CN111584073B - 构建肺结节良恶性的多种病理类型诊断模型的方法 - Google Patents
构建肺结节良恶性的多种病理类型诊断模型的方法 Download PDFInfo
- Publication number
- CN111584073B CN111584073B CN202010402866.0A CN202010402866A CN111584073B CN 111584073 B CN111584073 B CN 111584073B CN 202010402866 A CN202010402866 A CN 202010402866A CN 111584073 B CN111584073 B CN 111584073B
- Authority
- CN
- China
- Prior art keywords
- model
- classification
- constructing
- layer
- benign
- 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
Links
Images
Classifications
-
- 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
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- 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
- 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
- G06T2207/30061—Lung
- G06T2207/30064—Lung nodule
-
- 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
Abstract
本发明基于人工智能融合多模态信息构建肺结节良恶性的多种病理类型诊断模型的方法,包括构建多分辨率3D多分类深度学习网络模型;构建机器学习多分类模型;利用CT影像训练构建的多分辨率3D深度学习模型并得出权值;利用肺部肿瘤标志物信息训练构建的机器学习多分类模型并得出权值;利用迁移学习迁移深度学习网路和机器学习网络模型的权值,在模型的尾端采用权值融合实现肺部CT影像学信息和肺部肿瘤标志物信息的融合。本发明采用深度学习网络模型和机器学习模型分别在肺部CT图像中和肺部肿瘤标志物中挖掘与病理类型分类相关的深层次特征,并通过融合两种网络模型实现CT影像和肺部肿瘤标志物多模态信息的融合,迅速对肺结节的具体病理类型做出诊断。
Description
技术领域
本发明属于医学图像处理领域,具体涉及基于融合肺部CT影像和肿瘤标志物多模态信息构建肺结节良恶性的多种病理类型诊断模型的方法。
背景技术
对肺部疾病患者进行及早的肺结节检测和治疗是降低肺癌死亡率的关键措施。传统方式的肺结节良恶性的诊断大多是临床医学工作者结合肺部CT影像学检查以及肺部肿瘤标志物的检查,共同对肺结节进行良恶性诊断。这需要依赖医学工作者个人临床经验,增加其工作压力,且由于医生的个人经验水平参差不齐,传统的诊断方法容易受到医生个人经验水平的影响,诊断误差较大。临床中肺结节的诊断只能通过肉眼辨别肺结节的良恶性,而不能识别肺结节的具体病理类型做分类诊断。
发明内容
本发明的目的在于针对上述现有肺结节的良恶性诊断实际工作效率低、个人临床经验依赖性高,不能同时对肺结节的具体病理类型做分类诊断的问题,提供一种基于人工智能融合多模态信息构建肺结节良恶性的多种病理类型诊断模型的方法。
本发明基于人工智能融合多模态信息构建肺结节良恶性的多种病理类型诊断模型的方法包括以下步骤:
S1:构建多分辨率3D多分类深度学习网络的模型;
S2:采用随机梯度下降法,利用多种分辨率的CT影像数据训练S1中的多分类深度学习网络模型并保存最优模型的权值;
S3:构建多层感知Softmax机器学习的多分类模型;
S4:采用肺部肿瘤标志物信息训练S3中构建的多层感知Softmax机器学习的多分类模型并保存最优模型的权值;
S5:在S1中构建多分辨率3D多分类深度学习网络的模型和S3中构建多层感知Softmax机器学习的多分类模型尾端Softmax层进行权值融合,构建基于人工智能的融合肺部CT影像和肿瘤标志物两种模态信息的融合网络模型;
S6:通过迁移学习迁移S2中最优深度学习网络模型的权值和S4中保存的最优机器学习网络模型的权值,并加载到在S5中构建的融合网络模型中;
S7:对S6中构建的模型进行分类准确率以及受试者工作特性曲线验证。
上述方案中,步骤S1中利用双通路网络(Dual Path Network,DPN)结构为主网络,分别构建三个网络结构相同的单分辨率网络,三个单分辨率网络的输入的分辨率分别为20×20×20、30×30×30、45×45×45。
上述方案中,步骤S2中将三种分辨率的CT影像数据集划分为训练集、验证集和测试集三部分,将训练集中对应的分辨率数据输入到多分辨率3D多分类深度学习网络模型中去,并采用随机梯度下降法对模型进行训练。深度学习网络参数初始化采用He初始化,初始化学习率设置为0.003并每过100轮迭代降低30%,网络批量(batch-size)大小采用16,损失函数选取交叉熵损失函数。根据验证集的准确率收敛趋势和迭代轮数判断算法是否收敛,若未收敛直至收敛后保存最优网络的模型参数。
上述方案中,步骤S3中利用机器学习中的多层感知(Multi-layer Perception,MLP)算法,构建包含输入层、三层隐藏层、输出层的多层感知分类器,在输出层采用Softmax分类算法。
上述方案中,步骤S4中,将包含癌胚抗原(CEA)、糖类抗原50(CA50)、糖类抗原125(CA125)、糖类抗原242(CA242)、糖类抗原72-4(CA72-4)、非小细胞癌相关抗原(Cyfra21-1)、神经元特异性烯醇化酶(NSE)、血清胃泌素释放肽前体(ProGRP)以及鳞状细胞癌抗原(SCCA)九种肺部肿瘤标志物特征的数据集,按一定比例划分为训练集、验证集和测试集。将训练集数据输入到构建的多层感知Softmax多分类模型中,采用随机梯度下降法进行模型训练,初始化学习率为0.001,每100次迭代衰减一次,网络批量(batch-size)大小为16。根据验证集的准确率收敛趋势判断算法是否收敛,并将收敛模型的最优权值进行保存。
上述方案中,步骤S5中将多分辨率3D多分类深度学习网络模型和多层感知Softmax的机器学习网络模型的尾端按照比例系数λ1、λ2进行融合从而得到融合网络模型的输出概率值pf,具体计算公式如(1)所示:
本发明的有益效果在于:能够利用人工智能的方法融合实际临床中肺结节早期良恶性检测的两种模态信息,放射科医师只需要输入肺部CT影像以及肺部肿瘤标志物的检测结果,就能得出肺结节具体的病理类型。相比传统的人工诊断肺结节良恶性的方式,本发明不仅能提高诊断效率,并且能综合各种模态信息,迅速对肺结节的具体病理类型做出诊断。
附图说明
图1是20×20×20低分辨率3D双通路网络示意图。
图2是30×30×30中分辨率3D双通路网络示意图。
图3是45×45×45高分辨率3D双通路网络示意图。
图4是多分辨率3D多分类深度学习网络模型示意图。
图5是多分辨3D数据处理示意图。
图6是双通路单元(DPN unit)结构示意图。
图7多层感知Softmax多分类机器学习模型示意图。
图8是融合肺部CT影像和肿瘤标志物两种模态信息的融合网络模型示意图。
具体实施方式
下面结合附图及具体实施对本发明作进一步详细的说明。本发明实现基于人工智能融合多种模态信息构建肺结节良恶性的多种病理类型诊断模型的方法主要包括以下步骤:
S1构建多分辨率3D多分类深度学习网络模型。
S1.1收集具备明确病理类型的CT影像数据,层厚为1mm。
收集炎症、鳞癌、腺癌和良性其他等四种病理类型的CT影像数据,要求均具备明确病理类型,并且层厚均为1mm,结节直径D大小在3mm≤D≤30mm。将其按照类别比例划分为训练集、验证集和测试集。
S1.2按肺结节区域的中心点O和直径D提取将3D肺结节数据体并存储。
人工确定所收集CT影像数据中肺结节的中心点O、直径大小D,并根据D将其分为三个分辨率,若3mm≤D≤14mm为低分辨率,对应的像素提取窗口为20×20×20;14mm<D≤21mm为中分辨率,对应的像素提取窗口为30x30x30;21mm<D≤30mm为高分辨率,对应的像素提取窗口为45×45×45。
S1.3通过B样条插值算法生成对应的三个分辨率的数据体。
将训练集、验证集和测试集中的肺结节,以其中心O点为中心按相应的像素窗口大小提取3D图像,并通过B样条插值生成其余两个分辨率的3D图像,如图5所示,并对应保存。
S1.4将步骤S3中数据进行线下样本扩充,并在线上进行标准化和错切处理后作为训练网络的输入。
首先将训练集和验证集中的炎症、鳞癌和良性其他类等,根据各类的样本数量情况进行线下数据扩充。炎症、鳞癌和良性其他类分别在X轴、Y轴和Z轴旋转[90°,270°],即每类扩展了6倍,另外又单独对鳞癌采取在Y轴和Z轴分别翻转[90°,270°]的操作,最终炎症和良性其他类扩展了6倍,鳞癌扩展了10倍,腺癌不作数据扩展。线上输入数据会先对输入数据进行0-1标准化,将训练样本数据采用2像素点随机平移和错切的方式进行线上数据扩充,以保证样本分类的均衡性。
S1.5构建多分辨3D双通路压缩激励网络。
利用图6中双通路(DPN)网络单元的架构构建图1、图2、图3和图4中多分辨率3D多分类深度学习网络模型。图6中,BN为批量归一化,ReLU为ReLU激活函数,Conv表示卷积操作,X1l和X2l分别表示第l层残差连接通路和密集连接通路的网络输入,其中密集连接通路基本通道为32,递增为16。整体网络共采用三个分辨率的网络,网络输入像素维度分别为低分辨网络:20×20×20、中分辨网络:30×30×30以及高分辨网络:45×45×45,每个分辨率网络的主体框架都由图6中双通路网络(DPN)单元堆叠而成。以图1中的3D低分辨率多分类双通路网络模型为例,在图1中,从左至右,图中的3*3*3@64表示当前层采用64个维度为3*3*3卷积核进行卷积。MP代表Maxpooling3D,表示对数据进行最大池化操作。特征立方体下方的4*4*4@(128+64)表示当前层输出的大小为4*4*4,且残差连接通路的特征通道数为128,密集连接通路的通道数为64,其余类似。GAP/GMP代表Global AveragePooling3D和Global MaxPooling3D,表示对上一层的输出特征分别进行全局平均池化以及全局最大池化操作,取两个输出的平均值作为下一层的输入,最后经由Softmax分类器得出分类结果。整体网络构建参数由表1给出。
图4中尾端分类比例系数分别为λ1=0.3,λ2=0.3,λ3=0.4。尾端分类各自的概率P1、P2、P3由下式给出:
式中,表示N个输入样本和真实标签值一一对应的集合为{(D1,y1),...,(DN,yN)},Dj为第j个输入样本,yj为Dj对应的真实标签,则为网络预测的结果,k为分类的类别数,在这里k值为4,ηi为第i个分辨率网络的参数。计算完Pi后,在尾端按比例系数λ1、λ2、λ3进行概率融合得到融合概率Pf,如下所示:
表1 3D多分辨率双通路深度学习网络模型详细结构
表1中,C代表卷积层,DPN-C代表双通路压缩激励模块中的卷积层,FC代表全连接层,通道数中相加项前者为残差连接通路通道数,后者为密集连接通路通道数。
S2采用随机梯度下降法,利用多种分辨率的CT影像数据训练S1中的多分类深度学习网络模型并保存最优模型的权值。
将三种分辨率的CT影像数据集(其中包含炎症、鳞癌、腺癌和良性其他类的四种类型)划分为训练集、验证集和测试集三部分。将训练集中对应的分辨率输入到S1中构建的多分辨率3D多分类深度学习网络模型中,并采用随机梯度下降法对模型进行训练,深度学习网络参数初始化采用He初始化,学习率设置为0.003并每过100轮迭代降低30%,网络批量(batch-size)大小采用16,损失函数选取交叉熵损失函数。根据验证集的准确率收敛趋势和迭代轮数判断算法是否收敛,若未收敛直至收敛后保存网络参数。
S3构建多层感知Softmax机器学习的多分类模型。
利用机器学习中多层感知(Multi-layer Perception,MLP)算法,构建了一个包含输入层,三层隐藏层,输出层的多层感知分类器,在输出层采用Softmax分类算法。其中,隐藏层的第一层包含128个神经元,第二层包含64个神经元,第三层包含64个神经元,如图7所示。
S4采用肺部肿瘤标志物信息训练S3中构建的多层感知Softmax机器学习的多分类模型并保存最优模型的权值。
肺部肿瘤标志物数据集中包含癌胚抗原(CEA)、糖类抗原50(CA50)、糖类抗原125(CA125)、糖类抗原242(CA242)、糖类抗原72-4(CA72-4)、非小细胞癌相关抗原(Cyfra21-1)、神经元特异性烯醇化酶(NSE)、血清胃泌素释放肽前体(ProGRP)以及鳞状细胞癌抗原(SCCA)九种特征信息,按一定比例将该数据集划分为训练集、验证集和测试集,将训练集数据输入到构建的多层感知Softmax机器学习多分类模型中,采用随机梯度下降法进行模型训练,初始化学习率为0.001,每100次迭代衰减一次,网络批量(batch-size)批次大小为16。根据验证集的准确率收敛趋势判断算法是否收敛,并将收敛模型的最优权值进行保存。
S5在S1中构建多分辨率3D多分类深度学习网络的模型和S3中构建多层感知Softmax机器学习的多分类模型尾端Softmax层进行权值融合,构建基于人工智能的融合肺部CT影像和肿瘤标志物两种模态信息的融合网络模型。
将多分辨率3D多分类深度学习网络的模型和多层感知Softmax机器学习网络的模型的尾端按照比例系数λ1=0.2、λ2=0.8进行融合从而得到融合网络模型的输出概率值pf,具体计算公式如(3)所示:
S6通过迁移学习迁移S2中最优深度学习网络模型的权值和S4中保存的最优机器学习网络模型的权值,并加载到在S5构建的融合网络模型中。
利用迁移学习的权值迁移方法,将S2中保存的最优深度学习网络模型的权值以及S4中保存的最优机器学习模型的权值迁移到S5中构建的融合网络模型中。
S7对S6中构建的模型进行分类准确率以及受试者工作特性曲线验证。
将CT影像和肺部肿瘤标志物两种模态信息的测试集数据输入到S6中已经迁移结束的融合网络模型中进行分类准确率和受试者工作特性曲线验证。
最后应说明的是,以上实施实例仅用以说明本发明的技术方案而非限制,尽管参照较佳的实施实例对本发明进行了详细的说明,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的修改或等同替换,而不脱离本发明技术方案的精神和范围,都应涵盖在本发明的保护范围之内。
Claims (10)
1.构建肺结节良恶性的多种病理类型诊断模型的方法,其特征是包括以下步骤:
S1:构建多分辨率3D多分类深度学习网络模型;
S2:采用随机梯度下降法,利用多种分辨率的CT影像数据训练S1中的多分类深度学习网络模型并保存最优模型的权值;
S3:构建多层感知Softmax机器学习的多分类模型;
S4:采用肺部肿瘤标志物信息训练S3中构建的多层感知Softmax机器学习的多分类模型并保存最优模型的权值;
S5:在S1中构建多分辨率3D多分类深度学习网络模型和S3中构建多层感知Softmax机器学习的多分类模型尾端Softmax层进行权值融合,构建基于人工智能的融合肺部CT影像和肿瘤标志物两种模态信息的融合网络模型;
S6:通过迁移学习迁移S2中最优深度学习网络模型的权值和S4中保存的最优机器学习网络模型的权值,并加载到在S5中构建的融合网络模型中;
S7:对S6中构建的模型进行分类准确率以及受试者工作特性曲线验证。
2.根据权利要求1所述的构建肺结节良恶性的多种病理类型诊断模型的方法,其特征是,所述步骤S1包括:
S1.1收集具备明确病理类型的CT影像数据;收集炎症、鳞癌、腺癌和良性其他四种病理类型的CT影像数据,层厚均为1mm,结节直径D大小在3mm≤D≤30mm,将其按照类别比例划分为训练集、验证集和测试集;
S1.2按肺结节区域的中心点O和直径D提取将3D肺结节数据体并存储;人工确定所收集CT影像数据中肺结节的中心点O、直径大小D,并根据D将其分为三个分辨率,若3mm≤D≤14mm为低分辨率,对应的像素提取窗口为20×20×20;14mm<D≤21mm为中分辨率,对应的像素提取窗口为30×30×30;21mm<D≤30mm为高分辨率,对应的像素提取窗口为45×45×45;
S1.3通过B样条插值算法生成对应的三个分辨率的数据体;
将训练集、验证集和测试集中的肺结节,以其中心O点为中心按相应的像素窗口大小提取3D图像,并通过B样条插值生成其余两个分辨率的3D图像,并对应保存;
S1.4将步骤S3中数据进行线下样本扩充,并在线上进行标准化和错切处理后作为训练网络的输入;
炎症、鳞癌和良性其他类分别在X轴、Y轴和Z轴旋转[90°,270°],另外又单独对鳞癌采取在Y轴和Z轴分别翻转[90°,270°]的操作,最终炎症和良性其他类扩展了6倍,鳞癌扩展了10倍,腺癌不作数据扩展,线上输入数据会先对输入数据进行0-1标准化,将训练样本数据采用2像素点随机平移和错切的方式进行线上数据扩充,以保证样本分类的均衡性;
S1.5构建多分辨3D双通路压缩激励网络。
3.根据权利要求1或2所述的构建肺结节良恶性的多种病理类型诊断模型的方法,其特征是,所述3D多分类深度学习网络模型由双通路网络单元模块堆叠而成,其结构与参数见表1,其中密集连接通路基本通道为32,递增为16,尾端分类比例系数为λ1=0.3,λ2=0.3,λ3=0.4,尾端分类各自的概率P1、P2、P3由下式给出:
式中,给定N对输入样本和真实标签值的对应{(D1,y1),...,(DN,yN)},Dj为第j个输入样本,yj为Dj对应的真实标签,则为网络预测的结果,k为分类的类别数,在这里k值为4,ηi为第i个分辨率网络的参数,计算完三个分辨率网络各自的预测概率Pi后,在尾端按比例系数λ1、λ2、λ3进行概率融合得到融合概率Pf,如下所示:
表1 3D多分辨率双通路深度学习网络模型详细结构
表1中,C代表卷积层,DPN-C代表双通路压缩激励模块中的卷积层,FC代表全连接层,通道数中相加项前者为残差连接通路通道数,后者为密集连接通路通道数。
4.根据权利要求2所述的构建肺结节良恶性的多种病理类型诊断模型的方法,其特征是步骤S2中将三种分辨率的CT影像数据集划分为训练集、验证集和测试集三部分,将训练集中对应的分辨率数据输入到多分辨率3D多分类深度学习网络模型中去,并采用随机梯度下降法对模型进行训练。
5.根据权利要求4所述的构建肺结节良恶性的多种病理类型诊断模型的方法,其特征是深度学习网络参数初始化采用He初始化,初始化学习率设置为0.003并每过100轮迭代降低30%,网络批量(batch-size)大小采用16,损失函数选取交叉熵损失函数;根据验证集的准确率收敛趋势和迭代轮数判断算法是否收敛,若未收敛直至收敛后保存最优网络的模型参数。
6.根据权利要求1所述的构建肺结节良恶性的多种病理类型诊断模型的方法,其特征是步骤S3中利用机器学习中的多层感知MLP算法,构建包含输入层、三层隐藏层、输出层的多层感知分类器,在输出层采用Softmax分类算法。
7.根据权利要求6所述的构建肺结节良恶性的多种病理类型诊断模型的方法,其特征是隐藏层的第一层包含128个神经元,第二层包含64个神经元,第三层包含64个神经元。
8.根据权利要求1所述的构建肺结节良恶性的多种病理类型诊断模型的方法,其特征是步骤S4中,将包含癌胚抗原CEA、糖类抗原50、糖类抗原125、糖类抗原242、糖类抗原72-4、非小细胞癌相关抗原、神经元特异性烯醇化酶、血清胃泌素释放肽前体以及鳞状细胞癌抗原9种肺部肿瘤标志物特征的数据集,按一定比例划分为训练集、验证集和测试集。
9.根据权利要求8所述的构建肺结节良恶性的多种病理类型诊断模型的方法,其特征是将训练集数据输入到构建的多层感知Softmax多分类模型中,采用随机梯度下降法进行模型训练,初始化学习率为0.001,每100次迭代衰减一次,网络批量(batch-size)大小为16,根据验证集的准确率收敛趋势判断算法是否收敛,并将收敛模型的最优权值进行保存。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010402866.0A CN111584073B (zh) | 2020-05-13 | 2020-05-13 | 构建肺结节良恶性的多种病理类型诊断模型的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010402866.0A CN111584073B (zh) | 2020-05-13 | 2020-05-13 | 构建肺结节良恶性的多种病理类型诊断模型的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111584073A CN111584073A (zh) | 2020-08-25 |
CN111584073B true CN111584073B (zh) | 2023-05-09 |
Family
ID=72117310
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010402866.0A Active CN111584073B (zh) | 2020-05-13 | 2020-05-13 | 构建肺结节良恶性的多种病理类型诊断模型的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111584073B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112071421A (zh) * | 2020-09-01 | 2020-12-11 | 深圳高性能医疗器械国家研究院有限公司 | 一种深度学习预估方法及其应用 |
CN112365980B (zh) * | 2020-11-16 | 2024-03-01 | 复旦大学附属华山医院 | 脑肿瘤多靶点辅助诊断与前瞻性治疗演化可视化方法及系统 |
CN112508884A (zh) | 2020-11-24 | 2021-03-16 | 江苏大学 | 一种癌变区域综合检测装置及方法 |
CN112530578A (zh) * | 2020-12-02 | 2021-03-19 | 中国科学院大学宁波华美医院 | 基于多模态信息融合的病毒性肺炎智能诊断系统 |
CN113011462B (zh) * | 2021-02-22 | 2021-10-22 | 广州领拓医疗科技有限公司 | 瘤细胞图像的分类和装置 |
CN113516210B (zh) * | 2021-09-14 | 2021-12-17 | 之江实验室 | 一种基于pet/ct的肺腺癌鳞癌诊断模型训练方法及装置 |
CN113823413A (zh) * | 2021-10-22 | 2021-12-21 | 上海长征医院 | 肺部功能小气道疾病预测系统、方法、介质及电子设备 |
CN114388064A (zh) * | 2021-12-15 | 2022-04-22 | 深圳先进技术研究院 | 用于蛋白质表征学习的多模态信息融合方法、系统、终端及存储介质 |
CN114511569B (zh) * | 2022-04-20 | 2022-07-12 | 中南大学湘雅医院 | 基于肿瘤标志物的医学图像识别方法、装置、设备及介质 |
CN114677378B (zh) * | 2022-05-31 | 2022-09-02 | 四川省医学科学院·四川省人民医院 | 基于卵巢肿瘤良恶性预测模型的计算机辅助诊疗系统 |
CN115861303B (zh) * | 2023-02-16 | 2023-04-28 | 四川大学 | 基于肺部ct图像的egfr基因突变检测方法和系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106295714A (zh) * | 2016-08-22 | 2017-01-04 | 中国科学院电子学研究所 | 一种基于深度学习的多源遥感图像融合方法 |
CN106778810A (zh) * | 2016-11-23 | 2017-05-31 | 北京联合大学 | 基于rgb特征与深度特征的原始图像层融合方法及系统 |
CN108268870A (zh) * | 2018-01-29 | 2018-07-10 | 重庆理工大学 | 基于对抗学习的多尺度特征融合超声图像语义分割方法 |
CN108805087A (zh) * | 2018-06-14 | 2018-11-13 | 南京云思创智信息科技有限公司 | 基于多模态情绪识别系统的时序语义融合关联判断子系统 |
CN109492101A (zh) * | 2018-11-01 | 2019-03-19 | 山东大学 | 基于标签信息与文本特征的文本分类方法、系统及介质 |
CN110084813A (zh) * | 2019-05-13 | 2019-08-02 | 山东大学 | 一种基于三维深度学习网络的肺结节良恶性预测方法 |
CN110555446A (zh) * | 2019-08-19 | 2019-12-10 | 北京工业大学 | 基于多尺度深度特征融合和迁移学习的遥感影像场景分类方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11586905B2 (en) * | 2017-10-11 | 2023-02-21 | Arizona Board Of Regents On Behalf Of Arizona State University | Systems and methods for customizing kernel machines with deep neural networks |
US11164038B2 (en) * | 2018-08-16 | 2021-11-02 | Uber Technologies, Inc. | Imagery evidence matching system |
-
2020
- 2020-05-13 CN CN202010402866.0A patent/CN111584073B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106295714A (zh) * | 2016-08-22 | 2017-01-04 | 中国科学院电子学研究所 | 一种基于深度学习的多源遥感图像融合方法 |
CN106778810A (zh) * | 2016-11-23 | 2017-05-31 | 北京联合大学 | 基于rgb特征与深度特征的原始图像层融合方法及系统 |
CN108268870A (zh) * | 2018-01-29 | 2018-07-10 | 重庆理工大学 | 基于对抗学习的多尺度特征融合超声图像语义分割方法 |
CN108805087A (zh) * | 2018-06-14 | 2018-11-13 | 南京云思创智信息科技有限公司 | 基于多模态情绪识别系统的时序语义融合关联判断子系统 |
CN109492101A (zh) * | 2018-11-01 | 2019-03-19 | 山东大学 | 基于标签信息与文本特征的文本分类方法、系统及介质 |
CN110084813A (zh) * | 2019-05-13 | 2019-08-02 | 山东大学 | 一种基于三维深度学习网络的肺结节良恶性预测方法 |
CN110555446A (zh) * | 2019-08-19 | 2019-12-10 | 北京工业大学 | 基于多尺度深度特征融合和迁移学习的遥感影像场景分类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111584073A (zh) | 2020-08-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111584073B (zh) | 构建肺结节良恶性的多种病理类型诊断模型的方法 | |
CN111598881B (zh) | 基于变分自编码器的图像异常检测方法 | |
CN109711426B (zh) | 一种基于gan和迁移学习的病理图片分类装置及方法 | |
CN110084813B (zh) | 一种基于三维深度学习网络的肺结节良恶性预测方法 | |
Zhou et al. | Predicting lymph node metastasis in head and neck cancer by combining many-objective radiomics and 3-dimensioal convolutional neural network through evidential reasoning | |
CN107480702A (zh) | 面向hcc病理图像识别的特征选择与特征融合方法 | |
CN111582393A (zh) | 基于三维深度学习网络预测肺结节良恶性的多种病理类型的分类方法 | |
Mienye et al. | Improved predictive sparse decomposition method with densenet for prediction of lung cancer | |
Rajasekar et al. | Lung cancer disease prediction with CT scan and histopathological images feature analysis using deep learning techniques | |
Huang et al. | AdwU-Net: adaptive depth and width U-Net for medical image segmentation by differentiable neural architecture search | |
CN113780483B (zh) | 结节超声分类数据处理方法及数据处理系统 | |
CN115719615A (zh) | 基于多任务和多示例学习联合的多基因突变预测方法 | |
CN116469561A (zh) | 一种基于深度学习的乳腺癌生存预测方法 | |
Hou et al. | Hybrid graph convolutional network with online masked autoencoder for robust multimodal cancer survival prediction | |
Fu et al. | Fusion of 3D lung CT and serum biomarkers for diagnosis of multiple pathological types on pulmonary nodules | |
Kumari et al. | A magnification-independent method for breast cancer classification using transfer learning | |
CN116825363B (zh) | 基于融合深度学习网络的早期肺腺癌病理类型预测系统 | |
Rafael-Palou et al. | Detection, growth quantification, and malignancy prediction of pulmonary nodules using deep convolutional networks in follow-up CT scans | |
CN115761358A (zh) | 一种基于残差胶囊网络对心肌纤维化进行分类的方法 | |
CN114708347A (zh) | 一种基于自适应选择的双源域异构迁移学习的肺结节ct图像分类方法 | |
CN112086174B (zh) | 一种三维知识诊断模型构建方法和系统 | |
CN113889235A (zh) | 一种三维医学影像无监督特征抽取系统 | |
Burugupalli | Image classification using transfer learning and convolution neural networks | |
CN112233106A (zh) | 一种基于残差胶囊网络的甲状腺癌超声影像分析方法 | |
Sheethal et al. | Diagnosis of Pneumonia utilizing X-rays and other Image Processing techniques based on Containers and Deep Learning |
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 |