CN112262440A - 一种通过影像组学特征判断癌症治疗反应的方法及系统 - Google Patents
一种通过影像组学特征判断癌症治疗反应的方法及系统 Download PDFInfo
- Publication number
- CN112262440A CN112262440A CN202080001312.8A CN202080001312A CN112262440A CN 112262440 A CN112262440 A CN 112262440A CN 202080001312 A CN202080001312 A CN 202080001312A CN 112262440 A CN112262440 A CN 112262440A
- Authority
- CN
- China
- Prior art keywords
- image
- risk
- omics
- tumor
- metastasis
- 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
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—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
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
-
- 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
- G06T2207/10088—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
- G06T2207/10—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
- G06T2207/20081—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
- G06T2207/30—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)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- General Physics & Mathematics (AREA)
- Public Health (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- Pathology (AREA)
- Data Mining & Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Radiation-Therapy Devices (AREA)
Abstract
本发明提供一种通过影像组学特征判断癌症治疗反应的方法及系统,包括:合成单元,用于将患者定位图像和疗程中的时序图像进行匹配,将定位图像上的数据映射到疗程中的时序图像上,将时序图像上选定的部位分割成相应多个感兴趣区;获取单元,用于提取患者影像中具备稳定性的影像组学特征;分析单元,用于随治疗进度,根据影像组学特征参数在感兴趣区的变化趋势评估患者的治疗反应。本发明提供的方案具有以下有益效果:利用稳定性好、可重复性高、随治疗分次和累积剂量变化趋势明显的时序影像组学特征值;获得肿瘤复发转移或正常组织辐射损伤发生的早期个体化预测,提高肿瘤控制概率的同时降低正常组织辐射损伤风险和肿瘤复发转移风险。
Description
技术领域
本发明涉及放射治疗设备领域,特别涉及一种通过影像组学特征判断癌症治疗反应的方法及系统。
背景技术
放疗是癌症的主要治疗手段之一,肿瘤控制和器官损伤存在放射剂量学矛盾。癌症的放疗效果与靶区辐射剂量正相关,但随之增加的放射性损伤,比如肺癌中的肺炎(放肺)风险同是进一步提高靶区剂量的关键制约因素,也是导致放疗中断甚至失败的主要原因之一。放肺是正常肺组织受到辐射损伤后出现的炎症反应,临床主要表现为弥漫性肺泡损伤,严重的有可能会发展为放射性肺纤维化,在肺癌、食管癌等胸部肿瘤放疗患者中的发病率和死亡率较高。肿瘤的控制概率和放肺的发生风险均与剂量正相关,个体化早期动态监控不仅有利于放肺的预防和干预,而且有利于以更低的风险获得更好的放疗效果。但肿瘤控制和放肺发生的临界剂量阈值的个体差异很大,临床难以准确把握个体化放肺风险的同时争取更高的靶区剂量和肿瘤控制概率。
放疗中的严重损伤,比如放射性肺炎的预测成为放疗过程中亟待解决的技术问题。癌症难治愈,最大的风险是容易肿瘤复发转移,肿瘤复发转移早期预测具有非常重要的现实意义,也是亟待解决的问题。
发明内容
本发明的主要目的在于克服上述现有技术的缺陷,提供了一种通过影像组学特征判断癌症治疗反应的方法及系统,以解决现有技术无法解决的肿瘤复发转移风险预测,及放射性损伤风险预测问题。
本发明实施例之一提供一种通过影像组学特征判断癌症治疗反应的系统,其特征在于,包括:合成单元,用于将患者定位图像和疗程中的时序图像进行匹配,将定位图像上的数据映射到疗程中的时序图像上,将时序图像上选定的部位分割成相应多个感兴趣区;获取单元,用于提取患者影像中具备稳定性的影像组学特征;分析单元,用于随治疗进度,根据所述具备稳定性的影像组学特征参数在感兴趣区的变化趋势评估患者的治疗反应。
在一些实施例中,所述具备稳定性的影像组学特征,包括具有时间稳定性的影像组学特征;所述具有时间稳定性的影像组学特征指,在不同时间,基于相同条件相同位置采集的图像中的影像组学特征具备一致性的,为具备时间稳定性的影像组学特征。
在一些实施例中,所述具备稳定性的影像组学特征,还包括具有跨模态等价性的影像组学特征;所述具有跨模态等价性的影像组学特征指,同一对象相同位置不同图像模态的同一影像组学特征具备一致性的,为具有跨模态等价性的影像组学特征。
在一些实施例中,具备稳定性的影像组学特征具有变化趋势与逐渐累积的辐射剂量相关联的特点。
在一些实施例中,将患者定位图像和疗程中的时序图像进行匹配,包括形变配准方法匹配、或手工标注方法匹配、或刚性配准方法匹配。
在一些实施例中,所述随治疗进度,根据影像组学特征参数在感兴趣区的变化趋势评估患者的治疗反应,包括分析肿瘤复发转移风险,当风险值高于阈值时,该患者在当前条件下有癌症高复发转移风险。
在一些实施例中,所述分析肿瘤复发转移风险包括,将具备稳定性的影像组学特征输入预测模型,得出肿瘤是否复发转移的结果;所述预测模型通过发生和未发生肿瘤复发转移的患者数据为训练集,拟合影像组学特征变化趋势与肿瘤复发转移的关系,得出肿瘤复发转移风险的阈值;预测模型以影像组学特征为输入,以肿瘤是否复发转移为输出目标,训练得到。
在一些实施例中,所述随治疗进度,根据影像组学特征参数在感兴趣区的变化趋势评估患者的治疗反应,包括分析放射性损伤风险,当风险值高于阈值时,该患者在当前条件下放射性损伤风险较高。
在一些实施例中,所述分析放射性损伤风险包括,将具备稳定性的影像组学特征输入预测模型,得出是否发生放射性损伤风险的结果;所述预测模型通过利用发生和未发生放射损伤患者的不同感兴趣区影像组学特征时序数据为训练集,拟合影像组学特征变化趋势与放射性损伤风险的关系,得出放射性损伤风险的阈值;预测模型以影像组学特征为输入,以是否发生放射性损伤风险为输出目标,训练得到。
本发明实施例之一提供一种通过影像组学特征判断癌症治疗反应的方法,包括:将患者定位图像和疗程中的时序图像进行匹配,将定位图像上的数据映射到疗程中的时序图像上,将时序图像上选定的部位分割成相应多个感兴趣区;提取患者影像中具备稳定性的影像组学特征;随治疗进度,根据所述具备稳定性的影像组学特征参数在感兴趣区的变化趋势评估患者的治疗反应。
在一些实施例中,所述具备稳定性的影像组学特征,包括具有时间稳定性的影像组学特征;所述具有时间稳定性的影像组学特征指,在不同时间,基于相同条件相同位置采集的图像中的影像组学特征具备一致性的,为具备时间稳定性的影像组学特征。
在一些实施例中,所述具备稳定性的影像组学特征,还包括具有跨模态等价性的影像组学特征;所述具有跨模态等价性的影像组学特征指,同一对象相同位置不同图像模态的同一影像组学特征具备一致性的,为具有跨模态等价性的影像组学特征。
在一些实施例中,具备稳定性的影像组学特征具有变化趋势与逐渐累积的辐射剂量相关联的特点。
在一些实施例中,将患者定位图像和疗程中的时序图像进行匹配,包括形变配准方法匹配、或手工标注方法匹配、或刚性配准方法匹配。
在一些实施例中,随治疗进度,根据影像组学特征参数在感兴趣区的变化趋势评估患者的治疗反应,包括分析肿瘤复发转移风险,当风险值高于阈值时,该患者在当前条件下有癌症高复发转移风险。
在一些实施例中,所述分析肿瘤复发转移风险包括,将具备稳定性的影像组学特征输入预测模型,得出肿瘤是否复发转移的结果;所述预测模型通过发生和未发生肿瘤复发转移的患者数据为训练集,拟合影像组学特征变化趋势与肿瘤复发转移的关系,得出肿瘤复发转移风险的阈值;预测模型以影像组学特征为输入,以肿瘤是否复发转移为输出目标,训练得到。
在一些实施例中,所述随治疗进度,根据影像组学特征参数在感兴趣区的变化趋势评估患者的治疗反应,包括分析放射性损伤风险,当风险值高于阈值时,该患者在当前条件下放射性损伤风险较高。
在一些实施例中,所述分析放射性损伤风险包括,将具备稳定性的影像组学特征输入预测模型,得出是否发生放射性损伤风险的结果;所述预测模型通过利用发生和未发生放射损伤患者的不同感兴趣区影像组学特征时序数据为训练集,拟合影像组学特征变化趋势与放射性损伤风险的关系,得出反映放射性损伤风险的阈值;预测模型以影像组学特征为输入,以是否发生放射性损伤风险为输出目标,训练得到。
本发明实施例之一提供一种通过影像组学特征构建肿瘤复发转移风险预测模型的方法,收集发生和未发生肿瘤复发转移的患者数据为训练集;利用深度学习模型拟合影像组学特征变化趋势与肿瘤复发转移的关系,训练得出以影像组学特征为输入,以肿瘤是否复发转移为输出目标的预测模型。
本发明实施例之一提供一种通过影像组学特征构建放射性损伤风险预测模型的方法,收集发生和不发生放射损伤患者的不同感兴趣区影像组学特征时序数据为训练集;利用深度学习模型拟合影像组学特征变化趋势与放射性损伤风险的关系,训练得出以影像组学特征为输入,以是否发生放射性损伤风险为输出目标的预测模型。
本发明的方案有益效果如下:
从大量时序图像系列中筛选出稳定性好、可重复性高、随累积剂量变化趋势明显的影像组学特征,利用深度学习模型拟合影像组学特征变化趋势与放射性损伤风险及肿瘤复发转移风险的关系。临床结局进行关联并建立早期预测模型,从时序影像组学动态变化中寻找并验证肿瘤控制和放射损伤的个体化判别规则。通过阈值与剂量的对应关系指导自适应精确放疗等临床实践,以更低辐射损伤风险获得更好的放疗疗效。为自适应放疗等重大临床决策提供循证支持和科学依据。
附图说明
本发明将以示例性实施例的方式进一步说明,这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的,在这些实施例中,相同的编号表示相同的结构,其中:
图1是根据本发明一些实施例所示的通过影像组学特征判断癌症治疗反应的系统示意图;
图2是根据本发明一些实施例所示的通过影像组学特征判断癌症治疗反应的方法示意图;
图3是根据本发明一些实施例所示的一种通过影像组学特征构建肿瘤复发转移风险预测模型的方法示意图;
图4是根据本发明一些实施例所示的一种通过影像组学特征构建放射性损伤风险预测模型的方法示意图。
具体实施方式
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的介绍。显而易见地,下面描述中的附图仅仅是本发明的一些示例或实施例,各个实施例的技术特征之间可以相互组合,构成实现发明目的的实际方案,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将本发明应用于其它类似情景。除非从语言环境中显而易见或另做说明,图中相同标号代表相同结构或操作。
应当理解,本文使用的“系统”、“单元”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而,如果其他词语可实现相同的目的,则可通过其他表达来替换所述词语。并且,“系统”、“单元”可以由软件或者硬件实施,可以是实体或虚拟的具有该功能部分的称呼。
本发明中使用了流程图用来说明根据本发明的实施例的系统所执行的操作。应当理解的是,前面或后面操作不一定按照顺序来精确地执行。相反,可以按照倒序或同时处理各个步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。各个实施例中的技术方案可以相互组合实现本发明的目的。
实施例一:
一种通过影像组学特征判断癌症治疗反应的系统,如图1所示,包括:合成单元,用于将患者定位图像和疗程中的时序图像进行匹配,将定位图像上的数据映射到疗程中的时序图像上,将时序图像上选定的部位分割成相应多个感兴趣区;获取单元,用于提取患者影像中具备稳定性的影像组学特征;分析单元,用于随治疗进度,根据影像组学特征参数在感兴趣区的变化趋势评估患者的治疗反应。
时序图像包括时序CBCT图像、或者其它具有类似功能的成像等,时序CBCT图像系列的优势在于可提供放疗全程的影像组学特征变化和辐射累积剂量等多维度关联信息。
疗程中指的是从治疗开始到治疗结束的整个疗程,包括具体的实时放射治疗过程中,及一次或几次放射治疗后。
图像引导放疗(IGRT)临床实践中积累了大量多模态医疗数据,包括放疗前的诊断CT(CT)、定位CT、定位MR、定位PETCT,放疗过程中定期获取的时序锥束CT(CBCT)系列,以及放疗后用于随访和评效的CT、MR等。其中,CBCT成像作为摆位引导模态,不仅可为人工智能模型的建立提供大量历史数据,而且包含了空间、时间、剂量、生物效应等更多维度信息;其中,空间维度体现于肿瘤靶区和正常器官等解剖结构的形状、大小、相对位置等在放疗疗程中的变化情况,相较治疗前的定位CT等图像更加接近患者治疗当天的实际状态;时间和剂量等维度信息则主要体现于CBCT所反映的人体组织与射线的相互作用过程、生物学效应发生的时间延迟性及其与累积辐射剂量的正相关性等动态变化。CBCT的部分影像组学特征(如GLCM特征)具有稳定的可重复性和跨模态等价性,能补充甚至替代CT等传统数据用于影像组学分析,对于肺癌患者的生存具有预测价值。相较治疗前的CT图像,CBCT影像组学特征对于立体定向放疗中的放肺风险或者其它放疗风险具有更好的预测效果。
如果治疗前的图像不是CBCT影像,以放疗前的多模态影像与患者放疗过程中定期获取的时序CBCT进行标注和剂量重建。比如,肺癌放疗患者搜集治疗前的多模态影像数据,治疗过程的全部时序CBCT影像系列,以及治疗结束时、结束后的定期胸部增强CT等常规随访数据。多模态影像搜集方式,由于多模态影像数据量庞大,为进一步提高分析效率并减少人为误差,包括不限于采用以下实施方式搜集数据,对于标准DICOM格式的数据,利用计划系统提供的API接口对数据进行批量自动导出、整理和分析,比如将患者等剂量线转换为结构文件、形变配准后的批量剂量计算及累积等。对于非标准化多模态医学信息,通过爬虫工具从医院信息系统(HIS)的Web网页中自动抓取患者电子病历中的肿瘤复发转移、放肺诊断报告等临床信息,从而避免从数据库直接导出电子病历,降低风险的同时也提高了效率。
将患者定位图像和疗程中的时序图像进行匹配,基于形变配准技术、或手工标注方法或刚性配准方法匹配。将定位CT图像上的专家标注信息、治疗计划中提取的等剂量线梯度等数据映射至CBCT图像,并利用自动分割技术标注CBCT图像上的正常部位组织,从而确定靶区、高剂量区和正常部位组织等感兴趣区(ROI)。
形变配准技术在本发明中不仅用于将单一影像模态的标注数据映射到其他模态,也用于患者实际治疗剂量的重建和累积。为达到优化的配准效果,将精选形变配准参数,并在自动评估的基础上进行必要的人工确认和调整,以保证形变配准的质控需求和预测模型的准确性。本发明实施例之一采用基于互信息的B样条配准算法以适应多模态影像数据间像素值分布的差异性,也可以其它采用具有类似功能的算法。为定量评估形变配准精度并为参数调试提供依据,研究将通过随机数方法生成三维虚拟形变作为参考值,并将其作用到模体的CBCT图像上。将作用后的CBCT图像与模体的CT图像进行形变配准,比较计算得到的形变向量与已知参考值的误差。将误差均方作为形变配准精度的评价指标,反馈调试形变配准的参数(如灰度级数、分辨率、迭代次数、优化算法等),通过不断迭代以尽量缩小误差均方。
获取单元,用于提取患者影像中具备稳定性的影像组学特征;一种实施例为,分别对于肿瘤靶区和正常肺组织进行CBCT影像组学特征的提取,具体方法包括:经过灰度级数重采样、高斯平滑、直方图均匀化、分辨率重采样等预处理后,在感兴趣区(ROI)上提取影像组学特征,包括不限于提取体积及形状特征、一阶统计特征、纹理特征和小波分析特征等四大类。
根据影像组学特征参数在感兴趣区的变化趋势评估患者的治疗反应。所述的治疗反应指的是随着放射剂量的增加,是否存在肺癌放疗复发转移风险或者放射性损伤风险。做到放射性损伤或肿瘤复发转移提前预测。为自适应放疗等重大临床决策提供循证支持和科学依据。
实施例二:
所述具备稳定性的影像组学特征,包括具有时间稳定性的影像组学特征;所述具有时间稳定性的影像组学特征指,在不同时间,基于相同条件相同位置采集的图像中的影像组学特征具备一致性的,为具备时间稳定性的影像组学特征。
同时避免重要原始信息的损失,并利用一致性相关系数(CCC)来评价影像组学特征的时间稳定性和跨模态等价性,当致性相关系数(CCC)大于某一个数值时,影像组学特征具备一致性。
为了评估和筛选稳定的CBCT影像组学特征,本发明优化预处理方法,实施例之一采用Pyradiomics软件实现影像组学特征的自动计算,采用不同时间基于相同条件,采集的前后两次CBCT图像,对相同位置的ROI提取影像组学特征。对于每一个特征,分别计算前后两次数值的一致性相关系数(Concordance Correlation Coefficient,CCC),定义为:
其中,Sx或Sy为X或Y变量的标准差,Syx为X与Y的协方差,或表示平均值。不同时间图像上同一影像组学特征的CCC大于0.90时,该影像组学特征被认为具有稳定的可重复性,具备一致性。所述具备稳定性的影像组学特征,包括体积及形状特征、一阶统计特征、纹理特征、小波等分析特征中的一种或几种的组合。
上述时间稳定性的影像组学特征筛选方法,还可以用于跨模态等价性的影像组学特征的筛选。以电子计算机X射线断层扫描技术(CT)、核磁共振(MR)、电子发射计算机断层显像(PET)等传统多模态影像为参照,从时序CBCT图像中寻找具有跨模态等价性的影像组学特征,提取并验证最具稳定性和可重复性的特征。当不同模态图像上同一影像组学特征的CCC大于0.90时,该影像组学特征被认为具有稳定的可重复性,具备一致性。CCC的结果将部分用于支持预处理方法的选择和优化,从而尽可能多地获得具备稳定性的备选影像组学特征。
如果患者一直采用一种图像模态,不用考虑多模态一致性这个特征,只考虑时间稳定性即可。
分别以肿瘤靶区和正常肺组织为目标,从时序CBCT系列中进一步筛选出不同放疗分次间变化趋势明显的特征值,对应逐渐累积的辐射剂量。
在获得稳定的CBCT影像组学特征后,分别基于肿瘤靶区和正常肺组织,在时序CBCT系列上的相同ROI位置,计算影像组学特征随治疗分次和辐射累积剂量的变化趋势,并分别与肿瘤复发转移与否、以及放肺的发生与否等临床结局进行关联。
所述随治疗进度,根据影像组学特征参数在感兴趣区的变化趋势评估患者的治疗反应,包括分析肿瘤复发转移风险,当风险值高于阈值时,该患者在当前条件下有癌症高复发转移风险。分析肿瘤复发转移风险,确定肿瘤复发转移风险值,与肿瘤复发转移风险阈值比较。风险值及阈值的获取方式本发明不做限制。
一种实施方式为通过预测模型获得风险值和阈值,获得肿瘤是否复发转移。将具备稳定性的影像组学特征输入预测模型,得出肿瘤是否复发转移的结果。
所述预测模型通过发生和未发生肿瘤复发转移的患者数据为训练集,拟合影像组学特征变化趋势与肿瘤复发转移的关系,得出肿瘤复发转移风险的阈值;当影像组学特征输入预测模型后,获得一个风险值,风险值与阈值进行比较。输出为肿瘤是否复发转移的结果。
本发明实施例之一采用Scikit-Feature进行影像组学特征的选择,及Scikit-Learn软件包提供多种预测模型的选择,对患者影像组学特征及剂量分布数据进行预测模型建模,通过5折交叉验证,遍历多种特征选择算法与模型组合,通过AUC平均值和方差来度量模型的预测效果及鲁棒性,AUC平均值越高越好,方差越低越好。
搜集发生和未发生肿瘤复发转移的患者数据作为训练集,在训练集中利用LASSO回归,拟合影像组学特征变化趋势与肿瘤复发转移的关系。由于LASSO回归的L1正则化,预测性较差的变量会被剔除出模型,模型的最终输出为少数变量的线性组合,可作为肿瘤复发转移的判别函数。统计该判别函数在训练集中有和无复发转移两组病人的取值,比较其直方图,以两个直方图的交点对应的判别函数取值为阈值。当判别函数(风险值)高于该阈值时,认为患者在当前条件下有高复发转移风险,需进一步采取增加靶区处方剂量等自适应放疗策略进行及时干预。
预测模型包括不限于上述模型,还可以包括其它可以实现本发明目的的模型。预测模型的选择方式,计算各模型的ROC曲线,以ROC曲线下面积衡量模型的效力,比较得出最具预测效力的特征选择算法和分类器组合。基于最佳模型寻找预测肿瘤是否复发转移,放射性损伤比如放肺是否发生的影像组学临界阈值。
实施例三:
关于放射性损伤风险分析及模型建立的方法与实施例二相同,差别为训练集的组成不同。
所述预测模型通过利用发生和未发生放射损伤患者的不同感兴趣区影像组学特征时序数据为训练集。一种具体实施方式为:利用等剂量线将患者各治疗分次的CBCT图像系列上的正常肺组织分割成亚区,基于各种特征选择算法和各种分类器的不同组合,利用放肺发生与否等随访数据关联影像组学特征建立机器学习预测模型。
该预测模型获得放射性损伤,比如放射性肺炎是否发生,可指导自适应放疗的时机和空间定位等临床决策,通过及时重新设计放疗计划,利用相对低风险的肺部亚区“分担”高风险亚区的部分剂量,从而在不牺牲靶区剂量和肿瘤控制率的同时,有效降低整体放肺风险。
实施例四:
一种通过影像组学特征判断癌症治疗反应的方法与一种通过影像组学特征判断癌症治疗反应的系统一一对应,参见上文系统实施例说明。
实施例五:
一种通过影像组学特征构建肿瘤复发转移风险预测模型的方法,收集发生和未发生肿瘤复发转移的患者数据为训练集;利用深度学习模型拟合影像组学特征变化趋势与肿瘤复发转移的关系,训练得出以影像组学特征为输入,以肿瘤是否复发转移为输出目标的预测模型。该方法可以应用于设备、或系统中。
实施例六:
一种通过影像组学特征构建放射性损伤风险预测模型的方法,收集发生和不发生放射损伤患者的不同感兴趣区影像组学特征时序数据为训练集;利用深度学习模型拟合影像组学特征变化趋势与放射性损伤风险的关系,训练得出以影像组学特征为输入,以是否发生放射性损伤风险为输出目标的预测模型。该方法可以应用于设备、或系统中。
实施例五和六的方法一样,只是训练集的构成和模型输入、输出不同。以肺癌的转移和放射性损伤预测举例,其它癌症可以参照此方法:
一、影像组学特征稳定性与跨模态等价性验证方法
(1)对胸部仿真模体分别进行CT、CBCT等多模态成像,对图像进行刚性配准或形变配准或手工标注后,标注肺部区域。
(2)对图像进行预处理后提取肺部区域影像组学特征,比较不同模态的差异,计算一致性相关系数(CCC)。
(3)优化预处理手段,使尽可能多的影像组学特征满足不同模态间CCC>0.9。
(4)间隔一段时间对同一模体再次成像,重复(1-2)步。评估多模态影像组学特征的时间稳定性。优化预处理手段,使尽可能多的影像组学特征具备时间稳定性,即CCC>0.9。
(5)最终筛选出具备跨模态等价性(一致性)与时间稳定性(一致性)的时序CBCT系列影像组学特征。
上述步骤顺序可以改变。先时间稳定,后跨模态也是可以的。
二、肿瘤复发转移与放肺预测方法
(1)从临床数据库挑选并导出患者治疗前多模态图像、治疗中时序CBCT图像系列、放疗计划、剂量分布、靶区与危及器官标注、临床随访结果等数据,分为训练集和测试集。
(2)对治疗前多模态图像和治疗中时序CBCT图像系列进行形变配准,将定位CT上专家标注的结构映射到CBCT上,利用等剂量线将正常肺组织分割成相应亚区。
(3)计算各时间点多模态图像靶区、肺部ROI的影像组学特征,分析上一步骤筛选出的特征相对于治疗前基线值的变化趋势。
(4)采用不同的特征选择算法与分类器组合,输入上一步中影像组学特征治疗前后的变化值,对肿瘤复发转移和放肺进行预测。采用5-折交叉验证方法来评估不同模型的ROC平均值及标准差,优选鲁棒性最佳的模型,并结合临床结局寻找影像组学特征变化的阈值,当变化超过阈值时提示具有肿瘤复发转移或放肺风险。
(5)监测治疗过程中各影像组学特征相对于基线值的变化趋势,通过前述模型评估剂量累积过程中各治疗分次对应的肿瘤复发转移或放肺的风险值,利用对应的个体化阈值指导自适应放疗等临床决策。
上述步骤顺序可以根据实际情况增减,或者改变顺序。
三、模型验证方法及改进手段
(1)采上一步骤获得的模型,基于测试集多模态图像分别进行肿瘤复发转移和放肺风险评估,按照评估出的风险与阈值的大小关系将患者分为高危组和低危组。
(2)回顾性分析高危组和低危组的肿瘤复发转移和放肺情况,采用对数秩检验分析两条Kaplan-Meier曲线的差别是否具有统计学意义以验证模型的准确性。
(3)在定位CT与各治疗分次时序CBCT形变配准的图像上,分别重建并累积患者实际接受的治疗剂量。
(4)将实际剂量与计划剂量的偏差与影像组学特征的变化进行关联分析,为影像组学模型提供剂量学解释,并将剂量偏差作为模型输入,进一步提高模型预测的准确率。
分别采用肿瘤复发转移和放肺预测模型计算验证集中的判别函数值,根据是否大于临界阈值将验证集分为两组,分别画出以无肿瘤复发或无放肺生存率为纵轴的Kaplan-Meier曲线,用对数秩检验检查各个模型的两条曲线的差异是否有统计学意义。如有,则证明模型表现良好,进一步可做Cox回归分析,预测肿瘤复发率或放肺发生率随时间的变化。
预测模型迭代改进:由于患者在放疗疗程中可能出现体重减轻,靶区缩小,腔体器官体积、形状、内容物变化等解剖结构与定位CT的差异,患者实际剂量与放疗计划的剂量分布可能存在不同。在代表患者真实情况的CBCT图像上,通过与定位CT的形变配准等技术进行剂量重建,分析患者实际剂量与计划剂量的差异和位置分布,与影像组学特征的变化趋势和结局进行关联,可能为影像组学模型的预测结果提供剂量学解释。同时,该数据也可作为输入,进一步迭代和改进模型的预测精度和效力。
本发明实施例可能带来的有益效果包括但不限于:指导临床及时发现肿瘤靶区和/或正常肺组织接近阈值警示范围的病例和准确位置。对于发现具有复发和转移倾向的高危患者和靶区,可以通过增加治疗次数和处方剂量等方法改善肿瘤控制概率,同时严格监控放射损伤特征值动态变化,对于高危正常组织,可通过自适应放疗等技术,及时利用风险相对较低的其他正常组织分担部分剂量,从而以整体更低的辐射风险获得更好的靶区剂量和疗效。该方法也可以被应用到肺癌等各种癌种,为个体化精确放疗提供新的科学指引和技术手段的同时,形成可向基层辐射和推广的国人循证医学证据,促进更广泛的医疗公平和优质医疗资源可及性。有利于临床推广和产业应用。
需要说明的是,不同实施例可能产生的有益效果不同,在不同的实施例里,可能产生的有益效果可以是以上任意一种或几种的组合,也可以是其他任何可能获得的有益效果。
上文已对基本概念做了描述,显然,对于本领域技术人员来说,上述详细披露仅仅作为示例,而并不构成对本发明的限定。
此外,除非权利要求中明确说明,本发明所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用,并非用于限定本发明流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例,但应当理解的是,该类细节仅起到说明的目的,附加的权利要求并不仅限于披露的实施例,相反,权利要求旨在覆盖所有符合本发明实施例实质和范围的修正和等价组合。
同理,应当注意的是,为了简化本发明披露的表述,从而帮助对一个或多个发明实施例的理解,前文对本发明实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。但是,这种披露方法并不意味着本发明对象所需要的特征比权利要求中提及的特征多。
最后,应当理解的是,本发明中所述实施例仅用以说明本发明实施例的原则。其他的变形也可能属于本发明的范围。因此,作为示例而非限制,本发明实施例的替代配置可视为与本发明的教导一致。相应地,本发明的实施例不仅限于本发明明确介绍和描述的实施例。
Claims (20)
1.一种通过影像组学特征判断癌症治疗反应的系统,其特征在于,包括:合成单元,用于将患者定位图像和疗程中的时序图像进行匹配,将定位图像上的数据映射到疗程中的时序图像上,将时序图像上选定的部位分割成相应多个感兴趣区;获取单元,用于提取患者影像中具备稳定性的影像组学特征;分析单元,用于随治疗进度,根据所述具备稳定性的影像组学特征参数在感兴趣区的变化趋势评估患者的治疗反应。
2.根据权利要求1所述的系统,其特征在于,所述具备稳定性的影像组学特征,包括具有时间稳定性的影像组学特征;所述具有时间稳定性的影像组学特征指,在不同时间,基于相同条件相同位置采集的图像中的影像组学特征具备一致性的,为具备时间稳定性的影像组学特征。
3.根据权利要求2所述的系统,其特征在于,所述具备稳定性的影像组学特征,还包括具有跨模态等价性的影像组学特征;所述具有跨模态等价性的影像组学特征指,同一对象相同位置不同图像模态的同一影像组学特征具备一致性的,为具有跨模态等价性的影像组学特征。
4.根据权利要求1所述的系统,其特征在于,具备稳定性的影像组学特征具有变化趋势与逐渐累积的辐射剂量相关联的特点。
5.根据权利要求1所述的系统,其特征在于,将患者定位图像和疗程中的时序图像进行匹配,包括形变配准方法匹配、或手工标注方法匹配、或刚性配准方法匹配。
6.根据权利要求1所述的系统,其特征在于,所述随治疗进度,根据影像组学特征参数在感兴趣区的变化趋势评估患者的治疗反应,包括分析肿瘤复发转移风险,当风险值高于阈值时,该患者在当前条件下有癌症高复发转移风险。
7.根据权利要求6所述的系统,其特征在于,所述分析肿瘤复发转移风险包括,将具备稳定性的影像组学特征输入预测模型,得出肿瘤是否复发转移的结果;所述预测模型通过发生和未发生肿瘤复发转移的患者数据为训练集,拟合影像组学特征变化趋势与肿瘤复发转移的关系,得出肿瘤复发转移风险的阈值;预测模型以影像组学特征为输入,以肿瘤是否复发转移为输出目标,训练得到。
8.根据权利要求1所述的系统,其特征在于,所述随治疗进度,根据影像组学特征参数在感兴趣区的变化趋势评估患者的治疗反应,包括分析放射性损伤风险,当风险值高于阈值时,该患者在当前条件下放射性损伤风险较高。
9.根据权利要求8所述的系统,其特征在于,所述分析放射性损伤风险包括,将具备稳定性的影像组学特征输入预测模型,得出是否发生放射性损伤风险的结果;所述预测模型通过利用发生和未发生放射损伤患者的不同感兴趣区影像组学特征时序数据为训练集,拟合影像组学特征变化趋势与放射性损伤风险的关系,得出放射性损伤风险的阈值;预测模型以影像组学特征为输入,以是否发生放射性损伤风险为输出目标,训练得到。
10.一种通过影像组学特征判断癌症治疗反应的方法,其特征在于,包括:将患者定位图像和疗程中的时序图像进行匹配,将定位图像上的数据映射到疗程中的时序图像上,将时序图像上选定的部位分割成相应多个感兴趣区;提取患者影像中具备稳定性的影像组学特征;随治疗进度,根据所述具备稳定性的影像组学特征参数在感兴趣区的变化趋势评估患者的治疗反应。
11.根据权利要求10所述的方法,其特征在于,所述具备稳定性的影像组学特征,包括具有时间稳定性的影像组学特征;所述具有时间稳定性的影像组学特征指,在不同时间,基于相同条件相同位置采集的图像中的影像组学特征具备一致性的,为具备时间稳定性的影像组学特征。
12.根据权利要求11所述的方法,其特征在于,所述具备稳定性的影像组学特征,还包括具有跨模态等价性的影像组学特征;所述具有跨模态等价性的影像组学特征指,同一对象相同位置不同图像模态的同一影像组学特征具备一致性的,为具有跨模态等价性的影像组学特征。
13.根据权利要求10所述的方法,其特征在于,具备稳定性的影像组学特征具有变化趋势与逐渐累积的辐射剂量相关联的特点。
14.根据权利要求10所述的方法,其特征在于,将患者定位图像和疗程中的时序图像进行匹配,包括形变配准方法匹配、或手工标注方法匹配、或刚性配准方法匹配。
15.根据权利要求10所述的方法,其特征在于,随治疗进度,根据影像组学特征参数在感兴趣区的变化趋势评估患者的治疗反应,包括分析肿瘤复发转移风险,当风险值高于阈值时,该患者在当前条件下有癌症高复发转移风险。
16.根据权利要求15所述的方法,其特征在于,所述分析肿瘤复发转移风险包括,将具备稳定性的影像组学特征输入预测模型,得出肿瘤是否复发转移的结果;所述预测模型通过发生和未发生肿瘤复发转移的患者数据为训练集,拟合影像组学特征变化趋势与肿瘤复发转移的关系,得出肿瘤复发转移风险的阈值;预测模型以影像组学特征为输入,以肿瘤是否复发转移为输出目标,训练得到。
17.根据权利要求10所述的方法,其特征在于,所述随治疗进度,根据影像组学特征参数在感兴趣区的变化趋势评估患者的治疗反应,包括分析放射性损伤风险,当风险值高于阈值时,该患者在当前条件下放射性损伤风险较高。
18.根据权利要求17所述的方法,其特征在于,所述分析放射性损伤风险包括,将具备稳定性的影像组学特征输入预测模型,得出是否发生放射性损伤风险的结果;所述预测模型通过利用发生和未发生放射损伤患者的不同感兴趣区影像组学特征时序数据为训练集,拟合影像组学特征变化趋势与放射性损伤风险的关系,得出放射性损伤风险的阈值;预测模型以影像组学特征为输入,以是否发生放射性损伤风险为输出目标,训练得到。
19.一种通过影像组学特征构建肿瘤复发转移风险预测模型的方法,其特征在于,收集发生和未发生肿瘤复发转移的患者数据为训练集;利用深度学习模型拟合影像组学特征变化趋势与肿瘤复发转移的关系,训练得出以影像组学特征为输入,以肿瘤是否复发转移为输出目标的预测模型。
20.一种通过影像组学特征构建放射性损伤风险预测模型的方法,其特征在于,收集发生和不发生放射损伤患者的不同感兴趣区影像组学特征时序数据为训练集;利用深度学习模型拟合影像组学特征变化趋势与放射性损伤风险的关系,训练得出以影像组学特征为输入,以是否发生放射性损伤风险为输出目标的预测模型。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/CN2020/102206 WO2022011616A1 (zh) | 2020-07-15 | 2020-07-15 | 一种通过影像组学特征判断癌症治疗反应的方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112262440A true CN112262440A (zh) | 2021-01-22 |
Family
ID=74225415
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202080001312.8A Pending CN112262440A (zh) | 2020-07-15 | 2020-07-15 | 一种通过影像组学特征判断癌症治疗反应的方法及系统 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN112262440A (zh) |
WO (1) | WO2022011616A1 (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI783907B (zh) * | 2022-05-24 | 2022-11-11 | 華碩電腦股份有限公司 | 輔助診斷系統及其方法 |
WO2022268102A1 (zh) * | 2021-06-22 | 2022-12-29 | 安翰科技(武汉)股份有限公司 | 基于深度学习的癌症预后生存预测方法、设备及存储介质 |
CN116687353A (zh) * | 2023-08-01 | 2023-09-05 | 宁波杜比医疗科技有限公司 | 新辅助化疗疗效评估系统、设备及介质 |
CN117476246A (zh) * | 2023-12-25 | 2024-01-30 | 福建大数据一级开发有限公司 | 基于多类型复发事件的患者生存分析方法、介质及装置 |
CN117877721A (zh) * | 2024-03-12 | 2024-04-12 | 天津市肿瘤医院(天津医科大学肿瘤医院) | 一种个性化甲状腺癌放疗后内分泌治疗管理系统 |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115458158B (zh) * | 2022-09-23 | 2023-09-15 | 深圳大学 | 一种针对脓毒症患者的急性肾损伤预测系统 |
CN115440383B (zh) * | 2022-09-30 | 2023-03-21 | 中国医学科学院北京协和医院 | 用于预测晚期癌症患者pd-1/pd-l1单抗治疗疗效的系统 |
CN117934480B (zh) * | 2024-03-25 | 2024-05-28 | 天津市第五中心医院 | 一种用于肺损伤预测的肺部ct图像处理方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040101181A1 (en) * | 2002-07-12 | 2004-05-27 | University Of Chicago | Automated method and system for computerized image analysis prognosis |
US20170357844A1 (en) * | 2016-06-09 | 2017-12-14 | Siemens Healthcare Gmbh | Image-based tumor phenotyping with machine learning from synthetic data |
CN109583447A (zh) * | 2018-12-11 | 2019-04-05 | 山东省肿瘤防治研究院(山东省肿瘤医院) | 一种影像组学分析模型构建方法及分析方法 |
CN109829488A (zh) * | 2019-01-17 | 2019-05-31 | 桂林电子科技大学 | 一种头颈部癌症局部复发预测装置 |
WO2019152412A1 (en) * | 2018-01-31 | 2019-08-08 | General Electric Company | System and method for detecting anatomical regions |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8837791B2 (en) * | 2010-12-22 | 2014-09-16 | Kabushiki Kaisha Toshiba | Feature location method and system |
WO2018225063A1 (en) * | 2017-06-04 | 2018-12-13 | Rappaport Family Institute For Research In The Medical Sciences | Method of predicting personalized response to cancer treatment with immune checkpoint inhibitors and kits therefor |
CN108766563A (zh) * | 2018-05-25 | 2018-11-06 | 戴建荣 | 基于剂量组学的放射治疗结果预测方法和系统 |
-
2020
- 2020-07-15 CN CN202080001312.8A patent/CN112262440A/zh active Pending
- 2020-07-15 WO PCT/CN2020/102206 patent/WO2022011616A1/zh active Application Filing
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040101181A1 (en) * | 2002-07-12 | 2004-05-27 | University Of Chicago | Automated method and system for computerized image analysis prognosis |
US20170357844A1 (en) * | 2016-06-09 | 2017-12-14 | Siemens Healthcare Gmbh | Image-based tumor phenotyping with machine learning from synthetic data |
WO2019152412A1 (en) * | 2018-01-31 | 2019-08-08 | General Electric Company | System and method for detecting anatomical regions |
CN109583447A (zh) * | 2018-12-11 | 2019-04-05 | 山东省肿瘤防治研究院(山东省肿瘤医院) | 一种影像组学分析模型构建方法及分析方法 |
CN109829488A (zh) * | 2019-01-17 | 2019-05-31 | 桂林电子科技大学 | 一种头颈部癌症局部复发预测装置 |
Non-Patent Citations (3)
Title |
---|
李燕雏等: "PET/CT功能影像在肺癌及头颈部肿瘤放疗靶区勾画中的应用及进展", 《中外医疗》, no. 23, pages 185 - 186 * |
路玉昆等: "CT影像组学在指导肺癌精准放疗中的应用进展", 《中国肿瘤临床》, vol. 45, no. 2, pages 92 - 96 * |
闫梦梦等: "影像组学技术及其在肿瘤精准放疗中的应用", 《肿瘤预防与治疗》, vol. 31, no. 5, pages 364 - 368 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022268102A1 (zh) * | 2021-06-22 | 2022-12-29 | 安翰科技(武汉)股份有限公司 | 基于深度学习的癌症预后生存预测方法、设备及存储介质 |
TWI783907B (zh) * | 2022-05-24 | 2022-11-11 | 華碩電腦股份有限公司 | 輔助診斷系統及其方法 |
CN116687353A (zh) * | 2023-08-01 | 2023-09-05 | 宁波杜比医疗科技有限公司 | 新辅助化疗疗效评估系统、设备及介质 |
CN116687353B (zh) * | 2023-08-01 | 2023-12-19 | 宁波杜比医疗科技有限公司 | 新辅助化疗疗效评估系统、设备及介质 |
CN117476246A (zh) * | 2023-12-25 | 2024-01-30 | 福建大数据一级开发有限公司 | 基于多类型复发事件的患者生存分析方法、介质及装置 |
CN117476246B (zh) * | 2023-12-25 | 2024-04-19 | 福建大数据一级开发有限公司 | 基于多类型复发事件的患者生存分析方法、介质及装置 |
CN117877721A (zh) * | 2024-03-12 | 2024-04-12 | 天津市肿瘤医院(天津医科大学肿瘤医院) | 一种个性化甲状腺癌放疗后内分泌治疗管理系统 |
Also Published As
Publication number | Publication date |
---|---|
WO2022011616A1 (zh) | 2022-01-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112262440A (zh) | 一种通过影像组学特征判断癌症治疗反应的方法及系统 | |
Roslidar et al. | A review on recent progress in thermal imaging and deep learning approaches for breast cancer detection | |
US11250569B2 (en) | Systems and methods for functional imaging follow-up evaluation using deep neural network | |
Omonigho et al. | Breast cancer: tumor detection in mammogram images using modified alexnet deep convolution neural network | |
El-Baz et al. | A novel shape-based diagnostic approach for early diagnosis of lung nodules | |
CN108778416A (zh) | 使用组织参数估计根据mr数据的伪ct生成 | |
CN108770373A (zh) | 使用特征回归模型根据mr数据的伪ct生成 | |
El-Baz et al. | Three-dimensional shape analysis using spherical harmonics for early assessment of detected lung nodules | |
CN111553892B (zh) | 基于深度学习的肺结节分割计算方法、装置及系统 | |
CN113208640B (zh) | 一种基于乳腺专用pet影像组学预测腋窝淋巴结转移的方法 | |
WO2023020366A1 (zh) | 一种医学图像信息计算方法、装置、边缘计算设备和存储介质 | |
Sammouda | Segmentation and analysis of CT chest images for early lung cancer detection | |
Irene et al. | Segmentation and approximation of blood volume in intracranial hemorrhage patients based on computed tomography scan images using deep learning method | |
Bu et al. | Lung nodule detection based on YOLOv3 deep learning with limited datasets | |
Sahaai et al. | Comparative Analysis on Brain Tumor Classification using Deep Learning Models | |
Wang et al. | Deep learning for automatic identification of nodule morphology features and prediction of lung cancer | |
Xu et al. | Improved cascade R-CNN for medical images of pulmonary nodules detection combining dilated HRNet | |
Marcus et al. | Concurrent ischemic lesion age estimation and segmentation of ct brain using a transformer-based network | |
CN115100155A (zh) | 放射性肺炎预测模型的建立方法与系统 | |
Alrahhal et al. | Deep learning-based system for detection of lung cancer using fusion of features | |
Bharti et al. | Detection and classification of pulmonary lung nodules in ct images using 3d convolutional neural networks | |
Diao et al. | Lung Cancer Detection with 3D Ensemble Convolution Neural Network | |
TW202238617A (zh) | 具有放射學特徵和語義成像描述特徵的哺乳動物結節判定方法、系統和電腦儲存媒體 | |
CN114331996A (zh) | 基于自编码解码器的医学影像分型方法及系统 | |
Khasawneh et al. | [Retracted] Early Detection of Medical Image Analysis by Using Machine Learning Method |
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 |