CN111739033A - 基于机器学习的乳腺钼靶及mr图像影像组学模型的建立方法 - Google Patents
基于机器学习的乳腺钼靶及mr图像影像组学模型的建立方法 Download PDFInfo
- Publication number
- CN111739033A CN111739033A CN202010577410.8A CN202010577410A CN111739033A CN 111739033 A CN111739033 A CN 111739033A CN 202010577410 A CN202010577410 A CN 202010577410A CN 111739033 A CN111739033 A CN 111739033A
- Authority
- CN
- China
- Prior art keywords
- image
- establishing
- machine learning
- model
- molybdenum target
- 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
Classifications
-
- 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
- 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
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- 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
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- 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
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- 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
- G06T2207/20092—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
- G06T2207/30068—Mammography; Breast
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Public Health (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Software Systems (AREA)
- Primary Health Care (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Epidemiology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Pathology (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于机器学习的乳腺钼靶及MR图像影像组学模型的建立方法,包括(1)乳腺钼靶和MR图像收集、(2)建立基于机器学习的乳腺钼靶和MR图像分割算法、(3)建立乳腺钼靶和MR图像的影像组学分析方法和风险预测模型。步骤(2)是先完成1000例乳腺钼靶和MR图像病灶区域及其他感兴趣区域的手动勾画,利用该组数据,建立训练样本和验证样本;用机器学习算法进行肿瘤区域和非肿瘤区域的特征参数筛选和组织分类算法的筛选;使用筛选出的特征参数及组织分类算法,通过机器学习建立分类器预测模型,完成对病灶区域或感兴趣区域内的像素/体素与背景像素/体素的分类区分,从而实现对图像的分割。
Description
技术领域
本发明涉及基于机器学习的乳腺钼靶及MR图像影像组学模型的建立方法。
背景技术
在全球范围内,乳腺癌是女性最常见、死亡率最高的恶性肿瘤,2018年约有210万乳腺癌新发病例,占女性新发恶性肿瘤的四分之一,约有63万死亡病例。在我国,乳腺癌同样是女性最常见的恶性肿瘤,近年来,我国乳腺癌发病和死亡人数均有逐步上升的趋势,2015年约有30.4万乳腺癌新发病例,占女性新发恶性肿瘤的六分之一,约有7万人死于乳腺癌,死亡率居女性恶性肿瘤第五位。
钼靶、MRI是乳腺疾病最常用的影像检查手段,钼靶是最常用的乳腺癌筛查方法,已被证实可以通过年度筛查显著降低适龄无症状女性乳腺癌的死亡率,钼靶的优势主要在于对钙化灶的显示,尤其是微小钙化灶,但存在以下不足:假阴性率高,文献报道为8%~66%;对致密型乳腺的病灶显示欠佳,易漏诊;非肿块型的乳腺癌易漏诊;小病灶及多发病灶易漏诊;不能精确显示病灶大小;单独行钼靶检查可能不足以筛查乳腺癌高风险女性,需要联合超声、MRI检查。MRI作为敏感性最高的乳腺影像检查方法,安全、无辐射、空间分辨率高、能进行多参数成像,对小病灶及多发病灶的定性诊断能力最佳,能精确显示病灶大小、范围,已成为保乳手术术前的常规检查方法。
影像科医生对乳腺钼靶、MRI病灶良恶性的判断主观性较强,而且MRI图像数量多,诊断过程费时费力,并且诊断结果的准确性不高。
本发明的目标是向中国妇女提供免费的乳腺癌发病风险、预防和治疗方面的信息教育和知识咨询,以先进的人工智能技术开展基于大数据的中国妇女乳腺癌方面的深度医疗数据挖掘,有针对性地将有价值的知识有偿提供给业务客户。
发明内容
本发明要解决的技术问题是提供一种基于机器学习的乳腺钼靶及MR图像影像组学模型的建立方法。
本发明的基于机器学习的乳腺钼靶及MR图像影像组学模型的建立方法,包括如下步骤:
(1)乳腺钼靶和MR图像收集
采用影像工作站从医学图像存储及传输系统(PACS)存储服务器调阅影像,乳腺钼靶和MR图像,格式均为DICOM图像格式,图像均为数字图像;在图像正式处理之前进行预处理,去除干扰结果的噪声和杂质等;
(2)建立基于机器学习的乳腺钼靶和MR图像分割算法
首先由经验丰富的影像科医生完成1000例乳腺钼靶和MR图像病灶区域及其他感兴趣区域(从正常结构中提取出的可疑的病变部位)的手动勾画,利用该组数据,建立训练样本和验证样本;用人工神经网络(ANNs),贝叶斯网络(BNs),支持向量机(SVM)和决策树(DTs)等机器学习算法进行肿瘤区域和非肿瘤区域的特征参数筛选和组织分类算法的筛选;使用筛选出的特征参数及组织分类算法,通过机器学习建立分类器预测模型,完成对病灶区域或感兴趣区域内的像素/体素与背景像素/体素的分类区分,从而实现对图像的分割。用其余1000例乳腺钼靶和MR图像上手动勾画的靶区作为验证集,以测试自动化分割算法的准确性并以此进一步优化分割算法。
(3)建立乳腺钼靶和MR图像的影像组学分析方法和风险预测模型
进行乳腺钼靶和MR图像的特征提取,提取特征后,使用到机器学习方法对放射组学特征进行筛选及降维,使用机器学习方法进行预后预测;将训练集(trainG)及验证集(testG)以4:1随机划分;以训练集建立模型,以验证集进行模型验证、评价。
使用spss或R软等统计软件进行数据统计、分析、绘图,分析影像组学参数对发病风险的影响。建立logistic回归模型及可视化nomogram图、COX回归模型及可视化nomogram图将风险预测模型的结果进行可视化呈现。运用内部校验集和外部校验集对所得到的预后模型进行验证,并分别在内部校验集和外部校验集上与实际临床检测到的乳腺癌发病情况相比较,验证所建立的风险评估模型的性能。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚,下面将结合具体实施例进行详细描述。
本发明的基于机器学习的乳腺钼靶及MR图像影像组学模型的建立方法,包括如下步骤:
(1)乳腺钼靶和MR图像收集
采用影像工作站从医学图像存储及传输系统(PACS)存储服务器调阅影像,乳腺钼靶和MR图像,格式均为DICOM图像格式,图像均为数字图像;在图像正式处理之前进行预处理,去除干扰结果的噪声和杂质等;
(2)建立基于机器学习的乳腺钼靶和MR图像分割算法
首先由经验丰富的影像科医生完成1000例乳腺钼靶和MR图像病灶区域及其他感兴趣区域(从正常结构中提取出的可疑的病变部位)的手动勾画,利用该组数据,建立训练样本和验证样本;用人工神经网络(ANNs),贝叶斯网络(BNs),支持向量机(SVM)和决策树(DTs)等机器学习算法进行肿瘤区域和非肿瘤区域的特征参数筛选和组织分类算法的筛选;使用筛选出的特征参数及组织分类算法,通过机器学习建立分类器预测模型,完成对病灶区域或感兴趣区域内的像素/体素与背景像素/体素的分类区分,从而实现对图像的分割。用其余1000例乳腺钼靶和MR图像上手动勾画的靶区作为验证集,以测试自动化分割算法的准确性并以此进一步优化分割算法。
(3)建立乳腺钼靶和MR图像的影像组学分析方法和风险预测模型
进行乳腺钼靶和MR图像的特征提取,提取特征后,使用到机器学习方法对放射组学特征进行筛选及降维,使用机器学习方法进行预后预测;将训练集(trainG)及验证集(testG)以4:1随机划分;以训练集建立模型,以验证集进行模型验证、评价。
使用spss或R软等统计软件进行数据统计、分析、绘图,分析影像组学参数对发病风险的影响。建立logistic回归模型及可视化nomogram图、COX回归模型及可视化nomogram图将风险预测模型的结果进行可视化呈现。运用内部校验集和外部校验集对所得到的预后模型进行验证,并分别在内部校验集和外部校验集上与实际临床检测到的乳腺癌发病情况相比较,验证所建立的风险评估模型的性能。
本发明的预期风险:从前期项目进展看,建立乳腺关爱和提供咨询服务本身并没有太大风险,主要技术风险已基本解决。管理风险主要有两项,分别是核心技术人员的流失与核心技术、知识产权的外流。我国的乳腺癌普查才刚刚起步,潜在需求和市场实际需求间的差距较大,可能面临乳腺癌普查未全面展开,服务需求不足的风险。
规避措施:目前我们的方法是采用迭代开发的模式,尽快收集第一批用户资料,用以辅助优化风险分析引擎的技术开发。后续保持迭代开发的模式开发更高级的产品,并不断拓展市场和病人需要调整优化,保证能够在前中国的医疗诊断流程中细分定位我们的服务和技术。
项目组实行绩效考核制度,将项目的利益与技术骨干的利益紧密联系在一起;同时项目组与掌握项目关键技术及其它重要信息的人员签订竞业禁止协议,以确保知识产权、技术和商业秘密得到有效保护。
随着全民医保和医疗改革的推进,乳腺癌普查有望首先在我国大中城市大面积推广。由于国外产品价格昂贵,其设计主要针对西方女性,不能够实现病灶的良恶性鉴别及远程会诊,其产品的竞争力相对有限。
本发明的主要技术指标
软件产品可以实现如下功能:
1)基于网站或者手机APP的云平台,可以初步提供乳腺癌方面的知识和预测风险服务;
2)建立乳腺医学图像数据大数据库,存储不少于10000例乳腺钼靶和MR图像;
3)可以在乳腺钼靶图像中自动定位分割病灶区域、量化钙化信息并以此计算乳腺癌风险评分;
4)可以在乳腺MR图像中自动定位分割病灶区域、量化病灶信息并以此计算乳腺癌风险评分;
5)基于乳腺钼靶或MR图像的远程诊断与报告。
算法性能指标:
1)乳腺钼靶图像的病灶自动分割准确性达到80%以上;
2)基于乳腺钼靶图像的病人风险预测的性能达到AUC>0.7;
3)乳腺MR图像的病灶自动分割准确性达到80%以上;
4)基于乳腺MR图像的病人风险预测的性能达到AUC>0.7。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明所述原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (4)
1.一种基于机器学习的乳腺钼靶及MR图像影像组学模型的建立方法,其特征在于,包括如下步骤:
(1)乳腺钼靶和MR图像收集
采用影像工作站从医学图像存储及传输系统存储服务器调阅影像,乳腺钼靶和MR图像,格式均为DICOM图像格式,图像均为数字图像;并在图像正式处理之前进行预处理,去除干扰结果的噪声和杂质等;
(2)建立基于机器学习的乳腺钼靶和MR图像分割算法
首先由经验丰富的影像科医生完成1000例乳腺钼靶和MR图像病灶区域及其他感兴趣区域的手动勾画,利用该组数据,建立训练样本和验证样本;用人工神经网络,贝叶斯网络,支持向量机和决策树学习算法进行肿瘤区域和非肿瘤区域的特征参数筛选和组织分类算法的筛选;使用筛选出的特征参数及组织分类算法,通过机器学习建立分类器预测模型,完成对病灶区域或感兴趣区域内的像素/体素与背景像素/体素的分类区分,从而实现对图像的分割;同时用其余1000例乳腺钼靶和MR图像上手动勾画的靶区作为验证集,以测试自动化分割算法的准确性并以此进一步优化分割算法;
(3)建立乳腺钼靶和MR图像的影像组学分析方法和风险预测模型
进行乳腺钼靶和MR图像的特征提取,提取特征后,使用到机器学习方法对放射组学特征进行筛选及降维,使用机器学习方法进行预后预测;将训练集及验证集以4:1随机划分;以训练集建立模型,以验证集进行模型验证、评价。
2.根据权利要求1所述的基于机器学习的乳腺钼靶及MR图像影像组学模型的建立方法,其特征在于,步骤(3)中,还包括使用spss或R软件进行数据统计、分析、绘图,分析影像组学参数对发病风险的影响。
3.根据权利要求2所述的基于机器学习的乳腺钼靶及MR图像影像组学模型的建立方法,其特征在于,步骤(3)中,还包括建立logistic回归模型及可视化nomogram图、COX回归模型及可视化nomogram图将风险预测模型的结果进行可视化呈现。
4.根据权利要求3所述的基于机器学习的乳腺钼靶及MR图像影像组学模型的建立方法,其特征在于,步骤(3)中,还包括运用内部校验集和外部校验集对所得到的预后模型进行验证,并分别在内部校验集和外部校验集上与实际临床检测到的乳腺癌发病情况相比较,验证所建立的风险评估模型的性能。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010577410.8A CN111739033A (zh) | 2020-06-22 | 2020-06-22 | 基于机器学习的乳腺钼靶及mr图像影像组学模型的建立方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010577410.8A CN111739033A (zh) | 2020-06-22 | 2020-06-22 | 基于机器学习的乳腺钼靶及mr图像影像组学模型的建立方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111739033A true CN111739033A (zh) | 2020-10-02 |
Family
ID=72650503
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010577410.8A Pending CN111739033A (zh) | 2020-06-22 | 2020-06-22 | 基于机器学习的乳腺钼靶及mr图像影像组学模型的建立方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111739033A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112348082A (zh) * | 2020-11-06 | 2021-02-09 | 上海依智医疗技术有限公司 | 深度学习模型构建方法、影像处理方法及可读存储介质 |
CN113034436A (zh) * | 2021-02-26 | 2021-06-25 | 中山大学孙逸仙纪念医院 | 基于乳腺mr影像组学的乳腺癌分子分型变化预测装置 |
CN113469229A (zh) * | 2021-06-18 | 2021-10-01 | 中山大学孙逸仙纪念医院 | 一种基于深度学习的乳腺癌病灶自动标注方法及装置 |
CN113592797A (zh) * | 2021-07-21 | 2021-11-02 | 山东大学 | 基于多数据融合及深度学习的乳腺结节风险等级预测系统 |
CN113838020A (zh) * | 2021-09-17 | 2021-12-24 | 上海仰和华健人工智能科技有限公司 | 一种基于钼靶影像的病变区域量化方法 |
CN114511564A (zh) * | 2022-04-19 | 2022-05-17 | 天津市肿瘤医院(天津医科大学肿瘤医院) | 基于dce-mri对乳腺癌残存肿瘤负荷的影像分析方法 |
CN115953781A (zh) * | 2023-03-14 | 2023-04-11 | 武汉昊博科技有限公司 | 基于热层析影像的乳腺人工智能分析系统及方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106203488A (zh) * | 2016-07-01 | 2016-12-07 | 福州大学 | 一种基于受限玻尔兹曼机的乳腺图像特征融合方法 |
CN107886514A (zh) * | 2017-11-22 | 2018-04-06 | 浙江中医药大学 | 基于深度残差网络的乳腺钼靶图像肿块语义分割方法 |
CN108898160A (zh) * | 2018-06-01 | 2018-11-27 | 中国人民解放军战略支援部队信息工程大学 | 基于cnn和影像组学特征融合的乳腺癌组织病理学分级方法 |
CN109858540A (zh) * | 2019-01-24 | 2019-06-07 | 青岛中科智康医疗科技有限公司 | 一种基于多模态融合的医学图像识别系统及方法 |
-
2020
- 2020-06-22 CN CN202010577410.8A patent/CN111739033A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106203488A (zh) * | 2016-07-01 | 2016-12-07 | 福州大学 | 一种基于受限玻尔兹曼机的乳腺图像特征融合方法 |
CN107886514A (zh) * | 2017-11-22 | 2018-04-06 | 浙江中医药大学 | 基于深度残差网络的乳腺钼靶图像肿块语义分割方法 |
CN108898160A (zh) * | 2018-06-01 | 2018-11-27 | 中国人民解放军战略支援部队信息工程大学 | 基于cnn和影像组学特征融合的乳腺癌组织病理学分级方法 |
CN109858540A (zh) * | 2019-01-24 | 2019-06-07 | 青岛中科智康医疗科技有限公司 | 一种基于多模态融合的医学图像识别系统及方法 |
Non-Patent Citations (1)
Title |
---|
王利苹: "软组织瘤转移风险的多模态影像预测研究", 《中国优秀博硕士学位论文全文数据库(硕士)医药卫生科技辑》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112348082A (zh) * | 2020-11-06 | 2021-02-09 | 上海依智医疗技术有限公司 | 深度学习模型构建方法、影像处理方法及可读存储介质 |
CN112348082B (zh) * | 2020-11-06 | 2021-11-09 | 上海依智医疗技术有限公司 | 深度学习模型构建方法、影像处理方法及可读存储介质 |
CN113034436A (zh) * | 2021-02-26 | 2021-06-25 | 中山大学孙逸仙纪念医院 | 基于乳腺mr影像组学的乳腺癌分子分型变化预测装置 |
CN113034436B (zh) * | 2021-02-26 | 2023-07-14 | 中山大学孙逸仙纪念医院 | 基于乳腺mr影像组学的乳腺癌分子分型变化预测装置 |
CN113469229A (zh) * | 2021-06-18 | 2021-10-01 | 中山大学孙逸仙纪念医院 | 一种基于深度学习的乳腺癌病灶自动标注方法及装置 |
CN113592797A (zh) * | 2021-07-21 | 2021-11-02 | 山东大学 | 基于多数据融合及深度学习的乳腺结节风险等级预测系统 |
CN113838020A (zh) * | 2021-09-17 | 2021-12-24 | 上海仰和华健人工智能科技有限公司 | 一种基于钼靶影像的病变区域量化方法 |
CN114511564A (zh) * | 2022-04-19 | 2022-05-17 | 天津市肿瘤医院(天津医科大学肿瘤医院) | 基于dce-mri对乳腺癌残存肿瘤负荷的影像分析方法 |
CN115953781A (zh) * | 2023-03-14 | 2023-04-11 | 武汉昊博科技有限公司 | 基于热层析影像的乳腺人工智能分析系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111739033A (zh) | 基于机器学习的乳腺钼靶及mr图像影像组学模型的建立方法 | |
Orlando et al. | An ensemble deep learning based approach for red lesion detection in fundus images | |
Zebari et al. | Improved threshold based and trainable fully automated segmentation for breast cancer boundary and pectoral muscle in mammogram images | |
Juneja et al. | Automated detection of Glaucoma using deep learning convolution network (G-net) | |
US11562820B2 (en) | Computer classification of biological tissue | |
Loizidou et al. | An automated breast micro-calcification detection and classification technique using temporal subtraction of mammograms | |
Mencattini et al. | Metrological characterization of a CADx system for the classification of breast masses in mammograms | |
WO2013175683A1 (ja) | 病理診断結果判定システム、病理診断結果判定方法および病理診断結果判定装置 | |
US20120257804A1 (en) | Communicative cad system for assisting breast imaging diagnosis | |
US20090274349A1 (en) | Method for processing biomedical images | |
JP2021527472A (ja) | 第2のリーダー示唆 | |
Li et al. | Automated analysis of diabetic retinopathy images: principles, recent developments, and emerging trends | |
US20180053297A1 (en) | Methods and Apparatuses for Detection of Abnormalities in Low-Contrast Images | |
Ortiz-Rodriguez et al. | Breast cancer detection by means of artificial neural networks | |
Carvalho et al. | Method of differentiation of benign and malignant masses in digital mammograms using texture analysis based on phylogenetic diversity | |
Jubeen et al. | An automatic breast cancer diagnostic system based on mammographic images using convolutional neural network classifier | |
Sreng et al. | Cotton wool spots detection in diabetic retinopathy based on adaptive thresholding and ant colony optimization coupling support vector machine | |
Orlando et al. | Learning to detect red lesions in fundus photographs: An ensemble approach based on deep learning | |
Mansour et al. | Can artificial intelligence replace ultrasound as a complementary tool to mammogram for the diagnosis of the breast cancer? | |
Oliver et al. | Influence of using manual or automatic breast density information in a mass detection cad system | |
Duarte et al. | Segmenting mammographic microcalcifications using a semi-automatic procedure based on Otsu's method and morphological filters | |
Wang et al. | Self-supervised learning mechanism for identification of eyelid malignant melanoma in pathologic slides with limited annotation | |
Ding et al. | A novel wavelet-transform-based convolution classification network for cervical lymph node metastasis of papillary thyroid carcinoma in ultrasound images | |
WO2022153100A1 (en) | A method for detecting breast cancer using artificial neural network | |
Munasinghe et al. | Yuwathi: early detection of breast cancer and classification of mammography images using machine 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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20201002 |