CN111353998A - 一种基于人工智能的肿瘤诊疗预测模型及装置 - Google Patents
一种基于人工智能的肿瘤诊疗预测模型及装置 Download PDFInfo
- Publication number
- CN111353998A CN111353998A CN202010400098.5A CN202010400098A CN111353998A CN 111353998 A CN111353998 A CN 111353998A CN 202010400098 A CN202010400098 A CN 202010400098A CN 111353998 A CN111353998 A CN 111353998A
- Authority
- CN
- China
- Prior art keywords
- tumor
- diagnosis
- treatment
- prediction model
- treatment prediction
- 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
- 206010028980 Neoplasm Diseases 0.000 title claims abstract description 58
- 238000011282 treatment Methods 0.000 title claims abstract description 56
- 238000003745 diagnosis Methods 0.000 title claims abstract description 47
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 12
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 19
- 238000000034 method Methods 0.000 claims abstract description 14
- 238000012216 screening Methods 0.000 claims abstract description 13
- 230000009467 reduction Effects 0.000 claims abstract description 12
- 238000013135 deep learning Methods 0.000 claims abstract description 8
- 238000010801 machine learning Methods 0.000 claims abstract description 7
- 230000011218 segmentation Effects 0.000 claims description 19
- 238000000605 extraction Methods 0.000 claims description 18
- 206010008342 Cervix carcinoma Diseases 0.000 claims description 17
- 208000006105 Uterine Cervical Neoplasms Diseases 0.000 claims description 17
- 201000010881 cervical cancer Diseases 0.000 claims description 17
- 230000000694 effects Effects 0.000 claims description 7
- 230000003902 lesion Effects 0.000 claims description 7
- 230000004083 survival effect Effects 0.000 claims description 7
- 230000001575 pathological effect Effects 0.000 claims description 6
- 238000000513 principal component analysis Methods 0.000 claims description 6
- 238000012706 support-vector machine Methods 0.000 claims description 6
- 208000007433 Lymphatic Metastasis Diseases 0.000 claims description 5
- 206010027476 Metastases Diseases 0.000 claims description 5
- 230000009401 metastasis Effects 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 4
- 238000000692 Student's t-test Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000000546 chi-square test Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000012353 t test Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims 1
- 238000003384 imaging method Methods 0.000 abstract description 5
- 230000007246 mechanism Effects 0.000 abstract description 2
- 238000012636 positron electron tomography Methods 0.000 description 7
- 238000013527 convolutional neural network Methods 0.000 description 5
- 238000012831 peritoneal equilibrium test Methods 0.000 description 5
- 238000012877 positron emission topography Methods 0.000 description 5
- 238000012952 Resampling Methods 0.000 description 4
- 210000001165 lymph node Anatomy 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 208000009849 Female Genital Neoplasms Diseases 0.000 description 3
- 201000011510 cancer Diseases 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000002595 magnetic resonance imaging Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000001225 therapeutic effect Effects 0.000 description 2
- 238000002604 ultrasonography Methods 0.000 description 2
- 238000012879 PET imaging Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000007435 diagnostic evaluation Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000011127 radiochemotherapy Methods 0.000 description 1
- 238000002603 single-photon emission computed tomography Methods 0.000 description 1
- 238000011272 standard treatment Methods 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 238000011269 treatment regimen Methods 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—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)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明提供了一种基于人工智能的肿瘤诊疗预测模型及装置。本发明利用肿瘤患者的影像学资料进行诊疗预测，具体是通过深度学习算法对超声图像中的病灶区域进行自动分割并自动提取出病灶区域中的纹理特征，再进一步利用机器学习方法对数量巨大的纹理特征进行降维和筛选，从而得到纹理特征与患者诊疗结果之间的关联关系，最终构建出针对肿瘤患者的诊疗预测模型。本发明通过研究肿瘤图像的纹理特征与诊疗结果之间的关联机制，实现了对肿瘤患者诊疗结果的有效预测。
Description
技术领域
本发明涉及医学邻域，尤其涉及基于人工智能的肿瘤诊疗预测模型及装置。
背景技术
宫颈癌是妇科肿瘤中发生频率最高的恶性肿瘤，治疗预后差、易复发和转移、总生存率低是这种肿瘤疾病的特征。因此，这一发生率高的妇科肿瘤对广大女性患者的生命健康构成了极大的危害。
宫颈癌的致死率在发达国家和发展中国家中分别排在了第四和第二位，尽管近些年宫颈癌的发生率在全球范围内有所下降，特别是在发达国家中下降趋势明显，然而宫颈癌在年轻女性中的发病率仍然呈上升趋势。宫颈癌患者的治疗方案通常根据患者的肿瘤分期和淋巴结转情况来决定，对于早期宫颈癌患者（IB1 and IIA1），手术切除肿瘤病灶是标准的治疗方案；然而，针对局部晚期或者淋巴结阳性的宫颈癌患者就需要进行同步放化疗。尽管宫颈癌的治疗效果随着多样化治疗方案的普及而变的越来越好，但是其5年生存率对于II, III, IVA期的宫颈癌患者仅有65%, 40% ,15%。约有30-40%的患者在完成治疗后经历了癌症的复发，尤其是晚期宫颈癌患者。
宫颈癌的早期准确的诊断有助于提升治疗效果。已有多种标记物作为宫颈癌患者的诊断因子，包括FIGO分期、病理分级、肿瘤体积、淋巴结转移、单基因标记物。准确的预测肿瘤分期、淋巴结状态、病理类型、生存率、治疗反应有助于帮助医生及时的调整治疗方案，提升癌症的治疗效果。当前，磁共振成像（MRI）、PET成像已广泛用于妇科肿瘤的分期、治疗方案的制定、诊断评估。然而，这两种成像方法仍有一定的应用局限和不足之处。
影像组学是指一种用数学方法从医学影像中（MRI、CT、超声、SPECT、PET/CT）提取大量的纹理特征，而这些特征可以用于表征基因的表达情况、肿瘤形貌、肿瘤内部异质性，用影像的纹理特征作为一种对疾病进行诊断和预测的方法。通过研究影像的纹理特征与肿瘤特征之间的关系，更多有价值的信息可以从影像中提取出来，并用于预测肿瘤分期、淋巴结状态和治疗反应。
发明内容
为解决现有技术的不足，本发明的目的是提供一种应用广泛且方便的一种基于人工智能的肿瘤诊疗预测模型。
本发明采用的技术方案为：一种基于人工智能的肿瘤诊疗预测模型，包括：
利用深度学习方法的病灶区域自动分割模块，用于根据输入图像的特性对病灶的大小、形状进行判断并自动分割；
病灶区域纹理特征自动提取模块，用于根据所述的病灶区域自动分割模块所分割的图像进行各种纹理特征参数的自动提取；
利用机器学习方法的纹理特征降维筛选模块，用于根据病灶区域纹理特征自动提取模块所提取出的纹理特征进行参数降维和筛选，挑选出与诊疗结果具有相关关系的特征参数。
本发明所述的机器学习方法为最大相关性最小冗余(mRMR)、主成分分析(PCA)、最小绝对收缩与选择(LASSO)、随机深林（RF），支持向量机（SVM）算法或基于这些算法优化的算法。
本发明所述的纹理特征降维筛选模块还包括利用有卡方检验或t检验方法对特征参数与目标预测结果进行相关性检验处理的模块。
本发明中，病灶区域纹理特征自动提取模块是基于python语言的自动提取算法模块。
本发明所述的各种纹理特征参考包括形状、直方图、异质性等纹理特征中的一种或多种。
本发明所述的输入图像类型为MR，CT，超声，PET，PET/CT或DR图像。
本发明还提供一种基于人工智能的肿瘤诊疗预测装置，包括：
处理器和与所述处理器连接的存储器：
所述的存储器用于前面所述的肿瘤诊疗预测模型;
所述的处理器将待诊疗患者的输入图像通过利用深度学习方法的病灶区域自动分割模块进行自动割后，再经病灶区域纹理特征自动提取模块自动提取各种纹理特征参数，并将纹理特征参数输入到肿瘤诊疗预测模型中进行计算分析，得到肿瘤诊疗预测结果。
本发明所述肿瘤诊疗预测结果包括肿瘤患者的淋巴结转移状态，肿瘤分期、病理类型、肿瘤转移情况、生存情况、复发情况和治疗效果。
本发明基于肿瘤患者的CT、PET、MR、超声影像学资料，运用影像组学结合人工智能的方法，探索纹理特征与肿瘤患者肿瘤分期、病理类型、淋巴结状态、生存率、复发、远处转移之间的关联机制，建立纹理特征对肿瘤患者的诊疗预测模型
本发明通过深度学习的方法实现了对肿瘤患者影像学资料病灶区域的自动勾画，并通过python编程算法实现了纹理特征的自动提取，有效决解了病灶区域勾画工作量大的问题；通过机器学习的方法实现了对大数量的纹理特征参数进行了降维和筛选，得到与诊疗结果有关联关系的纹理特征，从而建立基于人工智能的肿瘤患者诊疗预测模型。
附图说明
图1为本发明实施例的流程图。
图2为本发明实施例中基于深度卷积神经网络的感兴趣区域自动分割架构图。
图3为本发明实施例中纹理特征自动提取流程图。
图4为本发明中实施例基于机器学习方法的特征降维和筛选流程图。
图5为本发明实施例中的预测模型验证与应用流程图。
具体实施方式
如图1所示，本发明实施例提供了一种基于人工智能的宫颈癌诊疗预测模型，包括：
利用深度学习方法的病灶区域自动分割模块，用于根据输入图像的特性对病灶的大小、形状进行判断并自动分割；
病灶区域纹理特征自动提取模块，用于根据所述的病灶区域自动分割模块所分割的图像进行各种纹理特征参数的自动提取；
利用机器学习方法的纹理特征降维筛选模块，用于根据病灶区域纹理特征自动提取模块所提取出的纹理特征进行参数降维和筛选，挑选出与诊疗结果具有相关关系的特征参数。其中：
如图2所示，病灶区域自动分割模块，包括：
深度卷积神经网络训练图像的分割，由高年资的放射影像诊断医师对影像资料进行筛选并结合病史资料等相关信息进行图像病灶区域手动分割。
分割工作进行之前，对原始图像进行预处理，包括图像的空间重采样、灰度值重采样、设置图像灰度值的离散化值，从而得到标准化的图像。
空间重采样，确保同一类图像的空间分辨率保持一致。
灰度值重采样，确保同一类图像的灰度值范围保持一致以及灰度的基线值及范围。
设置图像灰度值离散化值，保证同一类图像灰度值的离散化水平保持一致。
分割的图像类型包括CT、PET、MR、超声、DR图像。
深度卷积神经网络的训练，将数量巨大已完成手动分割的图像输入深度卷积神经网络中进行网络训练和分割算法优化。
自动分割算法分割效果测试，对比深度卷积神经网络自动分割与高年资医师手动分割的效果。
如图3所示，病灶区域纹理特征自动提取模块，包括：
基于python语言根据各个纹理特征参数的定义函数完成特征提取算法的编写，包括形状、直方图、异质性等纹理特征。
将已完成病灶区域自动分割的图像输入特征提取算法中自动提取纹理特征。
如图4纹理特征降维和筛选模块，包括：
利用卡方、t检验等相关性检验方法对特征参数与目标预测结果进行相关性检验处理，初步剔除相关性小，预测价值低的纹理特征。
对纹理特征参数内部之间的关系进行组内相关性分析，剔除纹理特诊参数中重复性高、相似度高、共线性程度高的纹理特征。
同时，可以制作单个或者多个特征参数与目标预测结果之间的受试者工作特征曲线来评价特征参数对预测结果的预测能力和价值。
进一步地，利用最大相关性最小冗余(mRMR)、主成分分析(PCA)、最小绝对收缩与选择(LASSO)、随机深林（RF），支持向量机（SVM）算法或基于这些算法优化的算法对特征参数进行筛选和建立基于验证集数据的预测模型。
预测模型验证，基于验证集的纹理特征数据和临床参数结果，对诊疗预测模型的预测效果进行验证，并根据验证结果进一步优化预测模型，最终得到预测价值高、可信度好的纹理特征对宫颈癌患者的诊疗预测模型。
本发明实施例将预测模型存储于计算机的存储器内，欲进行诊疗预测时，处理器将待诊疗患者的医学图像（如MR，CT，超声，PET，PET/CT或DR图像）通过本实施例中的的病灶区域自动分割模块对病灶的大小、形状进行判断并自动分割，再经病灶区域纹理特征自动提取模块自动提取各种纹理特征参数，并将纹理特征参数输入肿瘤诊疗预测模型进行计算分析，就可以得到宫颈癌患者的淋巴结转移状态，肿瘤分期、病理类型、肿瘤转移情况、生存情况、复发情况和治疗效果。
本发明不限于宫颈癌诊疗预测，也可以用于其它肿瘤的诊疗预测。
本发明既可运行于普通的计算机内，也可以运行于各种移动终端内。
Claims (10)
1.一种基于人工智能的肿瘤诊疗预测模型，其特征在于，包括：
利用深度学习方法的病灶区域自动分割模块，用于根据输入图像的特性对病灶的大小、形状进行判断并自动分割；
病灶区域纹理特征自动提取模块，用于根据所述的病灶区域自动分割模块所分割的图像进行各种纹理特征参数的自动提取；
利用机器学习方法的纹理特征降维筛选模块，用于根据病灶区域纹理特征自动提取模块所提取出的纹理特征进行参数降维和筛选，挑选出与诊疗结果具有相关关系的特征参数。
2.如权利要求1所述的肿瘤诊疗预测模型，其特征在于：所述的深度学习方法为深度卷积神经网络算法。
3.如权利要求1所述的肿瘤诊疗预测模型，其特征在于(mRMR)、主成分分析(PCA)、最小绝对收缩与选择(LASSO)、随机深林（RF），支持向量机（SVM）算法或基于这些算法优化的算法。
4.如权利要求1所述的肿瘤诊疗预测模型，其特征在于：所述的纹理特征降维筛选模块还包括利用有卡方检验或t检验方法对特征参数与目标预测结果进行相关性检验处理的模块。
5.如权利要求1所述的肿瘤诊疗预测模型，其特征在于：病灶区域纹理特征自动提取模块是基于python语言的自动提取算法模块。
6.如权利要求1所述的肿瘤诊疗预测模型，其特征在于：所述的各种纹理特征参考包括形状、直方图、异质性等纹理特征中的一种或多种。
7.如权利要求1所述的肿瘤诊疗预测模型，其特征在于：所述的输入图像类型为MR，CT，超声，PET，PET/CT或DR图像。
8.一种基于人工智能的肿瘤诊疗预测装置，包括：
处理器和与所述处理器连接的存储器：
所述的存储器用于存储权利要求1-4任一项所述的肿瘤诊疗预测模型;
所述的处理器将待诊疗患者的输入图像通过利用深度学习方法的病灶区域自动分割模块进行自动割后，再经病灶区域纹理特征自动提取模块自动提取各种纹理特征参数，并将纹理特征参数输入到肿瘤诊疗预测模型中进行计算分析，得到肿瘤诊疗预测结果。
9.如权利要求8所述的肿瘤诊疗预测装置，其特征在于：所述肿瘤诊疗预测包括肿瘤患者的淋巴结转移状态，肿瘤分期、病理类型、肿瘤转移情况、生存情况、复发情况和治疗效果。
10.如权利要求8所述的肿瘤诊疗预测装置，其特征在于：所述的肿瘤为宫颈癌。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010400098.5A CN111353998A (zh) | 2020-05-13 | 2020-05-13 | 一种基于人工智能的肿瘤诊疗预测模型及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010400098.5A CN111353998A (zh) | 2020-05-13 | 2020-05-13 | 一种基于人工智能的肿瘤诊疗预测模型及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111353998A true CN111353998A (zh) | 2020-06-30 |
Family
ID=71197684
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010400098.5A Pending CN111353998A (zh) | 2020-05-13 | 2020-05-13 | 一种基于人工智能的肿瘤诊疗预测模型及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111353998A (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111862079A (zh) * | 2020-07-31 | 2020-10-30 | 复旦大学附属肿瘤医院 | 基于影像组学的高级别浆液性卵巢癌复发风险预测系统 |
| CN112288006A (zh) * | 2020-10-29 | 2021-01-29 | 深圳开立生物医疗科技股份有限公司 | 一种图像处理模型构建方法、装置、设备及可读存储介质 |
| CN112309576A (zh) * | 2020-09-22 | 2021-02-02 | 江南大学 | 基于深度学习ct影像组学的结直肠癌生存期预测方法 |
| CN112396616A (zh) * | 2020-12-14 | 2021-02-23 | 南京信息工程大学 | 一种基于组织形态分析的骨肉瘤复发风险预测模型 |
| CN112489022A (zh) * | 2020-12-02 | 2021-03-12 | 温州医科大学附属第一医院 | 基于放射组学的covid-19快速特征提取系统及快速诊断系统及病程预测系统 |
| CN112603368A (zh) * | 2020-12-25 | 2021-04-06 | 上海深博医疗器械有限公司 | 一种乳腺超声导航及诊断的系统和方法 |
| CN113113130A (zh) * | 2021-03-15 | 2021-07-13 | 湖南医云智享医疗科技有限公司 | 一种肿瘤个体化诊疗方案推荐方法 |
| CN113270189A (zh) * | 2021-05-19 | 2021-08-17 | 复旦大学附属肿瘤医院 | 一种基于强化学习的肿瘤治疗辅助决策方法 |
| CN114974579A (zh) * | 2022-04-20 | 2022-08-30 | 山东大学齐鲁医院 | 消化道粘膜下肿瘤内镜治疗预后的辅助判定系统及设备 |
| CN116206741A (zh) * | 2023-05-05 | 2023-06-02 | 泰安市中心医院(青岛大学附属泰安市中心医院、泰山医养中心) | 一种消化科医疗信息处理系统及方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104834943A (zh) * | 2015-05-25 | 2015-08-12 | 电子科技大学 | 一种基于深度学习的脑肿瘤分类方法 |
| CN107016395A (zh) * | 2017-03-18 | 2017-08-04 | 复旦大学 | 基于稀疏表示体系的原发性脑部淋巴瘤和胶质母细胞瘤的鉴别方法 |
| CN109009110A (zh) * | 2018-06-26 | 2018-12-18 | 东北大学 | 基于mri影像的腋窝淋巴结转移预测系统 |
-
2020
- 2020-05-13 CN CN202010400098.5A patent/CN111353998A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104834943A (zh) * | 2015-05-25 | 2015-08-12 | 电子科技大学 | 一种基于深度学习的脑肿瘤分类方法 |
| CN107016395A (zh) * | 2017-03-18 | 2017-08-04 | 复旦大学 | 基于稀疏表示体系的原发性脑部淋巴瘤和胶质母细胞瘤的鉴别方法 |
| CN109009110A (zh) * | 2018-06-26 | 2018-12-18 | 东北大学 | 基于mri影像的腋窝淋巴结转移预测系统 |
Non-Patent Citations (2)
| Title |
|---|
| 吴锐帆等: "直肠癌淋巴结转移的智能诊断研究", 《数学建模及其应用》 * |
| 夏征农，陈至立: "《大辞海 第27卷 天文学地球科学卷》", 31 December 2015 * |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111862079B (zh) * | 2020-07-31 | 2023-09-22 | 复旦大学附属肿瘤医院 | 基于影像组学的高级别浆液性卵巢癌复发风险预测系统 |
| CN111862079A (zh) * | 2020-07-31 | 2020-10-30 | 复旦大学附属肿瘤医院 | 基于影像组学的高级别浆液性卵巢癌复发风险预测系统 |
| CN112309576A (zh) * | 2020-09-22 | 2021-02-02 | 江南大学 | 基于深度学习ct影像组学的结直肠癌生存期预测方法 |
| CN112288006A (zh) * | 2020-10-29 | 2021-01-29 | 深圳开立生物医疗科技股份有限公司 | 一种图像处理模型构建方法、装置、设备及可读存储介质 |
| CN112288006B (zh) * | 2020-10-29 | 2024-05-24 | 深圳开立生物医疗科技股份有限公司 | 一种图像处理模型构建方法、装置、设备及可读存储介质 |
| CN112489022A (zh) * | 2020-12-02 | 2021-03-12 | 温州医科大学附属第一医院 | 基于放射组学的covid-19快速特征提取系统及快速诊断系统及病程预测系统 |
| CN112396616A (zh) * | 2020-12-14 | 2021-02-23 | 南京信息工程大学 | 一种基于组织形态分析的骨肉瘤复发风险预测模型 |
| CN112603368A (zh) * | 2020-12-25 | 2021-04-06 | 上海深博医疗器械有限公司 | 一种乳腺超声导航及诊断的系统和方法 |
| CN113113130A (zh) * | 2021-03-15 | 2021-07-13 | 湖南医云智享医疗科技有限公司 | 一种肿瘤个体化诊疗方案推荐方法 |
| CN113270189B (zh) * | 2021-05-19 | 2023-08-18 | 复旦大学附属肿瘤医院 | 一种基于强化学习的肿瘤治疗辅助决策方法 |
| CN113270189A (zh) * | 2021-05-19 | 2021-08-17 | 复旦大学附属肿瘤医院 | 一种基于强化学习的肿瘤治疗辅助决策方法 |
| CN114974579A (zh) * | 2022-04-20 | 2022-08-30 | 山东大学齐鲁医院 | 消化道粘膜下肿瘤内镜治疗预后的辅助判定系统及设备 |
| CN114974579B (zh) * | 2022-04-20 | 2024-02-27 | 山东大学齐鲁医院 | 消化道粘膜下肿瘤内镜治疗预后的辅助判定系统及设备 |
| CN116206741A (zh) * | 2023-05-05 | 2023-06-02 | 泰安市中心医院(青岛大学附属泰安市中心医院、泰山医养中心) | 一种消化科医疗信息处理系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111353998A (zh) | 一种基于人工智能的肿瘤诊疗预测模型及装置 | |
| Sun et al. | Multiparametric MRI and radiomics in prostate cancer: a review | |
| CN108389201B (zh) | 基于3d卷积神经网络与深度学习的肺结节良恶性分类方法 | |
| CN108464840B (zh) | 一种乳腺肿块自动检测方法及系统 | |
| CN112768072B (zh) | 基于影像组学定性算法构建癌症临床指标评估系统 | |
| CN111553892B (zh) | 基于深度学习的肺结节分割计算方法、装置及系统 | |
| WO2021135774A1 (zh) | 肿瘤预测方法、装置、云平台及计算机可读存储介质 | |
| CN112561869B (zh) | 一种胰腺神经内分泌肿瘤术后复发风险预测方法 | |
| KR20180022607A (ko) | 다양한 측정으로부터의 의료 측정 데이터에 기초한 결과 데이터의 결정 | |
| CN111798424B (zh) | 一种基于医学图像的结节检测方法、装置及电子设备 | |
| CN110348477B (zh) | 医疗图像处理方法、存储介质及计算机设备 | |
| CN110916666A (zh) | 一种基于多模态mri图像预测手术切除肝细胞癌复发的影像组学特征处理方法 | |
| KR102620046B1 (ko) | 약지도 딥러닝 인공 지능을 이용한 유방 초음파 진단 방법 및 시스템 | |
| CN115132275B (zh) | 基于端到端三维卷积神经网络预测egfr基因突变状态方法 | |
| Chang et al. | DARWIN: a highly flexible platform for imaging research in radiology | |
| CN111265234A (zh) | 一种肺部纵膈淋巴结的性质判定方法及系统 | |
| CN116612313A (zh) | 基于改进EfficientNet-B0模型的肺结节良恶性分类方法 | |
| CN116416225A (zh) | 胰腺癌诊断方法、系统、介质、电子设备 | |
| CN118435235A (zh) | 用于对病变进行分类的系统和方法 | |
| CN115500851A (zh) | 一种基于深度学习的早期肺癌风险分层预测系统 | |
| US11282193B2 (en) | Systems and methods for tumor characterization | |
| JP2023541646A (ja) | バイオマーカー推定方法 | |
| Wijerathna et al. | Brain Tumor Detection Using Image Processing | |
| Sangeetha et al. | A Novel Method to Detect Lung Cancer using Deep Learning | |
| CN112329876A (zh) | 一种基于影像组学的结直肠癌预后预测方法及设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200630 |
|
| RJ01 | Rejection of invention patent application after publication |