CN110956626A - 一种基于图像的预后评估方法及装置 - Google Patents
一种基于图像的预后评估方法及装置 Download PDFInfo
- Publication number
- CN110956626A CN110956626A CN201911249757.3A CN201911249757A CN110956626A CN 110956626 A CN110956626 A CN 110956626A CN 201911249757 A CN201911249757 A CN 201911249757A CN 110956626 A CN110956626 A CN 110956626A
- Authority
- CN
- China
- Prior art keywords
- region
- image
- position information
- preset
- area
- 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
Images
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
-
- 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
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/30016—Brain
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Data Mining & Analysis (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)
- Geometry (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本申请提供了一种基于图像的预后评估方法及装置,该方法包括:获取图像中的第一区域的位置信息。获取图像中的第二区域的位置信息。依据第一区域的位置信息、第二区域的位置信息和图像的信息,计算参数,参数包括病灶区域的体积、以及病灶区域在预设区域中的体积占比。基于特征数值和预设的模型,确定预后评估结果。相较于人工观察进行预后评分,本申请基于参数和模型,确定预后评估结果,故具有较强客观性。并且,参数包括病灶区域的体积、以及病灶区域在预设区域中的体积占比,因为病灶的体积反映了病灶大小、占比反映了病灶的分布区域之间的区别,所以,能够进一步提高预后评估结果准确性。综上所述,本申请所述的技术方案,具有更高准确性。
Description
技术领域
本申请涉及电子信息领域,尤其涉及一种基于图像的预后评估方法及装置。
背景技术
Alberta卒中项目早期CT评分(Alberta Stroke Program Early CT Score,ASPECTS)是评价缺血性卒中患者脑中动脉供血区早期缺血改变的一种方法,可对缺血性病变快速进行半定量评价,有助于判定溶栓效果和远期预后。
但ASPECTS具有一些局限性,从而导致对于预后的判定的准确性不高。
发明内容
申请人在研究的过程中发现,ASPECTS的局限性主要体现在:1、由人工观察图像,并依靠经验确定得分,主观性大。2、忽视了病灶大小和病灶分布区域的区别对评分的不同影响。3、忽视了左右脑的区别对评分的不同影响。
本申请提供了一种基于图像的预后评估方法及装置,目的在于提高预后评估的准确性。
为了实现上述目的,本申请提供了以下技术方案:
一种基于图像的预后评估方法,包括:
获取图像中的第一区域的位置信息,所述图像为预设对象的成像,所述第一区域为所述预设对象中的病灶区域在所述图像中的成像区域;
获取所述图像中的第二区域的位置信息,所述第二区域为所述对象中的预设区域在所述图像中的成像区域;
依据所述第一区域的位置信息、所述第二区域的位置信息和所述图像的信息,计算参数,所述参数包括所述病灶区域的体积、以及所述病灶区域在所述预设区域中的体积占比;
基于特征数值和预设的模型,确定评估结果,所述特征数值至少包括所述参数。
可选的,所述依据所述第一区域的位置信息、所述第二区域的位置信息和所述图像的信息,计算参数,包括:
依据所述第一区域的位置信息和所述第二区域的位置信息,确定各个所述第一区域与各个所述第二区域的对应关系,其中,位置包括在任意一个所述第二区域的位置范围内的所述第一区域,与该第二区域对应;
依据所述第一区域在对应的所述第二区域中的像素数量、所述预设区域的高度、以及所述图像中像素的间距,计算各个所述预设区域中,所述病灶区域的体积、以及所述病灶区域的体积占比。
可选的,所述对象包括:脑;
所述预设区域包括:核团层面和核团以上层面。
可选的,所述参数包括:
第一参数和第二参数;
所述第一参数包括左半脑中所述病灶区域的体积、以及左半脑中所述病灶区域在所述预设区域中的体积占比,所述第二参数包括右半脑中所述病灶区域的体积、以及右半脑中所述病灶区域在所述预设区域中的体积占比。
可选的,所述依据所述第一区域的位置信息、所述第二区域的位置信息和所述图像的信息,计算参数,包括:
划分左半脑中的所述第一区域的位置信息、所述第二区域的位置信息、以及右半脑中的所述第一区域的位置信息、所述第二区域的位置信息;
依据左半脑中的所述第一区域在对应的所述第二区域中的像素数量、所述预设区域的高度、以及所述图像中像素的间距,计算各个上述左半脑中的所述预设区域中,所述病灶区域的体积、以及所述病灶区域的体积占比;
依据右半脑中的所述第一区域在对应的所述第二区域中的像素数量、所述预设区域的高度、以及所述图像中像素的间距,计算各个所述右半脑中的所述预设区域中,所述病灶区域的体积、以及所述病灶区域的体积占比,位置包括在任意一个所述第二区域的位置范围内的所述第一区域,与该第二区域对应。
可选的,所述特征数值还包括:
所述对象关联的临床信息。
可选的,所述获取图像中的第一区域的位置信息,包括:
使用识别模型,从所述图像中识别所述第一区域,并确定所述第一区域的位置信息;
所述获取所述图像中的第二区域的位置信息,包括:
将所述图像中与预设的匹配模板的特征相似的区域,作为候选区域,并将所述候选区域与匹配模板进行配准,得到所述第二区域的位置信息;
所述预设的模型包括:
逻辑回归模型、支持向量机模型、随机森林模型或人工神经网络模型。
一种基于图像的预后评估装置,包括:
第一获取单元,用于获取图像中的第一区域的位置信息,所述图像为预设对象的成像,所述第一区域为所述预设对象中的病灶区域在所述图像中的成像区域;
第二获取单元,用于获取所述图像中的第二区域的位置信息,所述第二区域为所述对象中的预设区域在所述图像中的成像区域;
计算单元,用于依据所述第一区域的位置信息、所述第二区域的位置信息和所述图像的信息,计算参数,所述参数包括所述病灶区域的体积、以及所述病灶区域在所述预设区域中的体积占比;
确定单元,用于基于特征数值和预设的模型,确定评估结果,所述特征数值至少包括所述参数。
可选的,所述计算单元用于依据所述第一区域的位置信息、所述第二区域的位置信息和所述图像的信息,计算参数,包括:
所述计算单元具体用于,依据所述第一区域的位置信息和所述第二区域的位置信息,确定各个所述第一区域与各个所述第二区域的对应关系,其中,位置包括在任意一个所述第二区域的位置范围内的所述第一区域,与该第二区域对应;依据所述第一区域在对应的所述第二区域中的像素数量、所述预设区域的高度、以及所述图像中像素的间距,计算各个所述预设区域中,所述病灶区域的体积、以及所述病灶区域的体积占比。
可选的,所述对象包括:脑;
所述预设区域包括:核团层面和核团以上层面。
可选的,所述参数包括:
第一参数和第二参数;
所述第一参数包括左半脑中所述病灶区域的体积、以及左半脑中所述病灶区域在所述预设区域中的体积占比,所述第二参数包括右半脑中所述病灶区域的体积、以及右半脑中所述病灶区域在所述预设区域中的体积占比。
一种电子设备,包括处理器,以及用于存储所述处理器可执行指令的存储器;
所述处理器,用于执行所述可执行指令,以实现上述的基于图像的预后评估方法。
一种存储介质,所述存储介质包括存储的程序,其中,在所述程序运行时控制所述存储介质所在设备执行上述的基于图像的预后评估方法。
本申请所述的基于图像的预后评估方法及装置,获取图像中的第一区域的位置信息,图像为预设对象的成像,第一区域为预设对象中的病灶区域在图像中的成像区域。获取图像中的第二区域的位置信息,第二区域为对象中的预设区域在图像中的成像区域。依据第一区域的位置信息、第二区域的位置信息和图像的信息,计算参数,参数包括病灶区域的体积、以及病灶区域在预设区域中的体积占比。基于特征数值和预设的模型,确定预后评估结果,特征数值至少包括参数。相较于人工观察进行预后评分,本申请基于参数和模型,确定预后评估结果,因此具有较强的客观性。并且,参数包括病灶区域的体积、以及病灶区域在预设区域中的体积占比,因为病灶的体积反映了病灶大小、占比反映了病灶的分布区域之间的区别,所以,能够进一步提高预后评估结果的准确性。综上所述,本申请所述的技术方案,具有更高的准确性。
附图说明
为了更清楚地说明本申请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申请的一些实施例,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为本申请实施例提供的一种脑基于图像的预后评估方法的示意图;
图2为本申请实施例提供的一种基于图像的预后评估方法的示意图;
图3为本申请实施例提供的一种基于图像的预后评估装置的结构示意图。
具体实施方式
由背景技术可知,在现有技术中,都是由人工观察病患的医学图像,并依靠经验对病灶预后进行定量评分,从而根据预设的分数与临床结果的对应关系,实现预后的评估。
以脑的非对比计算机断层扫描(Non-Contrast Computerized Tomography,NCCT)图像,使用ASPECTS进行脑中动脉供血区缺血预后评估为例。
ASPECTS方法局限性主要体现在:
1、由人工观察图像,并依靠经验确定得分,主观性大:由于CT图像上脑卒中的超早期缺血性变化较小,并且缺血病灶的密度略微低于正常脑部组织,即病灶与正常组织的差距不大。此外,医护人员在对脑区域进行缺血性评分时,极其容易出现误判,例如,相同的缺血性评分结果,在尾状核区域中显示为中度,在内囊后肢区域也显示为中度,同时内囊后肢区域在CT图像上的密度较正常脑组织稍低,医护人员极其容易将内囊后肢区域看成尾状核区域,从而造成误判。并且,脑中相邻区域内若是同时出现低密度灶时,CT图像中相邻区域边界区分较为困难,综上所述,医护人员往往需要依据个人经验进行评分,所以评分中容易受个人主观影响。
2、忽视了病灶大小和病灶分布区域的区别对评分的不同影响:现有的ASPECTS按照分数对脑卒中缺血性进行预后评估,但是,往往会以相同的分数评估脑中不同区域的缺血性,使得脑中不同区域的预后评估结果都一样。例如,脑中M1区域和M2区域都有缺血区域,但是M2的缺血区域远远大于M1区域,然而,M1区域和M2区域各自的分数却都是一样,ASPECTS对M1区域和M2区域的预后评估结果都一样。明显的,ASPECTS忽视了病灶大小和病灶分布区域的区别对评分的不同影响,预后评估的结果具有较大的局限性。
3、ASPECTS忽视了左右脑的区别对评分的不同影响:脑可以分为左右两侧脑,左右脑的功能明显不同,然而,ASPECTS仅仅对脑进行缺血性评分,左右两侧脑各自对应的缺血行评分无法得知。因此,ASPECTS忽视了左右脑的区别对评分的不同影响,ASPECTS评分更无法体现出左右两侧脑的缺血性病变的区别、以及左右两侧脑各自的预后评估。
有鉴于此,本申请实施例公开的基于图像的预后评估方法及装置,目的在于提供一种打破上述局限性,以提供更为准确的预后评估结果基于图像的预后评估技术。
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
如图1所示,以脑的CT图像作为预后评估对象,本申请实施例提供了一种脑基于图像的预后评估方法的示意图,包括如下步骤:
S101:获取图像中的第一区域的位置信息。
本实施例中,以图像为脑的CT图像为例,第一区域为脑中的病灶区域(本申请实施例以缺血区域为例)在CT图像中的成像区域。
需要说明的是,CT图像中的第一区域的位置信息,用于指示第一区域在图像中的具体位置。
获取图像中的第一区域的位置信息的具体实现方式,为本领域技术人员所熟悉的公知常识,一种可选的实现方式如下:
可选的,使用识别模型,从图像中识别第一区域,并确定第一区域的位置信息。
需要说明的是,识别模型的具体类型可由技术人员根据实际情况进行设置,当然,识别模型的训练过程是本领域技术人员所熟悉的公知常识。
具体的,以基于深度学习的卷积神经网络模型为例,从图像中识别第一区域,并确定第一区域的位置信息的过程包括:采用FastR-CNN网络模型,对图像进行卷积和池化等操作,生成特征图,并从特征图中生成病灶的候选区域,再基于候选区域的影像特征来判断候选区域是否为病灶,若候选区域为病灶,则对影像特征进行定位和分割,从而得到第一区域的位置信息。
具体的,上述模型的具体训练过程,包括:
定义视觉任务(例如在脑中定位缺血区域)。
利用selective search方法或者edgebox方法,对输入图像进行objectproposals提取。通过计算每个样本图像的标定框与objectproposals的覆盖率,得到每个样本图像对应的一组感兴趣区域。利用池化层从每个感兴趣区域的卷积特征中,提取对应的规格化的唯一特征向量。将所有特征向量分别输入到全连接层所产生的两个支路中。
其中,全连接层的一个支路用于,利用softmax回归计算目标分类(例如脑中的缺血区域和正常区域),并对目标分类设定对应的概率估算值。另一个支路用于,输出用于表征每个输入图像上目标(指示第一区域,例如脑中的缺血区域)的位置信息。
利用ImageNet数据集,对FaetR-CNN网络进行预训练,得到预训练模型。
将训练集、训练集中样本图像对应的标定值、以及objectproposals作为预训练模型的输入,通过FasterR-CNN对预训练模型进行二次训练,并不断迭代优化模型中的参数,直至得到效能稳定的病灶(例如脑缺血灶)检测模型。
利用新样本(即脑CT图像)对病灶检测模型进行测试,得到新样本的检测结果(也就是图像中的第一区域的位置信息)。
需要说明的是,上述具体实现过程仅仅用于举例说明。
S102:获取图像中的第二区域的位置信息。
其中,第二区域为脑中的预设区域在CT图像中的成像区域。
在本实施例中,考虑到具体应用场景,预设区域包括核团层面和核团以上层面。进一步的,还可以将核团层面和核团以上层面两个区域进行细分。具体的,核团层面细分为M1区域、M2区域、M3区域、岛叶I区域、豆状核L区域、尾状核C区域和内囊后肢IC区域,核团以上层面细分为M4区域、M5区域和M6区域。在本申请实施例中,脑划分为上述10个区域。
需要说明的是,图像中第二区域的位置信息,用于指示第二区域在图像中的具体位置。此外,获取图像中的第二区域的位置信息的具体实现方式,为本领域技术人员所熟悉的公知常识,一种可选的实现方式如下:
可选的,将图像中与预设的匹配模板的特征相似的区域,作为候选区域,并将候选区域与匹配模板进行配准,得到第二区域的位置信息。
需要说明的是,匹配模板的具体类型可由技术人员根据实际情况进行设置,本实施例中,可以使用标准脑的核团层面和核团以上层面的成像,作为匹配模板,当然,匹配模板的配准过程是本领域技术人员所熟悉的公知常识。
具体的,以ASPECTS匹配模板为例,匹配模板的配准过程包括:
获取多个样本图像(例如脑的CT图像),并对样本图像进行分区标注(例如标注脑的10个区域),将标注后的图像作为模板。采用高斯滤波或者Hough变换,提取模板中各个区域共通的图像特征。
利用匹配算法,对待配准图像进行图像特征匹配。根据相似度量原则,确定待配准图像中对应模板分区匹配度最高的区域。基于最高区域对应的匹配特征,计算待配准图像的空间变换矩阵。
利用空间变换矩阵,对待配准图像进行转换,得到待配准图像的配准结果(也就是图像中第二区域的位置信息)。
需要说明的是,上述具体实现过程仅仅用于举例说明。
S103:划分左半脑中的第一区域的位置信息、第二区域的位置信息、以及右半脑中的第一区域的位置信息、第二区域的位置信息。
其中,在本申请实施例中,脑划分为左右两侧半脑,每一侧半脑划分为10个区域。在左右两侧半脑中,位置(由上述第一区域的位置信息确定)包括在任意一个第二区域的位置范围(由上述第二区域的位置信息确定)内的第一区域,与该第二区域对应。
左半脑中的第一区域指的是:病灶区域中位于在左半脑范围内的成像区域。左半脑中的第二区域指的是:左半脑中核团层面和核团以上层面各自对应的成像区域,进一步的,将核团层面细分为M1区域、M2区域、M3区域、岛叶I区域、豆状核L区域、尾状核C区域和内囊后肢IC区域,核团以上层面细分为M4区域、M5区域和M6区域,总共10个区域。
右半脑中的第一区域指的是:病灶区域中位于在右半脑范围内的成像区域。右半脑中的第二区域指的是:右半脑中核团层面和核团以上层面各自对应的成像区域,进一步的,将核团层面细分为M1区域、M2区域、M3区域、岛叶I区域、豆状核L区域、尾状核C区域和内囊后肢IC区域,核团以上层面细分为M4区域、M5区域和M6区域,总共10个区域。
S104:依据左半脑中的第一区域在对应的第二区域中的像素数量、预设区域的高度、以及图像中像素的间距,计算第一参数。
其中,第一参数包括左半脑中病灶区域的体积,左半脑中病灶区域在预设区域中的体积占比。在本申请实施例中,左半脑中的预设区域包括10个区域,以脑左半脑M1区域为例,依据左半脑中病灶区域在M1区域中的像素数量、M1区域的高度、以及CT图像中像素的间距,计算左半脑M1区域中,病灶区域的体积、以及病灶区域的体积占比,具体计算过程如公式(1)和(2)所示。
在公式(1)中,左半脑M1区域所属成像区域的第n层至第n+k层中分布有病灶区域所属的成像区域,VM1-L代表左半脑M1区域中病灶区域的体积,代表病灶区域在M1区域中所占据成像区域的像素数量,Lpixel-spacing代表CT图像中像素的间距,Lslice-thickness代表影像层厚信息
在公式(2)中,RM1-L代表病灶区域在左半脑M1区域中的体积占比,Vtotal-M1-L代表左半脑M1区域的体积,Vtotal-M1-L的计算过程如公式(3)所示。
同理,针对脑左半脑的所有区域,基于公式(1)、(2)和(3)的计算原理,得到左半脑10个区域各自对应的参数,病灶区域的体积,分别为VM1-L、VM2-L、VM3-L、VM4-L、VM5-L、VM6-L、VI-L、VL-L、VC-L和VIC-L,病灶区域的体积占比,分别为RM1-L、RM2-L、RM3-L、RM4-L、RM5-L、RM6-L、RI-L、RL-L、RC-L、RIC-L。
S105:依据右半脑中的第一区域在对应的第二区域中的像素数量、预设区域的高度、以及图像中像素的间距,计算第二参数。
其中,第二参数包括右半脑中病灶区域的体积,右半脑中病灶区域在预设区域中的体积占比。在本申请实施例中,右半脑中的预设区域包括10个区域,以脑右半脑M1区域为例,依据右半脑中病灶区域在M1区域中的像素数量、M1区域的高度、以及CT图像中像素的间距,计算右半脑M1区域中,病灶区域的体积、以及病灶区域的体积占比,具体计算过程如公式(4)和(5)所示。
在公式(4)中,右半脑M1区域所属成像区域的第n层至第n+k层中分布有病灶区域所属的成像区域,VM1-R代表右半脑M1区域中病灶区域的体积,代表病灶区域在M1区域中所占据成像区域的像素数量,Lpixel-spacing代表CT图像中像素的间距,Lslice-thickness代表影像层厚信息。
在公式(5)中,RM1-R代表病灶区域在右半脑M1区域中的体积占比,Vtotal-M1-R代表右半脑M1区域的体积,Vtotal-M1-R的计算过程如公式(6)所示。
同理,针对脑右半脑的所有区域,基于公式(4)、(5)和(6)的计算原理,得到右半脑10个区域各自对应的参数,病灶区域的体积,分别为VM1-R、VM2-R、VM3-R、VM4-R、VM5-R、VM6-R、VI-R、VR-R、VC-R和VIC-R,病灶区域的体积占比,分别为RM1-R、RM2-R、RM3-R、RM4-R、RM5-R、RM6-R、RI-R、RR-R、RC-R、RIC-R。
S106:基于特征数值和预设的模型,确定预后评估结果。
其中,特征数值包括第一参数、第二参数、以及脑关联的临床信息。脑关联的临床信息包括但不限于脑所属患者的病灶发病时间、血压、血糖、血液粘稠度等信息。
基于特征数值和模型,确定预后评估结果的具体实现过程包括:将特征数值作为模型的输入,经由模型进行预后评估,输出得到脑预后的评估结果。在本申请实施例中,采用机器学习的模型作为预设的模型,模型的类型包括但不限于是:逻辑回归模型、支持向量机模型、随机森林模型、以及人工神经网络模型等机器学习模型。
具体的,针对逻辑回归模型,以研究二分类观察结果y(例如脑术后90天mRS评分是否高于3分)为例,逻辑回归模型的训练过程包括:
获取特征数值为x,x指示所有脑CT图像中相关因素加权后的数值,相关因素包括上述S104和上述S105计算得到VM1-L、VM2-L、VM3-L、VM4-L、VM5-L、VM6-L、VI-L、VL-L、VC-L、VIC-L、VM1-R、VM2-R、VM3-R、VM4-R、VM5-R、VM6-R、VI-R、VR-R、VC-R、VIC-R、RM1-L、RM2-L、RM3-L、RM4-L、RM5-L、RM6-L、RI-L、RL-L、RC-L、RIC-L、M1-R、RM2-R、RM3-R、RM4-R、RM5-R、RM6-R、RI-R、RR-R、RC-R和RIC-R,总计40个特征指标,x的计算过程如公式(7)所示。
x=w0+w1x1+w2x2+…+wnxn (7)
在公式(7)中,x1-xn代表左右半脑病灶区域的体积、以及病灶区域所占比,w0-wn代表上述40个因子各自的权值,x的判别模型为:
在公式(8)中,F(x)代表事件发生概率(例如脑术后90天mRS评分是否高于3分),Y(x)代表在特定情况下的决策值,决策值的计算公式如公式(9)所示。
进一步的,采用极大似然法对权值进行计算,假设存在m个样本y1-ym,则最大似然函数为:
通过最大似然法求出w0-wn的具体数值,则第k个w权值的计算过程如公式(11)所示。
如此一来,得到n+1个类似公式(11)组成的公式集合,利用牛顿-拉菲森迭代方法求解公司集合,从而计算得到w0-wn的具体数值。
需要说明的是,上述逻辑回归模型的具体训练过程,仅仅用于举例说明。
具体的,针对支持向量机模型,以二分类问题在高维空间中寻找一个最佳平面作为两类的分割,以保证最小的分类错误率为例。支持向量机模型的训练过程包括:
收集数据,数据具体包括上述S104和上述S105计算得到VM1-L、VM2-L、VM3-L、VM4-L、VM5-L、VM6-L、VI-L、VL-L、VC-L、VIC-L、VM1-R、VM2-R、VM3-R、VM4-R、VM5-R、VM6-R、VI-R、VR-R、VC-R、VIC-R、RM1-L、RM2-L、RM3-L、RM4-L、RM5-L、RM6-L、RI-L、RL-L、RC-L、RIC-L、M1-R、RM2-R、RM3-R、RM4-R、RM5-R、RM6-R、RI-R、RR-R、RC-R和RIC-R,总计40个特征数值。
选用核函数(例如多项式核函数、高斯核函数、或sigmoid核函数等)进行建模,得到模型。
采用五折交叉验证法,将上述数据随机分为5等份,每一份单独作为测试集,其余4份作为训练集,对模型中的参数惩罚因子和核函数参数进行优化。
利用优化后所得到的最优参数惩罚因子和最优核函数参数,对模型进行训练,将训练后得到模型作为支持向量机模型。
需要说明的是,上述支持向量机模型的具体训练过程,仅仅用于举例说明。
具体的,针对随机森林模型,随机森林的训练过程包括:
数据收集,数据具体包括:上述S104和上述S105计算得到VM1-L、VM2-L、VM3-L、VM4-L、VM5-L、VM6-L、VI-L、VL-L、VC-L、VIC-L、VM1-R、VM2-R、VM3-R、VM4-R、VM5-R、VM6-R、VI-R、VR-R、VC-R、VIC-R、RM1-L、RM2-L、RM3-L、RM4-L、RM5-L、RM6-L、RI-L、RL-L、RC-L、RIC-L、M1-R、RM2-R、RM3-R、RM4-R、RM5-R、RM6-R、RI-R、RR-R、RC-R和RIC-R,总计40个特征数值。并且,采用二分法将上述数据进行连续属性离散化。
使用五次五折交叉验证方法,将连续属性离散化后的数据随机分为5等份,并分别将每一份单独作为测试集,其余4分作为训练集,重复进行5次建模。
从训练集中有放回地随机采样选出m个样本特征。
从所有采样得到的样本特征中选取k个样本特征,利用k个样本特征建立决策树。
重复执行n次上述样本特征采样过程、以及决策树建立过程,得到n棵决策树,并基于n棵决策时,构建随机森林。
针对上述收集得到的数据,经过每棵树决策,最后投票确认数据对应的类型,并评估随机森林模型的性能。
迭代优化随机森林模型的参数,提升随机森林模型的性能,直至随机森林模型的性能稳定。
需要说明的是,上述随机森林的具体训练过程,仅仅用于举例说明。
具体的,针对人工神经网络模型,以脑卒中患者的预后评估为例,人工神经网络模型的训练过程包括:
获取上述S104和上述S105计算得到VM1-L、VM2-L、VM3-L、VM4-L、VM5-L、VM6-L、VI-L、VL-L、VC-L、VIC-L、VM1-R、VM2-R、VM3-R、VM4-R、VM5-R、VM6-R、VI-R、VR-R、VC-R、VIC-R、RM1-L、RM2-L、RM3-L、RM4-L、RM5-L、RM6-L、RI-L、RL-L、RC-L、RIC-L、M1-R、RM2-R、RM3-R、RM4-R、RM5-R、RM6-R、RI-R、RR-R、RC-R和RIC-R,总计40个特征数值,对40个特征数值进行降维处理,确定与脑卒中预后关联的特征向量,降低神经网络过拟合的可能性。
采用监督学习方法,训练神经网络中各个链接的权重,并通过十折交叉验证法,不断优化神经网络的性能。
将特征向量作为训练好的神经网络模型的输入,神经网络模型对特征向量进行处理,输出脑卒中患者的预后评估结果(例如溶栓后是否有脑出血、以及术后90天mRS评分是否高于3分等)。
需要说明的是,上述人工神经网络模型的具体训练过程,仅仅用于举例说明。
在本申请实施例中,以脑预后评估为例,通过获取图像中的第一区域的位置信息,以及获取图像中的第二区域的位置信息。划分左半脑中的第一区域的位置信息、第二区域的位置信息、以及右半脑中的第一区域的位置信息、第二区域的位置信息。依据左半脑中的第一区域在对应的第二区域中的像素数量、预设区域的高度、以及图像中像素的间距,计算第一参数。依据右半脑中的第一区域在对应的第二区域中的像素数量、预设区域的高度、以及图像中像素的间距,计算第二参数。基于特征数值和预设的模型,确定预后评估结果。
相较于人工观察进行预后评分,本申请基于参数和模型,确定预后评估结果,故具有较强客观性。并且,参数包括病灶区域的体积、以及病灶区域在预设区域中的体积占比,因为病灶的体积反映了病灶大小、占比反映了病灶的分布区域之间的区别,进一步的,还新分为左右半脑的参数,所以,能够进一步提高预后评估结果准确性。综上所述,本申请所述的技术方案,具有更高准确性。
需要强调的是,上述图1示出的基于图像的预后评估方法,仅仅针对于脑的CT图像进行举例,本申请所述的技术方案并不限于是CT图像,也不限于是以脑为预后评估对象。除了CT图像之外,MRI等图像也可适用本申请提供的方法。除了脑之外,对象还可以包括但不限定于其它器官,例如肺、肝脏等,并且,可以为不同的对象设置相应的第一区域和第二区域,例如,对象为肺的情况下,第一区域可以为结节区域的成像区域,第二区域可以为不同肺叶的成像区域。
因此,上述方法可以概括为如2所示的流程。
如图2所示,为本申请实施例提供的一种基于图像的预后评估方法的示意图,包括如下步骤:
S201:获取图像中的第一区域的位置信息。
其中,图像为预设对象的成像,第一区域为预设对象中的病灶区域在图像中的成像区域。当然,图像的类型包括但不限于是CT图像、CT血管成像影像(CT angiographysource image,CTA-SI)、或者核磁共振成像(NuclearMagnetic Resonance Imaging,MRI)等。当然,获取图像中的第一区域的位置信息的具体实现过程,为本领域技术人员所熟悉的公知常识,此外,也可以参见上述图1示出的S101的解释说明。
S202:获取图像中的第二区域的位置信息。
其中,第二区域为对象中的预设区域在图像中的成像区域。预设区域的具体大小可由技术人员根据实际情况进行设置,例如,例如针对肺的CT图像,将肺划分为4个肺叶区域,则第二区域表示这4个区域各自在CT图像中的成像区域。当然,获取图像中的第二区域的位置信息的具体实现过程,为本领域技术人员所熟悉的公知常识,此外,也可以参见上述图1示出的S102的解释说明。
S203:依据第一区域的位置信息、第二区域的位置信息和图像的信息,计算参数。
其中,参数包括病灶区域的体积、以及病灶区域在预设区域中的体积占比。
可选的,计算参数的过程包括:
依据第一区域的位置信息和第二区域的位置信息,确定各个第一区域与各个第二区域的对应关系。依据第一区域在对应的第二区域中的像素数量、预设区域的高度、以及图像中像素的间距,计算各个预设区域中,病灶区域的体积、以及病灶区域的体积占比。
需要说明的是,对应关系指的是:位置包括在任意一个第二区域的位置范围内的第一区域,与该第二区域对应。
此外,基于各个第一区域与各个第二区域的对应关系,可以确定第一区域在对应的第二区域中的像素数量。并且,预设区域的高度和图像中像素的间距都是本领域技术人员所熟悉的公知常识,这里不再赘述。
需要说明的是,在各个预设区域中,参数的具体计算过程包括:
病灶区域的体积=第一区域在对应的第二区域中的像素数量×预设区域的高度(即成像仪器的切片颗粒度)×图像中像素的间距×图像中像素的间距。
各个预设区域中,病灶区域的体积占比=病灶区域的体积/预设区域的体积。
预设区域的体积=预设区域的像素数量×预设区域的高度×图像中像素的间距×图像中像素的间距。
需要说明的是,本实施例中,参数的计算,并不是人为制定的计算规则,而是受自然存在的对象,以及对象成像的客观规律(例如医学成像仪器的原理)的约束,确定的计算方法。也就是说,因为对象的成像仪器遵循成像原理,得到了对象的图像,所以,上述计算方法,才能依据成像原理获得。
S204:基于特征数值和预设的模型,确定预后评估结果。
其中,特征数值包括参数和对象关联的临床信息。对象关联的临床信息的具体类型可由技术人员根据实际情况进行设置。当然,模型的类型、模型的训练过程、以及模型输出的预后评估结果的具体表达形式(例如以数值分数的形式表达预后评估结果,10分表示预后良好,0分表示病灶预后不好等),都是本领域技术人员所熟悉的公知常识,这里不再赘述。
在本申请实施例中,获取图像中的第一区域的位置信息,图像为预设对象的成像,第一区域为预设对象中的病灶区域在图像中的成像区域。获取图像中的第二区域的位置信息,第二区域为对象中的预设区域在图像中的成像区域。依据第一区域的位置信息、第二区域的位置信息和图像的信息,计算参数,参数包括病灶区域的体积、以及病灶区域在预设区域中的体积占比。基于特征数值和预设的模型,确定预后评估结果,特征数值至少包括参数。相较于人工观察进行预后评分,本申请基于参数和模型,确定预后评估结果,故具有较强客观性。并且,参数包括病灶区域的体积、以及病灶区域在预设区域中的体积占比,因为病灶的体积反映了病灶大小、占比反映了病灶的分布区域之间的区别,所以,能够进一步提高预后评估结果准确性。综上所述,本申请所述的技术方案,具有更高准确性。此外,能够针对个别评估对象(例如脑)的不同区域(例如左右脑)的病变区别,做出对应的预后评估,可靠性较高。
与上述本申请实施例提供的基于图像的预后评估方法相对应,本申请实施例还提供了一种基于图像的预后评估装置,如图3所示,包括:
第一获取单元100,用于获取图像中的第一区域的位置信息,图像为预设对象的成像,第一区域为预设对象中的病灶区域在图像中的成像区域。
其中,第一获取单元100中涉及的对象为脑,则预设区域包括核团层面和核团以上层面。
第一获取单元100获取图像中的第一区域的位置信息的具体实现过程包括:使用识别模型,从图像中识别第一区域,并确定第一区域的位置信息。
第二获取单元200,用于获取图像中的第二区域的位置信息,第二区域为对象中的预设区域在图像中的成像区域。
其中,第二获取单元200获取图像中的第二区域的位置信息的具体实现过程包括:将图像中与预设的匹配模板的特征相似的区域,作为候选区域,并将候选区域与匹配模板进行配准,得到第二区域的位置信息。
计算单元300,用于依据第一区域的位置信息、第二区域的位置信息和图像的信息,计算参数,参数包括病灶区域的体积、以及病灶区域在预设区域中的体积占比。
其中,计算单元300依据第一区域的位置信息、第二区域的位置信息和图像的信息,计算参数的具体实现过程包括:依据第一区域的位置信息和第二区域的位置信息,确定各个第一区域与各个第二区域的对应关系,其中,位置包括在任意一个第二区域的位置范围内的第一区域,与该第二区域对应。依据第一区域在对应的第二区域中的像素数量、预设区域的高度、以及图像中像素的间距,计算各个预设区域中,病灶区域的体积、以及病灶区域的体积占比。
计算单元300中涉及的参数包括第一参数和第二参数。第一参数包括左半脑中病灶区域的体积、以及左半脑中病灶区域在预设区域中的体积占比,第二参数包括右半脑中病灶区域的体积、以及右半脑中病灶区域在预设区域中的体积占比。
若计算单元300中涉及的参数包括第一参数和第二参数,则计算单元300依据第一区域的位置信息、第二区域的位置信息和图像的信息,计算参数的具体实现过程包括:划分左半脑中的第一区域的位置信息、第二区域的位置信息、以及右半脑中的第一区域的位置信息、第二区域的位置信息。依据左半脑中的第一区域在对应的第二区域中的像素数量、预设区域的高度、以及图像中像素的间距,计算各个上述左半脑中的预设区域中,病灶区域的体积、以及病灶区域的体积占比。依据右半脑中的第一区域在对应的第二区域中的像素数量、预设区域的高度、以及图像中像素的间距,计算各个上述右半脑中的预设区域中,病灶区域的体积、以及病灶区域的体积占比。位置包括在任意一个第二区域的位置范围内的第一区域,与该第二区域对应。
确定单元400,用于基于特征数值和预设的模型,确定评估结果,特征数值至少包括参数。
其中,确定单元400中涉及的特征数值还包括对象关联的临床信息,预设的模型包括:逻辑回归模型、支持向量机模型、随机森林模型或人工神经网络模型。
在本申请实施例中,获取图像中的第一区域的位置信息,图像为预设对象的成像,第一区域为预设对象中的病灶区域在图像中的成像区域。获取图像中的第二区域的位置信息,第二区域为对象中的预设区域在图像中的成像区域。依据第一区域的位置信息、第二区域的位置信息和图像的信息,计算参数,参数包括病灶区域的体积、以及病灶区域在预设区域中的体积占比。基于特征数值和预设的模型,确定预后评估结果,特征数值至少包括参数。相较于人工观察进行预后评分,本申请基于参数和模型,确定预后评估结果,故具有较强客观性。并且,参数包括病灶区域的体积、以及病灶区域在预设区域中的体积占比,因为病灶的体积反映了病灶大小、占比反映了病灶的分布区域之间的区别,所以,能够进一步提高预后评估结果准确性。综上所述,本申请所述的技术方案,具有更高准确性。此外,能够针对个别评估对象(例如脑)的不同区域(例如左右脑)的病变区别,做出对应的预后评估,可靠性较高。
进一步的,本申请实施例还提供了一种电子设备,包括处理器,以及用于存储所述处理器可执行指令的存储器。所述处理器,用于执行可执行指令,以实现以上实施例所述的基于图像的预后评估方法。
本申请实施例还提供了一种存储介质,存储介质包括存储的程序,其中,在程序运行时控制存储介质所在设备执行上述的基于图像的预后评估方法。
本申请实施例方法所述的功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算设备可读取存储介质中。基于这样的理解,本申请实施例对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该软件产品存储在一个存储介质中,包括若干指令用以使得一台计算设备(可以是个人计算机,服务器,移动计算设备或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似部分互相参见即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (13)
1.一种基于图像的预后评估方法,其特征在于,包括:
获取图像中的第一区域的位置信息,所述图像为预设对象的成像,所述第一区域为所述预设对象中的病灶区域在所述图像中的成像区域;
获取所述图像中的第二区域的位置信息,所述第二区域为所述对象中的预设区域在所述图像中的成像区域;
依据所述第一区域的位置信息、所述第二区域的位置信息和所述图像的信息,计算参数,所述参数包括所述病灶区域的体积、以及所述病灶区域在所述预设区域中的体积占比;
基于特征数值和预设的模型,确定评估结果,所述特征数值至少包括所述参数。
2.根据权利要求1所述的方法,其特征在于,所述依据所述第一区域的位置信息、所述第二区域的位置信息和所述图像的信息,计算参数,包括:
依据所述第一区域的位置信息和所述第二区域的位置信息,确定各个所述第一区域与各个所述第二区域的对应关系,其中,位置包括在任意一个所述第二区域的位置范围内的所述第一区域,与该第二区域对应;
依据所述第一区域在对应的所述第二区域中的像素数量、所述预设区域的高度、以及所述图像中像素的间距,计算各个所述预设区域中,所述病灶区域的体积、以及所述病灶区域的体积占比。
3.根据权利要求1所述的方法,其特征在于,所述对象包括:脑;
所述预设区域包括:核团层面和核团以上层面。
4.根据权利要求3所述的方法,其特征在于,所述参数包括:
第一参数和第二参数;
所述第一参数包括左半脑中所述病灶区域的体积、以及左半脑中所述病灶区域在所述预设区域中的体积占比,所述第二参数包括右半脑中所述病灶区域的体积、以及右半脑中所述病灶区域在所述预设区域中的体积占比。
5.根据权利要求4所述的方法,其特征在于,所述依据所述第一区域的位置信息、所述第二区域的位置信息和所述图像的信息,计算参数,包括:
划分左半脑中的所述第一区域的位置信息、所述第二区域的位置信息、以及右半脑中的所述第一区域的位置信息、所述第二区域的位置信息;
依据左半脑中的所述第一区域在对应的所述第二区域中的像素数量、所述预设区域的高度、以及所述图像中像素的间距,计算各个上述左半脑中的所述预设区域中,所述病灶区域的体积、以及所述病灶区域的体积占比;
依据右半脑中的所述第一区域在对应的所述第二区域中的像素数量、所述预设区域的高度、以及所述图像中像素的间距,计算各个所述右半脑中的所述预设区域中,所述病灶区域的体积、以及所述病灶区域的体积占比,位置包括在任意一个所述第二区域的位置范围内的所述第一区域,与该第二区域对应。
6.根据权利要求1-5任一项所述的方法,其特征在于,所述特征数值还包括:
所述对象关联的临床信息。
7.根据权利要求1-5任一项所述的方法,其特征在于,所述获取图像中的第一区域的位置信息,包括:
使用识别模型,从所述图像中识别所述第一区域,并确定所述第一区域的位置信息;
所述获取所述图像中的第二区域的位置信息,包括:
将所述图像中与预设的匹配模板的特征相似的区域,作为候选区域,并将所述候选区域与匹配模板进行配准,得到所述第二区域的位置信息;
所述预设的模型包括:
逻辑回归模型、支持向量机模型、随机森林模型或人工神经网络模型。
8.一种基于图像的预后评估装置,其特征在于,包括:
第一获取单元,用于获取图像中的第一区域的位置信息,所述图像为预设对象的成像,所述第一区域为所述预设对象中的病灶区域在所述图像中的成像区域;
第二获取单元,用于获取所述图像中的第二区域的位置信息,所述第二区域为所述对象中的预设区域在所述图像中的成像区域;
计算单元,用于依据所述第一区域的位置信息、所述第二区域的位置信息和所述图像的信息,计算参数,所述参数包括所述病灶区域的体积、以及所述病灶区域在所述预设区域中的体积占比;
确定单元,用于基于特征数值和预设的模型,确定评估结果,所述特征数值至少包括所述参数。
9.根据权利要求8所述的装置,其特征在于,所述计算单元用于依据所述第一区域的位置信息、所述第二区域的位置信息和所述图像的信息,计算参数,包括:
所述计算单元具体用于,依据所述第一区域的位置信息和所述第二区域的位置信息,确定各个所述第一区域与各个所述第二区域的对应关系,其中,位置包括在任意一个所述第二区域的位置范围内的所述第一区域,与该第二区域对应;依据所述第一区域在对应的所述第二区域中的像素数量、所述预设区域的高度、以及所述图像中像素的间距,计算各个所述预设区域中,所述病灶区域的体积、以及所述病灶区域的体积占比。
10.根据权利要求8所述的装置,其特征在于,所述对象包括:脑;
所述预设区域包括:核团层面和核团以上层面。
11.根据权利要求10所述的装置,其特征在于,所述参数包括:
第一参数和第二参数;
所述第一参数包括左半脑中所述病灶区域的体积、以及左半脑中所述病灶区域在所述预设区域中的体积占比,所述第二参数包括右半脑中所述病灶区域的体积、以及右半脑中所述病灶区域在所述预设区域中的体积占比。
12.一种电子设备,其特征在于,包括处理器,以及用于存储所述处理器可执行指令的存储器;
所述处理器,用于执行所述可执行指令,以实现权利要求1-7任一项所述的基于图像的预后评估方法。
13.一种存储介质,其特征在于,所述存储介质包括存储的程序,其中,在所述程序运行时控制所述存储介质所在设备执行如权利要求1-7中任一项所述的基于图像的预后评估方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911249757.3A CN110956626B (zh) | 2019-12-09 | 2019-12-09 | 一种基于图像的预后评估方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911249757.3A CN110956626B (zh) | 2019-12-09 | 2019-12-09 | 一种基于图像的预后评估方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110956626A true CN110956626A (zh) | 2020-04-03 |
CN110956626B CN110956626B (zh) | 2020-12-18 |
Family
ID=69980301
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911249757.3A Active CN110956626B (zh) | 2019-12-09 | 2019-12-09 | 一种基于图像的预后评估方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110956626B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111815608A (zh) * | 2020-07-13 | 2020-10-23 | 北京小白世纪网络科技有限公司 | 基于深度学习的新冠肺炎患者康复时间预测方法及系统 |
CN111951265A (zh) * | 2020-08-31 | 2020-11-17 | 杭州脉流科技有限公司 | 基于脑ct影像的脑梗评分方法、装置、计算机设备和存储介质 |
CN112075927A (zh) * | 2020-10-15 | 2020-12-15 | 首都医科大学附属北京天坛医院 | 脑卒中的病因分类方法及装置 |
CN112669929A (zh) * | 2020-12-30 | 2021-04-16 | 深圳大学 | 克罗恩病英夫利昔单抗药效预测方法及终端设备 |
CN112862022A (zh) * | 2021-04-26 | 2021-05-28 | 南京钺曦医疗科技有限公司 | 一种计算非增强ct的aspects评分方法 |
CN113781597A (zh) * | 2021-09-27 | 2021-12-10 | 山东新一代信息产业技术研究院有限公司 | 一种肺部ct图像的病灶识别方法、设备及介质 |
WO2022063200A1 (zh) * | 2020-09-24 | 2022-03-31 | 上海健康医学院 | 用于非小细胞肺癌预后生存预测的方法、介质及电子设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109259780A (zh) * | 2018-07-24 | 2019-01-25 | 南方医科大学南方医院 | 基于增强ct影像组学的胃癌预后和化疗获益的辅助评估系统与方法 |
CN109561852A (zh) * | 2017-04-04 | 2019-04-02 | 李昡燮 | 用于个性化定制脑疾病诊断和状态判定的医学图像处理系统及方法 |
CN109658400A (zh) * | 2018-12-14 | 2019-04-19 | 首都医科大学附属北京天坛医院 | 一种基于头颅ct影像的评分方法及系统 |
CN109671067A (zh) * | 2018-12-14 | 2019-04-23 | 强联智创(北京)科技有限公司 | 一种基于头颅ct影像的核心梗死体积的测量方法及系统 |
CN110010245A (zh) * | 2019-03-20 | 2019-07-12 | 上海市精神卫生中心(上海市心理咨询培训中心) | 一种精神疾病脑影像处理系统 |
CN110288587A (zh) * | 2019-06-28 | 2019-09-27 | 重庆同仁至诚智慧医疗科技股份有限公司 | 一种缺血性脑卒中磁共振影像的病灶识别方法 |
CN110490871A (zh) * | 2019-08-26 | 2019-11-22 | 安影科技(北京)有限公司 | 一种基于磁共振脑灌注图像辅助评估缺血疾病风险的方法 |
-
2019
- 2019-12-09 CN CN201911249757.3A patent/CN110956626B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109561852A (zh) * | 2017-04-04 | 2019-04-02 | 李昡燮 | 用于个性化定制脑疾病诊断和状态判定的医学图像处理系统及方法 |
CN109259780A (zh) * | 2018-07-24 | 2019-01-25 | 南方医科大学南方医院 | 基于增强ct影像组学的胃癌预后和化疗获益的辅助评估系统与方法 |
CN109658400A (zh) * | 2018-12-14 | 2019-04-19 | 首都医科大学附属北京天坛医院 | 一种基于头颅ct影像的评分方法及系统 |
CN109671067A (zh) * | 2018-12-14 | 2019-04-23 | 强联智创(北京)科技有限公司 | 一种基于头颅ct影像的核心梗死体积的测量方法及系统 |
CN110010245A (zh) * | 2019-03-20 | 2019-07-12 | 上海市精神卫生中心(上海市心理咨询培训中心) | 一种精神疾病脑影像处理系统 |
CN110288587A (zh) * | 2019-06-28 | 2019-09-27 | 重庆同仁至诚智慧医疗科技股份有限公司 | 一种缺血性脑卒中磁共振影像的病灶识别方法 |
CN110490871A (zh) * | 2019-08-26 | 2019-11-22 | 安影科技(北京)有限公司 | 一种基于磁共振脑灌注图像辅助评估缺血疾病风险的方法 |
Non-Patent Citations (1)
Title |
---|
邢文强: "多模态CT在评估急性缺血性脑卒中的应用研究", 《中国优秀硕士学位论文全文数据库医药卫生科技辑》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111815608A (zh) * | 2020-07-13 | 2020-10-23 | 北京小白世纪网络科技有限公司 | 基于深度学习的新冠肺炎患者康复时间预测方法及系统 |
CN111815608B (zh) * | 2020-07-13 | 2023-08-25 | 北京小白世纪网络科技有限公司 | 基于深度学习的新冠肺炎患者康复时间预测方法及系统 |
CN111951265A (zh) * | 2020-08-31 | 2020-11-17 | 杭州脉流科技有限公司 | 基于脑ct影像的脑梗评分方法、装置、计算机设备和存储介质 |
CN111951265B (zh) * | 2020-08-31 | 2023-12-01 | 杭州脉流科技有限公司 | 基于脑ct影像的脑梗评分方法、装置、计算机设备和存储介质 |
WO2022063200A1 (zh) * | 2020-09-24 | 2022-03-31 | 上海健康医学院 | 用于非小细胞肺癌预后生存预测的方法、介质及电子设备 |
CN112075927A (zh) * | 2020-10-15 | 2020-12-15 | 首都医科大学附属北京天坛医院 | 脑卒中的病因分类方法及装置 |
CN112075927B (zh) * | 2020-10-15 | 2024-05-14 | 首都医科大学附属北京天坛医院 | 脑卒中的病因分类方法及装置 |
CN112669929A (zh) * | 2020-12-30 | 2021-04-16 | 深圳大学 | 克罗恩病英夫利昔单抗药效预测方法及终端设备 |
CN112669929B (zh) * | 2020-12-30 | 2021-08-03 | 深圳大学 | 克罗恩病英夫利昔单抗药效预测方法及终端设备 |
CN112862022A (zh) * | 2021-04-26 | 2021-05-28 | 南京钺曦医疗科技有限公司 | 一种计算非增强ct的aspects评分方法 |
CN113781597A (zh) * | 2021-09-27 | 2021-12-10 | 山东新一代信息产业技术研究院有限公司 | 一种肺部ct图像的病灶识别方法、设备及介质 |
CN113781597B (zh) * | 2021-09-27 | 2024-02-09 | 山东新一代信息产业技术研究院有限公司 | 一种肺部ct图像的病灶识别方法、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110956626B (zh) | 2020-12-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110956626B (zh) | 一种基于图像的预后评估方法及装置 | |
Shahzadi et al. | CNN-LSTM: Cascaded framework for brain tumour classification | |
Mahapatra | Semi-supervised learning and graph cuts for consensus based medical image segmentation | |
CN108288070B (zh) | 一种神经指纹提取分类方法及系统 | |
de Pinho Pinheiro et al. | Detection and classification of pulmonary nodules using deep learning and swarm intelligence | |
CN109147940A (zh) | 从患者的医学图像自动预测生理状况的装置和系统 | |
CN108510507A (zh) | 一种融合加权随机森林的3d椎骨ct图像主动轮廓分割方法 | |
Wankhade et al. | A novel hybrid deep learning method for early detection of lung cancer using neural networks | |
Hennessey et al. | Artificial intelligence in veterinary diagnostic imaging: A literature review | |
CN113962930B (zh) | 阿尔茨海默病风险评估模型建立方法和电子设备 | |
Hussain et al. | Deep learning-based diagnosis of disc degenerative diseases using MRI: a comprehensive review | |
Alyami et al. | Tumor localization and classification from MRI of brain using deep convolution neural network and Salp swarm algorithm | |
CN114998247A (zh) | 异常预测方法、装置、计算机设备、存储介质 | |
Thilagaraj et al. | [Retracted] Classification of Breast Cancer Images by Implementing Improved DCNN with Artificial Fish School Model | |
CN113408603B (zh) | 一种基于多分类器融合的冠状动脉狭窄病变程度识别方法 | |
Mahapatra | Consensus based medical image segmentation using semi-supervised learning and graph cuts | |
Abid et al. | Detection of lungs cancer through computed tomographic images using deep learning | |
Jabbar et al. | Deep learning based classification of wrist cracks from X-ray imaging | |
CN112382382B (zh) | 一种代价敏感的集成学习分类方法及系统 | |
Perkonigg et al. | Detecting bone lesions in multiple myeloma patients using transfer learning | |
CN113362927A (zh) | 一种基于深度学习的鳞状食道癌放化疗效果预测方法 | |
Balasooriya et al. | Intelligent brain hemorrhage diagnosis system | |
KR102657687B1 (ko) | 뇌혈관 청크 특징을 기준으로 뇌혈관 영상을 분석하는 방법 및 분석장치 | |
Li et al. | Improved counting and localization from density maps for object detection in 2d and 3d microscopy imaging | |
Azizy et al. | Medical image-based prediction of brain tumor by using convolutional neural network optimized by Cuckoo search algorithm |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: Room B401, floor 4, building 1, Shangdi Information 12, Haidian District, Beijing 100085 Applicant after: Tuxiang Medical Technology Co., Ltd Address before: Room B401, floor 4, building 1, No. 12, Shangdi Information Road, Haidian District, Beijing 100085 Applicant before: Beijing Tuoxiang Technology Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |