CN110459300A - 一种基于计算机视觉与ct影像的肺癌病理类型诊断方法 - Google Patents
一种基于计算机视觉与ct影像的肺癌病理类型诊断方法 Download PDFInfo
- Publication number
- CN110459300A CN110459300A CN201910658802.4A CN201910658802A CN110459300A CN 110459300 A CN110459300 A CN 110459300A CN 201910658802 A CN201910658802 A CN 201910658802A CN 110459300 A CN110459300 A CN 110459300A
- Authority
- CN
- China
- Prior art keywords
- lung cancer
- images
- image
- training set
- type diagnostic
- 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
Links
- 206010058467 Lung neoplasm malignant Diseases 0.000 title claims abstract description 61
- 201000005202 lung cancer Diseases 0.000 title claims abstract description 61
- 208000020816 lung neoplasm Diseases 0.000 title claims abstract description 61
- 230000007170 pathology Effects 0.000 title claims abstract description 28
- 238000002405 diagnostic procedure Methods 0.000 title claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 46
- 238000003745 diagnosis Methods 0.000 claims abstract description 10
- 238000010827 pathological analysis Methods 0.000 claims abstract description 5
- 206010028980 Neoplasm Diseases 0.000 claims description 19
- 238000013135 deep learning Methods 0.000 claims description 4
- 230000005855 radiation Effects 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 238000013519 translation Methods 0.000 claims description 4
- 230000003321 amplification Effects 0.000 claims description 3
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 239000011248 coating agent Substances 0.000 claims description 2
- 238000000576 coating method Methods 0.000 claims description 2
- 238000013527 convolutional neural network Methods 0.000 claims description 2
- 239000000284 extract Substances 0.000 claims description 2
- 238000013507 mapping Methods 0.000 claims description 2
- 230000009467 reduction Effects 0.000 claims description 2
- 238000012216 screening Methods 0.000 claims description 2
- 238000000034 method Methods 0.000 abstract description 13
- 230000008569 process Effects 0.000 abstract description 5
- 238000005070 sampling Methods 0.000 abstract description 3
- 201000011510 cancer Diseases 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000013136 deep learning model Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000001575 pathological effect Effects 0.000 description 3
- 208000000649 small cell carcinoma Diseases 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000004393 prognosis Methods 0.000 description 2
- 230000002685 pulmonary effect Effects 0.000 description 2
- 230000001225 therapeutic effect Effects 0.000 description 2
- 238000001574 biopsy Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000034994 death Effects 0.000 description 1
- 231100000517 death Toxicity 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 210000004907 gland Anatomy 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000000338 in vitro Methods 0.000 description 1
- 208000003849 large cell carcinoma Diseases 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 230000035479 physiological effects, processes and functions Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000035755 proliferation Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000002601 radiography Methods 0.000 description 1
- 230000004797 therapeutic response Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
-
- 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
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Primary Health Care (AREA)
- Quality & Reliability (AREA)
- Epidemiology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Public Health (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于计算机视觉与CT影像的肺癌病理类型诊断方法,涉及图像处理、医疗大数据、计算机视觉领域。包括:1)采集肺癌CT医疗图像,构建训练集;2)对训练集中的图像进行处理,生成所需要的训练样本;3)利训练样本进行基于CT图像的肺癌病理类型诊断模型训练。4)采集新的肺癌CT图像,构建验证集;5)使用验证集对诊断模型进行验证。本发明解决了目前肺癌病理类型诊断的侵入性、易受标本取材的影响、诊断时间长、效率低的问题,利用CT影响进行病理类型诊断,整个过程快速、高效、无侵入性,实现了病理诊断的高效、无创性。
Description
技术领域
本发明涉及肺癌的智能诊断领域,特别是基于计算机视觉技术从CT影像中诊断肺癌病理类型的方法,属于人工智能领域。
背景技术
肺癌占所有癌症死亡人数的四分之一以上,并且是全世界男性和女性对人类健康的主要威胁之一。肺癌的病理类型分为小细胞癌和非小细胞癌,其中非小细胞癌主要有鳞状细胞癌、大细胞癌和腺癌。不同病理类型的肺癌的增殖和扩增情况完全不同,治疗上的措施也是不同的。诊断是治疗的前提,只有及时确诊才能实施有效的治疗方案,延长患者生存。肺癌亚型早期确定一方面有助于制定正确的治疗方案,另一方面有利于评估患者预后,有望提高肺癌的治愈率。
目前,组织病理学与分子生物学是肿瘤病理诊断的金标准,却通常只能在手术切除或穿刺活检等离体组织标本上进行,获取组织标本不仅具有侵入性,易受标本取材影响,且不能反映肿瘤组织的整体状况。影像组学作为量化实体肿瘤放射学表型的手段,它假设放射照相表型代表潜在的病理生理学。肺癌子类型在CT 影像中呈现不同的影像特征,因此影像学能够区分肺癌疾病形式及预测预后和治疗反应。与上述组织病理学和分子生物学方法相比,影像学的优势在于无创伤性,并可在活体实时进行,具有可重复性,这种优势使得基于图像分析肿瘤异质性的临床应用越来越受到重视。
高分辨率图像采集设备和计算处理能力的硬件进步,再加上新颖的人工智能(AI)算法和大量数据,促成了放射学,医学等领域的AI应用的激增。借助人工智能计算机视觉,同时结合肺癌大数据和知识等,创造出高效、非侵入性的肺癌病理类型诊断方法,为肺癌的快速、精准诊疗提供有效的帮助。
发明内容
本发明的目的是为了解决上述肺癌病理类型诊断所存在的问题,提供一种基于计算机视觉技术从CT影像中诊断肺癌病理类型的方法,为肺癌病理诊断提供一种高效、无创的检测方法。
一种基于计算机视觉技术与CT影像的肺癌病理类型识别方法,其技术方案包括:
步骤1:构建肺癌CT医疗图像训练集;
步骤2:对训练集进行数据分析处理,生成所需要的训练样本;
步骤3:利用训练样本进行深度学习模型训练,生成肺癌病理类型诊断模型;
步骤4:构建新的肺癌CT医疗图像验证集;
步骤5:对训练好的肺癌病理类型诊断模型进行验证;
进一步的,步骤1中构建肺癌CT医图像训练集,具体步骤为筛选出含有肿瘤的CT影像,手动标注肿瘤区域,以50*50的尺寸裁剪CT影像图片保留肿瘤区域,形成训练集。
步骤2中,对训练集进行数据分析处理,包括以下步骤中的任意一个或多个:
1)对所述训练集中的图像进行放大或缩小的步骤;
2)对所述训练集中的图像进行旋转步骤;
3)对所述训练集中的图像进行平移步骤;
4)对所述训练集中的图像进行放射变换的步骤;
5)对所述训练集中的图像进行对比度增强的步骤。
步骤3中,肺癌病理类型诊断模型,其卷积神经网络结构包括:
1)输入层,包括对肺癌CT影像的放大、缩小、旋转、平移及放射变换等步骤,得输入网络的训练样本,对训练样本进行归一化操作,输入网络;
2)卷积层,使用不同大小的卷积核提取CT影像特征;
3)激活层,对卷积层的输出结果做一次非线性映射;
4)池化层,压缩数据和参数的数量,特征降维;
5)全连接层,网络的最后一层,进行识别处理。
步骤4中,肺癌CT医疗图像验证集是全新的、模型没有见过的肿瘤区域图像。
步骤5中,利用肺癌CT医疗图像验证集,对模型性能进行验证,选择在验证集上获得最佳效果的模型。
本发明的有益效果和优点如下:
本发明针对肺癌病理诊断具有侵入性且易受标本取材的影响、诊断时间长、效率低等问题,提供了一种基于计算机技术与CT影像的肺癌病理类型诊断方法,利用肺癌CT医疗图像数据以及深度学习等技术,实现通过CT影像对肺癌病理类型的智能诊断,整个诊断过程快速、高效、无侵入性,实现了病理诊断的高效、无创性。
附图说明
图1是根据本发明的流程示意图
图2是本发明的训练样本生成示意图
具体实施方式
以下结合具体实施方式进一步对本发明的技术方案进行阐述。
本系统主体方案主要体现了非侵入性的智能诊断的基本思想。如图1所示基于计算机视觉与CT影像的肺癌病理类型诊断方法,包括一下模块:
1)数据预处理模块,用于筛选肺癌CT影像,标注裁剪肿瘤区域,形成肺癌CT医疗图像数据集。
2)数据分析模块,用于处理所述的肺癌肿瘤区域CT图像,生成多个训练样本。
3)模型训练模块,建立深度学习模型,利用训练样本进行肺癌病理类型诊断模型训练,生成基于计算机视觉的肺癌病理类型诊断模型。
4)模型识别模块,利用新构建的肺癌肿瘤区域CT图像验证集,对训练好的肺癌病理类型诊断模型进行验证,得到最优诊断模型。
一种基于计算机视觉与CT影像的肺癌病理类型诊断方法,基本步骤如下:
步骤1:构建肺癌CT影像训练集;
步骤2:对所述训练集进行分析处理,生成所需要的训练样本;
步骤3:利用训练样本进行肺癌病理类型诊断深度学习模型的训练,生成基于计算机视觉的肺癌病理类型诊断模型。
步骤4:构建新的肺癌CT影像验证集;
步骤5:对训练好的肺癌病理类型诊断模型进行验证。
基于计算机视觉与CT影像的肺癌病理类型诊断方法的诊断过程是一个不断训练学习的过程,随着病例数据集的不断扩充,深度学习模型参数的不断调优与更新,本发明诊断模型的诊断准确率将会不断提升。
以上所述,仅是本发明的较佳实施方案而已,并非对本发明做任何形式上的限制。任何熟悉本专业的技术人员,在不脱离本发明方案技术方案范围内,可以利用上述技术内容做出些许改动或修饰为等同变化的实施方案,但凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施内容所做的任何简单修改、等同变化与修饰,均仍属于本发明技术方案范围内。
Claims (6)
1.一种基于计算机视觉与CT影像的肺癌病理类型诊断方法,包括以下部分:
步骤1:构建肺癌肿瘤区域CT影像训练集;
步骤2:对所述训练集进行处理,生成所需要的训练样本;
步骤3:利用训练样本进行基于CT影像的深度学习诊断模型训练,生成深度学习病理类型诊断模型;
步骤4:构建新的肺癌CT影像验证集;
步骤5:对训练好的肺癌病理类型诊断模型在验证集上进行模型验证。
2.根据权利要求1所述的一种基于计算机视觉与CT影像的肺癌病理类型诊断方法,其特征在于:
所述的步骤1中构建肺癌肿瘤区域CT影像训练集,具体为:筛选肺癌CT影像;手工标注并裁剪肿瘤区域影像;得到肺癌CT影像训练集。
3.根据权利要求1所述的一种基于计算机视觉与CT影像的肺癌病理类型诊断方法,其特征在于:
所述的步骤2中对所述训练集进行处理,包括以下步骤中的任意一个或多个:
1)对所述训练集中的图像进行放大或缩小的步骤;
2)对所述训练集中的图像进行旋转步骤;
3)对所述训练集中的图像进行平移步骤;
4)对所述训练集中的图像进行放射变换的步骤;
5)对所述训练集中的图像进行对比度增强的步骤。
4.根据权利要求1所述的一种基于计算机视觉与CT影像的肺癌病理类型诊断方法,其特征在于:
所述的步骤3中深度学习病理诊断模型具体为卷积神经网络,结构包括:
1)输入层,包括对肺癌CT影像的放大、缩小、旋转、平移及放射变换等步骤,得输入网络的训练样本,对训练样本进行归一化操作,输入网络;
2)卷积层,使用不同大小的卷积核提取CT影像特征;
3)激活层,对卷积层的输出结果做一次非线性映射;
4)池化层,压缩数据和参数的数量,特征降维;
5)全连接层,网络的最后一层,进行识别处理。
5.根据权利要求1所述的一种基于计算机视觉与CT影像的肺癌病理类型诊断方法,其特征在于:
所述的步骤4中,构建新的肺癌CT验证集,具体为:验证集是模型没有见过的全新的CT影像。
6.根据权利要求1所述的一种基于计算机视觉与CT影像的肺癌病理类型诊断方法,其特征在于:
所述的步骤5中,在验证集上验证模型性能,寻找最优的模型参数,得到最优诊断模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910658802.4A CN110459300A (zh) | 2019-07-22 | 2019-07-22 | 一种基于计算机视觉与ct影像的肺癌病理类型诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910658802.4A CN110459300A (zh) | 2019-07-22 | 2019-07-22 | 一种基于计算机视觉与ct影像的肺癌病理类型诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110459300A true CN110459300A (zh) | 2019-11-15 |
Family
ID=68481692
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910658802.4A Pending CN110459300A (zh) | 2019-07-22 | 2019-07-22 | 一种基于计算机视觉与ct影像的肺癌病理类型诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110459300A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111489833A (zh) * | 2019-12-19 | 2020-08-04 | 上海杏脉信息科技有限公司 | 一种肺部细胞病理快速现场评估系统、方法及计算机可读存储介质 |
CN111554381A (zh) * | 2020-04-23 | 2020-08-18 | 上海市第一人民医院 | 一种基于深度学习的肾透明细胞癌人工智能病理诊断方法及其诊断模型 |
CN111833330A (zh) * | 2020-07-14 | 2020-10-27 | 中国医学科学院生物医学工程研究所 | 基于影像与机器嗅觉融合的肺癌智能检测方法及系统 |
CN112884724A (zh) * | 2021-02-02 | 2021-06-01 | 广州智睿医疗科技有限公司 | 一种用于肺癌组织病理分型的智能判断方法及系统 |
CN115631386A (zh) * | 2022-12-19 | 2023-01-20 | 天津医之本医疗科技有限公司 | 一种基于机器学习的病理图像分类方法和系统 |
CN116072299A (zh) * | 2022-12-08 | 2023-05-05 | 首都医科大学附属北京友谊医院 | 一种基于影像的脑膜癌模型建立装置及方法 |
CN116309368A (zh) * | 2023-02-21 | 2023-06-23 | 北京透彻未来科技有限公司 | 一种基于深度迁移学习的肺癌病理诊断系统 |
CN117831757A (zh) * | 2024-03-05 | 2024-04-05 | 之江实验室 | 基于病理ct多模态先验知识引导的肺癌诊断方法及系统 |
CN117831757B (zh) * | 2024-03-05 | 2024-05-28 | 之江实验室 | 基于病理ct多模态先验知识引导的肺癌诊断方法及系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109215021A (zh) * | 2018-09-06 | 2019-01-15 | 中国石油大学(华东) | 一种基于深度学习的胆石病ct医疗图像快速识别方法 |
-
2019
- 2019-07-22 CN CN201910658802.4A patent/CN110459300A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109215021A (zh) * | 2018-09-06 | 2019-01-15 | 中国石油大学(华东) | 一种基于深度学习的胆石病ct医疗图像快速识别方法 |
Non-Patent Citations (3)
Title |
---|
唐思源: "基于人工神经网络的肺癌细胞图像特征的提取与识别", 《电子世界》 * |
张缨等: "图像处理和人工神经网络在肺癌细胞病理诊断中的应用", 《中华胸心血管外科杂志》 * |
李建新等: "logistic多元回归和人工神经网络在肺CT判断肺癌病理分型中的应用", 《中国实验诊断学》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111489833A (zh) * | 2019-12-19 | 2020-08-04 | 上海杏脉信息科技有限公司 | 一种肺部细胞病理快速现场评估系统、方法及计算机可读存储介质 |
CN111554381A (zh) * | 2020-04-23 | 2020-08-18 | 上海市第一人民医院 | 一种基于深度学习的肾透明细胞癌人工智能病理诊断方法及其诊断模型 |
CN111833330A (zh) * | 2020-07-14 | 2020-10-27 | 中国医学科学院生物医学工程研究所 | 基于影像与机器嗅觉融合的肺癌智能检测方法及系统 |
CN112884724A (zh) * | 2021-02-02 | 2021-06-01 | 广州智睿医疗科技有限公司 | 一种用于肺癌组织病理分型的智能判断方法及系统 |
CN112884724B (zh) * | 2021-02-02 | 2022-06-03 | 广州智睿医疗科技有限公司 | 一种用于肺癌组织病理分型的智能判断方法及系统 |
CN116072299A (zh) * | 2022-12-08 | 2023-05-05 | 首都医科大学附属北京友谊医院 | 一种基于影像的脑膜癌模型建立装置及方法 |
CN116072299B (zh) * | 2022-12-08 | 2023-09-05 | 首都医科大学附属北京友谊医院 | 一种基于影像的脑膜癌模型建立装置及方法 |
CN115631386A (zh) * | 2022-12-19 | 2023-01-20 | 天津医之本医疗科技有限公司 | 一种基于机器学习的病理图像分类方法和系统 |
CN116309368A (zh) * | 2023-02-21 | 2023-06-23 | 北京透彻未来科技有限公司 | 一种基于深度迁移学习的肺癌病理诊断系统 |
CN116309368B (zh) * | 2023-02-21 | 2023-11-14 | 北京透彻未来科技有限公司 | 一种基于深度迁移学习的肺癌病理诊断系统 |
CN117831757A (zh) * | 2024-03-05 | 2024-04-05 | 之江实验室 | 基于病理ct多模态先验知识引导的肺癌诊断方法及系统 |
CN117831757B (zh) * | 2024-03-05 | 2024-05-28 | 之江实验室 | 基于病理ct多模态先验知识引导的肺癌诊断方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110459300A (zh) | 一种基于计算机视觉与ct影像的肺癌病理类型诊断方法 | |
CN109670510B (zh) | 一种基于深度学习的胃镜活检病理数据筛查系统 | |
CN109166105A (zh) | 人工智能医学影像的肿瘤恶性风险分层辅助诊断系统 | |
CN110991536B (zh) | 原发性肝癌的早期预警模型的训练方法 | |
WO2023040164A1 (zh) | 一种基于pet/ct的肺腺癌鳞癌诊断模型训练方法及装置 | |
Hussain et al. | Analyzing the dynamics of lung cancer imaging data using refined fuzzy entropy methods by extracting different features | |
CN108922602A (zh) | 基于大数据分析mri图像的直肠癌术前同期新辅助放化疗疗效评估系统和方法 | |
CN110600109A (zh) | 一种彩色图像融合的诊断监控综合医疗系统及其融合方法 | |
CN110575178B (zh) | 一种运动状态判断的诊断监控综合医疗系统及其判断方法 | |
JP2024043567A (ja) | 特徴分離に基づく病理画像特徴抽出器の訓練方法、訓練装置、電子機器、記憶媒体及び病理画像分類システム | |
Yang et al. | Application of artificial intelligence to the diagnosis and therapy of nasopharyngeal carcinoma | |
Li et al. | Lesion-aware convolutional neural network for chest radiograph classification | |
CN111027548A (zh) | 基于影像组学的脑胶质瘤分子标记物无损预测方法和预测系统 | |
CN113539476A (zh) | 基于人工智能的胃内窥活检拉曼图像辅助诊断方法和系统 | |
CN115953781A (zh) | 基于热层析影像的乳腺人工智能分析系统及方法 | |
Duan et al. | Fourier ViT: A multi-scale vision transformer with Fourier transform for histopathological image classification | |
CN115100155A (zh) | 放射性肺炎预测模型的建立方法与系统 | |
Fu | Application of artificial intelligence technology in medical cell biology | |
Wang et al. | An unsupervised dual contrastive learning framework for scatter correction in cone-beam CT image | |
Xie et al. | Automated Diagnosis of Melanoma Histopathological Images Based on Deep Learning Using Trust Counting Method | |
CN113889261A (zh) | 基于病理特征辅助的pet/ct自动肺癌诊断分类模型训练方法 | |
CN113822917A (zh) | 一种肝癌影像组学图像精确配准方法 | |
CN109886285A (zh) | 一种基于轻量化卷积神经网络的胆石病ct医疗图像快速识别方法 | |
Shukla et al. | COVID-19 detection using raw chest x-ray images | |
Guo et al. | A Low-Dose CT Image Denoising Method Combining Multistage Network and Edge Protection |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20191115 |
|
WD01 | Invention patent application deemed withdrawn after publication |