CN111598859A - 一种基于ct影像组学的胸部淋巴结标准摄取值的检测方法 - Google Patents
一种基于ct影像组学的胸部淋巴结标准摄取值的检测方法 Download PDFInfo
- Publication number
- CN111598859A CN111598859A CN202010401186.7A CN202010401186A CN111598859A CN 111598859 A CN111598859 A CN 111598859A CN 202010401186 A CN202010401186 A CN 202010401186A CN 111598859 A CN111598859 A CN 111598859A
- Authority
- CN
- China
- Prior art keywords
- image
- region
- value
- standard uptake
- lymph node
- 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
- 210000001165 lymph node Anatomy 0.000 title claims abstract description 37
- 238000002591 computed tomography Methods 0.000 title claims abstract description 23
- 238000001514 detection method Methods 0.000 title claims abstract description 10
- 238000004364 calculation method Methods 0.000 claims abstract description 11
- 230000003211 malignant effect Effects 0.000 claims abstract description 7
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000000034 method Methods 0.000 claims description 19
- 238000010219 correlation analysis Methods 0.000 claims description 10
- 238000013170 computed tomography imaging Methods 0.000 claims description 9
- 238000003709 image segmentation Methods 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 3
- 238000000605 extraction Methods 0.000 abstract description 7
- 238000003384 imaging method Methods 0.000 abstract description 3
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 9
- 201000005202 lung cancer Diseases 0.000 description 9
- 208000020816 lung neoplasm Diseases 0.000 description 9
- 208000007433 Lymphatic Metastasis Diseases 0.000 description 6
- 210000000038 chest Anatomy 0.000 description 6
- 201000011510 cancer Diseases 0.000 description 4
- 230000000875 corresponding effect Effects 0.000 description 4
- 239000012216 imaging agent Substances 0.000 description 4
- 210000000481 breast Anatomy 0.000 description 3
- 230000002596 correlated effect Effects 0.000 description 3
- 230000034994 death Effects 0.000 description 3
- 231100000517 death Toxicity 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000001574 biopsy Methods 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 210000005015 mediastinal lymph node Anatomy 0.000 description 2
- 230000002503 metabolic effect Effects 0.000 description 2
- 230000004060 metabolic process Effects 0.000 description 2
- AOYNUTHNTBLRMT-SLPGGIOYSA-N 2-deoxy-2-fluoro-aldehydo-D-glucose Chemical compound OC[C@@H](O)[C@@H](O)[C@H](O)[C@@H](F)C=O AOYNUTHNTBLRMT-SLPGGIOYSA-N 0.000 description 1
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000000740 bleeding effect Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000008103 glucose Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 210000001370 mediastinum Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 201000003144 pneumothorax Diseases 0.000 description 1
- 230000002685 pulmonary effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000002285 radioactive effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 210000004881 tumor cell Anatomy 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
- G06F17/147—Discrete orthonormal transforms, e.g. discrete cosine transform, discrete sine transform, and variations therefrom, e.g. modified discrete cosine transform, integer transforms approximating the discrete cosine transform
-
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10104—Positron emission tomography [PET]
-
- 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
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Medical Informatics (AREA)
- Discrete Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Radiology & Medical Imaging (AREA)
- Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Algebra (AREA)
- Quality & Reliability (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明提供的基于CT影像组学的胸部淋巴结标准摄取值的检测方法，包括：步骤一、获取患者的PET‑CT检查图像，并在PET‑CT检查图像中的CT图像上勾画出淋巴结感兴趣区域；步骤二、对所述感兴趣区域进行影像组学特征提取，包括边缘特征和区域特征；步骤三、将所述边缘特征和区域特征进行预处理，步骤四、将所述具有相关性的特征值进行加权处理，并线性加和得到影像组学标签，用于预测标准摄取值，从而用于淋巴结良恶性的预测。本发明基于CT影像组学的胸部淋巴结标准摄取值的检测方法通过手动勾画淋巴结感兴趣区域，并对感兴趣区域进行特征提取，通过相关性分析筛选与标准摄取值高度相关的特征后，通过线性加权计算得到影像组学标签用于标准摄取值的预测。
Description
技术领域
本发明涉及医学影像的处理分析领域，尤其涉及一种基于影像组学的胸部淋巴结标准摄取值的检测方法。
背景技术
肺癌是一种发病率不断上升的恶性肿瘤,在发展中国家的上升趋势明显。在中国，肺癌在恶性肿瘤中的发病率和死亡率居首位，统计结果显示在我国2013年肺癌患者死亡约53.07万人，肺癌新发病例数可达73.28万人，其新发病数量及死亡数量在全国所有恶性肿瘤中所占的比例为19.90％、26.20％，均跃居恶性肿瘤的首位。目前，临床中70％～80％的肺癌患者临床就诊时都属于中晚期，淋巴结转移的发生率高，淋巴结转移的位置和数量对治疗方案的决策起着决定性作用。
计算机断层扫描(Computed Tomography，CT)是目前肺癌最常用的检查方法，诊断淋巴结转移主要依据为宏观结构(形态、大小、密度等)的变化，但该检查方法的灵敏度和特异度较低。在临床工作中，CT检查怀疑病人发生纵隔淋巴结转移时，为进一步确诊淋巴结转移，仍需要进行纵隔镜穿刺活检，但由于纵隔镜穿刺活检为有创检查，有造成气胸、出血的风险，且该方法的阳性率低，操作时并不是所有纵隔淋巴结的位置纵隔镜都能到达，所以目前临床已经不常规推荐使用该方法。
正电子发射型计算机断层显像(Positron Emission Computed Tomography，PET/CT)检查被认为是无创评估纵隔和肺门淋巴结最佳的影像学方法，虽然费用较高，但对于怀疑纵隔淋巴结转移或远处转移的病人，临床将推荐病人进行PET/CT检查，从而进一步评估患者的临床分期。PET/CT检查是一种代谢成像，能提供病灶详尽的功能与代谢等分子信息，由于肿瘤细胞代谢活跃，对葡萄糖的需求增加，从而摄取显像剂(18F-FDG：氟代脱氧葡萄糖，为肺癌常用显像剂)的能力为正常细胞的2-10倍，形成图像上明显的“光点”，这种代谢的变化往往发生宏观上解剖结构变化之前，从而能够早期发现隐匿的微小病灶(大于5mm)。这些光点可被量化为具体的数值--SUVmax，表示PET在扫描时的最大标准摄取值，病灶放射性摄取值的定量指标，等于单位体积病变组织显像剂活度与显像剂注射剂量的比值。18F作为一种放射性元素，不可避免会为人体带来辐射的伤害。然而PET/CT做为一种高端的检查手段，大大增加了医疗的成本和病人的负担。
近年来，随着人工智能的不断发展，医学影像图像被作为分析的焦点，通过相应矩阵、数学公式等将图像信息量化为数字信息，从而探索到了肉眼未能发现的规律。
发明内容
本发明提供的基于影像组学的胸部淋巴结标准摄取值的检测方法通过手动勾画淋巴结感兴趣区域，并对感兴趣区域进行特征提取，并通过相关性分析计算得到与标准摄取值具有相关性的特征值，后经过加权线性组合得到影像组学标签，用于淋巴结良恶性的预测。
一种基于CT影像组学的胸部淋巴结标准摄取值的检测方法，包括：
步骤一、获取患者的PET-CT检查图像，并在所述的PET-CT检查图像中的CT图像上勾画出淋巴结感兴趣区域；
步骤二、对所述感兴趣区域进行特征提取，获取感兴趣区域对应的边缘特征和区域特征；
步骤三、将所述边缘特征和区域特征进行预处理，并将每个ROI的影像组学特征与标准摄取值匹配，通过相关性分析得到与标准摄取值相关的影像组学特征值；
步骤四、将所述与标准摄取值相关的影像组学特征值进行加权处理，得到对应的影像组学标签，用于预测标准摄取值，从而用于淋巴结良恶性的预测。
优选的是，所述感兴趣区域包括纵隔及肺门淋巴结。
优选的是，所述步骤二中的边缘特征包括：离散余弦变换的子系数独立的不变矩参数构成的边缘特征参数和离散余弦变换的子系数独立的不变矩参数构成的边缘特征参数。
优选的是，所述区域特征包括：区域强度、区域形状、区域大小和区域纹理。
优选的是，所述离散余弦变换的子系数计算公式为：
C(k)＝|F(k)|/F(1)；
其中，C(k)为离散余弦变换的子系数，
k为离散子系数的个数，k＝1,2…8；F(k)＝X(k)+jY(k)；
j为复平面的虚部n＝1,2,3…N-1；n为图像分割后进行边缘提取所获得的闭合边缘曲线的特征点变量，N为图像分割后进行边缘提取所获得的闭合边缘曲线的特征点个数，f(m)＝x(m)+jy(m)；1≤m≤n，f(m)为一维复序列。
优选的是，所述独立的不变矩参数计算公式为：
其中，
为所在区域的中心点坐标，μpq为图像所在区域的中心矩
m00为图像所在区域的零阶几何矩，m01、m10为图像所在区域的一阶几何矩，mpq为所在区域的p+q阶几何矩，p为图像中心矩的行阶次，q为图像中心矩的列阶次。
优选的是，所述步骤三中的边缘特征和区域特征预处理过程为：剔除全部为0或者1的特征，并将异常值用中位值代替。
优选的是，所述步骤三中的具有相关性的特征值计算公式为：
其中，Covi为第i个相关性分析值，i＝1,2…n；Si为第i个图像特征的特征标定值，
为第i个图像特征的特征标准值。
优选的是，所述标准摄取值的预测值为：
Rad_Score＝f1Feature1+f2Feature2+…fiFeaturei+…fnFeaturen；
其中，Rad_Score为影像组学标签，用于预测标准摄取值，fi为加权系数，Featurei为第i个与标准摄取值具有相关性的特征值大小，i＝1,2…n，
λ(i)＝i2+2i-1；
本发明的有益效果
本发明提供的基于影像组学的胸部淋巴结标准摄取值的检测方法通过手动够画感兴趣区域，并对感兴趣区域进行特征提取，通过相关性分析计算得到与标准摄取值具有相关性的特征值，通过加权之后的线性加和得到影像组学标签，用于标准摄取值的预测，从而用于淋巴结良恶性的预测。
附图说明
图1为本发明所述的基于CT影像组学的胸部淋巴结标准摄取值的检测方法的流程图。
具体实施方式
下面结合附图对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。
本发明提供的基于影像组学的胸部淋巴结标准摄取值的检测方法，包括：
步骤S110、获取患者的PET-CT检查图像，并在PET-CT检查的CT图像上勾画感兴趣区域；其中，感兴趣区域由医生手动勾画，为PET-CT检查图像中的纵隔及肺门淋巴结所在区域。
步骤S120、对感兴趣区域进行特征提取，获取感兴趣区域内对应的边缘特征和区域特征；其中，边缘特征包括：离散余弦变换的子系数独立的不变矩参数构成的边缘特征参数和离散余弦变换的子系数独立的不变矩参数构成的边缘特征参数。
离散余弦变换的子系数计算公式为：
C(k)＝|F(k)|/F(1)；
其中，C(k)为离散余弦变换的子系数，
k为离散子系数的个数，k＝1,2…8；F(k)＝X(k)+jY(k)；
j为复平面的虚部n＝1,2,3…N-1；n为图像分割后进行边缘提取所获得的闭合边缘曲线的特征点变量，N为图像分割后进行边缘提取所获得的闭合边缘曲线的特征点个数，f(m)＝x(m)+jy(m)；1≤m≤n，f(m)为一维复序列。
独立的不变矩参数计算公式为：
其中，
为所在区域的中心点坐标，μpq为图像所在区域的中心矩
m00为图像所在区域的零阶几何矩，m01、m10为图像所在区域的一阶几何矩，mpq为所在区域的p+q阶几何矩，p为图像中心矩的行阶次，q为图像中心矩的列阶次。
区域特征为区域描述特征参数，其包括：区域强度、区域形状、区域大小和区域纹理
步骤S130、将边缘特征和区域特征进行预处理，并将每个ROI的影像组学特征与标准摄取值匹配，再将每个图像特征与标准摄取值进行相关性分析，得到与标准摄取值相关的相关性特征值；
边缘特征和区域特征预处理过程为：剔除值相同的特征，并将异常值用均值代替。
相关性分析值计算公式为：
其中，Covi为第i个图像特征的相关性分析值，i＝1,2…n；Si为第i个图像特征的特征标定值，
为第i个图像特征的特征标准值
步骤S140、将所述相关性特征值进行加权处理，得到影像组学标签，用于预测标准摄取值，从而用于淋巴结良恶性的预测。
标准摄取值的预测值为：Rad_Score＝f1Feature1+f2Feature2+…fiFeaturei+…fnFeaturen；
其中，Rad_Score为影像组学标签，用于预测标准摄取值，fi为加权系数，Featurei为第i个与标准摄取值具有相关性的特征值大小，i＝1,2…n，
λ(i)＝i2+2i-1；
得到标准摄取值得预测值之后，可以根据预测值对胸部淋巴结进行预测，作为一种优选预测过程为：将ROI按SUVmax的大小进行分组，分为大于等于2.5组(阳性组)及小于2.5组(阳性组)，通过该分组寻找SUVmax预测值的阈值，按该阈值将ROI的分为阳性预测组及阴性预测组，再进行受试者工作特征曲线分析。
本发明提供的基于影像组学的胸部淋巴结标准摄取值的检测方法通过手动勾画感兴趣区域，并对感兴趣区域进行特征提取，通过相关性分析计算得到与标准摄取值具有相关性的特征值，并将所得特征进行加权线性联合得到影像组学标签，用于预测标准摄取值，从而用于淋巴结良恶性的预测。
尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的图例。
Claims (9)
1.一种基于CT影像组学的胸部淋巴结标准摄取值的检测方法，其特征在于，包括：
步骤一、获取患者的PET-CT检查图像，并在所述的PET-CT检查图像中的CT图像上勾画出淋巴结感兴趣区域；
步骤二、对所述感兴趣区域进行特征提取，获取感兴趣区域对应的边缘特征和区域特征；
步骤三、将所述边缘特征和区域特征进行预处理，并将每个ROI的影像组学特征与标准摄取值匹配，通过相关性分析得到与标准摄取值相关的影像组学特征值；
步骤四、将所述与标准摄取值相关的影像组学特征值进行加权处理，得到对应的影像组学标签，用于预测标准摄取值，从而用于淋巴结良恶性的预测。
2.根据权利要求1所述的基于CT影像组学的胸部淋巴结标准摄取值的检测方法，其特征在于，所述感兴趣区域包括纵隔及肺门淋巴结。
3.根据权利要求2所述的基于CT影像组学的胸部淋巴结标准摄取值的检测方法，其特征在于，所述步骤二中的边缘特征包括：离散余弦变换的子系数独立的不变矩参数构成的边缘特征参数和离散余弦变换的子系数独立的不变矩参数构成的边缘特征参数。
4.根据权利要求3所述的基于CT影像组学的胸部淋巴结标准摄取值的检测方法，其特征在于，所述区域特征包括：区域强度、区域形状、区域大小和区域纹理。
5.根据权利要求3所述的基于CT影像组学的胸部淋巴结标准摄取值的检测方法，其特征在于，所述离散余弦变换的子系数计算公式为：
C(k)＝|F(k)|/F(1)；
其中，C(k)为离散余弦变换的子系数，
k为离散子系数的个数，k＝1,2…8；F(k)＝X(k)+jY(k)；
j为复平面的虚部n＝1,2,3…N-1；n为图像分割后进行边缘提取所获得的闭合边缘曲线的特征点变量，N为图像分割后进行边缘提取所获得的闭合边缘曲线的特征点个数，f(m)＝x(m)+jy(m)；1≤m≤n，f(m)为一维复序列。
6.根据权利要求3所述的基于CT影像组学的胸部淋巴结标准摄取值的检测方法，其特征在于，所述独立的不变矩参数计算公式为：
其中，
为所在区域的中心点坐标，μpq为图像所在区域的中心矩
m00为图像所在区域的零阶几何矩，m01、m10为图像所在区域的一阶几何矩，mpq为所在区域的p+q阶几何矩，p为图像中心矩的行阶次，q为图像中心矩的列阶次。
7.根据权利要求1所述的基于CT影像组学的胸部淋巴结标准摄取值的检测方法，其特征在于，所述步骤三中的边缘特征和区域特征预处理过程为：剔除全部为0或者1的特征，并将异常值用中位值代替。
8.根据权利要求7所述的基于CT影像组学的胸部淋巴结标准摄取值的检测方法，其特征在于，所述步骤三中的具有相关性的特征值计算公式为：
其中，Covi为第i个相关性分析值，i＝1,2…n；Si为第i个图像特征的特征标定值，
为第i个图像特征的特征标准值。
9.根据权利要求8所述的基于CT影像组学的胸部淋巴结标准摄取值的检测方法，其特征在于，所述标准摄取值的预测值为：
Rad_Score＝f1Feature1+f2Feature2+…fiFeaturei+…fnFeaturen；
其中，Rad_Score为影像组学标签，用于预测标准摄取值，fi为加权系数，Featurei为第i个与标准摄取值具有相关性的特征值大小，i＝1,2…n，
λ(i)＝i2+2i-1；
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010401186.7A CN111598859A (zh) | 2020-05-13 | 2020-05-13 | 一种基于ct影像组学的胸部淋巴结标准摄取值的检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010401186.7A CN111598859A (zh) | 2020-05-13 | 2020-05-13 | 一种基于ct影像组学的胸部淋巴结标准摄取值的检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111598859A true CN111598859A (zh) | 2020-08-28 |
Family
ID=72191273
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010401186.7A Pending CN111598859A (zh) | 2020-05-13 | 2020-05-13 | 一种基于ct影像组学的胸部淋巴结标准摄取值的检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111598859A (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007307125A (ja) * | 2006-05-18 | 2007-11-29 | Shimadzu Corp | 画像診断装置 |
| CN101669828A (zh) * | 2009-09-24 | 2010-03-17 | 复旦大学 | 基于pet/ct图像纹理特征的肺部恶性肿瘤与良性结节检测系统 |
| CN108776962A (zh) * | 2018-04-11 | 2018-11-09 | 浙江师范大学 | 一种构建肺肿瘤良恶性预测模型的方法 |
| CN110472629A (zh) * | 2019-08-14 | 2019-11-19 | 青岛大学附属医院 | 一种基于深度学习的病理图像自动识别系统及其训练方法 |
-
2020
- 2020-05-13 CN CN202010401186.7A patent/CN111598859A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007307125A (ja) * | 2006-05-18 | 2007-11-29 | Shimadzu Corp | 画像診断装置 |
| CN101669828A (zh) * | 2009-09-24 | 2010-03-17 | 复旦大学 | 基于pet/ct图像纹理特征的肺部恶性肿瘤与良性结节检测系统 |
| CN108776962A (zh) * | 2018-04-11 | 2018-11-09 | 浙江师范大学 | 一种构建肺肿瘤良恶性预测模型的方法 |
| CN110472629A (zh) * | 2019-08-14 | 2019-11-19 | 青岛大学附属医院 | 一种基于深度学习的病理图像自动识别系统及其训练方法 |
Non-Patent Citations (3)
| Title |
|---|
| HIRAM SHAISH等: "Prediction of Lymph Node Maximum Standardized Uptake Value in Patients With Cancer Using a 3D Convolutional Neural Network: A Proof-of-Concept Study" * |
| 张晓辉等: "关于影像组学和肺癌自身抗体应用于肺癌诊断及预后的研究进展" * |
| 魏晗: "红外图像中车辆目标识别方法研究" * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Shamshad et al. | Transformers in medical imaging: A survey | |
| US20210401392A1 (en) | Deep convolutional neural networks for tumor segmentation with positron emission tomography | |
| Kuo et al. | Computer-aided diagnosis of breast tumors with different US systems | |
| US20100111392A1 (en) | System and method for automatically classifying regions-of-interest | |
| Antonelli et al. | Segmentation and reconstruction of the lung volume in CT images | |
| Pandey et al. | A systematic review of the automatic kidney segmentation methods in abdominal images | |
| CN112767407A (zh) | 一种基于级联门控3DUnet模型的CT图像肾脏肿瘤分割方法 | |
| CN115937130A (zh) | 基于双能CT预测卵巢癌Ki-67表达的图像处理方法 | |
| Shim et al. | Fully automated breast segmentation on spiral breast computed tomography images | |
| Wang et al. | S2FLNet: Hepatic steatosis detection network with body shape | |
| Benrabha et al. | Automatic ROI detection and classification of the achilles tendon ultrasound images | |
| CN111598859A (zh) | 一种基于ct影像组学的胸部淋巴结标准摄取值的检测方法 | |
| CN103886580A (zh) | 肿瘤图像处理方法 | |
| Kanakatte et al. | A pilot study of automatic lung tumor segmentation from positron emission tomography images using standard uptake values | |
| Sahoo et al. | Hybrid deep neural network with clustering algorithms for effective gliomas segmentation | |
| Yao et al. | Computer aided detection of lytic bone metastases in the spine using routine CT images | |
| Al-Hegami et al. | A particle swarm based approach for classification of cancer based on CT scan | |
| Nguyen et al. | Breast Image Segmentation for evaluation of Cancer Disease | |
| CN112884759B (zh) | 一种乳腺癌腋窝淋巴结转移状态的检测方法及相关装置 | |
| Loizidou et al. | Breast mass detection and classification algorithm based on temporal subtraction of sequential mammograms | |
| Biserinska | YOLO Models for Automatic Lung Nodules Detection from CT Scans | |
| Liang | medical imaging modeling | |
| Liu et al. | Improving Automatic Segmentation of lymphoma with Additional Medical Knowledge Priors | |
| Padmanabhan et al. | Texture and statistical analysis of mammograms: A novel method to detect tumor in Breast Cells | |
| Wang et al. | Liver Fat Quantification Network with Body Shape |
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: 20200828 |