CN111915698A - 一种脉管浸润检测方法、装置、计算机设备及存储介质 - Google Patents
一种脉管浸润检测方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN111915698A CN111915698A CN202010851078.XA CN202010851078A CN111915698A CN 111915698 A CN111915698 A CN 111915698A CN 202010851078 A CN202010851078 A CN 202010851078A CN 111915698 A CN111915698 A CN 111915698A
- Authority
- CN
- China
- Prior art keywords
- computed tomography
- vascular infiltration
- image
- tomography image
- vascular
- 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.)
- Granted
Links
- 230000008595 infiltration Effects 0.000 title claims abstract description 112
- 238000001764 infiltration Methods 0.000 title claims abstract description 112
- 230000002792 vascular Effects 0.000 title claims abstract description 105
- 238000001514 detection method Methods 0.000 title claims abstract description 71
- 238000003860 storage Methods 0.000 title claims abstract description 26
- 238000002591 computed tomography Methods 0.000 claims abstract description 113
- 238000013136 deep learning model Methods 0.000 claims abstract description 47
- 238000000034 method Methods 0.000 claims abstract description 32
- 238000005520 cutting process Methods 0.000 claims abstract description 21
- 238000007781 pre-processing Methods 0.000 claims abstract description 18
- 238000003062 neural network model Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 2
- 206010028980 Neoplasm Diseases 0.000 description 25
- 239000002609 medium Substances 0.000 description 20
- 230000006870 function Effects 0.000 description 10
- 238000011176 pooling Methods 0.000 description 9
- 210000001519 tissue Anatomy 0.000 description 9
- 206010073071 hepatocellular carcinoma Diseases 0.000 description 8
- 231100000844 hepatocellular carcinoma Toxicity 0.000 description 8
- 238000012549 training Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 102000013529 alpha-Fetoproteins Human genes 0.000 description 5
- 108010026331 alpha-Fetoproteins Proteins 0.000 description 5
- 201000011510 cancer Diseases 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000003902 lesion Effects 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 4
- 201000007270 liver cancer Diseases 0.000 description 4
- 208000014018 liver neoplasm Diseases 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 102000012406 Carcinoembryonic Antigen Human genes 0.000 description 3
- 108010022366 Carcinoembryonic Antigen Proteins 0.000 description 3
- 230000004913 activation Effects 0.000 description 3
- 239000000427 antigen Substances 0.000 description 3
- 102000036639 antigens Human genes 0.000 description 3
- 108091007433 antigens Proteins 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 210000004204 blood vessel Anatomy 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013170 computed tomography imaging Methods 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000002440 hepatic effect Effects 0.000 description 2
- 208000002672 hepatitis B Diseases 0.000 description 2
- 210000001365 lymphatic vessel Anatomy 0.000 description 2
- 230000014759 maintenance of location Effects 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000007480 spreading Effects 0.000 description 2
- 238000003892 spreading Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 206010003445 Ascites Diseases 0.000 description 1
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 1
- 206010016654 Fibrosis Diseases 0.000 description 1
- 206010019695 Hepatic neoplasm Diseases 0.000 description 1
- 206010020772 Hypertension Diseases 0.000 description 1
- 210000001015 abdomen Anatomy 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 150000001720 carbohydrates Chemical class 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 230000007882 cirrhosis Effects 0.000 description 1
- 208000019425 cirrhosis of liver Diseases 0.000 description 1
- 238000004737 colorimetric analysis Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000001079 digestive effect Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 230000035622 drinking Effects 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 210000005228 liver tissue Anatomy 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 239000012120 mounting media Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 208000007232 portal hypertension Diseases 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000002271 resection Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 210000002966 serum Anatomy 0.000 description 1
- 230000000391 smoking effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 208000024891 symptom Diseases 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
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例公开了一种脉管浸润检测方法、装置、计算机设备及存储介质。该方法包括：获取待检测部位的计算机断层扫描图像；对计算机断层扫描图像进行目标区域切割的预处理；将预处理后的计算机断层扫描图像输入训练后的深度学习模型，并输出脉管浸润的第一预测结果。本发明实施例所提供的技术方案，通过根据获取的计算机断层扫描图像经深度学习模型直接预测得到脉管浸润的概率，避免了由医生的主观经验进行判断，实现了脉管浸润程度的自动检测，从而提高了检测结果的准确性，并减轻了医生的工作压力。
Description
技术领域
本发明实施例涉及医学检测技术领域，尤其涉及一种脉管浸润检测方法、装置、计算机设备及存储介质。
背景技术
原发性肝癌(Primary Hepatocelluar Carcinoma)又称肝细胞癌或肝癌，是一种常见的恶性肿瘤疾病，同时也是全球多发性癌症死亡率最高的疾病之一。当前阶段，肝细胞癌早期诊疗的主要手段是医学技术指标检测，医学技术指标检测的手段对肿瘤的扩散症状检测较为困难，检测准确率较低，在发生肿瘤扩散的情况下进行肝癌切除术治疗，可能无法有效的根治肝癌。脉管浸润(Microvasular Invasion，MVI)，是指癌细胞扩散进入患者的淋巴管和血管，进入淋巴管和血管的癌细胞无法随着肿瘤块被手术切除，术后很有可能会给患者带来癌症复发的风险。因此，脉管浸润是在肝细胞癌症治疗时，判断肝癌切除术后是否会复发的一个重要因素。
目前对肝细胞癌脉管浸润的浸润程度的检测方法主要可分为术前血清生化指标检测和肝脏位置影像学指标检测。综合国内外研究机构和研究人员对脉管浸润的研究进展，目前主流的研究方法仍然是基于医学指标角度进行尝试，影像学方面也是局限于医生的经验判断的传统医学手段。因此，一方面检测结果的准确率较低，另一方面可能由于医生的主观经验错误等情况的影响，检测结果也会出现较大的偏差。
发明内容
本发明实施例提供一种脉管浸润检测方法、装置、计算机设备及存储介质，以实现脉管浸润程度的自动检测，从而提高检测结果的准确性，并减轻医生的工作压力。
第一方面，本发明实施例提供了一种脉管浸润检测方法，该方法包括：
获取待检测部位的计算机断层扫描图像；
对所述计算机断层扫描图像进行目标区域切割的预处理；
将预处理后的所述计算机断层扫描图像输入训练后的深度学习模型，并输出脉管浸润的第一预测结果。
第二方面，本发明实施例还提供了一种脉管浸润检测装置，该装置包括：
图像获取模块，用于获取待检测部位的计算机断层扫描图像；
图像预处理模块，用于对所述计算机断层扫描图像进行目标区域切割的预处理；
第一结果输出模块，用于将预处理后的所述计算机断层扫描图像输入训练后的深度学习模型，并输出脉管浸润的第一预测结果。
第三方面，本发明实施例还提供了一种计算机设备，该计算机设备包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明任意实施例所提供的脉管浸润检测方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本发明任意实施例所提供的脉管浸润检测方法。
本发明实施例提供了一种脉管浸润检测方法，首先获取待检测部位的计算机断层扫描图像，然后对该计算机断层扫描图像进行目标区域切割的预处理，再将预处理过后的计算机断层扫描图像输入训练后的深度学习模型，即可预测出脉管浸润的预测结果。本发明实施例所提供的脉管浸润检测方法，通过根据获取的计算机断层扫描图像经深度学习模型直接预测得到脉管浸润的概率，避免了由医生的主观经验进行判断，实现了脉管浸润程度的自动检测，从而提高了检测结果的准确性，并减轻了医生的工作压力。
附图说明
图1为本发明实施例一提供的脉管浸润检测方法的流程图；
图2为本发明实施例二提供的脉管浸润检测方法的流程图；
图3为本发明实施例三提供的脉管浸润检测方法的流程图；
图4为本发明实施例四提供的脉管浸润检测装置的结构示意图；
图5为本发明实施例五提供的计算机设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各步骤描述成顺序的处理，但是其中的许多步骤可以被并行地、并发地或者同时实施。此外，各步骤的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
实施例一
图1为本发明实施例一提供的脉管浸润检测方法的流程图。本实施例可适用于对在肝细胞癌中可能发生的脉管浸润进行检测的情况，该方法可以由本发明实施例提供的脉管浸润检测装置来执行，该装置可以由硬件和/或软件的方式来实现，一般可集成于计算机设备中。如图1所示，具体包括如下步骤：
S11、获取待检测部位的计算机断层扫描图像。
其中，计算机断层扫描(Computed Tomography，CT)技术是一种影像诊断检查，一种可以利用先进医疗检测手段在计算机上进行三维重建，制作出人体组织影像的技术。X射线在通过不同人体组织成分时，表现出不同的衰减特性，因此，当使X射线直接照射人体时，可以通过穿过人体后X射线的衰减程度来判断人体组织成分。如果使用X射线在人体上同一位置进行旋转照射，测量该位置整体吸收的辐射量，就可以用计算机技术重建出断层面影像。在本实施例中，可以具体针对肝细胞癌发生脉管浸润的情况进行检测，待检测部位即可以是腹部，计算机断层扫描图像即可以是肝部肿瘤的切片图像。另外，计算机断层扫描图像的数据格式为医学数字成像和通信(Digital Imaging and Communications inMedicine，DICOM)，可通过约定的网络协议来实现设备之间医学图像的分发和数据交换。
具体的，在本实施例中，可以采用三维CT成像技术首先获得三维立体CT图像，再对该三维立体CT图像进行断层方向的切割以获得所需的计算机断层扫描图像，具体可以按照最小粒度进行切割以获得足够多的计算机断层扫描图像。在获得所需的计算机断层扫描图像之后，还可以对计算机断层扫描图像进行筛选，以剔除其中无病变区域的图像和病变区域较小的图像，从而提高脉管浸润情况预测的准确性。
S12、对计算机断层扫描图像进行目标区域切割的预处理。
具体的，在获取到待检测部位的计算机断层扫描图像之后，首先可以对计算机断层扫描图像进行对目标区域切割的预处理，以使计算机断层扫描图像可以更直接更清晰的反映病变情况，并使得所使用的图像数据能够更加聚焦于病灶区域，从而进一步提高脉管浸润情况预测的准确性。其中，目标区域为可以反映脉管浸润特征的区域，即可以是肿瘤周围和表面所在的区域，对目标区域切割即是将目标区域从计算机断层扫描图像中切割出来，并作为用于进行脉管浸润检测的图像数据。
可选的，对计算机断层扫描图像进行目标区域切割的预处理，包括：将计算机断层扫描图像的灰度值转换为HU值；创建计算机断层扫描图像上目标区域的遮罩层；根据遮罩层对计算机断层扫描图像进行切割。
其中，HU值是测定人体某一局部组织或器官密度大小的一种计量单位，在CT图像中，人体不同组织或不同器官对应着不同的HU值，能够反映人体不同组织或器官的放射性质，在标准医学上的定义即是每个体素点或像素点对应到人体组织成分对X射线的平均线性衰减值。遮罩层为在计算机扫描图像上创建的一个图层，且遮罩层中有对象的地方为透明，从而可以看到被遮罩层，即计算机扫描图像中对应位置的对象，而计算机扫描图像中其他位置的对象则为被遮罩状态，即不可见。通过创建遮罩层并根据遮罩层进行切割，即可获得计算机断层扫描图像上所需的目标区域。
具体的，利用三维CT成像技术获得的图像数据是以灰度值的形式进行记录的，而相比于灰度值，HU值更能反映人体的组织情况，获取到图像的HU值还有助于寻找最佳的窗位来获取完整的目标区域。根据灰度值可以由公式HU＝slope*gray+intercept计算出对应的HU值，其中的gray即为图像的灰度值，slope和intercept为CT扫描机的相关参数，可以通过扫描数据获取，用于矫正数据。遮罩层可以通过接收人工遮罩标注的方式来进行创建，可以首先创建与计算机断层扫描图像相同大小的切片，然后根据人工标注在肿瘤区域绘制二值图像即可得到所需的遮罩层，从而根据该遮罩层提取目标区域，以聚焦于病灶信息。
可选的，遮罩层为环形遮罩层，相应的，创建计算机断层扫描图像上目标区域的遮罩层，包括：根据预设缩放因子对人工标注的遮罩图像进行放大和缩小；根据放大后的遮罩图像和缩小后的遮罩图像确定环形遮罩层。
根据对脉管浸润的研究，肝细胞癌脉管浸润在影像方面的有两个主要特征，第一，门静脉期有围绕肿瘤周围的低密度环状组织；第二，若门静脉期肿瘤周围没有低密度环状组织，此时肿瘤与周边肝脏组织的密度如果差别较大也可以判定脉管浸润阳性。可见，脉管浸润的主要特征信息存在于以肿瘤边缘为核心的内外区域，因此，通过创建肿瘤边缘区域的环形遮罩层，可以使得切割得到的目标区域进一步的聚焦于主要的病灶位置，从而可以从中提取更加有效的特征信息。
具体的，可以根据预设缩放因子分别对人工标注的遮罩图像进行同比例的放大和缩小，然后将放大后的遮罩图像在相同的位置与缩小后的遮罩图像进行叠加，取二者不重合的区域即可得到所需的环形遮罩层。可选的，对人工标注的遮罩图像进行同比例的放大和缩小可以通过双三次插值方法来实现，相比于双线性算法，在放大后可以保留更好的细节，从而更接近真实值，同时，也可以根据其他缩放方法来获得环形遮罩层，对此在本实施例中不作具体的限制。其中，缩放因子为缩放比例的大小，即缩放后的区域尺寸相对于原来区域的比值。缩放因子越大，得到的环形遮罩层则越大，容易导致引入过多的无关区域，从而增加噪声，尤其在数据量较少的情况下将对神经网络模型的训练造成困难，缩放因子越小，得到的环形遮罩层则越小，容易导致抓取的病灶区域不完整，从而导致获取的特征不足，预测效果不够理想。因此，需要综合考虑各方因素，以确定缩放因子的大小。经过测试，缩放因子为0.2时，切割得到的目标区域保存特征的能力最强。
S13、将预处理后的计算机断层扫描图像输入训练后的深度学习模型，并输出脉管浸润的第一预测结果。
其中，深度学习模型可以是卷积神经网络(Convolutional Neural Networks,CNN)，以便于表达二维图像数据的特征，同时避免了因将二维数据展开成一维处理时，造成的局部关联性丢失的问题。在卷积神经网络中，可以通过共享参数来识别不同位置的相似目标物体，从而降低了机器的存储要求，并提高了泛化能力。具体的，该深度学习模型可以包括输入层、隐藏层和输出层，并且通过一系列的神经元相互连接构成，其中，隐藏层和输出层的神经元可用于学习输入参数的权重和阈值，且权重和阈值可以在多个反向传递的过程中迭代更新。当选用卷积神经网络时，隐藏层可包括卷积层、池化层及激活层等，在卷积层的卷积操作后，保持特征图的尺寸不变，而改变特征图的尺寸由池化层来完成。其中，池化层的作用是对特征图进行压缩，以降低复杂度，在本实施例中，池化层可以采用最大池化的方式进行工作。激活层可以通过使用激活函数为深度学习模型引入非线性因素，为缓解深度学习模型中梯度消失的问题，激活函数可以选用Sigmoid函数。同时，可选的，还可以通过使用残差块进一步的解决梯度消失的问题，以使深度学习模型的输出跳过某几层，并直接送入更深的神经网络中。
在将预处理后的计算机断层扫描图像输入训练后的深度学习模型之前，还可以首先对深度学习模型进行训练，具体可以通过将大量真实的病历数据作为训练样本输入该深度学习模型中，然后可以使用小批量梯度下降算法对权重和阈值等不断迭代更新，使得目标函数逐渐接近最小值。在完成训练后，即可将预处理后的计算机断层扫描图像输入该深度学习模型，即可得到脉管浸润的第一预测结果，即脉管浸润的预测概率。其中，该深度学习模型可以是一个二分类网络，在输出层的两个神经元完成输出之后，可以通过softmax函数分别获得正负类的概率。
本发明实施例所提供的技术方案，首先获取待检测部位的计算机断层扫描图像，然后对该计算机断层扫描图像进行目标区域切割的预处理，再将预处理过后的计算机断层扫描图像输入训练后的深度学习模型，即可预测出脉管浸润的预测结果。通过根据获取的计算机断层扫描图像经深度学习模型直接预测得到脉管浸润的概率，避免了由医生的主观经验进行判断，实现了脉管浸润程度的自动检测，从而提高了检测结果的准确性，并减轻了医生的工作压力。
实施例二
图2为本发明实施例二提供的脉管浸润检测方法的流程图。本实施例的技术方案在上述技术方案的基础上进一步细化，可选的，可以将获取的计算机断层扫描图像按照肿瘤区域的面积进行分组以分别输出肿瘤上不同位置的脉管浸润预测概率。具体的，本实施例中，在获取待检测部位的计算机断层扫描图像之后，还包括：根据计算机断层扫描图像上目标区域的大小对计算机断层扫描图像进行分组；相应的，将预处理后的计算机断层扫描图像输入训练后的深度学习模型，并输出脉管浸润的第一预测结果，包括：分别将预处理后的各组计算机断层扫描图像输入对应的训练后的深度学习模型，并输出各组的脉管浸润的第一预测结果。相应的，如图2所示，具体可以包括如下步骤：
S21、获取待检测部位的计算机断层扫描图像。
S22、根据计算机断层扫描图像上目标区域的大小对计算机断层扫描图像进行分组。
具体的，在数据量较小的情况下，肿瘤在不同尺寸上的分布差异较大会对深度学习模型的训练带来很大的困难，从而导致预测结果的准确性降低。因此，可以将获得的计算机断层扫描图像按照肿瘤区域的面积，即目标区域的大小进行分组，具体可以根据肿瘤区域的面积落到不同的阈值范围进行分组，以使各组中的肿瘤分布相似，还可以同时尽量按照切割位置进行分组，以使各组的图像保持连续，示例性的，可以将计算机断层扫描图像按照切割位置从上到下分为四组，并尽量保持每组的肿瘤区域面积分别在各自的阈值范围内。然后可以分别训练不同的深度学习模型，以实现对不同位置图像的脉管浸润概率分别进行预测。
S23、对各组计算机断层扫描图像进行目标区域切割的预处理。
S24、分别将预处理后的各组计算机断层扫描图像输入对应的训练后的深度学习模型，并输出各组的脉管浸润的第一预测结果。
具体的，各个深度学习模型之间相互独立，由于肿瘤尺寸较小的计算机断层扫描图像对目标特征的保留能力相对较弱，而肿瘤尺寸较大的计算机断层扫描图像对目标特征的保留能力相对较强，因此对于目标区域占整个计算机断层扫描图像的面积较小的图像数据，可以采用浅层的，较少池化的深度学习模型，对于目标区域占整个计算机断层扫描图像的面积较大的图像数据，可以采用深层的，下采样的深度学习模型，以分别达到最好的预测效果，示例性的，上述分成的四组中，目标区域最小一组的深度学习模型中可以包括两个卷积层和三个池化层，目标区域适中一组的深度学习模型中可以包括两个卷积层和四个池化层，目标区域最大一组的深度学习模型中可以包括两个卷积层和六个池化层等等。分别将预处理后的各组计算机断层扫描图像输入对应的训练后的深度学习模型之后，即可分别得到不同位置图像的脉管浸润的预测概率。
可选的，在得到不同位置图像的脉管浸润的预测概率之后，还可以将各个预测概率输入到训练后的包含一个全连接层的神经网络模型中，从而根据各个预测概率获得一个整体的预测概率，以便于给出脉管浸润的检测结果。
本发明实施例所提供的技术方案，通过区分目标区域的大小分别设计深度学习模型，降低了深度学习模型的学习难度，并在总体上提高了深度学习模型对单张计算机断层扫描图像识别的准确率。
实施例三
图3为本发明实施例三提供的脉管浸润检测方法的流程图。本实施例的技术方案在上述技术方案的基础上进一步细化，可选的，在根据计算机断层扫描图像进行脉管浸润检测的基础上，还可以同时增加根据生化数据进行的检测，以共同确定脉管浸润的预测结果。具体的，在本实施例中，脉管浸润检测方法还包括：获取待检测人员的生化数据；将生化数据输入训练后的第一神经网络模型，并输出脉管浸润的第二预测结果；相应的，在分别将预处理后的各组计算机断层扫描图像输入对应的训练后的深度学习模型，并输出各组的脉管浸润的第一预测结果之后，还包括：将各组第一预测结果和第二预测结果输入训练后的第二神经网络模型，并输出脉管浸润的最终预测结果。相应的，如图3所示，具体可以包括如下步骤：
S31、获取待检测部位的计算机断层扫描图像。
S32、根据计算机断层扫描图像上目标区域的大小对计算机断层扫描图像进行分组。
S33、对各组计算机断层扫描图像进行目标区域切割的预处理。
S34、分别将预处理后的各组计算机断层扫描图像输入对应的训练后的深度学习模型，并输出各组的脉管浸润的第一预测结果。
S35、获取待检测人员的生化数据。
其中，生化数据可以通过生化检测技术来获得，在临床检测中，生化检测是最常用的检测方法，生化检测是结合了生物化学、电子学以及计算机辅助等技术的一种高效检测方法，通常由取样、处理干扰物、加生物试剂、温度处理、比色和计算结果等过程构成。在本实施例中，针对肝细胞癌的生化检测，生化数据可以包括高血压、糖尿病、吸烟史、饮酒史、肝性肿瘤、甲胎蛋白(AFP)、癌胚抗原(CEA)、消化来源(CA199)、糖类抗原(CA125)、乙肝表面抗原(HBs-Ag)、乙肝表面抗体(HBs-Ab)、e抗原(HBe-Ag)、e抗体(HBe-Ab)、核心抗体(HBc-Ab)、肝硬化、门脉高压以及腹水等。
可选的，在获取待检测人员的生化数据之后，还包括：将生化数据中的连续型变量转化为离散型变量。具体的，由于生化数据包含连续性变量和离散型变量，如AFP、CEA、CA199和CA125。为了方便对第一神经网络模型的训练，可以将生化数据中的连续型变量转化为离散型变量，具体可以将所有的连续型变量进行区间分段，并为落在同一区间范围的连续值赋予同一个离散值。示例性的，针对AFP，对应区间小于等于200纳克每毫升的离散值为0，对应区间200-400纳克每毫升的离散值为1，对应区间大于等于400纳克每毫升的离散值为2。
可选的，在将生化数据中的连续型变量转化为离散型变量之后，还包括：利用独热编码对离散型变量进行编码。具体的，将所有的离散型变量进一步转化为独热(one-hot)编码，可以去除特征值的数值大小对模型训练的影响，从而可以更有效的进行模型的训练。其中，独热编码是一种二进制编码，通常将分类类别标志转换为多位二进制位进行表示，其中的每一位二进制位代表一个类别标志，且各个类别标志之间互斥表示，因此独热编码每一时刻只有一位是有效的，有效位表示为1，其余位均为无效位，表示为0。示例性的，针对上述AFP转化的离散型变量0、1和2，转化为独热编码后即可以是100、010和001。
S36、将生化数据输入训练后的第一神经网络模型，并输出脉管浸润的第二预测结果。
其中，第一神经网络模型可以包括输入层、两个全连接层和输出层。具体的，可以将所有转化为独热编码后的生化数据输入该第一神经网络模型，即可获得第二预测结果，即基于生化数据的脉管浸润的预测概率。
S37、将各组第一预测结果和第二预测结果输入训练后的第二神经网络模型，并输出脉管浸润的最终预测结果。
具体的，在分别获得基于计算机断层扫描图像的各组脉管浸润的第一预测结果和基于生化数据的脉管浸润的第二预测结果之后，可以将各组第一预测结果和第二预测结果输入到第二神经网络模型中，即可获得脉管浸润的最终预测结果。其中，第二神经网络模型可以是一个包括输入层、一个全连接层和输出层的二分类网络，同时，第二神经网络模型还可以是一个多模态的神经网络模型，并可以通过集成学习中的学习法策略进行训练，集成学习是通过组合多种模型来改善学习的结果，与单一的模型相比可以产生更好的预测性能。在本实施例中，即是将肿瘤不同位置的计算机断层扫描图像的预测结果以及生化数据的预测结果作为多种模型训练第二神经网络模型，不同位置的计算机断层扫描图像和生化数据对最终结果影响的重要性各不相同，通过学习可以得到各个模型在最终预测结果中的话语权。
本发明实施例所提供的技术方案，通过分别从计算机断层扫描图像和生化数据方面对脉管浸润进行预测，并通过集成学习对各个预测结果进行综合，获得了各个预测结果在最终的投票结果中所占的比例，即对脉管浸润检测结果不同的重要性，进而综合了各个预测结果的优点，取得更好的预测效果，极大的提升了脉管浸润预测结果的准确性。
实施例四
图4为本发明实施例四提供的脉管浸润检测装置的结构示意图，该装置可以由硬件和/或软件的方式来实现，一般可集成于计算机设备中。如图4所示，该装置包括：
图像获取模块41，用于获取待检测部位的计算机断层扫描图像；
图像预处理模块42，用于对计算机断层扫描图像进行目标区域切割的预处理；
第一结果输出模块43，用于将预处理后的计算机断层扫描图像输入训练后的深度学习模型，并输出脉管浸润的第一预测结果。
本发明实施例所提供的技术方案，首先获取待检测部位的计算机断层扫描图像，然后对该计算机断层扫描图像进行目标区域切割的预处理，再将预处理过后的计算机断层扫描图像输入训练后的深度学习模型，即可预测出脉管浸润的预测结果。通过根据获取的计算机断层扫描图像经深度学习模型直接预测得到脉管浸润的概率，避免了由医生的主观经验进行判断，实现了脉管浸润程度的自动检测，从而提高了检测结果的准确性，并减轻了医生的工作压力。
在上述技术方案的基础上，可选的，图像预处理模块42，包括：
HU值转换单元，用于将计算机断层扫描图像的灰度值转换为HU值；
遮罩层创建单元，用于创建计算机断层扫描图像上目标区域的遮罩层；
图像切割单元，用于根据遮罩层对计算机断层扫描图像进行切割。
在上述技术方案的基础上，可选的，遮罩层为环形遮罩层，相应的，遮罩层创建单元，包括：
图像放缩子单元，用于根据预设缩放因子对人工标注的遮罩图像进行放大和缩小；
遮罩层确定子单元，用于根据放大后的遮罩图像和缩小后的遮罩图像确定环形遮罩层。
在上述技术方案的基础上，可选的，该脉管浸润检测装置，还包括：
图像分组模块，用于在获取待检测部位的计算机断层扫描图像之后，根据计算机断层扫描图像上目标区域的大小对计算机断层扫描图像进行分组；
相应的，第一结果输出模块43具体用于：
分别将预处理后的各组计算机断层扫描图像输入对应的训练后的深度学习模型，并输出各组的脉管浸润的第一预测结果。
在上述技术方案的基础上，可选的，该脉管浸润检测装置，还包括：
生化数据获取模块，用于获取待检测人员的生化数据；
第二结果输出模块，用于将生化数据输入训练后的第一神经网络模型，并输出脉管浸润的第二预测结果；
相应的，该脉管浸润检测装置，还包括：
最终结果输出模块，用于在分别将预处理后的各组计算机断层扫描图像输入对应的训练后的深度学习模型，并输出各组的脉管浸润的第一预测结果之后，将各组第一预测结果和第二预测结果输入训练后的第二神经网络模型，并输出脉管浸润的最终预测结果。
在上述技术方案的基础上，可选的，该脉管浸润检测装置，还包括：
变量转换模块，用于在获取待检测人员的生化数据之后，将生化数据中的连续型变量转化为离散型变量。
在上述技术方案的基础上，可选的，该脉管浸润检测装置，还包括：
编码模块，用于在将生化数据中的连续型变量转化为离散型变量之后，利用独热编码对离散型变量进行编码。
本发明实施例所提供的脉管浸润检测装置可执行本发明任意实施例所提供的脉管浸润检测方法，具备执行方法相应的功能模块和有益效果。
值得注意的是，在上述脉管浸润检测装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
实施例五
图5为本发明实施例五提供的计算机设备的结构示意图，示出了适于用来实现本发明实施方式的示例性计算机设备的框图。图5显示的计算机设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。如图5所示，该计算机设备包括处理器51、存储器52、输入装置53及输出装置54；计算机设备中处理器51的数量可以是一个或多个，图5中以一个处理器51为例，计算机设备中的处理器51、存储器52、输入装置53及输出装置54可以通过总线或其他方式连接，图5中以通过总线连接为例。
存储器52作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的脉管浸润检测方法对应的程序指令/模块(例如，脉管浸润检测装置中的图像获取模块41、图像预处理模块42及第一结果输出模块42)。处理器51通过运行存储在存储器52中的软件程序、指令以及模块，从而执行计算机设备的各种功能应用以及数据处理，即实现上述的脉管浸润检测方法。
存储器52可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据计算机设备的使用所创建的数据等。此外，存储器52可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器52可进一步包括相对于处理器51远程设置的存储器，这些远程存储器可以通过网络连接至计算机设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置53可用于获取待检测部位的计算机断层扫描图像，以及产生与计算机设备的用户设置和功能控制有关的键信号输入等。输出装置54可包括显示屏等设备，可用于向用户展示脉管浸润的预测结果等。
实施例六
本发明实施例六还提供一种包含计算机可执行指令的存储介质，该计算机可执行指令在由计算机处理器执行时用于执行一种脉管浸润检测方法，该方法包括：
获取待检测部位的计算机断层扫描图像；
对计算机断层扫描图像进行目标区域切割的预处理；
将预处理后的计算机断层扫描图像输入训练后的深度学习模型，并输出脉管浸润的第一预测结果。
存储介质是任何的各种类型的存储器设备或存储设备。术语“存储介质”旨在包括：安装介质，例如CD-ROM、软盘或磁带装置；计算机系统存储器或随机存取存储器，诸如DRAM、DDR RAM、SRAM、EDO RAM，兰巴斯(Rambus)RAM等；非易失性存储器，诸如闪存、磁介质(例如硬盘或光存储)；寄存器或其它相似类型的存储器元件等。存储介质可以还包括其它类型的存储器或其组合。另外，存储介质可以位于程序在其中被执行的计算机系统中，或者可以位于不同的第二计算机系统中，第二计算机系统通过网络(诸如因特网)连接到计算机系统。第二计算机系统可以提供程序指令给计算机用于执行。术语“存储介质”可以包括可以驻留在不同位置中(例如在通过网络连接的不同计算机系统中)的两个或更多存储介质。存储介质可以存储可由一个或多个处理器执行的程序指令(例如具体实现为计算机程序)。
当然，本发明实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的方法操作，还可以执行本发明任意实施例所提供的脉管浸润检测方法中的相关操作。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种脉管浸润检测方法，其特征在于，包括：
获取待检测部位的计算机断层扫描图像；
对所述计算机断层扫描图像进行目标区域切割的预处理；
将预处理后的所述计算机断层扫描图像输入训练后的深度学习模型，并输出脉管浸润的第一预测结果。
2.根据权利要求1所述的脉管浸润检测方法，其特征在于，所述对所述计算机断层扫描图像进行目标区域切割的预处理，包括：
将所述计算机断层扫描图像的灰度值转换为HU值；
创建所述计算机断层扫描图像上所述目标区域的遮罩层；
根据所述遮罩层对所述计算机断层扫描图像进行切割。
3.根据权利要求2所述的脉管浸润检测方法，其特征在于，所述遮罩层为环形遮罩层，相应的，所述创建所述计算机断层扫描图像上所述目标区域的遮罩层，包括：
根据预设缩放因子对人工标注的遮罩图像进行放大和缩小；
根据放大后的遮罩图像和缩小后的遮罩图像确定所述环形遮罩层。
4.根据权利要求1所述的脉管浸润检测方法，其特征在于，在所述获取待检测部位的计算机断层扫描图像之后，还包括：
根据所述计算机断层扫描图像上所述目标区域的大小对所述计算机断层扫描图像进行分组；
相应的，所述将预处理后的所述计算机断层扫描图像输入训练后的深度学习模型，并输出脉管浸润的第一预测结果，包括：
分别将预处理后的各组所述计算机断层扫描图像输入对应的训练后的深度学习模型，并输出各组的脉管浸润的第一预测结果。
5.根据权利要求4所述的脉管浸润检测方法，其特征在于，所述脉管浸润检测方法还包括：
获取待检测人员的生化数据；
将所述生化数据输入训练后的第一神经网络模型，并输出脉管浸润的第二预测结果；
相应的，在所述分别将预处理后的各组所述计算机断层扫描图像输入对应的训练后的深度学习模型，并输出各组的脉管浸润的第一预测结果之后，还包括：
将各组所述第一预测结果和所述第二预测结果输入训练后的第二神经网络模型，并输出脉管浸润的最终预测结果。
6.根据权利要求5所述的脉管浸润检测方法，其特征在于，在所述获取待检测人员的生化数据之后，还包括：
将所述生化数据中的连续型变量转化为离散型变量。
7.根据权利要求6所述的脉管浸润检测方法，其特征在于，在所述将所述生化数据中的连续型变量转化为离散型变量之后，还包括：
利用独热编码对所述离散型变量进行编码。
8.一种脉管浸润检测装置，其特征在于，包括：
图像获取模块，用于获取待检测部位的计算机断层扫描图像；
图像预处理模块，用于对所述计算机断层扫描图像进行目标区域切割的预处理；
第一结果输出模块，用于将预处理后的所述计算机断层扫描图像输入训练后的深度学习模型，并输出脉管浸润的第一预测结果。
9.一种计算机设备，其特征在于，包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的脉管浸润检测方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一所述的脉管浸润检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010851078.XA CN111915698B (zh) | 2020-08-21 | 一种脉管浸润检测方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010851078.XA CN111915698B (zh) | 2020-08-21 | 一种脉管浸润检测方法、装置、计算机设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111915698A true CN111915698A (zh) | 2020-11-10 |
| CN111915698B CN111915698B (zh) | 2024-06-07 |
Family
ID=
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112508941A (zh) * | 2020-12-25 | 2021-03-16 | 上海深博医疗器械有限公司 | 三维超声扫描完整性检测方法及装置 |
| CN113658700A (zh) * | 2021-08-16 | 2021-11-16 | 复旦大学附属中山医院 | 一种基于机器学习的门脉高压无创评估方法及系统 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150065854A1 (en) * | 2012-10-31 | 2015-03-05 | General Electric Company | Joint estimation of attenuation and activity information using emission data |
| CN107749062A (zh) * | 2017-09-18 | 2018-03-02 | 深圳市朗形网络科技有限公司 | 图像处理方法、及装置 |
| CN109378065A (zh) * | 2018-10-30 | 2019-02-22 | 医渡云（北京）技术有限公司 | 医疗数据处理方法及装置、存储介质、电子设备 |
| US20190139641A1 (en) * | 2017-11-03 | 2019-05-09 | Siemens Healthcare Gmbh | Artificial intelligence for physiological quantification in medical imaging |
| US20190236394A1 (en) * | 2015-11-18 | 2019-08-01 | Adobe Inc. | Utilizing interactive deep learning to select objects in digital visual media |
| CN110574120A (zh) * | 2017-02-28 | 2019-12-13 | 阿尼克萨诊断公司 | 使用流式细胞术数据的人工神经网络分析进行癌症诊断的系统和方法 |
| US20200005460A1 (en) * | 2018-06-28 | 2020-01-02 | Shenzhen Imsight Medical Technology Co. Ltd. | Method and device for detecting pulmonary nodule in computed tomography image, and computer-readable storage medium |
| CN110728997A (zh) * | 2019-11-29 | 2020-01-24 | 中国科学院深圳先进技术研究院 | 一种基于情景感知的多模态抑郁症检测方法和系统 |
| CN111275130A (zh) * | 2020-02-18 | 2020-06-12 | 上海交通大学 | 基于多模态的深度学习预测方法、系统、介质及设备 |
| CN111276218A (zh) * | 2020-01-10 | 2020-06-12 | 宁波智洲道济科技有限公司 | 一种精准诊疗系统、设备及方法 |
| KR20200069217A (ko) * | 2018-12-06 | 2020-06-16 | 한국전자통신연구원 | 이종 데이터를 이용하여 심혈관 질환의 발병을 예측하는 장치 |
| CN111310808A (zh) * | 2020-02-03 | 2020-06-19 | 平安科技（深圳）有限公司 | 图片识别模型的训练方法、装置、计算机系统及存储介质 |
| US20200258235A1 (en) * | 2019-02-07 | 2020-08-13 | Vysioneer INC. | Method and apparatus for automated target and tissue segmentation using multi-modal imaging and ensemble machine learning models |
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150065854A1 (en) * | 2012-10-31 | 2015-03-05 | General Electric Company | Joint estimation of attenuation and activity information using emission data |
| US20190236394A1 (en) * | 2015-11-18 | 2019-08-01 | Adobe Inc. | Utilizing interactive deep learning to select objects in digital visual media |
| CN110574120A (zh) * | 2017-02-28 | 2019-12-13 | 阿尼克萨诊断公司 | 使用流式细胞术数据的人工神经网络分析进行癌症诊断的系统和方法 |
| CN107749062A (zh) * | 2017-09-18 | 2018-03-02 | 深圳市朗形网络科技有限公司 | 图像处理方法、及装置 |
| US20190139641A1 (en) * | 2017-11-03 | 2019-05-09 | Siemens Healthcare Gmbh | Artificial intelligence for physiological quantification in medical imaging |
| US20200005460A1 (en) * | 2018-06-28 | 2020-01-02 | Shenzhen Imsight Medical Technology Co. Ltd. | Method and device for detecting pulmonary nodule in computed tomography image, and computer-readable storage medium |
| CN109378065A (zh) * | 2018-10-30 | 2019-02-22 | 医渡云（北京）技术有限公司 | 医疗数据处理方法及装置、存储介质、电子设备 |
| KR20200069217A (ko) * | 2018-12-06 | 2020-06-16 | 한국전자통신연구원 | 이종 데이터를 이용하여 심혈관 질환의 발병을 예측하는 장치 |
| US20200258235A1 (en) * | 2019-02-07 | 2020-08-13 | Vysioneer INC. | Method and apparatus for automated target and tissue segmentation using multi-modal imaging and ensemble machine learning models |
| CN110728997A (zh) * | 2019-11-29 | 2020-01-24 | 中国科学院深圳先进技术研究院 | 一种基于情景感知的多模态抑郁症检测方法和系统 |
| CN111276218A (zh) * | 2020-01-10 | 2020-06-12 | 宁波智洲道济科技有限公司 | 一种精准诊疗系统、设备及方法 |
| CN111310808A (zh) * | 2020-02-03 | 2020-06-19 | 平安科技（深圳）有限公司 | 图片识别模型的训练方法、装置、计算机系统及存储介质 |
| CN111275130A (zh) * | 2020-02-18 | 2020-06-12 | 上海交通大学 | 基于多模态的深度学习预测方法、系统、介质及设备 |
Non-Patent Citations (5)
| Title |
|---|
| DONGHUAN LU等: "Multimodal and Multiscale Deep Neural Networks for the Early Diagnosis of Alzheimer’s Disease using structural MR and FDG-PET images", 《 SCIENTIFIC REPORTS》, 9 April 2018 (2018-04-09), pages 37 - 13 * |
| XIA-AN BI等: "Multimodal Data Analysis of Alzheimer\'s Disease Based on Clustering Evolutionary Random Forest", 《IEEE》, vol. 24, no. 10, 11 February 2020 (2020-02-11), pages 2973, XP011812809, DOI: 10.1109/JBHI.2020.2973324 * |
| 杨勇哲: "基于多模态磁共振影像的 精神分裂症分类与预测研究", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑 (月刊)》, 15 December 2018 (2018-12-15), pages 060 - 74 * |
| 贾文娟等: "基于影像的病脑检测方法综述", 《计算机工程与应用》, no. 11, 31 May 2018 (2018-05-31), pages 26 - 34 * |
| 赵涓涓: "《肺癌早期计算机辅助诊断技术》", 国防工业出版社, pages: 37 - 40 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112508941A (zh) * | 2020-12-25 | 2021-03-16 | 上海深博医疗器械有限公司 | 三维超声扫描完整性检测方法及装置 |
| CN113658700A (zh) * | 2021-08-16 | 2021-11-16 | 复旦大学附属中山医院 | 一种基于机器学习的门脉高压无创评估方法及系统 |
| CN113658700B (zh) * | 2021-08-16 | 2023-10-27 | 复旦大学附属中山医院 | 一种基于机器学习的门脉高压无创评估方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112102321B (zh) | 一种基于深度卷积神经网络的病灶图像分割方法及系统 | |
| Yang et al. | MSDS-UNet: A multi-scale deeply supervised 3D U-Net for automatic segmentation of lung tumor in CT | |
| WO2021114130A1 (zh) | 一种无监督自适应乳腺病变分割方法 | |
| CN110443268B (zh) | 一种基于深度学习的肝部ct图像良性恶性分类方法 | |
| CN112767407B (zh) | 一种基于级联门控3DUnet模型的CT图像肾脏肿瘤分割方法 | |
| CN112991346B (zh) | 用于医学图像分析的学习网络的训练方法和训练系统 | |
| CN114998265A (zh) | 一种基于改进U-Net的肝脏肿瘤分割方法 | |
| CN117078692B (zh) | 一种基于自适应特征融合的医疗超声图像分割方法及系统 | |
| CN113034507A (zh) | 基于ccta影像的冠状动脉三维分割方法 | |
| Khan | Identification of lung cancer using convolutional neural networks based classification | |
| CN113538209A (zh) | 一种多模态医学影像配准方法、配准系统、计算设备和存储介质 | |
| Condon et al. | Replication of an open-access deep learning system for screening mammography: Reduced performance mitigated by retraining on local data | |
| Honghan et al. | Rms-se-unet: A segmentation method for tumors in breast ultrasound images | |
| Yang et al. | Two-stream regression network for dental implant position prediction | |
| CN115953781B (zh) | 基于热层析影像的乳腺人工智能分析系统及方法 | |
| CN116739992B (zh) | 一种甲状腺被膜侵犯智能辅助判读方法 | |
| CN110276740A (zh) | 乳房肿瘤辅助检测模型、其系统及乳房肿瘤辅助检测方法 | |
| Rajesh et al. | Lung cancer diagnosis and treatment using AI and Mobile applications | |
| CN111915698B (zh) | 一种脉管浸润检测方法、装置、计算机设备及存储介质 | |
| CN111755131A (zh) | 一种基于注意力引导的covid-19早筛和严重程度评估方法和系统 | |
| CN111915698A (zh) | 一种脉管浸润检测方法、装置、计算机设备及存储介质 | |
| Anas et al. | Advancing Breast Cancer Detection: Enhancing YOLOv5 Network for Accurate Classification in Mammogram Images | |
| CN114027794A (zh) | 基于DenseNet网络的病理图像的乳腺癌区域检测方法及系统 | |
| Saumiya et al. | Unified automated deep learning framework for segmentation and classification of liver tumors | |
| Ji et al. | ResDSda_U-Net: A novel U-Net based residual network for segmentation of pulmonary nodules in lung CT images |
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 |