考。
2.根据权利要求1所述的方法，其特征在于，所述获取历史患者的医学图像，对所述医学图像进行预处理并检测所述医学图像的图像边缘，具体包括：
所述医学图像至少包括PET扫描图像及CT扫描图像；
对所述医学图像进行灰度处理，利用高斯模糊的方式得到医学图像函数，对所述医学图像函数求取偏导并得到所述医学图像点坐标与图像边缘强度的振幅及渐变方向的等位角之间的关系为
其中，x、y为医学图像点的x轴、y轴坐标值，M(x,y)为图像边缘强度的振幅，Q(x,y)为渐变方向的等位角，Gx(x,y)、Gy(x,y)分别为医学图像点在x轴、y轴的偏导值；
根据所述图像边缘强度的振幅及渐变方向的等位角确定所述图像边缘。
3.根据权利要求2所述的方法，其特征在于，
病变区域的面积为
其中，PArea为一幅图像的病变区域面积，n1为总点数，pix1[i]为i点的像素值，s[i]为i点的弗里曼链码；
病变区域的灰度等级为
其中，PGray-level为一幅图像的病变区域的灰度等级，nl为病变区域的总像素点，Vpi为单个像素点的像素值；
图像指数输入为
AHP(t)＝{XArea,XGray-level}
其中AHP(t)为图像指数输入，{XArea,XGray-level}为病变区域的面积PArea及病变区域的灰度等级PGray-level的集合。
4.根据权利要求1所述的方法，其特征在于，所述获取历史患者的标记物浓度，根据所述标记物浓度整合生成疾病指数输入，具体包括：
所述标记物浓度至少包括前列腺酸磷酸酶浓度、前列腺膜抗原浓度、全前列腺特异性抗原浓度、游离前列腺特异性抗原浓度、血红蛋白浓度及红血球浓度；
所述疾病指数输入为
ACP(t)＝{XTPSA,XRBC,XHb,XFPSA,XPAP,XPSMA}
其中，ACP(t)为疾病指数输入，XTPSA、XRBC、XHb、XFPSA、XPAP、XPSMA分别为全前列腺特异性抗原浓度、红血球浓度、血红蛋白浓度、游离前列腺特异性抗原浓度、前列腺酸磷酸酶浓度、前列腺膜抗原浓度。
5.根据权利要求1所述的方法，其特征在于，所述通过激活函数调整权重值及偏置值，具体包括：
所述激活函数为Sigmoid函数
其中，f为Sigmoid函数，x为变量；
将所述神经网络中每一层的输出作为下一层的输入
其中，为当前层的输出，ACP(t)为疾病指数输入，m为层数，m＝0,1,…,M-1，M为神经网络的总层数，wm+1为当前层权重值，am为前一层的输出，bm+1为当前层的偏置值，fm+1为当前层的Sigmoid函数；
计算得到预期结果；
获取所述医学图像对应的实际结果，得到损失函数为
其中，E(ACP(t),AHP(t))(w,b)为损失函数，Desired result为预期结果，Dactual result为实际结果；
利用梯度下降方法使所述误差函数达到最小值得到最优解，通过所述最优解调整所述权重值及偏置值为
其中，w′(ACP(t),AHP(t))、b′(ACP(t),AHP(t))分别为最优权重值及最优偏置值，w(ACP(t),AHP(t))、b(ACP(t),AHP(t))分别为当前权重值及当前偏置值，η1、η2分别为权重值的学习效率及偏置值的学习效率，δ为损失函数在参数上的梯度。
6.一种基于感知神经网络的前列腺癌辅助分析设备，其特征在于，包括：
图像指数模块，获取历史患者的医学图像，对所述医学图像进行预处理并检测所述医学图像的图像边缘，利用弗里曼链码对所述图像边缘进行注释，得到病变区域的面积及灰度等级，根据所述面积及灰度等级生成图像指数输入；
疾病指数模块，获取历史患者的标记物浓度，根据所述标记物浓度整合生成疾病指数输入；
模型建立模块，将所述图像指数输入及所述疾病指数输入作为神经网络的输入，通过激活函数调整权重值及偏置值，生成分析模型；
输出模块，将用户的所述图像指数输入及所述疾病指数输入输入到所述分析模型，筛选出图像最有效部分及预估症状阶段，供医生参考。
7.根据权利要求6所述的设备，其特征在于，所述图像指数模块获取历史患者的医学图像，对所述医学图像进行预处理并检测所述医学图像的图像边缘，具体包括：
所述医学图像至少包括PET扫描图像及CT扫描图像；
对所述医学图像进行灰度处理，利用高斯模糊的方式得到医学图像函数，对所述医学图像函数求取偏导并得到所述医学图像点坐标与图像边缘强度的振幅及渐变方向的等位角之间的关系为
其中，x、y为医学图像点的x轴、y轴坐标值，M(x,y)为图像边缘强度的振幅，Q(x,y)为渐变方向的等位角，Gx(x,y)、Gy(x,y)分别为医学图像点在x轴、y轴的偏导值；
根据所述图像边缘强度的振幅及渐变方向的等位角确定所述图像边缘。
8.根据权利要求7所述的设备，其特征在于，
病变区域的面积为
其中，PArea为一幅图像的病变区域面积，n1为总点数，pix1[i]为i点的像素值，s[i]为i点的弗里曼链码；
病变区域的灰度等级为
其中，PGray-level为一幅图像的病变区域的灰度等级，nl为病变区域的总像素点，Vpi为单个像素点的像素值；
图像指数输入为
AHP(t)＝{XArea,XGray-level}
其中AHP(t)为图像指数输入，{XArea,XGray-level}为病变区域的面积PArea及病变区域的灰度等级PGray-level的集合。
9.根据权利要求6所述的设备，其特征在于，所述疾病指数模块获取历史患者的标记物浓度，根据所述标记物浓度整合生成疾病指数输入，具体包括：
所述标记物浓度至少包括前列腺酸磷酸酶浓度、前列腺膜抗原浓度、全前列腺特异性抗原浓度、游离前列腺特异性抗原浓度、血红蛋白浓度及红血球浓度；
所述疾病指数输入为
ACP(t)＝{XTPSA,XRBC,XHb,XFPSA,XPAP,XPSMA}
其中，ACP(t)为疾病指数输入，XTPSA、XRBC、XHb、XFPSA、XPAP、XPSMA分别为全前列腺特异性抗原浓度、红血球浓度、血红蛋白浓度、游离前列腺特异性抗原浓度、前列腺酸磷酸酶浓度、前列腺膜抗原浓度。
10.根据权利要求6所述的设备，其特征在于，所述模型建立模块通过激活函数调整权重值及偏置值，具体包括：
所述激活函数为Sigmoid函数
其中，f为Sigmoid函数，x为变量；
将所述神经网络中每一层的输出作为下一层的输入
其中，为当前层的输出，ACP(t)为疾病指数输入，m为层数，m＝0,1,…,M-1，M为神经网络的总层数，wm+1为当前层权重值，am为前一层的输出，bm+1为当前层的偏置值，fm+1为当前层的Sigmoid函数；
计算得到预期结果；
获取所述医学图像对应的实际结果，得到损失函数为
其中，E(ACP(t),AHP(t))(w,b)为损失函数，Ddesired result为预期结果，Dactual result为实际结果；
利用梯度下降方法使所述误差函数达到最小值得到最优解，通过所述最优解调整所述权重值及偏置值为
其中，w′(ACP(t),AHP(t))、b′(ACP(t),AHP(t))分别为最优权重值及最优偏置值，w(ACP(t),AHP(t))、b(ACP(t),AHP(t))分别为当前权重值及当前偏置值，η1、η2分别为权重值的学习效率及偏置值的学习效率，δ为损失函数在参数上的梯度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910853299.8A CN110444294B (zh) | 2019-09-10 | 2019-09-10 | 一种基于感知神经网络的前列腺癌辅助分析方法及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910853299.8A CN110444294B (zh) | 2019-09-10 | 2019-09-10 | 一种基于感知神经网络的前列腺癌辅助分析方法及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110444294A true CN110444294A (zh) | 2019-11-12 |
| CN110444294B CN110444294B (zh) | 2023-04-25 |
Family
ID=68439788
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910853299.8A Active CN110444294B (zh) | 2019-09-10 | 2019-09-10 | 一种基于感知神经网络的前列腺癌辅助分析方法及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110444294B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111008976A (zh) * | 2019-12-02 | 2020-04-14 | 中南大学 | Pet图像的筛选方法和装置 |
| CN111312392A (zh) * | 2020-03-13 | 2020-06-19 | 中南大学 | 一种基于集成法的前列腺癌辅助分析方法、装置及电子设备 |
| CN111430024A (zh) * | 2020-01-06 | 2020-07-17 | 中南大学 | 一种用于疾病程度分类的数据决策方法及其系统 |
| CN113793683A (zh) * | 2021-08-23 | 2021-12-14 | 广州医科大学附属第一医院（广州呼吸中心） | 一种基于psa的前列腺癌辅助决策方法及其系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104424386A (zh) * | 2013-08-23 | 2015-03-18 | 北京大学 | 基于多参数磁共振影像的前列腺癌计算机辅助识别系统 |
| US20150112705A1 (en) * | 2013-10-18 | 2015-04-23 | Soar Biodynamics, Ltd. | Dynamic analysis and dynamic screening |
| CN109145838A (zh) * | 2018-08-29 | 2019-01-04 | 常州市第二人民医院 | 基于随机高斯场神经网络辅助的肾透明细胞癌诊断方法 |
-
2019
- 2019-09-10 CN CN201910853299.8A patent/CN110444294B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104424386A (zh) * | 2013-08-23 | 2015-03-18 | 北京大学 | 基于多参数磁共振影像的前列腺癌计算机辅助识别系统 |
| US20150112705A1 (en) * | 2013-10-18 | 2015-04-23 | Soar Biodynamics, Ltd. | Dynamic analysis and dynamic screening |
| CN109145838A (zh) * | 2018-08-29 | 2019-01-04 | 常州市第二人民医院 | 基于随机高斯场神经网络辅助的肾透明细胞癌诊断方法 |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111008976A (zh) * | 2019-12-02 | 2020-04-14 | 中南大学 | Pet图像的筛选方法和装置 |
| CN111008976B (zh) * | 2019-12-02 | 2023-04-07 | 中南大学 | Pet图像的筛选方法和装置 |
| CN111430024A (zh) * | 2020-01-06 | 2020-07-17 | 中南大学 | 一种用于疾病程度分类的数据决策方法及其系统 |
| CN111312392A (zh) * | 2020-03-13 | 2020-06-19 | 中南大学 | 一种基于集成法的前列腺癌辅助分析方法、装置及电子设备 |
| CN111312392B (zh) * | 2020-03-13 | 2023-08-22 | 中南大学 | 一种基于集成法的前列腺癌辅助分析方法、装置及电子设备 |
| CN113793683A (zh) * | 2021-08-23 | 2021-12-14 | 广州医科大学附属第一医院（广州呼吸中心） | 一种基于psa的前列腺癌辅助决策方法及其系统 |
| CN113793683B (zh) * | 2021-08-23 | 2024-04-02 | 广州医科大学附属第一医院（广州呼吸中心） | 一种基于psa的前列腺癌辅助决策方法及其系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110444294B (zh) | 2023-04-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wee et al. | Cortical graph neural network for AD and MCI diagnosis and transfer learning across populations | |
| Clerigues et al. | Acute ischemic stroke lesion core segmentation in CT perfusion images using fully convolutional neural networks | |
| Carass et al. | Longitudinal multiple sclerosis lesion segmentation: resource and challenge | |
| Vankdothu et al. | Brain tumor segmentation of MR images using SVM and fuzzy classifier in machine learning | |
| CN109472263B (zh) | 一种结合全局和局部信息的大脑磁共振图像分割方法 | |
| CN110444294B (zh) | 一种基于感知神经网络的前列腺癌辅助分析方法及设备 | |
| Joshi et al. | Classification of brain cancer using artificial neural network | |
| Tian et al. | Multi-path convolutional neural network in fundus segmentation of blood vessels | |
| Zheng et al. | Alleviating class-wise gradient imbalance for pulmonary airway segmentation | |
| Wei et al. | The segmentation of retinal layer and fluid in SD-OCT images using mutex dice loss based fully convolutional networks | |
| Merjulah et al. | Classification of myocardial ischemia in delayed contrast enhancement using machine learning | |
| Coupé et al. | LesionBrain: an online tool for white matter lesion segmentation | |
| Rajee et al. | Gender classification on digital dental x-ray images using deep convolutional neural network | |
| Pugazhenthi et al. | Skin disease detection and classification | |
| CN114119637A (zh) | 基于多尺度融合和拆分注意力的脑白质高信号分割方法 | |
| R-Prabha et al. | Design of hybrid deep learning approach for covid-19 infected lung image segmentation | |
| Sadeghibakhi et al. | Multiple sclerosis lesions segmentation using attention-based CNNs in FLAIR images | |
| Akkar et al. | Diagnosis of lung cancer disease based on back-propagation artificial neural network algorithm | |
| Wang et al. | IGNFusion: an unsupervised information gate network for multimodal medical image fusion | |
| Al Jannat et al. | Detection of multiple sclerosis using deep learning | |
| Krishna et al. | Optimization empowered hierarchical residual VGGNet19 network for multi-class brain tumour classification | |
| Meswal et al. | A weighted ensemble transfer learning approach for melanoma classification from skin lesion images | |
| Kamboj et al. | Deep leaming approaches for brain tumor segmentation: a review | |
| Allada et al. | Alzheimer's disease classification using competitive swarm multi‐verse optimizer‐based deep neuro‐fuzzy network | |
| Tallapragada et al. | A novel COVID diagnosis and feature extraction based on discrete wavelet model and classification using X-ray and CT images |
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 |