CN110516759B - 一种基于机器学习的软组织肉瘤转移风险预测系统 - Google Patents

一种基于机器学习的软组织肉瘤转移风险预测系统 Download PDF

Info

Publication number
CN110516759B
CN110516759B CN201910824799.9A CN201910824799A CN110516759B CN 110516759 B CN110516759 B CN 110516759B CN 201910824799 A CN201910824799 A CN 201910824799A CN 110516759 B CN110516759 B CN 110516759B
Authority
CN
China
Prior art keywords
image
soft tissue
gray
tissue sarcoma
module
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.)
Active
Application number
CN201910824799.9A
Other languages
English (en)
Other versions
CN110516759A (zh
Inventor
申俊丽
余堃
刘秋朋
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.)
Henan Normal University
Original Assignee
Henan Normal 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 Henan Normal University filed Critical Henan Normal University
Priority to CN201910824799.9A priority Critical patent/CN110516759B/zh
Publication of CN110516759A publication Critical patent/CN110516759A/zh
Application granted granted Critical
Publication of CN110516759B publication Critical patent/CN110516759B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • 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
    • G06T7/40—Analysis of texture
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G06T7/41—Analysis of texture based on statistical description of texture
    • G06T7/45—Analysis of texture based on statistical description of texture using co-occurrence matrix computation
    • 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)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Medical Informatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Quality & Reliability (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Health & Medical Sciences (AREA)
  • Image Analysis (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明公开了一种基于机器学习的软组织肉瘤转移风险预测系统，涉及医疗影像科图像处理领域，所述软组织肉瘤转移风险预测系统包括：图像采集模块、图像预处理模块、特征提取模块、软组织肉瘤转移风险预测模块与显示结果模块。为了解决因采用人工方式进行软组织肉瘤转移风险预测而导致预测效率不高的问题，本发明通过图像采集模块收集大量会发生转移和不会发生转移的软组织肉瘤图像建立训练数据库，并将训练数据库中的图像经过图像预处理模块提取图像特征后使用支持向量机进行训练建立软组织肉瘤转移预测模型，同时将待预测图像数据的特征输入模型进行预测得到预测结果，进而实现对目标患者是否会发生软组织肉瘤转移进行快速、准确地预测。

Description

一种基于机器学习的软组织肉瘤转移风险预测系统
技术领域
本发明涉及医疗影像科图像处理领域，具体是一种基于机器学习的软组织肉瘤转移风险预测系统。
背景技术
软组织肉瘤是一类罕见的恶性肿瘤，因为其发病率低，外科医生接触到此类疾病的机会少，因而容易发生误诊，进而错过最佳的治疗时机。且此类疾病常难以依靠传统的手段鉴别肿瘤的性质以及预测其转移风险。大多数新病例是中度或高度恶性肿瘤，几乎可能出现在人体的任何部位，四肢是最常见的起源部位。
一般而言，不同形式的治疗可对软组织肉瘤起到良好的局部控制效果。然而，大约25％的软组织肉瘤患者还是会发生远处转移的情况。特别是在高级别肿瘤的情况下，转移率上升至约50％，通常需要在早期阶段进行更好的全身治疗，以控制有转移风险的软组织肉瘤。因此，在软组织肉瘤管理过程中对转移风险的早期评估是非常有意义的，因为它可能为患者带来更好的适应性治疗并因此提高患者总体存活率。
目前，针对软组织肉瘤的传统预测方式多通过人工进行，这种方式要求医师有丰富的临床经验，对病人的临床资料进行全面分析，在工作量较大的情况下非常容易造成误诊现象，进而带来严重后果。通过机器学习进行预测的方式尚处于起步阶段，研究较少且准确度不高。因此，设计出一种基于机器学习的软组织肉瘤转移风险预测系统，成为亟需解决的问题。
发明内容
本发明的目的在于提供一种基于机器学习的软组织肉瘤转移风险预测系统，以解决上述背景技术中提出的问题，通过对医疗图像的特征提取和风险预测模型的建立，实现对目标患者是否会发生软组织肉瘤转移进行快速、准确地预测。
为实现上述目的，本发明提供如下技术方案：
一种基于机器学习的软组织肉瘤转移风险预测系统，包括：依次连接的图像采集模块、图像预处理模块、特征提取模块、软组织肉瘤转移风险预测模块以及显示结果模块；
所述图像采集模块用于获取软组织肉瘤PET/CT图像生成待预测图像数据；
所述图像预处理模块用于将待预测图像数据进行预处理得到预处理后的图像；
所述特征提取模块用于对预处理后的图像进行纹理分析并提取图像特征；
所述软组织肉瘤转移风险预测模块用于收集大量会发生转移和不会发生转移的软组织肉瘤图像建立训练数据库，并将训练数据库中的图像进行提取图像特征后使用支持向量机进行训练，建立软组织肉瘤转移风险预测模型，同时将获取的待预测图像数据的特征输入模型进行预测得到预测结果；
所述显示结果模块用于显示准确的预测结果。
作为本发明进一步的方案：所述预处理包括降噪处理和归一化处理，且所述降噪处理为采用图像降噪算法对原始图像进行小波分解和重构，所述归一化处理为采用图像归一化算法对图像进行处理，即使用最大最小归一化算法对图像进行归一化处理。
作为本发明再进一步的方案：所述图像归一化算法使用如下函数：
Figure BDA0002188737380000021
其中，x′i表示归一化后的像素点的值，xi表示图像像素点的值，max(x)与min(x)分别表示图像像素的最大值和最小值。
作为本发明再进一步的方案：所述小波分解包括：
选择一个小波函数和小波分解的层次N，然后计算图像到第N层的分解；
将高频系数进行阈值量化，对于从1到N的每一层，选择一个阈值，并对这一层的高频系数进行软阈值化处理。
作为本发明再进一步的方案：所述小波重构包括：
根据小波分解的第N层的低频系数和经过阈值量化的第1层到第N层的高频系数来对医疗图像进行小波重构。
作为本发明再进一步的方案：所述纹理分析包括计算灰度共生矩阵、灰度级行程矩阵、灰度级带矩阵以及邻域灰度差分矩阵；通过特征提取模块对预处理过的图像进行灰度共生矩阵、灰度级行程矩阵、灰度级带矩阵、邻域灰度差分矩阵的计算，分析其纹理特征。
具体的，通过对预处理过的图像进行灰度共生矩阵计算，得到能量、对比度、关联性、同质性、方差、总平均值和熵值；通过对预处理过的图像进行灰度级行程矩阵计算，得到短期强调(SRE)、长期重点(LRE)、灰度级非均匀性(GLN)、游程长度不均匀性(RLN)、运行百分比(RP)、低灰度运行强调(LGRE)、高灰度运行强调(HGRE)、短期低灰度强调(SRLGE)、短期高灰度强调(SRHGE)、长期低灰度强调(LRLGE)、长期高灰度重点(LRHGE)、灰度方差(GLV)以及游程长度方差(RLV)；通过对预处理过的图像进行灰度级带矩阵计算，得到小区重点(SZE)、大区重点(LZE)、灰度级非均匀性(GLN)、区域尺寸不均匀性(ZSN)、区域百分比(ZP)、灰度区重点(LGZE)、高灰度区重点(HGZE)、小区域低灰度强调(SZLGE)、小区域高灰度重点(SZHGE)、大区低灰度强调(LZLGE)、大区高灰度重点(LZHGE)、灰度方差(GLV)以及区域大小方差(ZSV)；通过对预处理过的图像进行邻域灰度差分矩阵计算，得到粗糙度、对比度、繁忙度、复杂度和强度。
作为本发明再进一步的方案：所述软组织肉瘤转移风险预测模型的建立包括以下步骤：
收集大量会发生转移和不会发生转移的软组织肉瘤PET/CT图像，建立训练数据库；
将训练数据库中的数据经过图像预处理模块处理得到降噪和归一化后的图像数据，并将降噪和归一化后的图像数据经过特征提取模块进行特征提取，得到训练特征数据；
将训练特征数据随机划分为k组，每组中都包含软组织肉瘤发生转移和软组织肉瘤未发生转移的样本，挑选其中一组数据作为测试集，剩下的k-1组数据作为训练用来训练模型，通过一对一训练法得到能够将数据样本区分得到第l个模型：SVM1，将测试集输入到SVM1进行分类，并将测试集分类结果与实际结果进行对比得到分类准确率ε1；以此类推得到k个准确率ε1，ε2，…，εk，并在ε1，ε2，…，εk中挑选分类准确率最高的模型作为最终软组织肉瘤转移风险的预测模型。
与现有技术相比，本发明的有益效果是：
本发明设置了依次连接的图像采集模块、图像预处理模块、特征提取模块、软组织肉瘤转移风险预测模块以及显示结果模块，通过图像采集模块收集大量会发生转移和不会发生转移的软组织肉瘤图像建立训练数据库，并将训练数据库中的图像经过图像预处理模块提取图像特征后使用支持向量机进行训练建立软组织肉瘤转移预测模型，同时将待预测图像数据的特征输入模型进行预测得到预测结果，进而实现对目标患者是否会发生软组织肉瘤转移进行快速、准确地预测，解决了因采用人工方式进行软组织肉瘤转移风险预测而导致预测效率不高的问题。
附图说明
图1为本发明一实施例提供的基于机器学习的软组织肉瘤转移风险预测系统的框图。
图2为本发明另一实施例提供的软组织肉瘤转移风险预测的流程图。
图3为本发明另一实施例提供的软组织肉瘤转移风险预测模型的构建流程图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步详细地说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进。这些都属于本发明的保护范围。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
请参阅图1，本发明提供的一个实施例中，一种基于机器学习的软组织肉瘤转移风险预测系统，包括：依次连接的图像采集模块、图像预处理模块、特征提取模块、软组织肉瘤转移风险预测模块以及显示结果模块。
进一步的，在本发明实施例中，所述图像采集模块用于获取软组织肉瘤PET/CT图像生成待预测图像数据；所述图像预处理模块用于将待预测图像数据进行预处理得到预处理后的图像。
进一步的，在本发明实施例中，所述预处理包括降噪处理和归一化处理，所述降噪处理为采用图像降噪算法对原始图像进行小波分解和重构，所述小波分解包括：选择一个小波函数和小波分解的层次N，然后计算图像到第N层的分解；将高频系数进行阈值量化，对于从1到N的每一层，选择一个阈值，并对这一层的高频系数进行软阈值化处理；所述小波重构包括：根据小波分解的第N层的低频系数和经过阈值量化的第1层到第N层的高频系数来对医疗图像进行小波重构。
进一步的，在本发明实施例中，所述归一化处理为采用图像归一化算法对图像进行处理，即使用最大最小归一化算法对图像进行归一化处理。
进一步的，在本发明实施例中，所述特征提取模块用于对预处理后的图像进行纹理分析并提取图像特征，所述纹理分析包括计算灰度共生矩阵、灰度级行程矩阵、灰度级带矩阵、邻域灰度差分矩阵，通过特征提取模块对预处理过的图像进行灰度共生矩阵、灰度级行程矩阵、灰度级带矩阵、邻域灰度差分矩阵的计算，分析其纹理特征。
具体的，通过对预处理过的图像进行灰度共生矩阵计算，得到能量、对比度、关联性、同质性、方差、总平均值和熵值。
进一步的，通过对预处理过的图像进行灰度级行程矩阵计算，得到短期强调(SRE)、长期重点(LRE)、灰度级非均匀性(GLN)、游程长度不均匀性(RLN)、运行百分比(RP)、低灰度运行强调(LGRE)、高灰度运行强调(HGRE)、短期低灰度强调(SRLGE)、短期高灰度强调(SRHGE)、长期低灰度强调(LRLGE)、长期高灰度重点(LRHGE)、灰度方差(GLV)以及游程长度方差(RLV)。
进一步的，通过对预处理过的图像进行灰度级带矩阵计算，得到小区重点(SZE)、大区重点(LZE)、灰度级非均匀性(GLN)、区域尺寸不均匀性(ZSN)、区域百分比(ZP)、灰度区重点(LGZE)、高灰度区重点(HGZE)、小区域低灰度强调(SZLGE)、小区域高灰度重点(SZHGE)、大区低灰度强调(LZLGE)、大区高灰度重点(LZHGE)、灰度方差(GLV)以及区域大小方差(ZSV)。
进一步的，通过对预处理过的图像进行邻域灰度差分矩阵计算，得到粗糙度、对比度、繁忙度、复杂度和强度。
进一步的，在本发明实施例中，所述软组织肉瘤转移风险预测模块用于收集大量会发生转移和不会发生转移的软组织肉瘤图像建立训练数据库，并将训练数据库中图像提取图像特征后使用支持向量机进行训练，建立软组织肉瘤转移预测模型，同时将获取的待预测图像数据的特征输入模型进行预测得到预测结果。
进一步的，在本发明实施例中，所述显示结果模块用于显示准确的预测结果。
请参阅图1-2，在本发明提供的另一个实施例中，一种基于机器学习的软组织肉瘤转移风险预测系统，包括：图像采集模块、图像预处理模块、特征提取模块、软组织肉瘤转移风险预测模块以及显示结果模块。
其中，图像采集模块，用于获取待预测的PET/CT图像；
图像预处理模块，与图像采集模块相连，用于对图像降噪和采用图像归一化算法进行归一化处理；
所述图像归一化算法为使用最大最小归一化算法对图像进行归一化处理，使用如下函数：
Figure BDA0002188737380000061
其中，x′i表示归一化后的像素点的值，xi表示图像像素点的值，max(x)与min(x)分别表示图像像素的最大值和最小值；
所述降噪采用图像降噪算法，包括：
对原始图像的小波分解：选择一个小波函数和小波分解的层次N，然后计算图像到第N层的分解；将高频系数进行阈值量化，对于从1到N的每一层，选择一个阈值，并对这一层的高频系数进行软阈值化处理；
图像的小波重构：根据小波分解的第N层的低频系数和经过阈值量化的第1层到第N层的高频系数来对医疗图像进行小波重构。
进一步的，所述特征提取模块，与图像处理模块连接，用于针对预处理后的图像进行纹理分析，计算灰度共生矩阵、灰度级行程矩阵，灰度级带矩阵、邻域灰度差分矩阵，提取重要特征。
进一步的，所述软组织肉瘤转移风险预测模块，与特征提取模块连接，用于收集大量会发生转移和不会发生转移的软组织肉瘤图像，并将图像提取特征后使用支持向量机进行训练，从而建立起软组织肉瘤转移预测模型，将获取的待预测图像的特征输入模型进行预测。
进一步的，所述显示结果模块，与软组织肉瘤转移风险预测模块连接，用于将准确的预测结果显示出来。
进一步的，如图2所示，本发明实施例中提供的软组织肉瘤转移风险预测流程包括以下步骤：
收集大量会发生转移和不会发生转移的软组织肉瘤图像建立训练数据库，再对训练数据库中的图像进行降噪、归一化并提取特征，然后传入支持向量机进行训练，从而建立起软组织肉瘤转移预测模型；
将获取的待预测图像的经过图像预处理流程、提取图像特征流程得到待预测图像的特征，然后将特征传入预测模型中进行计算，最终得出预测结果。
请参阅图3，在本发明提供的另一个实施例中，所述软组织肉瘤转移风险预测模型的构建流程包括以下步骤：
首先，对收集到的训练数据集进行图像预处理，对每例患者图像进行特征提取，将计算得到的特征数值序列作为特征向量；
然后，将特征向量随机划分为k组，每组中都包含发生转移和未发生转移的样本，挑选其中一组数据作为测试集，剩下的k-1组数据作为训练用来训练模型，通过一对一训练法，得到能够将数据样本区分的第l个模型：SVM1，并将测试集输入到SVM1进行分类，并将测试集分类结果与实际结果进行对比得到分类准确率ε1，以此类推得到k个准确率ε1，ε2，…，εk；
最后，在ε1，ε2，…，εk中挑选预测准确率最高的模型作为最终SVM模型。
本发明的有益效果是：本发明设置了依次连接的图像采集模块、图像预处理模块、特征提取模块、软组织肉瘤转移风险预测模块以及显示结果模块，通过图像采集模块收集大量会发生转移和不会发生转移的软组织肉瘤图像建立训练数据库，并将训练数据库中的图像经过图像预处理模块提取图像特征后使用支持向量机进行训练建立软组织肉瘤转移预测模型，同时将待预测图像数据的特征输入模型进行预测得到预测结果，进而实现对目标患者是否会发生软组织肉瘤转移进行快速、准确地预测，解决了因采用人工方式进行软组织肉瘤转移风险预测而导致预测效率不高的问题。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为随机存储器、闪存、只读存储器、可编程只读存储器、电可擦写可编程存储器、寄存器等。
上面对本发明的较佳实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域的普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。这里无需也无法对所有的实施方式予以穷举。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应处于本发明的保护范围之中。

Claims (5)

1.一种基于机器学习的软组织肉瘤转移风险预测系统，包括：依次连接的图像采集模块、图像预处理模块、特征提取模块、软组织肉瘤转移风险预测模块以及显示结果模块；
所述图像采集模块用于获取软组织肉瘤 PET/CT 图像生成待预测图像数据；
所述图像预处理模块用于将待预测图像数据进行预处理得到预处理后的图像，预处理包括降噪处理和归一化处理，且所述降噪处理为采用图像降噪算法对图像进行小波分解和重构，所述归一化处理为采用图像归一化算法对图像进行处理；
所述特征提取模块用于对预处理后的图像进行纹理分析并提取图像特征，纹理分析包括计算灰度共生矩阵、灰度级行程矩阵、灰度级带矩阵以及邻域灰度差分矩阵，通过特征提取模块对预处理过的图像进行灰度共生矩阵、灰度级行程矩阵、灰度级带矩阵、邻域灰度差分矩阵的计算，分析其纹理特征，具体的，通过对预处理过的图像进行灰度共生矩阵计算，得到能量、对比度、关联性、同质性、方差、总平均值和熵值；通过对预处理过的图像进行灰度级行程矩阵计算，得到短期强调、长期重点、灰度级非均匀性、游程长度不均匀性、运行百分比、低灰度运行强调、高灰度运行强调、短期低灰度强调、短期高灰度强调、长期低灰度强调、长期高灰度重点、灰度方差以及游程长度方差；通过对预处理过的图像进行灰度级带矩阵计算，得到小区重点、大区重点、灰度级非均匀性、区域尺寸不均匀性、区域百分比、灰度区重点、高灰度区重点、小区域低灰度强调、小区域高灰度重点、大区低灰度强调、大区高灰度重点、灰度方差以及区域大小方差；通过对预处理过的图像进行邻域灰度差分矩阵计算，得到粗糙度、对比度、繁忙度、复杂度和强度；
所述软组织肉瘤转移风险预测模块用于收集软组织肉瘤图像建立训练数据库，并将训练数据库中的图像进行提取图像特征后使用支持向量机进行训练，建立软组织肉瘤转移风险预测模型，同时将获取的待预测图像数据的特征输入模型进行预测得到预测结果；
所述显示结果模块用于显示预测结果。
2.根据权利要求 1 所述的基于机器学习的软组织肉瘤转移风险预测系统，其特征在 于，所述图像归一化算法使用如下函数：
Figure 514446DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE003
表示归一化后的像素点的值，
Figure 8751DEST_PATH_IMAGE004
表示图像像素点的值，
Figure DEST_PATH_IMAGE005
分别 表示图像像素的最大值和最小值。
3.根据权利要求 1 所述的基于机器学习的软组织肉瘤转移风险预测系统，其特征在于，所述小波分解包括：
选择一个小波函数和小波分解的层次 N，然后计算图像到第 N 层的分解；
将高频系数进行阈值量化，对于从 1 到 N 的每一层，选择一个阈值，并对这一层的高频系数进行软阈值化处理。
4.根据权利要求 3 所述的基于机器学习的软组织肉瘤转移风险预测系统，其特征在于，所述小波重构包括根据小波分解的第N层的低频系数和经过阈值量化的第1层到第N层的高频系数来对医疗图像进行小波重构。
5.根据权利要求1所述的基于机器学习的软组织肉瘤转移风险预测系统，其特征在于，所述软组织肉瘤转移风险预测模型的建立包括以下步骤：
收集软组织肉瘤PET/CT图像，建立训练数据库；
将训练数据库中的数据经过图像预处理模块处理得到降噪和归一化后的图像数据，并将降噪和归一化后的图像数据经过特征提取模块进行特征提取，得到训练特征数据；
将训练特征数据随机划分为k组，每组中都包含发生转移和未发生转移的样本，挑选其中一组数据作为测试集，剩下的k-1组数据作为训练用来训练模型，挑选分类准确率最高的模型作为最终软组织肉瘤转移风险的预测模型。
CN201910824799.9A 2019-09-02 2019-09-02 一种基于机器学习的软组织肉瘤转移风险预测系统 Active CN110516759B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910824799.9A CN110516759B (zh) 2019-09-02 2019-09-02 一种基于机器学习的软组织肉瘤转移风险预测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910824799.9A CN110516759B (zh) 2019-09-02 2019-09-02 一种基于机器学习的软组织肉瘤转移风险预测系统

Publications (2)

Publication Number Publication Date
CN110516759A CN110516759A (zh) 2019-11-29
CN110516759B true CN110516759B (zh) 2022-09-30

Family

ID=68630427

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910824799.9A Active CN110516759B (zh) 2019-09-02 2019-09-02 一种基于机器学习的软组织肉瘤转移风险预测系统

Country Status (1)

Country Link
CN (1) CN110516759B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3889882B1 (en) * 2020-03-31 2023-06-07 Siemens Healthcare GmbH Image normalization increasing robustness of machine learning applications for medical images
CN111583217A (zh) * 2020-04-30 2020-08-25 深圳开立生物医疗科技股份有限公司 一种肿瘤消融疗效预测方法、装置、设备及计算机介质
CN112489035A (zh) * 2020-12-14 2021-03-12 青岛大学附属医院 一种基于机器学习的软组织肉瘤等级判断方法
US11610306B2 (en) 2020-12-16 2023-03-21 Industrial Technology Research Institute Medical image analysis method and device
CN113052864B (zh) * 2021-03-02 2022-12-23 四川大学 一种基于机器学习的整形手术术后体貌预测方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3514756A1 (en) * 2018-01-18 2019-07-24 Koninklijke Philips N.V. Medical analysis method for predicting metastases in a test tissue sample
CN110084800A (zh) * 2019-04-28 2019-08-02 上海海事大学 一种用于四肢软组织肉瘤病人的肺转移预测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3514756A1 (en) * 2018-01-18 2019-07-24 Koninklijke Philips N.V. Medical analysis method for predicting metastases in a test tissue sample
CN110084800A (zh) * 2019-04-28 2019-08-02 上海海事大学 一种用于四肢软组织肉瘤病人的肺转移预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
应用MR影像组学特征鉴别长骨内生软骨瘤与软骨肉瘤的研究分析;周行知等;《实用肿瘤杂志》;20190611(第03期);全文 *

Also Published As

Publication number Publication date
CN110516759A (zh) 2019-11-29

Similar Documents

Publication Publication Date Title
CN110516759B (zh) 一种基于机器学习的软组织肉瘤转移风险预测系统
Balasubramaniam Artificial intelligence algorithm with SVM classification using dermascopic images for melanoma diagnosis
Ahmmed et al. Classification of tumors and it stages in brain MRI using support vector machine and artificial neural network
CN109544518B (zh) 一种应用于骨骼成熟度评估的方法及其系统
Rahman et al. A new method for lung nodule detection using deep neural networks for CT images
Saranyaraj et al. A deep convolutional neural network for the early detection of breast carcinoma with respect to hyper-parameter tuning
WO2019184851A1 (zh) 图像处理方法和装置及神经网络模型的训练方法
Mandache et al. Basal cell carcinoma detection in full field OCT images using convolutional neural networks
Sadad et al. Internet of medical things embedding deep learning with data augmentation for mammogram density classification
Chen et al. Automatic whole slide pathology image diagnosis framework via unit stochastic selection and attention fusion
Ozdemir et al. Age Estimation from Left-Hand Radiographs with Deep Learning Methods.
Cai et al. Identifying architectural distortion in mammogram images via a se-densenet model and twice transfer learning
Ortiz-Rodriguez et al. Breast cancer detection by means of artificial neural networks
Darweesh et al. Early breast cancer diagnostics based on hierarchical machine learning classification for mammography images
Selim et al. CT image harmonization for enhancing radiomics studies
CN113627483B (zh) 基于自监督纹理对比学习的宫颈oct图像分类方法及设备
Chitnis et al. Domain-specific pre-training improves confidence in whole slide image classification
Shanthi et al. Computer aided system for detection and classification of breast cancer
Wang et al. Evaluation of malignancy of lung nodules from CT image using recurrent neural network
KR102391934B1 (ko) 인공지능 기반 갑상선 결절의 암 위험도 진단 시스템 및 방법
Guo et al. Thyroid nodule ultrasonic imaging segmentation based on a deep learning model and data augmentation
Shao et al. Imageological examination of pulmonary nodule detection
CN115311491A (zh) 一种基于课程学习及空间注意力的骨折假阳性筛除方法
CN115100155A (zh) 放射性肺炎预测模型的建立方法与系统
CN115439491A (zh) Mri图像肠损伤区域的分割方法、装置及等级评估系统

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