CN111539918B - 基于深度学习的磨玻璃肺结节风险分层预测系统 - Google Patents

基于深度学习的磨玻璃肺结节风险分层预测系统 Download PDF

Info

Publication number
CN111539918B
CN111539918B CN202010295618.0A CN202010295618A CN111539918B CN 111539918 B CN111539918 B CN 111539918B CN 202010295618 A CN202010295618 A CN 202010295618A CN 111539918 B CN111539918 B CN 111539918B
Authority
CN
China
Prior art keywords
invasive
lung
risk
lung nodule
groups
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
CN202010295618.0A
Other languages
English (en)
Other versions
CN111539918A (zh
Inventor
龚敬
王升平
彭卫军
顾雅佳
童彤
朱晖
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.)
Fudan University Shanghai Cancer Center
Original Assignee
Fudan University Shanghai Cancer Center
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 Fudan University Shanghai Cancer Center filed Critical Fudan University Shanghai Cancer Center
Priority to CN202010295618.0A priority Critical patent/CN111539918B/zh
Publication of CN111539918A publication Critical patent/CN111539918A/zh
Application granted granted Critical
Publication of CN111539918B publication Critical patent/CN111539918B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • 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
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30061—Lung
    • G06T2207/30064—Lung nodule
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Biology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本发明基于深度学习的磨玻璃肺结节风险分层预测系统包括：图像处理模块运用窗宽窗位调节技术，使用标准肺窗下窗宽和窗位，将所有肺部CT图像转化为灰度图像；提取模块提取灰度图像中3D肺结节区域，结合病理标签将肺结节分为良性、非浸润性腺癌和浸润性腺癌三组；数据扩增模块利用数据扩增技术，按良性与恶性比例为1:1、非浸润性组与浸润腺组比例为1:1分别对三组肺结节数据进行扩增；第一风险预测模块利用良性和恶性组肺结节数据，训练卷积神经网络模型，构建I级风险预测模型，预测肺结节恶性风险；第二风险预测模块利用非浸润性腺癌和浸润性腺癌组肺结节数据，训练卷积神经网络模型，构建II级风险预测模型，预测肺结节浸润风险。

Description

基于深度学习的磨玻璃肺结节风险分层预测系统
技术领域
本发明涉及计算机辅助诊断技术领域，特别是涉及一种基于深度学习的磨玻璃肺结节风险分层预测系统。
背景技术
肺癌已成为全球死亡率最高的恶性肿瘤，“早发现、早诊断、早治疗”是提高病患生存率的关键。随着成像技术的不断发展，低剂量螺旋CT已逐渐成为肺癌早期检测和诊断的主要手段。在CT影像上，磨玻璃影是最常见的肺结节征象，也是早期肺腺癌的主要表现之一。因此，对磨玻璃肺结节的诊断和鉴别是肺腺癌早期诊断的关键。
在CT影像中，部分良性肺结节也具有磨玻璃影征象，如局灶性间质纤维化、炎症、肺出血等。良性磨玻璃肺结节虽然无侵袭性，一般可以自行缓解或治愈，但是也会给患者造成较大的心理负担。由于从CT影像上鉴别磨玻璃肺结节的良恶性较为困难，所以，部分患者会选择穿刺活检或手术进行确诊。创伤性的检查不仅给患者带来了沉重的经济负担和身体损伤，而且也增加了穿刺和外科医生的工作压力，造成了医疗资源的浪费。因此，提高CT影像中磨玻璃肺结节良恶性鉴别的准确率，可以减少不必要的活检和手术，减轻病患的痛苦。
2011年，国际肺癌研究协会、美国胸科学会和欧洲呼吸学会联合制定了肺腺癌的多学科诊断标准，按照病理不同，将肺腺癌分为三类：浸润前病变、微浸润腺癌和浸润性腺癌，其中，浸润前病变主要包括不典型增生和原位癌。临床研究表明，浸润前病变和微浸润腺癌患者术后的五年生存率可达到100％，而浸润性腺癌患者的五年生存率仅为40％～85％。作为一种非小细胞肺癌，早期肺腺癌目前主要通过肺叶切除的方式进行治疗。但对浸润前病变和微浸润病灶采用亚肺叶切除方式，不仅可以达到和标准肺叶切除同样的治疗效果，还能够更大程度的保留患者肺功能的完整性。因此，如果能够通过CT影像区分早期肺腺癌的浸润程度等级，即判别早期肺腺癌是否属于浸润性腺癌，则可以为肺腺癌患者的治疗方案设计提供参考，改善患者的预后。
基于CT影像的磨玻璃肺结节风险分层方法研究通过综合运用医学图像处理方法，如肿瘤分割、特征提取与优化、机器学习和模型性能评估方法等，将图像处理算法以程序化的方式赋予计算机“智能”，实现对磨玻璃结节的良恶性鉴别和浸润程度分级。近年来，该研究成为磨玻璃肺结节计算机辅助诊断领域研究的热点之一，国内外研究学者提出了不同的磨玻璃肺结节风险预测模型，但多数研究聚焦于单层风险模型设计，仅探究肺结节的良恶性分类方法或者恶性肿瘤的浸润程度分级模型，缺乏对磨玻璃肺结节风险的全面探究和挖掘。单层风险模型虽然能够预测磨玻璃肺结节的部分潜在风险，设计方法也较为简单，但是，它未对结节的风险做逐层、系统地评估，因此，无法准确预测不同性质、不同进展阶段肿瘤的风险等级。
发明内容
本发明针对现有技术存在的问题和不足，提供一种新型的基于深度学习的磨玻璃肺结节风险分层预测系统，以实现对磨玻璃肺结节的精准风险预测。
本发明是通过下述技术方案来解决上述技术问题的：
本发明提供一种基于深度学习的磨玻璃肺结节风险分层预测系统，其特点在于，其包括图像处理模块、提取模块、数据扩增模块、第一风险预测模块和第二风险预测模块；
所述图像处理模块用于运用窗宽窗位调节技术，使用标准肺窗下窗宽WWLung和窗位WCLung，将所有肺部CT图像转化为灰度图像，灰度值归一化至[0,1]；
所述提取模块用于提取每一灰度图像中的3D肺结节区域，结合病理标签将3D肺结节分为良性、非浸润性腺癌和浸润性腺癌三组；
所述数据扩增模块用于利用数据扩增技术，按照良性与恶性比例为1:1、非浸润性组与浸润腺组比例为1:1分别对三组3D肺结节数据进行扩增；
所述第一风险预测模块用于利用良性组和恶性组3D肺结节数据，训练卷积神经网络模型，构建I级风险预测模型，预测肺结节的恶性风险，恶性组包括非浸润性腺癌组和浸润性腺癌组；
所述第二风险预测模块用于利用非浸润性腺癌组和浸润性腺癌组3D肺结节数据，训练卷积神经网络模型，构建II级风险预测模型，预测肺结节的浸润风险。
较佳地，所述第一风险预测模块包括搭建单元、第一训练单元和第一预测单元；
所述搭建单元用于运用3D卷积层、最大池化层、ReLU非线性激活函数和全连接层，搭建深度卷积神经网络模型，其中，以交叉熵作为损失函数，以Adam作为优化器；
所述训练单元用于使用扩增后的病理诊断为良性和恶性的3D肺结节数据样本训练和测试3D卷积神经网络；
所述预测单元用于选用测试数据集验证模型的有效性，预测磨玻璃肺结节恶性可能的概率。
较佳地，所述第二风险预测模块包括第二训练单元和第二预测单元；
所述第二训练单元用于使用扩增后的病理诊断为非浸润性腺癌和浸润性腺癌的3D肺结节数据样本，训练和测试3D深度卷积神经网络，搭建II级风险分层模型；
所述第二预测单元用于选用测试数据集验证模型的有效性，预测恶性磨玻璃肺结节为浸润性肺腺癌的概率可能。
较佳地，所述提取模块用于根据放射科医生标定好的磨玻璃肺结节中心点坐标，在将灰度图像标准化至1mm×1mm×1mm分辨率的基础上，提取64×64×64像素大小的3D肺结节区域，结合病理标签将3D肺结节分为良性、非浸润性腺癌和浸润性腺癌三组。
较佳地，所述数据扩增模块用于运用旋转、平移、镜像、随机剪切、加噪、缩放和mixup等数据扩增技术，按照良性与恶性比例为1:1、非浸润性组与浸润腺组比例为1:1分别对三组3D肺结节数据进行扩增。
在符合本领域常识的基础上，上述各优选条件，可任意组合，即得本发明各较佳实例。
本发明的积极进步效果在于：
本发明与目前国内外文献报道的其他磨玻璃肺结节风险分层预测方案相比，解决单层风险模型预测不全面、磨玻璃肺结节风险预测准确率低的问题，更全面地评估磨玻璃肺结节的风险等级。运用深度卷积神经网络方法构建良恶性、浸润性风险预测模型，提高了磨玻璃肺结节早期诊断和肺腺癌的病理分型的准确率。
附图说明
图1为本发明较佳实施例的磨玻璃肺结节风险分层预测系统的结构框图。
图2为本发明较佳实施例的技术路线实施图。
图3为本发明较佳实施例的风险分层结果示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，本实施例提供一种基于深度学习的磨玻璃肺结节风险分层预测系统，其包括图像处理模块1、提取模块2、数据扩增模块3、第一风险预测模块4和第二风险预测模块5。
所述图像处理模块1用于运用窗宽窗位调节技术，使用标准肺窗下窗宽WWLung和窗位WCLung，将所有肺部CT图像转化为灰度图像，灰度值归一化至[0,1]。
所述提取模块2用于根据放射科医生标定好的磨玻璃肺结节中心点坐标，在将灰度图像标准化至1mm×1mm×1mm分辨率的基础上，提取64×64×64像素大小的3D肺结节区域，结合病理标签将3D肺结节分为良性、非浸润性腺癌和浸润性腺癌三组。
所述数据扩增模块3用于运用旋转、平移、镜像、随机剪切、加噪、缩放和mixup等数据扩增技术，按照良性与恶性比例为1:1、非浸润性组与浸润腺组比例为1:1分别对三组3D肺结节数据进行扩增。
所述第一风险预测模块4用于利用良性组和恶性组3D肺结节数据，训练卷积神经网络模型，构建I级风险预测模型，预测肺结节的恶性风险，恶性组包括非浸润性腺癌组和浸润性腺癌组。
其中，所述第一风险预测模块包括搭建单元、第一训练单元和第一预测单元；
所述搭建单元用于运用3D卷积层、最大池化层、ReLU非线性激活函数和全连接层，搭建深度卷积神经网络模型，其中，以交叉熵作为损失函数，以Adam作为优化器；
所述训练单元用于使用扩增后的病理诊断为良性和恶性的3D肺结节数据样本训练和测试3D卷积神经网络；训练过程中，采用Batch Normalization、Dropout等方法解决过拟合问题，选用批量随机梯度下降训练模型，使用特定的动量和权重衰减，保证训练模型的鲁棒性。
所述预测单元用于选用测试数据集验证模型的有效性，预测磨玻璃肺结节恶性可能的概率。实现I级风险分层，将磨玻璃肺结节分为良性(风险等级I0)和恶性(风险等级I1)两类。
所述第二风险预测模块5用于利用非浸润性腺癌组和浸润性腺癌组3D肺结节数据，训练卷积神经网络模型，构建II级风险预测模型，预测肺结节的浸润风险。
其中，所述第二风险预测模块5包括第二训练单元和第二预测单元。
所述第二训练单元用于使用扩增后的病理诊断为非浸润性腺癌和浸润性腺癌的3D肺结节数据样本，训练和测试3D深度卷积神经网络，搭建II级风险分层模型。
所述第二预测单元用于选用测试数据集验证模型的有效性，预测恶性磨玻璃肺结节为浸润性肺腺癌的概率可能。实现II级风险分层，将恶性磨玻璃肺结节分为低浸润性肺腺癌(风险等级II0)和高浸润性肺腺癌(风险等级II1)。
见图2，本实施例的具体实施步骤如下：
步骤1：回顾性搜集和整理肺部CT影像数据，建立磨玻璃肺结节研究数据库。根据手术病理诊断结果和放射科诊断报告，搜集病理类型为良性(如局灶性间质纤维化、炎症、肺出血、不典型增生等)、原位腺癌、微浸润性腺癌和浸润性腺癌(临床分期为I期)的磨玻璃肺结节患者的CT影像，进行脱敏处理后归入数据库中。在肺部CT影像中查找和定位磨玻璃肺结节的中心点坐标(x、y、z)，测量结节的最大直径长度，记录并纳入数据库中。
步骤2：根据DICOM图像头文件中CT扫描参数，将各组CT影像进行标准化。不同肺部CT影像的分辨率有一定的差异，利用图像重采样算法将各组影像分辨率统一标准化至1mm×1mm×1mm。调整DICOM图像的窗宽窗位，设定灰度范围为肺窗，归一化至[0,1]。根据医生手动标注的磨玻璃肺结节中心点坐标和直径大小，从归一化后影像中剪切3D肺结节区域。
步骤3：运用数据增强技术，将肺结节样本数量进行扩充，使其满足卷积神经网络训练样本量的需求。运用旋转、平移、镜像、随机剪切、加噪、缩放和mixup等数据扩增技术，按照良性与恶性比例为1:1、非浸润性腺癌组与浸润性腺癌组比例为1:1分别对三组结节数据进行扩增；
步骤4：运用卷积神经网络构建I级风险分层模型，见图3。
4.1运用3D卷积层、最大池化层、ReLU非线性激活函数和全连接层等，设计和搭建深度卷积神经网络模型。在此过程中，选用交叉熵作为损失函数，以Adam作为优化器。
4.2使用扩充后的病理诊断为良性和恶性的磨玻璃肺结节样本，训练网络和测试3D卷积神经网络。训练过程中，采用Batch Normalization、Dropout等方法解决过拟合问题，选用批量随机梯度下降训练模型，使用特定的动量和权重衰减，保证训练模型的鲁棒性。
4.3选用测试数据集验证模型的有效性，预测磨玻璃肺结节恶性可能的概率。实现I级风险分层，将磨玻璃肺结节分为良性(风险等级I0)和恶性(风险等级I1)两类。
步骤5：运用卷积神经网络构建II级风险分层模型，见图3。
5.1利用数据增强技术获得的病理诊断为恶性(非浸润性腺癌和浸润性腺癌)的肺结节样本，训练3D深度卷积神经网络，搭建II级风险分层模型。
5.2训练并测试模型的预测效果，预测测试样本集中恶性磨玻璃肺结节为高浸润性肺腺癌的概率可能。实现II级风险分层，将恶性磨玻璃肺结节分为低浸润性肺腺癌(风险等级II0)和高浸润性肺腺癌(风险等级II1)。
步骤6：风险分层模型性能分析。选择合适的数据统计与分析方法，如交叉验证方法、ROC曲线分析方法、Bootstrap抽样方法、P值分析等，评估分层模型的性能。同时，选用多中心数据集，采用多位读者、多个案例(Multi-Reader Multi-Case,MRMC)的系统评价方法，对比和分析多名放射科医生和构建模型针对多组样本的诊断结果，验证风险分层模型的鲁棒性、适用性、泛化性和灵敏度。
本发明的效果通过以下实验进一步说明。
1、实验条件：
本实验数据来自复旦大学附属肿瘤医院中1209名患者(364男性和845女性)，共1476个磨玻璃肺结节样本。其中，由病理诊断为良性206个，原位腺癌623个，微浸润性腺癌261个和浸润性腺癌386个。使用pytorch框架搭建卷积神经网络，在python 3.7环境下构建两层风险模型。
2、实验结果及结果分析
本发明与传统单层风险预测模型相比能够实现磨玻璃肺结节两层风险预测，其中I级(恶性风险预测)和II级(浸润性风险预测)风险预测的准确率分别可以到达65％和91％，与高年资放射科医生相比准确率更高。与近年来相关同类研究比较，新方法优于同类研究磨玻璃肺结节风险分层方法的实验结果，因此，该方法具有一定的优越性。
虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这些仅是举例说明，本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下，可以对这些实施方式做出多种变更或修改，但这些变更和修改均落入本发明的保护范围。

Claims (5)

1.一种基于深度学习的磨玻璃肺结节风险分层预测系统，其特征在于，其包括图像处理模块、提取模块、数据扩增模块、第一风险预测模块和第二风险预测模块；
所述图像处理模块用于运用窗宽窗位调节技术，使用标准肺窗下窗宽WWLung和窗位WCLung，将所有肺部CT图像转化为灰度图像，灰度值归一化至[0,1]；
所述提取模块用于提取每一灰度图像中的3D肺结节区域，结合病理标签将3D肺结节分为良性、非浸润性腺癌和浸润性腺癌三组；
所述数据扩增模块用于利用数据扩增技术，按照良性与恶性比例为1:1、非浸润性组与浸润腺组比例为1:1分别对三组3D肺结节数据进行扩增；
所述第一风险预测模块用于利用良性组和恶性组3D肺结节数据，训练卷积神经网络模型，构建I级风险预测模型，预测肺结节的恶性风险，恶性组包括非浸润性腺癌组和浸润性腺癌组；
所述第二风险预测模块用于利用非浸润性腺癌组和浸润性腺癌组3D肺结节数据，训练卷积神经网络模型，构建II级风险预测模型，预测肺结节的浸润风险。
2.如权利要求1所述的基于深度学习的磨玻璃肺结节风险分层预测系统，其特征在于，所述第一风险预测模块包括搭建单元、第一训练单元和第一预测单元；
所述搭建单元用于运用3D卷积层、最大池化层、ReLU非线性激活函数和全连接层，搭建深度卷积神经网络模型，其中，以交叉熵作为损失函数，以Adam作为优化器；
所述训练单元用于使用扩增后的病理诊断为良性和恶性的3D肺结节数据样本训练和测试3D卷积神经网络；
所述预测单元用于选用测试数据集验证模型的有效性，预测磨玻璃肺结节恶性可能的概率。
3.如权利要求1所述的基于深度学习的磨玻璃肺结节风险分层预测系统，其特征在于，所述第二风险预测模块包括第二训练单元和第二预测单元；
所述第二训练单元用于使用扩增后的病理诊断为非浸润性腺癌和浸润性腺癌的3D肺结节数据样本，训练和测试3D深度卷积神经网络，搭建II级风险分层模型；
所述第二预测单元用于选用测试数据集验证模型的有效性，预测恶性磨玻璃肺结节为浸润性肺腺癌的概率可能。
4.如权利要求1所述的基于深度学习的磨玻璃肺结节风险分层预测系统，其特征在于，所述提取模块用于根据放射科医生标定好的磨玻璃肺结节中心点坐标，在将灰度图像标准化至1mm×1mm×1mm分辨率的基础上，提取64×64×64像素大小的3D肺结节区域，结合病理标签将3D肺结节分为良性、非浸润性腺癌和浸润性腺癌三组。
5.如权利要求1所述的基于深度学习的磨玻璃肺结节风险分层预测系统，其特征在于，所述数据扩增模块用于运用旋转、平移、镜像、随机剪切、加噪、缩放和mixup等数据扩增技术，按照良性与恶性比例为1:1、非浸润性组与浸润腺组比例为1:1分别对三组3D肺结节数据进行扩增。
CN202010295618.0A 2020-04-15 2020-04-15 基于深度学习的磨玻璃肺结节风险分层预测系统 Active CN111539918B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010295618.0A CN111539918B (zh) 2020-04-15 2020-04-15 基于深度学习的磨玻璃肺结节风险分层预测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010295618.0A CN111539918B (zh) 2020-04-15 2020-04-15 基于深度学习的磨玻璃肺结节风险分层预测系统

Publications (2)

Publication Number Publication Date
CN111539918A CN111539918A (zh) 2020-08-14
CN111539918B true CN111539918B (zh) 2023-05-02

Family

ID=71980199

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010295618.0A Active CN111539918B (zh) 2020-04-15 2020-04-15 基于深度学习的磨玻璃肺结节风险分层预测系统

Country Status (1)

Country Link
CN (1) CN111539918B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112767393A (zh) * 2021-03-03 2021-05-07 常州市第一人民医院 一种基于机器学习的双模态影像组学磨玻璃结节分类方法
CN115132354B (zh) * 2022-07-06 2023-05-30 哈尔滨医科大学 一种患者类型识别方法、装置、电子设备及存储介质
CN117877737B (zh) * 2024-03-12 2024-07-05 北方健康医疗大数据科技有限公司 一种原发性肺癌风险预测模型的构建方法、系统及装置

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109615636B (zh) * 2017-11-03 2020-06-12 杭州依图医疗技术有限公司 Ct影像的肺叶段分割中的血管树构造方法、装置
CN108389201B (zh) * 2018-03-16 2020-06-30 北京推想科技有限公司 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
CN108446730B (zh) * 2018-03-16 2021-05-28 推想医疗科技股份有限公司 一种基于深度学习的ct肺结节检测装置
CN110660049A (zh) * 2019-09-16 2020-01-07 青岛科技大学 一种基于深度学习的轮胎缺陷检测方法

Also Published As

Publication number Publication date
CN111539918A (zh) 2020-08-14

Similar Documents

Publication Publication Date Title
CN107103187B (zh) 基于深度学习的肺结节检测分级与管理的方法及系统
Liu et al. Preoperative diagnosis of malignant pulmonary nodules in lung cancer screening with a radiomics nomogram
CN111539918B (zh) 基于深度学习的磨玻璃肺结节风险分层预测系统
Xu et al. Using biparametric MRI radiomics signature to differentiate between benign and malignant prostate lesions
Feng et al. Radiomics nomogram for preoperative differentiation of lung tuberculoma from adenocarcinoma in solitary pulmonary solid nodule
US8144963B2 (en) Method for processing biomedical images
CN113208640A (zh) 一种基于乳腺专用pet影像组学预测腋窝淋巴结转移的方法
Zhang et al. Predicting breast cancer types on and beyond molecular level in a multi-modal fashion
Wu et al. The value of various peritumoral radiomic features in differentiating the invasiveness of adenocarcinoma manifesting as ground-glass nodules
Yu et al. MDCT-based radiomics features for the differentiation of serous borderline ovarian tumors and serous malignant ovarian tumors
CN113345576A (zh) 一种基于深度学习多模态ct的直肠癌淋巴结转移诊断方法
Zhu et al. A computerized tomography-based radiomic model for assessing the invasiveness of lung adenocarcinoma manifesting as ground-glass opacity nodules
Song et al. Hypervascular hepatic focal lesions on dynamic contrast-enhanced CT: preliminary data from arterial phase scans texture analysis for classification
Lv et al. A comparative study for the evaluation of CT-based conventional, radiomic, combined conventional and radiomic, and delta-radiomic features, and the prediction of the invasiveness of lung adenocarcinoma manifesting as ground-glass nodules
Mao et al. Preoperative prediction of histologic grade in invasive breast cancer by using contrast-enhanced spectral mammography-based radiomics
Dong et al. Preoperatively estimating the malignant potential of mediastinal lymph nodes: A pilot study toward establishing a robust radiomics model based on contrast-enhanced CT imaging
Jin et al. Machine learning based gray-level co-occurrence matrix early warning system enables accurate detection of colorectal cancer pelvic bone metastases on MRI
Lin et al. A combined non‐enhanced CT radiomics and clinical variable machine learning model for differentiating benign and malignant sub‐centimeter pulmonary solid nodules
CN117711615A (zh) 基于影像组学的淋巴结转移状态分类预测方法及设备
Zhang et al. Artificial intelligence system-based histogram analysis of computed tomography features to predict tumor invasiveness of ground-glass nodules
Pradhan An early diagnosis of lung nodule using CT images based on hybrid machine learning techniques
Qiu et al. Development of a deep learning‐based method to diagnose pulmonary ground‐glass nodules by sequential computed tomography imaging
CN113935990A (zh) 一种基于人工智能的胰腺占位eus-fna现场快速细胞病理学评估系统
Yang et al. Exploratory study on the predictive value of ultrasound radiomics for cervical tuberculous lymphadenitis
Fu et al. Discrimination of ground‐glass nodular lung adenocarcinoma pathological subtypes via transfer learning: A multicenter study

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