CN111915596A - 一种肺结节良恶性预测方法及装置 - Google Patents
一种肺结节良恶性预测方法及装置 Download PDFInfo
- Publication number
- CN111915596A CN111915596A CN202010787722.1A CN202010787722A CN111915596A CN 111915596 A CN111915596 A CN 111915596A CN 202010787722 A CN202010787722 A CN 202010787722A CN 111915596 A CN111915596 A CN 111915596A
- Authority
- CN
- China
- Prior art keywords
- image
- layer
- patient
- malignant
- clinical
- 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
- 230000003211 malignant effect Effects 0.000 title claims abstract description 75
- 238000000034 method Methods 0.000 title claims abstract description 48
- 230000002685 pulmonary effect Effects 0.000 title claims abstract description 25
- 206010056342 Pulmonary mass Diseases 0.000 claims abstract description 82
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 42
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 31
- 239000013598 vector Substances 0.000 claims abstract description 31
- 238000013135 deep learning Methods 0.000 claims abstract description 18
- 230000001575 pathological effect Effects 0.000 claims abstract description 17
- 238000012216 screening Methods 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims description 30
- 239000011159 matrix material Substances 0.000 claims description 24
- 206010028980 Neoplasm Diseases 0.000 claims description 17
- 238000000605 extraction Methods 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000007477 logistic regression Methods 0.000 claims description 8
- 238000007637 random forest analysis Methods 0.000 claims description 8
- 238000012706 support-vector machine Methods 0.000 claims description 8
- 238000003066 decision tree Methods 0.000 claims description 7
- 230000000877 morphologic effect Effects 0.000 claims description 7
- 238000000491 multivariate analysis Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 7
- 238000007473 univariate analysis Methods 0.000 claims description 7
- 238000012952 Resampling Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000003384 imaging method Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 4
- 230000010354 integration Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 10
- 238000003759 clinical diagnosis Methods 0.000 description 7
- 238000004590 computer program Methods 0.000 description 7
- 238000011156 evaluation Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000003745 diagnosis Methods 0.000 description 4
- 201000010099 disease Diseases 0.000 description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 210000004072 lung Anatomy 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 230000002441 reversible effect Effects 0.000 description 4
- 238000001228 spectrum Methods 0.000 description 4
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 3
- 201000005202 lung cancer Diseases 0.000 description 3
- 208000020816 lung neoplasm Diseases 0.000 description 3
- 102000012406 Carcinoembryonic Antigen Human genes 0.000 description 2
- 108010022366 Carcinoembryonic Antigen Proteins 0.000 description 2
- 201000011510 cancer Diseases 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 238000010187 selection method Methods 0.000 description 2
- 230000004083 survival effect Effects 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 208000037841 lung tumor Diseases 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 210000002966 serum Anatomy 0.000 description 1
- 230000000391 smoking effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method 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
- G06N3/02—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
- 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
-
- 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 Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (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)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种肺结节良恶性预测方法及装置,其中方法包括:获取胸部平扫薄层CT图像,并逐层对CT图像中的肺结节进行感兴趣区域勾画,获取患者临床信息和患者病理信息;基于PyRadiomics工具包提取感兴趣区域内肺结节的影像组学特征;利用多种特征选择算法对影像组学特征进行筛选;利用CT图像训练深度卷积神经网络模型,获取深度学习特征,结合患者临床信息组成多维临床特征向量,将深度学习特征、临床特征、影像组学特征进行拼接,得到多模态特征向量;基于多模态特征向量,利用多种分类器算法建立肺结节良恶性预测模型,利用患者病理信息对预测结果进行分析,得到最佳肺结节良恶性预测模型对肺结节进行良恶性预测。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种肺结节良恶性预测方法及装置。
背景技术
肺癌是危害人类健康的主要癌症,具有高发病率,低生存率的特点,肺癌的早期诊断对于提高病人生存率尤为重要。肺结节作为肺内的微小病变,与肺部肿瘤的形成关系密切,因此,肺结节的良恶性判断对肺癌的早期筛查起到至关重要的作用。
近年来,影像组学被广泛应用在许多癌症研究的领域中。影像组学是指利用计算机从放射影像中高通量地提取大量的隐含的影像特征,应用大量的自动化数据特征化算法将兴趣区的影像数据转化为具有高分辨率的可发掘的特征空间数据,然后筛选最有价值的影像组学特征来解析临床、病理、分子和基因遗传等表型特征,提高对疾病的诊断效能、疗效评价和预后预测。
目前大部分肺结节良恶性自动判断方法都是基于CT影像特征,这些特征既有基于人工设计的影像组学特征,也有通过深度学习模型提取的高维影像特征。然而,在临床上,只通过影像特征去判断肺结节的良恶性往往是不充分的,还要结合更多的提示疾病性质的预测因子,如患者临床信息、癌胚抗原(CEA)等血清肿瘤标记物、吸烟史、肿瘤家族史、既往恶性肿瘤病史、PET-CT的标准摄取值(SUV)等。
因此,依赖CT影像特征的肺结节良恶性判断方法中,基于影像组学的方法往往具有准确率不高,预测效果不好等缺点;而基于深度学习的方法预测准确率较高,但是模型缺乏可解释性。另外,由于这些方法单纯依赖CT影像特征,对于一些直径比较小的结节往往难以判断其良恶性。
发明内容
本发明旨在提供一种克服上述问题或者至少部分地解决上述问题的肺结节良恶性预测方法及装置。
为达到上述目的,本发明的技术方案具体是这样实现的:
本发明的一个方面提供了一种肺结节良恶性预测方法,包括:获取胸部平扫薄层CT图像,并逐层对CT图像中的肺结节进行感兴趣区域勾画,获取患者临床信息和患者病理信息;基于PyRadiomics工具包提取感兴趣区域内肺结节的影像组学特征;利用多种特征选择算法对影像组学特征进行筛选;利用CT图像训练深度卷积神经网络模型,获取深度卷积神经网络模型全连接层的特征和深度卷积神经网络模型输出的分数特征作为深度学习特征,结合患者临床信息组成多维临床特征向量,多维临床特征向量中每一个维度对应患者的一个临床特征,将深度学习特征、临床特征、影像组学特征进行拼接,得到多模态特征向量;基于多模态特征向量,利用多种分类器算法建立肺结节良恶性预测模型,利用患者病理信息对预测结果进行分析,得到最佳肺结节良恶性预测模型,利用最佳肺结节良恶性预测模型对肺结节进行良恶性预测。
其中,获取胸部平扫薄层CT图像,并逐层对CT图像中的肺结节进行感兴趣区域勾画包括:对胸部平扫层原始CT图像进行分辨率归一化处理,将所有图像的x/y/z轴分辨率进行重采样,得到CT图像,设置窗宽窗位,逐层对CT图像中的肺结节进行感兴趣区域勾画。
其中,获取患者临床信息包括:对原始患者临床信息进行文本数值化转化,进行缺失值处理并进行标准化处理,得到患者临床信息。
其中,基于PyRadiomics工具包提取感兴趣区域内肺结节的影像组学特征包括:对原始CT图像,利用高通或低通小波滤波器和具有不同λ参数的拉普拉斯高斯滤波器进行处理,得到8个小波预处理后图像和5个拉普拉斯滤波器处理后的图像,提取原始CT图像和处理后图像的影像组学特征,其中,影像组学特征包括:基于图像像素值的一阶特征、描述肿瘤形态的形态特征及描述肿瘤内部和表面纹理的灰度共生矩阵、灰度游程矩阵、灰度区域大小矩阵和灰度共生矩阵纹理特征。
其中,多种特征选择算法包括但不限于:单变量分析,多变量分析和递归变量分析;深度卷积神经网络模型包括但不限于:残差网络和密集连接网络;多种分类器算法包括但不限于:支持向量机、随机森林、Logistic回归分析、Extreme Gradient Boosting和Gradient Boosting Decision Tree。
本发明另一方面提供了一种肺结节良恶性预测装置,包括:获取模块,用于获取胸部平扫薄层CT图像,并逐层对CT图像中的肺结节进行感兴趣区域勾画,获取患者临床信息和患者病理信息;影像组学特征提取模块,用于基于PyRadiomics工具包提取感兴趣区域内肺结节的影像组学特征;特征筛选模块,用于利用多种特征选择算法对影像组学特征进行筛选;多模态特征整合模块,用于利用CT图像训练深度卷积神经网络模型,获取深度卷积神经网络模型全连接层的特征和深度卷积神经网络模型输出的分数特征作为深度学习特征,结合患者临床信息组成多维临床特征向量,多维临床特征向量中每一个维度对应患者的一个临床特征,将深度学习特征、临床特征、影像组学特征进行拼接,得到多模态特征向量;预测模块,用于基于多模态特征向量,利用多种分类器算法建立肺结节良恶性预测模型,利用患者病理信息对预测结果进行分析,得到最佳肺结节良恶性预测模型,利用最佳肺结节良恶性预测模型对肺结节进行良恶性预测。
其中,获取模块通过如下方式获取胸部平扫薄层CT图像,并逐层对CT图像中的肺结节进行感兴趣区域勾画:获取模块,具体用于对胸部平扫层原始CT图像进行分辨率归一化处理,将所有图像的x/y/z轴分辨率进行重采样,得到CT图像,设置窗宽窗位,逐层对CT图像中的肺结节进行感兴趣区域勾画。
其中,获取模块通过如下方式获取患者临床信息:获取模块,具体用于对原始患者临床信息进行文本数值化转化,进行缺失值处理并进行标准化处理,得到患者临床信息。
其中,影像组学特征提取模块通过如下方式基于PyRadiomics工具包提取感兴趣区域内肺结节的影像组学特征:影像组学特征提取模块,具体用于对原始CT图像,利用高通或低通小波滤波器和具有不同λ参数的拉普拉斯高斯滤波器进行处理,得到8个小波预处理后图像和5个拉普拉斯滤波器处理后的图像,提取原始CT图像和处理后图像的影像组学特征,其中,影像组学特征包括:基于图像像素值的一阶特征、描述肿瘤形态的形态特征及描述肿瘤内部和表面纹理的灰度共生矩阵、灰度游程矩阵、灰度区域大小矩阵和灰度共生矩阵纹理特征。
其中,多种特征选择算法包括但不限于:单变量分析,多变量分析和递归变量分析;深度卷积神经网络模型包括但不限于:残差网络和密集连接网络;多种分类器算法包括但不限于:支持向量机、随机森林、Logistic回归分析、Extreme Gradient Boosting和Gradient Boosting Decision Tree。
由此可见,通过本发明提供的肺结节良恶性预测方法及装置,结合CT影像组学特征、深度卷积神经网络所提取出来的高维影像特征和患者的临床诊断指标这几种提示疾病性质的预测因子,构建了以CT影像组学特征为核心,有机整合临床等多模态信息的肺结节良恶性预测模型,可以有效的提高肺结节良恶性的预测效果,提高对小结节的预测准确率,并使模型具有一定的可解释性。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他附图。
图1为本发明实施例提供的一种肺结节良恶性预测方法的流程图;
图2为本发明实施例提供的一种具体的肺结节良恶性预测方法的流程图;
图3为本发明实施例提供的肺结节良恶性预测装置的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
结合图1和图2对本发明实施例提供的肺结节良恶性预测方法的流程进行说明,参见图1和图2,本发明实施例提供的肺结节良恶性预测方法,包括:
S1,获取胸部平扫薄层CT图像,并逐层对CT图像中的肺结节进行感兴趣区域勾画,获取患者临床信息和患者病理信息。
具体地,收集胸部平扫薄层CT图像,并逐层对CT图像中的肺结节进行感兴趣区域勾画。收集患者临床信息,包括临床诊断指标和肺部背景特征等。收集患者病理信息,以病理检测结果作为判断结节良恶性的金标准。
作为本发明实施例的一个可选实施方式,获取胸部平扫薄层CT图像,并逐层对CT图像中的肺结节进行感兴趣区域勾画包括:对胸部平扫层原始CT图像进行分辨率归一化处理,将所有图像的x/y/z轴分辨率进行重采样,得到CT图像,设置窗宽窗位,逐层对CT图像中的肺结节进行感兴趣区域勾画。具体地,为防止CT不同图像分辨率、不同大小对模型性能产生不利影响,需要对CT数据进行基本预处理。基本预处理主要包含:a)分辨率归一化,将所有图像的x/y/z轴分辨率重采样到1x1x1(mm/pixel),使得网络输入数据为各向同性,减少分辨率对于模型性能的干扰;b)窗宽窗位设置,设置数据为肺部窗宽窗位,从而聚焦兴趣区域。
作为本发明实施例的一个可选实施方式,获取患者临床信息包括:对原始患者临床信息进行文本数值化转化,进行缺失值处理并进行标准化处理,得到患者临床信息。具体地,对于患者临床信息,则可以进行以下标准化处理:a)数值化,将文本等信息转化为数值信息;b)缺失值处理:对缺失数据进行统计,视不同情况进行丢弃、插值等处理c)标准化处理,减少不同特征不同量纲、不同数量级的影响,提高结果的可靠性和分类器的准确性。
S2,基于PyRadiomics工具包提取感兴趣区域内肺结节的影像组学特征。
具体地,完成CT影像数据预处理后,可以基于PyRadiomics工具包提取感兴趣区域内肺结节的影像组学特征。
作为本发明实施例的一个可选实施方式,基于PyRadiomics工具包提取感兴趣区域内肺结节的影像组学特征包括:对原始CT图像,利用高通或低通小波滤波器和具有不同λ参数的拉普拉斯高斯滤波器进行处理,得到8个小波预处理后图像和5个拉普拉斯滤波器处理后的图像,提取原始CT图像和处理后图像的影像组学特征,其中,影像组学特征包括:基于图像像素值的一阶特征、描述肿瘤形态的形态特征及描述肿瘤内部和表面纹理的灰度共生矩阵、灰度游程矩阵、灰度区域大小矩阵和灰度共生矩阵纹理特征。具体地,对于原始CT图像,首先应用高通或低通小波滤波器和具有不同λ参数的拉普拉斯高斯滤波器进行处理,得到8个小波预处理后图像和5个拉普拉斯滤波器处理后的图像,然后再提取原始CT图像和处理后图像的影像组学特征,包括基于图像像素值的一阶特征、描述肿瘤形态的形态特征及描述肿瘤内部和表面纹理的灰度共生矩阵(GLCM)、灰度游程矩阵(GLRLM)、灰度区域大小矩阵(GLSZM)和灰度共生矩阵(GLDM)纹理特征。
S3,利用多种特征选择算法对影像组学特征进行筛选。
具体地,本发明纳入大量自动提取的影像组学特征,其中会包含部分与病变分析无关或冗余的特征,为保证建立有效的预测模型,需要从大量影像组学特征中筛选出与预测目标高度相关的特征谱用于后续模型建立。
作为本发明实施例的一个可选实施方式,多种特征选择算法包括但不限于:单变量分析,多变量分析和递归变量分析。具体地,特征筛选过程使用上述提取出来的特征,采用多种特征选择算法如单变量分析,多变量分析和递归变量分析,具体包括最大相关最小冗余(mRMR)、Lasso回归算法,relief算法、F检验、互信息或Pearson相关系数等,并对特征选择算法有机组合,从海量影像组学特征中筛选出与肺结节良恶性高度相关的关键特征,建立稳定性高、可重复性好的影像组学特征谱。特征选择算法的相关参数,如最大相关最小冗余的步长、Lasso回归算法的惩罚项等,基于多次重复K折交叉验证算法,使用网格搜索的方法找到最优值。
S4,利用CT图像训练深度卷积神经网络模型,获取深度卷积神经网络模型全连接层的特征和深度卷积神经网络模型输出的分数特征作为深度学习特征,结合患者临床信息组成多维临床特征向量,多维临床特征向量中每一个维度对应患者的一个临床特征,将深度学习特征、临床特征、影像组学特征进行拼接,得到多模态特征向量。
具体地,首先使用预处理后的数据和数据的标签,训练深度卷积神经网络,模型结构基于目前主流的深度学习网络模型,包括但不限于残差网络(ResNet),密集连接网络(DenseNet)等。卷积神经网络模型训练完成后,取出模型最后全连接层的特征和最后模型输出的分数特征作为深度学习特征。然后整理患者的临床信息,包括临床诊断指标和肺部背景特征等,组成一个多维临床特征向量,向量中每一个维度对应病人的一个临床特征。最后,将深度学习特征、临床特征与第二步中筛选出的影像组学特征拼接到一起,组成最终的多模态特征向量,送入下一步中进行模型的训练。
S5,基于多模态特征向量,利用多种分类器算法建立肺结节良恶性预测模型,利用患者病理信息对预测结果进行分析,得到最佳肺结节良恶性预测模型,利用最佳肺结节良恶性预测模型对肺结节进行良恶性预测。
作为本发明实施例的一个可选实施方式,多种分类器算法包括但不限于:支持向量机、随机森林、Logistic回归分析、Extreme Gradient Boosting和Gradient BoostingDecision Tree。
具体地,基于有效特征,利用支持向量机(SVM)、随机森林(Random Forest)、Logistic回归分析(Logistic Regression)、Extreme Gradient Boosting、GradientBoosting Decision Tree等多种分类器算法建立基于影像特征、临床病理信息等多模态信息的肺结节良恶性预测模型。同时,可以使用ROC下曲线面积(AUC)、准确性、敏感性及特异性作为模型诊断效能的评价指标,以期得到最佳的预测性能。
本发明提供的肺结节良恶性预测方法,使用整合后的CT影像组学特征、深度卷积神经网络所提取出来的高维影像特征和患者的临床诊断指标这几种多模态特征,构建肺结节良恶性预测模型;组合了最大相关最小冗余(mRMR)、Lasso回归算法,relief算法、F检验、互信息或Pearson相关系数等特征选择方法,建立了稳定性高、可重复性好的影像组学特征谱;基于多模态特征,使用了多种机器学习分类构建肺结节良恶性预测模型,根据模型诊断效能的评价指标反向选择最佳分类模型,最后得到更优的肺结节良恶性预测效果。
由此可见,通过本发明提供的肺结节良恶性预测方法,以影像组学特征为核心,整合了深度卷积神经网络所提取出来的高维影像特征和患者的临床诊断指标等提示疾病性质的预测因子,构建了一套肺结节良恶性预测模型,可以有效提高肺结节良恶性的预测准确率,尤其是依据影像难以区分的小结节的良恶性,并具有良好的特征可解释性;有机组合了多种特征选择算法,构建多种肺结节良恶性预测的机器学习模型,并通过评价指标的反向选择,构建最佳的肺结节良恶性预测模型。
图3示出了本发明实施例提供的肺结节良恶性预测装置的结构示意图,该肺结节良恶性预测装置应用上述方法,以下仅对肺结节良恶性预测装置的结构进行简单说明,其他未尽事宜,请参照上述肺结节良恶性预测方法中的相关描述,参见图3,本发明实施例提供的肺结节良恶性预测装置,包括:
获取模块,用于获取胸部平扫薄层CT图像,并逐层对CT图像中的肺结节进行感兴趣区域勾画,获取患者临床信息和患者病理信息;
影像组学特征提取模块,用于基于PyRadiomics工具包提取感兴趣区域内肺结节的影像组学特征;
特征筛选模块,用于利用多种特征选择算法对影像组学特征进行筛选;
多模态特征整合模块,用于利用CT图像训练深度卷积神经网络模型,获取深度卷积神经网络模型全连接层的特征和深度卷积神经网络模型输出的分数特征作为深度学习特征,结合患者临床信息组成多维临床特征向量,多维临床特征向量中每一个维度对应患者的一个临床特征,将深度学习特征、临床特征、影像组学特征进行拼接,得到多模态特征向量;
预测模块,用于基于多模态特征向量,利用多种分类器算法建立肺结节良恶性预测模型,利用患者病理信息对预测结果进行分析,得到最佳肺结节良恶性预测模型,利用最佳肺结节良恶性预测模型对肺结节进行良恶性预测。
作为本发明实施例的一个可选实施方式,获取模块通过如下方式获取胸部平扫薄层CT图像,并逐层对CT图像中的肺结节进行感兴趣区域勾画:获取模块,具体用于对胸部平扫层原始CT图像进行分辨率归一化处理,将所有图像的x/y/z轴分辨率进行重采样,得到CT图像,设置窗宽窗位,逐层对CT图像中的肺结节进行感兴趣区域勾画。
作为本发明实施例的一个可选实施方式,获取模块通过如下方式获取患者临床信息:获取模块,具体用于对原始患者临床信息进行文本数值化转化,进行缺失值处理并进行标准化处理,得到患者临床信息。
作为本发明实施例的一个可选实施方式,影像组学特征提取模块通过如下方式基于PyRadiomics工具包提取感兴趣区域内肺结节的影像组学特征:影像组学特征提取模块,具体用于对原始CT图像,利用高通或低通小波滤波器和具有不同λ参数的拉普拉斯高斯滤波器进行处理,得到8个小波预处理后图像和5个拉普拉斯滤波器处理后的图像,提取原始CT图像和处理后图像的影像组学特征,其中,影像组学特征包括:基于图像像素值的一阶特征、描述肿瘤形态的形态特征及描述肿瘤内部和表面纹理的灰度共生矩阵、灰度游程矩阵、灰度区域大小矩阵和灰度共生矩阵纹理特征。
作为本发明实施例的一个可选实施方式,多种特征选择算法包括但不限于:单变量分析,多变量分析和递归变量分析;深度卷积神经网络模型包括但不限于:残差网络和密集连接网络;多种分类器算法包括但不限于:支持向量机、随机森林、Logistic回归分析、Extreme Gradient Boosting和Gradient Boosting Decision Tree。
本发明提供的肺结节良恶性预测装置,使用整合后的CT影像组学特征、深度卷积神经网络所提取出来的高维影像特征和患者的临床诊断指标这几种多模态特征,构建肺结节良恶性预测模型;组合了最大相关最小冗余(mRMR)、Lasso回归算法,relief算法、F检验、互信息或Pearson相关系数等特征选择方法,建立了稳定性高、可重复性好的影像组学特征谱;基于多模态特征,使用了多种机器学习分类构建肺结节良恶性预测模型,根据模型诊断效能的评价指标反向选择最佳分类模型,最后得到更优的肺结节良恶性预测效果。
由此可见,通过本发明提供的肺结节良恶性预测装置,以影像组学特征为核心,整合了深度卷积神经网络所提取出来的高维影像特征和患者的临床诊断指标等提示疾病性质的预测因子,构建了一套肺结节良恶性预测模型,可以有效提高肺结节良恶性的预测准确率,尤其是依据影像难以区分的小结节的良恶性,并具有良好的特征可解释性;有机组合了多种特征选择算法,构建多种肺结节良恶性预测的机器学习模型,并通过评价指标的反向选择,构建最佳的肺结节良恶性预测模型。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种肺结节良恶性预测方法,其特征在于,包括:
获取胸部平扫薄层CT图像,并逐层对所述CT图像中的肺结节进行感兴趣区域勾画,获取患者临床信息和患者病理信息;
基于PyRadiomics工具包提取所述感兴趣区域内肺结节的影像组学特征;
利用多种特征选择算法对所述影像组学特征进行筛选;
利用所述CT图像训练深度卷积神经网络模型,获取所述深度卷积神经网络模型全连接层的特征和所述深度卷积神经网络模型输出的分数特征作为深度学习特征,结合所述患者临床信息组成多维临床特征向量,所述多维临床特征向量中每一个维度对应患者的一个临床特征,将所述深度学习特征、所述临床特征、所述影像组学特征进行拼接,得到多模态特征向量;
基于所述多模态特征向量,利用多种分类器算法建立肺结节良恶性预测模型,利用所述患者病理信息对预测结果进行分析,得到最佳肺结节良恶性预测模型,利用所述最佳肺结节良恶性预测模型对肺结节进行良恶性预测。
2.根据权利要求1所述的方法,其特征在于,所述获取胸部平扫薄层CT图像,并逐层对所述CT图像中的肺结节进行感兴趣区域勾画包括:
对胸部平扫层原始CT图像进行分辨率归一化处理,将所有图像的x/y/z轴分辨率进行重采样,得到所述CT图像,设置窗宽窗位,逐层对所述CT图像中的肺结节进行感兴趣区域勾画。
3.根据权利要求1所述的方法,其特征在于,所述获取患者临床信息包括:
对原始患者临床信息进行文本数值化转化,进行缺失值处理并进行标准化处理,得到患者临床信息。
4.根据权利要求2所述的方法,其特征在于,所述基于PyRadiomics工具包提取所述感兴趣区域内肺结节的影像组学特征包括:
对所述原始CT图像,利用高通或低通小波滤波器和具有不同λ参数的拉普拉斯高斯滤波器进行处理,得到8个小波预处理后图像和5个拉普拉斯滤波器处理后的图像,提取所述原始CT图像和处理后图像的影像组学特征,其中,所述影像组学特征包括:基于图像像素值的一阶特征、描述肿瘤形态的形态特征及描述肿瘤内部和表面纹理的灰度共生矩阵、灰度游程矩阵、灰度区域大小矩阵和灰度共生矩阵纹理特征。
5.根据权利要求1所述的方法,其特征在于,
所述多种特征选择算法包括但不限于:单变量分析,多变量分析和递归变量分析;
所述深度卷积神经网络模型包括但不限于:残差网络和密集连接网络;
所述多种分类器算法包括但不限于:支持向量机、随机森林、Logistic回归分析、Extreme Gradient Boosting和Gradient Boosting Decision Tree。
6.一种肺结节良恶性预测装置,其特征在于,包括:
获取模块,用于获取胸部平扫薄层CT图像,并逐层对所述CT图像中的肺结节进行感兴趣区域勾画,获取患者临床信息和患者病理信息;
影像组学特征提取模块,用于基于PyRadiomics工具包提取所述感兴趣区域内肺结节的影像组学特征;
特征筛选模块,用于利用多种特征选择算法对所述影像组学特征进行筛选;
多模态特征整合模块,用于利用所述CT图像训练深度卷积神经网络模型,获取所述深度卷积神经网络模型全连接层的特征和所述深度卷积神经网络模型输出的分数特征作为深度学习特征,结合所述患者临床信息组成多维临床特征向量,所述多维临床特征向量中每一个维度对应患者的一个临床特征,将所述深度学习特征、所述临床特征、所述影像组学特征进行拼接,得到多模态特征向量;
预测模块,用于基于所述多模态特征向量,利用多种分类器算法建立肺结节良恶性预测模型,利用所述患者病理信息对预测结果进行分析,得到最佳肺结节良恶性预测模型,利用所述最佳肺结节良恶性预测模型对肺结节进行良恶性预测。
7.根据权利要求6所述的装置,其特征在于,所述获取模块通过如下方式获取胸部平扫薄层CT图像,并逐层对所述CT图像中的肺结节进行感兴趣区域勾画:
所述获取模块,具体用于对胸部平扫层原始CT图像进行分辨率归一化处理,将所有图像的x/y/z轴分辨率进行重采样,得到所述CT图像,设置窗宽窗位,逐层对所述CT图像中的肺结节进行感兴趣区域勾画。
8.根据权利要求6所述的装置,其特征在于,所述获取模块通过如下方式获取患者临床信息:
所述获取模块,具体用于对原始患者临床信息进行文本数值化转化,进行缺失值处理并进行标准化处理,得到患者临床信息。
9.根据权利要求7所述的装置,其特征在于,所述影像组学特征提取模块通过如下方式基于PyRadiomics工具包提取所述感兴趣区域内肺结节的影像组学特征:
所述影像组学特征提取模块,具体用于对所述原始CT图像,利用高通或低通小波滤波器和具有不同λ参数的拉普拉斯高斯滤波器进行处理,得到8个小波预处理后图像和5个拉普拉斯滤波器处理后的图像,提取所述原始CT图像和处理后图像的影像组学特征,其中,所述影像组学特征包括:基于图像像素值的一阶特征、描述肿瘤形态的形态特征及描述肿瘤内部和表面纹理的灰度共生矩阵、灰度游程矩阵、灰度区域大小矩阵和灰度共生矩阵纹理特征。
10.根据权利要求6所述的装置,其特征在于,
所述多种特征选择算法包括但不限于:单变量分析,多变量分析和递归变量分析;
所述深度卷积神经网络模型包括但不限于:残差网络和密集连接网络;
所述多种分类器算法包括但不限于:支持向量机、随机森林、Logistic回归分析、Extreme Gradient Boosting和Gradient Boosting Decision Tree。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010787722.1A CN111915596A (zh) | 2020-08-07 | 2020-08-07 | 一种肺结节良恶性预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010787722.1A CN111915596A (zh) | 2020-08-07 | 2020-08-07 | 一种肺结节良恶性预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111915596A true CN111915596A (zh) | 2020-11-10 |
Family
ID=73283085
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010787722.1A Pending CN111915596A (zh) | 2020-08-07 | 2020-08-07 | 一种肺结节良恶性预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111915596A (zh) |
Cited By (36)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112329876A (zh) * | 2020-11-16 | 2021-02-05 | 中山大学附属第六医院 | 一种基于影像组学的结直肠癌预后预测方法及设备 |
CN112382392A (zh) * | 2020-11-25 | 2021-02-19 | 珠海圣美生物诊断技术有限公司 | 一种用于肺结节风险性评估的系统 |
CN112381818A (zh) * | 2020-12-03 | 2021-02-19 | 浙江大学 | 面向亚类疾病的医学图像识别增强方法 |
CN112560927A (zh) * | 2020-12-08 | 2021-03-26 | 上海市胸科医院 | 一种肺腺癌浸润性影像组学分类模型的构建方法 |
CN112651507A (zh) * | 2020-12-22 | 2021-04-13 | 福建医科大学附属第一医院 | 肝细胞癌的微血管侵犯预测模型构建方法与概率预测方法 |
CN112768072A (zh) * | 2021-01-12 | 2021-05-07 | 哈尔滨医科大学 | 基于影像组学定性算法构建癌症临床指标评估系统 |
CN112950534A (zh) * | 2021-01-22 | 2021-06-11 | 华东师范大学 | 一种基于人工智能的便携式超声肺炎辅助诊断系统 |
CN112991295A (zh) * | 2021-03-12 | 2021-06-18 | 中国科学院自动化研究所 | 基于深度学习的淋巴结转移影像分析系统、方法及设备 |
CN112990359A (zh) * | 2021-04-19 | 2021-06-18 | 深圳市深光粟科技有限公司 | 一种影像数据处理方法、装置、计算机及存储介质 |
CN113017831A (zh) * | 2021-02-26 | 2021-06-25 | 上海鹰瞳医疗科技有限公司 | 人工晶体植入术后拱高预测方法及设备 |
CN113053523A (zh) * | 2021-04-23 | 2021-06-29 | 广州易睿智影科技有限公司 | 一种持续自我学习多模型融合超声乳腺肿块精准鉴别系统 |
CN113096810A (zh) * | 2021-04-29 | 2021-07-09 | 郑州轻工业大学 | 一种基于卷积神经网络的食管鳞癌患者生存风险预测方法 |
CN113139568A (zh) * | 2021-02-22 | 2021-07-20 | 杭州深睿博联科技有限公司 | 一种基于主动学习的类别预测模型建模方法及装置 |
CN113284572A (zh) * | 2021-04-30 | 2021-08-20 | 上海联影智能医疗科技有限公司 | 多模态异构的医学数据处理方法及相关装置 |
CN113288110A (zh) * | 2021-04-23 | 2021-08-24 | 四川省肿瘤医院 | 一种基于血小板参数预测肺小结节良恶性的模型及系统 |
CN113469954A (zh) * | 2021-06-15 | 2021-10-01 | 北京深睿博联科技有限责任公司 | 一种肺结节良恶性评价方法及装置 |
CN113555004A (zh) * | 2021-07-15 | 2021-10-26 | 复旦大学 | 基于特征选择与迁移学习的语音抑郁状态识别方法 |
CN113724876A (zh) * | 2021-09-10 | 2021-11-30 | 南昌大学第二附属医院 | 基于多模态融合和dfs-lle算法的脑卒中院内并发症预测模型 |
CN113838019A (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乳腺疾病辅助筛查方法 |
CN113888532A (zh) * | 2021-11-09 | 2022-01-04 | 推想医疗科技股份有限公司 | 一种基于平扫ct数据的医学图像分析方法及装置 |
CN113888519A (zh) * | 2021-10-14 | 2022-01-04 | 四川大学华西医院 | 一种用于预测肺部实性结节恶性程度的预测系统 |
CN114332577A (zh) * | 2021-12-31 | 2022-04-12 | 福州大学 | 结合深度学习与影像组学的结直肠癌图像分类方法及系统 |
CN114373095A (zh) * | 2021-12-09 | 2022-04-19 | 山东师范大学 | 基于影像信息的阿尔茨海默病分类系统及方法 |
WO2022100497A1 (zh) * | 2020-11-13 | 2022-05-19 | 上海健康医学院 | 表皮生长因子受体突变状态判断方法、介质及电子设备 |
CN114565613A (zh) * | 2022-04-29 | 2022-05-31 | 之江实验室 | 基于有监督深度子空间学习的胰腺术后糖尿病预测系统 |
CN114742769A (zh) * | 2022-03-21 | 2022-07-12 | 复旦大学附属儿科医院 | 基于影像组学的肾脏影像分析方法、装置、设备和介质 |
CN114897796A (zh) * | 2022-04-22 | 2022-08-12 | 深圳市铱硙医疗科技有限公司 | 动脉粥样硬化斑块的稳定性判别方法、装置、设备及介质 |
CN114974518A (zh) * | 2022-04-15 | 2022-08-30 | 浙江大学 | 多模态数据融合的肺结节影像识别方法及装置 |
CN115036002A (zh) * | 2021-11-12 | 2022-09-09 | 广州医科大学附属第一医院(广州呼吸中心) | 一种基于多模态融合模型的治疗效果预测方法及终端设备 |
CN115131642A (zh) * | 2022-08-30 | 2022-09-30 | 之江实验室 | 一种基于多视子空间聚类的多模态医学数据融合系统 |
CN115131343A (zh) * | 2022-08-03 | 2022-09-30 | 华中科技大学同济医学院附属同济医院 | 一种慢性鼻窦炎分型方法、装置、设备及可读存储介质 |
CN115984193A (zh) * | 2022-12-15 | 2023-04-18 | 东北林业大学 | 融合组织病理图像和ct影像的pdl1表达水平检测方法 |
CN116798611A (zh) * | 2023-08-11 | 2023-09-22 | 南方医科大学南方医院 | 肝硬化结节的良恶性质预测装置、方法、设备及介质 |
CN117011601A (zh) * | 2023-07-24 | 2023-11-07 | 中国医学科学院北京协和医院 | 多模态分类预测方法、装置、处理器及机器可读存储介质 |
CN117174257A (zh) * | 2023-11-03 | 2023-12-05 | 福建自贸试验区厦门片区Manteia数据科技有限公司 | 医疗影像的处理装置、电子设备及计算机可读存储介质 |
CN117373584A (zh) * | 2023-12-08 | 2024-01-09 | 北京大学第一医院 | 一种急性肾损伤的动态预测方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107280697A (zh) * | 2017-05-15 | 2017-10-24 | 北京市计算中心 | 基于深度学习和数据融合的肺结节分级判定方法和系统 |
CN107945179A (zh) * | 2017-12-21 | 2018-04-20 | 王华锋 | 一种基于特征融合的卷积神经网络的肺结节良恶性检测方法 |
CN109166105A (zh) * | 2018-08-01 | 2019-01-08 | 中国人民解放军南京军区南京总医院 | 人工智能医学影像的肿瘤恶性风险分层辅助诊断系统 |
CN110534192A (zh) * | 2019-07-24 | 2019-12-03 | 大连理工大学 | 一种基于深度学习的肺结节良恶性识别方法 |
CN110570405A (zh) * | 2019-08-26 | 2019-12-13 | 天津大学 | 一种基于混合特征的肺结节智能诊断方法 |
-
2020
- 2020-08-07 CN CN202010787722.1A patent/CN111915596A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107280697A (zh) * | 2017-05-15 | 2017-10-24 | 北京市计算中心 | 基于深度学习和数据融合的肺结节分级判定方法和系统 |
CN107945179A (zh) * | 2017-12-21 | 2018-04-20 | 王华锋 | 一种基于特征融合的卷积神经网络的肺结节良恶性检测方法 |
CN109166105A (zh) * | 2018-08-01 | 2019-01-08 | 中国人民解放军南京军区南京总医院 | 人工智能医学影像的肿瘤恶性风险分层辅助诊断系统 |
CN110534192A (zh) * | 2019-07-24 | 2019-12-03 | 大连理工大学 | 一种基于深度学习的肺结节良恶性识别方法 |
CN110570405A (zh) * | 2019-08-26 | 2019-12-13 | 天津大学 | 一种基于混合特征的肺结节智能诊断方法 |
Non-Patent Citations (2)
Title |
---|
张娅楠 等: "多模态融合下长时程肺部病灶良恶性预测方法", 《计算机工程与应用》, vol. 55, no. 10, 31 December 2019 (2019-12-31), pages 146 - 153 * |
武志远 等: "基于深度卷积神经网络方法构建肺部多模态图像分类诊断模型", 《中国卫生统计》, vol. 36, no. 6, 31 December 2019 (2019-12-31), pages 806 - 813 * |
Cited By (49)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022100497A1 (zh) * | 2020-11-13 | 2022-05-19 | 上海健康医学院 | 表皮生长因子受体突变状态判断方法、介质及电子设备 |
CN112329876A (zh) * | 2020-11-16 | 2021-02-05 | 中山大学附属第六医院 | 一种基于影像组学的结直肠癌预后预测方法及设备 |
CN112382392A (zh) * | 2020-11-25 | 2021-02-19 | 珠海圣美生物诊断技术有限公司 | 一种用于肺结节风险性评估的系统 |
WO2022110278A1 (zh) * | 2020-11-25 | 2022-06-02 | 珠海圣美生物诊断技术有限公司 | 一种用于肺结节风险性评估的系统 |
CN112381818B (zh) * | 2020-12-03 | 2022-04-29 | 浙江大学 | 面向亚类疾病的医学图像识别增强方法 |
CN112381818A (zh) * | 2020-12-03 | 2021-02-19 | 浙江大学 | 面向亚类疾病的医学图像识别增强方法 |
CN112560927A (zh) * | 2020-12-08 | 2021-03-26 | 上海市胸科医院 | 一种肺腺癌浸润性影像组学分类模型的构建方法 |
CN112651507A (zh) * | 2020-12-22 | 2021-04-13 | 福建医科大学附属第一医院 | 肝细胞癌的微血管侵犯预测模型构建方法与概率预测方法 |
CN112651507B (zh) * | 2020-12-22 | 2024-03-29 | 福建医科大学附属第一医院 | 肝细胞癌的微血管侵犯预测模型构建方法与概率预测方法 |
CN112768072A (zh) * | 2021-01-12 | 2021-05-07 | 哈尔滨医科大学 | 基于影像组学定性算法构建癌症临床指标评估系统 |
CN112950534A (zh) * | 2021-01-22 | 2021-06-11 | 华东师范大学 | 一种基于人工智能的便携式超声肺炎辅助诊断系统 |
CN113139568B (zh) * | 2021-02-22 | 2022-05-10 | 杭州深睿博联科技有限公司 | 一种基于主动学习的类别预测模型建模方法及装置 |
CN113139568A (zh) * | 2021-02-22 | 2021-07-20 | 杭州深睿博联科技有限公司 | 一种基于主动学习的类别预测模型建模方法及装置 |
CN113017831A (zh) * | 2021-02-26 | 2021-06-25 | 上海鹰瞳医疗科技有限公司 | 人工晶体植入术后拱高预测方法及设备 |
CN112991295B (zh) * | 2021-03-12 | 2023-04-07 | 中国科学院自动化研究所 | 基于深度学习的淋巴结转移影像分析系统、方法及设备 |
CN112991295A (zh) * | 2021-03-12 | 2021-06-18 | 中国科学院自动化研究所 | 基于深度学习的淋巴结转移影像分析系统、方法及设备 |
CN112990359B (zh) * | 2021-04-19 | 2024-01-26 | 深圳市深光粟科技有限公司 | 一种影像数据处理方法、装置、计算机及存储介质 |
CN112990359A (zh) * | 2021-04-19 | 2021-06-18 | 深圳市深光粟科技有限公司 | 一种影像数据处理方法、装置、计算机及存储介质 |
CN113288110A (zh) * | 2021-04-23 | 2021-08-24 | 四川省肿瘤医院 | 一种基于血小板参数预测肺小结节良恶性的模型及系统 |
CN113053523A (zh) * | 2021-04-23 | 2021-06-29 | 广州易睿智影科技有限公司 | 一种持续自我学习多模型融合超声乳腺肿块精准鉴别系统 |
CN113096810A (zh) * | 2021-04-29 | 2021-07-09 | 郑州轻工业大学 | 一种基于卷积神经网络的食管鳞癌患者生存风险预测方法 |
CN113284572A (zh) * | 2021-04-30 | 2021-08-20 | 上海联影智能医疗科技有限公司 | 多模态异构的医学数据处理方法及相关装置 |
CN113284572B (zh) * | 2021-04-30 | 2024-04-23 | 上海联影智能医疗科技有限公司 | 多模态异构的医学数据处理方法及相关装置 |
CN113469954A (zh) * | 2021-06-15 | 2021-10-01 | 北京深睿博联科技有限责任公司 | 一种肺结节良恶性评价方法及装置 |
CN113469954B (zh) * | 2021-06-15 | 2024-04-09 | 北京深睿博联科技有限责任公司 | 一种肺结节良恶性评价方法及装置 |
CN113555004A (zh) * | 2021-07-15 | 2021-10-26 | 复旦大学 | 基于特征选择与迁移学习的语音抑郁状态识别方法 |
CN113724876A (zh) * | 2021-09-10 | 2021-11-30 | 南昌大学第二附属医院 | 基于多模态融合和dfs-lle算法的脑卒中院内并发症预测模型 |
CN113838019A (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乳腺疾病辅助筛查方法 |
CN113888519A (zh) * | 2021-10-14 | 2022-01-04 | 四川大学华西医院 | 一种用于预测肺部实性结节恶性程度的预测系统 |
CN113888532A (zh) * | 2021-11-09 | 2022-01-04 | 推想医疗科技股份有限公司 | 一种基于平扫ct数据的医学图像分析方法及装置 |
CN115036002A (zh) * | 2021-11-12 | 2022-09-09 | 广州医科大学附属第一医院(广州呼吸中心) | 一种基于多模态融合模型的治疗效果预测方法及终端设备 |
CN114373095A (zh) * | 2021-12-09 | 2022-04-19 | 山东师范大学 | 基于影像信息的阿尔茨海默病分类系统及方法 |
CN114332577A (zh) * | 2021-12-31 | 2022-04-12 | 福州大学 | 结合深度学习与影像组学的结直肠癌图像分类方法及系统 |
CN114742769A (zh) * | 2022-03-21 | 2022-07-12 | 复旦大学附属儿科医院 | 基于影像组学的肾脏影像分析方法、装置、设备和介质 |
CN114974518A (zh) * | 2022-04-15 | 2022-08-30 | 浙江大学 | 多模态数据融合的肺结节影像识别方法及装置 |
CN114897796B (zh) * | 2022-04-22 | 2023-06-30 | 深圳市铱硙医疗科技有限公司 | 动脉粥样硬化斑块的稳定性判别方法、装置、设备及介质 |
CN114897796A (zh) * | 2022-04-22 | 2022-08-12 | 深圳市铱硙医疗科技有限公司 | 动脉粥样硬化斑块的稳定性判别方法、装置、设备及介质 |
CN114565613A (zh) * | 2022-04-29 | 2022-05-31 | 之江实验室 | 基于有监督深度子空间学习的胰腺术后糖尿病预测系统 |
CN115131343A (zh) * | 2022-08-03 | 2022-09-30 | 华中科技大学同济医学院附属同济医院 | 一种慢性鼻窦炎分型方法、装置、设备及可读存储介质 |
CN115131343B (zh) * | 2022-08-03 | 2023-12-26 | 华中科技大学同济医学院附属同济医院 | 一种慢性鼻窦炎分型方法、装置、设备及可读存储介质 |
CN115131642A (zh) * | 2022-08-30 | 2022-09-30 | 之江实验室 | 一种基于多视子空间聚类的多模态医学数据融合系统 |
CN115984193A (zh) * | 2022-12-15 | 2023-04-18 | 东北林业大学 | 融合组织病理图像和ct影像的pdl1表达水平检测方法 |
CN117011601A (zh) * | 2023-07-24 | 2023-11-07 | 中国医学科学院北京协和医院 | 多模态分类预测方法、装置、处理器及机器可读存储介质 |
CN116798611B (zh) * | 2023-08-11 | 2023-12-08 | 南方医科大学南方医院 | 肝硬化结节的良恶性质预测装置、方法、设备及介质 |
CN116798611A (zh) * | 2023-08-11 | 2023-09-22 | 南方医科大学南方医院 | 肝硬化结节的良恶性质预测装置、方法、设备及介质 |
CN117174257B (zh) * | 2023-11-03 | 2024-02-27 | 福建自贸试验区厦门片区Manteia数据科技有限公司 | 医疗影像的处理装置、电子设备及计算机可读存储介质 |
CN117174257A (zh) * | 2023-11-03 | 2023-12-05 | 福建自贸试验区厦门片区Manteia数据科技有限公司 | 医疗影像的处理装置、电子设备及计算机可读存储介质 |
CN117373584A (zh) * | 2023-12-08 | 2024-01-09 | 北京大学第一医院 | 一种急性肾损伤的动态预测方法及系统 |
CN117373584B (zh) * | 2023-12-08 | 2024-03-12 | 北京大学第一医院 | 一种急性肾损伤的动态预测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111915596A (zh) | 一种肺结节良恶性预测方法及装置 | |
US20230386024A1 (en) | Systems and methods for image preprocessing | |
CN110458249B (zh) | 一种基于深度学习与概率影像组学的病灶分类系统 | |
CN107748900B (zh) | 基于区分性卷积神经网络的乳腺肿瘤分类装置和存储介质 | |
Pinaya et al. | Unsupervised brain imaging 3D anomaly detection and segmentation with transformers | |
KR102108050B1 (ko) | 증강 컨볼루션 네트워크를 통한 유방암 조직학 이미지 분류 방법 및 그 장치 | |
US9111179B2 (en) | High-throughput biomarker segmentation utilizing hierarchical normalized cuts | |
Banerji et al. | Deep learning in histopathology: A review | |
CN118176527A (zh) | 从空间分辨数据集识别跨模态特征的方法 | |
Nanni et al. | General purpose (GenP) bioimage ensemble of handcrafted and learned features with data augmentation | |
US11544851B2 (en) | Systems and methods for mesothelioma feature detection and enhanced prognosis or response to treatment | |
Khumancha et al. | Lung cancer detection from computed tomography (CT) scans using convolutional neural network | |
CN117015796A (zh) | 处理组织图像的方法和用于处理组织图像的系统 | |
Yusuf et al. | A survey of GPU implementations for hyperspectral image classification in remote sensing | |
JP2022000777A (ja) | 分類装置、分類方法、プログラム、ならびに、情報記録媒体 | |
Lembhe et al. | Enhancement in Skin Cancer Detection using Image Super Resolution and Convolutional Neural Network | |
CN115661029A (zh) | 基于YOLOv5的肺结节检测与识别系统 | |
Sivakumar et al. | Deep learning in skin lesion analysis for malignant melanoma cancer identification | |
Tenali et al. | Oral Cancer Detection using Deep Learning Techniques | |
Kalyani et al. | Deep learning-based detection and classification of adenocarcinoma cell nuclei | |
CN114973245B (zh) | 基于机器学习的细胞外囊泡分类方法、装置、设备及介质 | |
Le Vuong et al. | Ranking loss: a ranking-based deep neural network for colorectal cancer grading in pathology images | |
Fetisov et al. | Unsupervised prostate cancer histopathology image segmentation via meta-learning | |
Jagadeesh et al. | Brain Tumour Classification using CNN Algorithm | |
Gavade et al. | Cancer cell detection and classification from digital whole slide image |
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 |