CN112465824A - 基于pet/ct图像亚区影像组学特征的肺腺鳞癌诊断装置 - Google Patents
基于pet/ct图像亚区影像组学特征的肺腺鳞癌诊断装置 Download PDFInfo
- Publication number
- CN112465824A CN112465824A CN202110121469.0A CN202110121469A CN112465824A CN 112465824 A CN112465824 A CN 112465824A CN 202110121469 A CN202110121469 A CN 202110121469A CN 112465824 A CN112465824 A CN 112465824A
- Authority
- CN
- China
- Prior art keywords
- voxel
- tumor
- value
- image
- pet
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 18
- 201000008424 adenosquamous lung carcinoma Diseases 0.000 title claims abstract description 11
- 206010028980 Neoplasm Diseases 0.000 claims abstract description 56
- 239000013598 vector Substances 0.000 claims abstract description 16
- 238000000605 extraction Methods 0.000 claims abstract description 13
- 208000020816 lung neoplasm Diseases 0.000 claims abstract description 13
- 208000037841 lung tumor Diseases 0.000 claims abstract description 11
- 201000005249 lung adenocarcinoma Diseases 0.000 claims abstract description 7
- 206010058467 Lung neoplasm malignant Diseases 0.000 claims abstract description 4
- 201000009030 Carcinoma Diseases 0.000 claims abstract 2
- 201000005296 lung carcinoma Diseases 0.000 claims abstract 2
- 238000003384 imaging method Methods 0.000 claims description 9
- 238000000034 method Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000003064 k means clustering Methods 0.000 claims description 5
- 238000007477 logistic regression Methods 0.000 claims description 4
- 238000003066 decision tree Methods 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000004579 scanning voltage microscopy Methods 0.000 claims description 3
- 238000011524 similarity measure Methods 0.000 claims description 3
- 238000013145 classification model Methods 0.000 claims description 2
- 238000002600 positron emission tomography Methods 0.000 description 31
- 210000004072 lung Anatomy 0.000 description 5
- 208000010507 Adenocarcinoma of Lung Diseases 0.000 description 4
- 206010041823 squamous cell carcinoma Diseases 0.000 description 4
- 238000002790 cross-validation Methods 0.000 description 3
- 239000000700 radioactive tracer Substances 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 201000005202 lung cancer Diseases 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 208000009956 adenocarcinoma Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000031018 biological processes and functions Effects 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000037406 food intake Effects 0.000 description 1
- 210000002865 immune cell Anatomy 0.000 description 1
- 230000002601 intratumoral effect Effects 0.000 description 1
- 201000005243 lung squamous cell carcinoma Diseases 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000004060 metabolic process Effects 0.000 description 1
- 230000001338 necrotic effect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000638 solvent extraction 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10104—Positron emission tomography [PET]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—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)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Pathology (AREA)
- General Engineering & Computer Science (AREA)
- Epidemiology (AREA)
- Probability & Statistics with Applications (AREA)
- Primary Health Care (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Nuclear Medicine (AREA)
Abstract
本发明公开了一种基于PET/CT图像亚区影像组学特征的肺腺鳞癌诊断装置,属于医学影像领域。该诊断装置包括:体素三维特征提取模块,用于提取PET/CT图像中肺肿瘤每个体素在一个邻域内的CT局部主梯度角特征值、该体素的CT值、PET值,并组成该体素的三维特征向量;特征聚类模块,用于对得到的每个体素的三维特征向量进行聚类,获取肿瘤亚区分区;radiomics影像组学特征提取模块,用于对每个肿瘤亚区分区提取radiomics影像组学特征;分类模块,用于根据提取的radiomics影像组学特征区分肿瘤是肺鳞癌还是肺腺癌。本发明诊断装置更好地考虑肿瘤内部的异质性,通过提取更加有效的影像组学特征,有效提高肿瘤诊断的准确率。
Description
技术领域
本发明涉及医学影像领域和机器学习领域,尤其涉及一种基于PET/CT图像亚区影像组学特征的肺腺鳞癌诊断装置。
背景技术
正电子发射断层扫描仪(positron emission tomography, PET)是一种在分子层面上的功能性成像设备。扫描前需要对患者注入放射性示踪剂,示踪剂在患者体内进行衰变进而发生湮灭,产生一对发射方向约180o相反的511keV伽马光子,检测器会采集这些伽马光子达到晶体的位置和时间信息。通过使用图像重构建算法对采集的信息进行重构建并进行后处理,即可获得反应示踪剂在患者体内代谢和摄取的情况。医生根据PET/CT的影像结果,结合各项临床指标综合分析患者的病情,从而确定治疗方案,在肺癌检测和定性中有着重要作用。
一系列研究表明,影像组学特征对癌症的诊断、提高临床治疗能力、提供决策有着积极作用。但是目前基于这些方法的诊断效率不高。传统的影像组学特征提取,是对整个肿瘤进行特征提取,这是建立在整个肿瘤是同质性的假设下的。而事实上,肿瘤内部本身是异质性的,肿瘤不应该简单地被当作一个匀质的整体,而应该是看成不同生态区组成的一个联合体,包括了肿瘤活跃区、基质、免疫细胞群等。同时肿瘤的异质性在影像中也有表现即不同类型的肿瘤,在影像中不同区域的体现有差异,因此,通过获取肿瘤影像不同区域的影像组学特征有望提高诊断效率。
发明内容
本发明的目的在于针对现有技术的不足,充分考虑肿瘤内部的异质性,提供了基于PET/CT图像亚区影像组学特征的肺腺鳞癌诊断装置,通过根据包含体素PET值、CT值、CT局部主梯度角特征值的三维特征向量进行个体聚类、层次聚类,形成肿瘤亚区分区。再基于肿瘤亚区分区,提取每个分区的radiomics影像组学特征,进行基于递归特征消除法(RFE)的特征选择,放入分类器(SVM、逻辑回归),对肺鳞癌、肺腺癌进行分类。
本发明采用的技术方案如下:
一种基于PET/CT图像亚区影像组学特征的肺腺鳞癌诊断装置,具体包括:
体素三维特征提取模块,所述体素三维特征提取模块用于提取PET/CT图像中肺肿瘤每个体素在一个邻域内的CT局部主梯度角特征值、该体素的CT值、PET值,并组成该体素的三维特征向量[PET值、CT值、CT局部主梯度角特征值];
特征聚类模块,用于对得到的每个体素的三维特征向量[PET值、CT值、CT局部主梯度角特征值]进行聚类,获取肿瘤亚区分区;
radiomics影像组学特征提取模块,用于对每个肿瘤亚区分区提取radiomics影像组学特征;
分类模块,用于根据提取的radiomics影像组学特征区分肿瘤为肺腺癌还是肺鳞癌。
进一步地,肺肿瘤每个体素在一个小邻域的CT局部主梯度角特征值提取方法包括如下步骤:
(1)对于肺肿瘤在CT图像上的每一个体素v ϵ V, 计算其在X,Y,Z三个维度的梯度值;
(2)对于每一个体素v ϵ V, 取以体素v为中心的邻域,将该邻域内包含的所有体素在X,Y,Z三个维度的梯度值组成该体素v的局部梯度矩阵;其中,所述邻域的半径为3~9;
进一步地,所述特征聚类模块采用个体性聚类和层次聚类获取肿瘤亚区分区,具体包括如下步骤:
(a) 个体性聚类:采用K-means聚类算法,以体素[PET值、CT值、CT局部主梯度角特征值]之间的平方欧式距离作为相似性度量,将每个肿瘤独立分割成K1个连续的超体素,K1为大于10的整数;
(b) 层次聚类:采用K-means聚类算法对所有N个PET/CT图像样本的K1个超体素的平均强度三维向量[PET值、CT值、CT局部主梯度角特征值]进行群体聚类,获得的K2个聚类结果即为得到的肿瘤亚区分区。
优选地,群体聚类时,K取值2-10,从中选取Calinski-Harbasz Score数值最大聚类结果作为肿瘤亚区分区。
进一步地,所述radiomics影像组学特征包括CT特征和PET特征。
进一步地,所述分类模块为SVM、决策树或逻辑回归。
本发明的有益效果是:肺腺癌和肺鳞癌是肺癌的主要类型,两种类型的肿瘤在影像学上不同区域表现具有差异,这是基于影像组学诊断肺腺鳞癌的基本依据。本发明装置通过以体素为单位提取每个体素在一个邻域内的CT局部主梯度角特征值、CT值、PET值,并进行聚类划分肿瘤亚区,从而更好地考虑肿瘤内部的异质性,通过提取更加有效的亚区影像组学特征,有效提高肿瘤诊断的准确率。
附图说明
图1是本发明诊断装置的诊断流程图;
图2是本发明中亚区生成的详细流程图;
图3是本发明诊断装置的五折交叉验证曲线图;
图4是传统装置的五折交叉验证曲线图。
具体实施方式
本发明方法根据肿瘤内区域变化在临床影像学中很明显,具体来说,在单个肿瘤中,瘤内表不同,如坏死区、高度活跃区,它们反映了不同的生物过程。所以先将肿瘤进行亚区的分区提取处理(图2),再分别进行影像组学特征提取,从而更好地考虑肿瘤异质性,提取更加有效的影像组学特征,提高肿瘤诊断的准确率。具体地,本发明的一种基于PET/CT图像亚区影像组学特征的肺鳞腺癌诊断装置,该诊断装置具体包括:
体素三维特征提取模块,所述体素三维特征提取模块用于提取PET/CT图像中肺肿瘤每个体素在一个小邻域的CT局部主梯度角特征值、该体素的CT值、PET值,并组成该体素的三维特征向量[PET值、CT值、CT局部主梯度角特征值];
特征聚类模块,用于对得到的每个体素的三维特征向量[PET值、CT值、CT局部主梯度角特征值]进行聚类,获取肿瘤亚区分区;
radiomics影像组学特征提取模块,用于对每个肿瘤亚区分区提取radiomics影像组学特征,并进行特征筛选。
分类模块,用于根据提取的radiomics影像组学特征区分肿瘤是肺腺癌还是肺鳞癌。
图1是本发明诊断装置的诊断流程,先对PET/CT图像中肺肿瘤进行亚区分区(图2),然后对每个肿瘤亚区分别提取影像组学特征,具体包括如下步骤:
步骤一:将PET/CT图像样本输入至体素三维特征提取模块中获取每个体素的三维特征向量[PET值、CT值、CT局部主梯度角特征值],用于后续聚类;
其中,CT局部主梯度角特征值可以采用如下方法进行获取:
(1.2)对于每一个体素v ϵ V, 取以体素v为中心的邻域W, 本实施例中采用的大小为3×3
×3。对于体素v ϵ V,v M ϵW,M = 1,2,3,…,27,得到局部梯度矩阵,M
= 1,2,3,…,27。
步骤二:将体素三维特征提取模块获取的每个样本的所有三维特征向量[PET值、CT值、CT局部主梯度角特征值]输入至特征聚类模块进行聚类,具体包括如下子步骤:
(2.1)个体性聚类:采用K-means聚类算法,以体素[PET值、CT值、CT局部主梯度角特征值]之间的平方欧式距离作为相似性度量,将每个肿瘤独立分割成K1个连续的超体素,本实施例中K1=40。假定对于一个肿瘤样本S = {x 1, x 2, x 3,…, x m ,},m为该肿瘤的体素数量;其中x i =[PET i , CT i , CT local dominant orientation i ]为肿瘤中每个体素对应的三维特征向量,i = 1,2,3,…,m。聚类个数K1 = 40,步骤为:
(2.1.1)随机选择初始的K1=40个类别中心,μ 1,μ 2,μ 3,…,μ K1,即:
(2.1.2)将每个类别中心更新为隶属该类别的所有样本的均值:
l j 代表的是隶属于类别j的体素。
(2.1.3)重复(2.1.1)、(2.1.2)步骤,直到类别中心变化小于阈值。最后的K1个类别即为K1个超体素。
(2.2)层次聚类:将所有N个肿瘤样本的K1=40个超体素的平均强度三维向量[PET值、CT值、CT局部主梯度角特征值]作为输入,记为{X 1, X 2, X 3,…, X 40N,}, X i为对应的超体素内部所有体素对应[PET值、CT值、CT局部主梯度角特征值]三维特征向量的均值。设置聚类中心为2-10个,步骤为:
(2.2.1)假设聚类中心数目为k , 随机选择k个类别中心,μ 1,μ 2,μ 3,…,μ k ,采用Kmeans算法聚类,本实施例中,将样本分别聚类成k=2-10个类。
(2.2.2)计算将样本聚类成不同聚类数目时的Calinski-Harbasz Score,其中得分高的对应的聚类数目K2对应的K2个类别就是得到的K2个肿瘤亚区分区(本实施例中分为了4个分区)。Calinski-Harbasz Score是通过评估类之间方差和类内方差来评估聚类效果的指标,它的计算方式如下:
, 其中k代表聚类类别数,N’代表全部数据数目,N' = K1×N,SS B 是类间方差,SS W 是类内方差。SS B = tr(B k ),, SS W
= tr(W k ),,其中c q 是类q的质点,c E 是所有数据X i
的中心点,n q 是类q中数据点的总数,C q 是类q中所有数据的集合。
步骤三:获得的K2个肿瘤亚区分区输入至radiomics影像组学特征提取模块,对每个肿瘤亚区分区提取radiomics影像组学特征,包括CT特征(一阶统计特征、二阶纹理特征等)和PET特征(SUV peak, SUV mean, SUV max特征)。
步骤四:将提取的radiomics影像组学特征输入至分类模块中,分类模块可以直接判断肿瘤是肺腺癌还是肺鳞癌。
其中,分类模块可以采用SVM、决策树、逻辑回归等分类模型,分类模块需要训练,采用已有标签的PET/CT肿瘤图像提取好的特征进行训练。
另外,可以结合特征筛选(特征递归消除法RFE等),选出有效特征,剔除无用特征,从而改善分类模块的分类准确率。
对收集的200例肺肿瘤图像,采用本发明装置和传统装置进行诊断结果对比,表1是装置的诊断性能对比,图3和图4分别是本发明装置和传统装置的五折交叉验证曲线图,结果表明本发明的诊断装置更好地考虑肿瘤内部的异质性,通过提取更加有效的影像组学特征,有效提高肿瘤诊断的准确率。
表1 本发明装置和传统装置的诊断性能对比
显然,上述实施例仅仅是为清楚地说明所作的举例,而并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其他不同形式的变化或变动。这里无需也无法把所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明的保护范围。
Claims (5)
1.一种基于PET/CT图像亚区影像组学特征的肺腺鳞癌诊断装置,其特征在于,具体包括:
体素三维特征提取模块,用于提取PET/CT图像中肺肿瘤每个体素在一个邻域内的CT局部主梯度角特征值、该体素的CT值、PET值,并组成该体素的三维特征向量[PET值、CT值、CT局部主梯度角特征值];
特征聚类模块,用于对得到的每个体素的三维特征向量[PET值、CT值、CT主梯度角特征值]进行聚类,获取肿瘤亚区分区;
radiomics影像组学特征提取模块,用于对每个肿瘤亚区分区提取radiomics影像组学特征;
分类模块,用于根据提取的radiomics影像组学特征区分肿瘤是肺鳞癌还是肺腺癌。
3.根据权利要求1所述的肺腺鳞癌诊断装置,其特征在于,所述特征聚类模块采用个体性聚类和层次聚类获取肿瘤亚区分区,具体包括如下步骤:
(a) 个体性聚类:采用K-means聚类算法,以体素[PET值、CT值、CT局部主梯度角特征值]之间的平方欧式距离作为相似性度量,将每个肿瘤独立分割成K1个连续的超体素;
(b) 层次聚类:采用K-means聚类算法对所有N个肿瘤PET/CT图像样本的K1个超体素的平均强度三维向量[PET值、CT值、CT主梯度角特征值]进行群体聚类,获得的K2个聚类结果即为得到的肿瘤亚区分区。
4.根据权利要求1所述的肺腺鳞癌诊断装置,其特征在于,所述radiomics影像组学特征包括CT特征和PET特征。
5.根据权利要求1所述的肺腺鳞癌诊断装置,其特征在于,所述分类模块采用SVM、决策树或逻辑回归分类模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110121469.0A CN112465824B (zh) | 2021-01-28 | 2021-01-28 | 基于pet/ct图像亚区影像组学特征的肺腺鳞癌诊断装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110121469.0A CN112465824B (zh) | 2021-01-28 | 2021-01-28 | 基于pet/ct图像亚区影像组学特征的肺腺鳞癌诊断装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112465824A true CN112465824A (zh) | 2021-03-09 |
CN112465824B CN112465824B (zh) | 2021-08-03 |
Family
ID=74802555
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110121469.0A Active CN112465824B (zh) | 2021-01-28 | 2021-01-28 | 基于pet/ct图像亚区影像组学特征的肺腺鳞癌诊断装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112465824B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113506296A (zh) * | 2021-09-10 | 2021-10-15 | 之江实验室 | 一种基于先验知识ct亚区影像组学的慢阻肺诊断装置 |
CN113889261A (zh) * | 2021-09-23 | 2022-01-04 | 之江实验室 | 基于病理特征辅助的pet/ct自动肺癌诊断分类模型训练方法 |
CN115359074A (zh) * | 2022-10-20 | 2022-11-18 | 之江实验室 | 基于超体素聚类及原型优化的图像分割、训练方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104616289A (zh) * | 2014-12-19 | 2015-05-13 | 西安华海盈泰医疗信息技术有限公司 | 一种3d ct图像中骨组织的移除方法及系统 |
CN106327480A (zh) * | 2016-09-23 | 2017-01-11 | 浙江医学高等专科学校 | 一种甲状腺ct图像异常密度的检测方法 |
CN109035252A (zh) * | 2018-06-29 | 2018-12-18 | 山东财经大学 | 一种面向医学图像分割的超像素方法 |
CN109493325A (zh) * | 2018-10-23 | 2019-03-19 | 清华大学 | 基于ct影像的肿瘤异质性分析系统 |
US20190333189A1 (en) * | 2018-04-27 | 2019-10-31 | Imam Abdulrahman Bin Faisal University | Gradient vector orientation based nonlinear diffusion filter |
CN111445946A (zh) * | 2020-03-26 | 2020-07-24 | 北京易康医疗科技有限公司 | 一种利用pet/ct图像推算肺癌基因分型的演算方法 |
-
2021
- 2021-01-28 CN CN202110121469.0A patent/CN112465824B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104616289A (zh) * | 2014-12-19 | 2015-05-13 | 西安华海盈泰医疗信息技术有限公司 | 一种3d ct图像中骨组织的移除方法及系统 |
CN106327480A (zh) * | 2016-09-23 | 2017-01-11 | 浙江医学高等专科学校 | 一种甲状腺ct图像异常密度的检测方法 |
US20190333189A1 (en) * | 2018-04-27 | 2019-10-31 | Imam Abdulrahman Bin Faisal University | Gradient vector orientation based nonlinear diffusion filter |
CN109035252A (zh) * | 2018-06-29 | 2018-12-18 | 山东财经大学 | 一种面向医学图像分割的超像素方法 |
CN109493325A (zh) * | 2018-10-23 | 2019-03-19 | 清华大学 | 基于ct影像的肿瘤异质性分析系统 |
CN111445946A (zh) * | 2020-03-26 | 2020-07-24 | 北京易康医疗科技有限公司 | 一种利用pet/ct图像推算肺癌基因分型的演算方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113506296A (zh) * | 2021-09-10 | 2021-10-15 | 之江实验室 | 一种基于先验知识ct亚区影像组学的慢阻肺诊断装置 |
CN113889261A (zh) * | 2021-09-23 | 2022-01-04 | 之江实验室 | 基于病理特征辅助的pet/ct自动肺癌诊断分类模型训练方法 |
CN113889261B (zh) * | 2021-09-23 | 2022-06-10 | 之江实验室 | 基于病理特征辅助的pet/ct自动肺癌诊断分类模型训练方法 |
CN115359074A (zh) * | 2022-10-20 | 2022-11-18 | 之江实验室 | 基于超体素聚类及原型优化的图像分割、训练方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112465824B (zh) | 2021-08-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112465824B (zh) | 基于pet/ct图像亚区影像组学特征的肺腺鳞癌诊断装置 | |
Xie et al. | A mutual bootstrapping model for automated skin lesion segmentation and classification | |
Lavanyadevi et al. | Brain tumor classification and segmentation in MRI images using PNN | |
Celik et al. | Automated invasive ductal carcinoma detection based using deep transfer learning with whole-slide images | |
US11049244B2 (en) | Systems and methods for integrating tomographic image reconstruction and radiomics using neural networks | |
CN106127255B (zh) | 一种癌症数字病理细胞图像的分类系统 | |
Yagis et al. | Generalization performance of deep learning models in neurodegenerative disease classification | |
Nguyen et al. | Pulmonary nodule detection based on faster R-CNN with adaptive anchor box | |
Kuang et al. | Unsupervised multi-discriminator generative adversarial network for lung nodule malignancy classification | |
Fathima et al. | Automatic detection of tumor subtype in mammograms based On GLCM and DWT features using SVM | |
Guergueb et al. | Melanoma skin cancer detection using recent deep learning models | |
Das et al. | A fast and automated segmentation method for detection of masses using folded kernel based fuzzy c-means clustering algorithm | |
CN112651927A (zh) | 一种基于卷积神经网络与支持向量机的拉曼光谱智能识别方法 | |
Bhat et al. | Convolutional neural network approach for the classification and recognition of lung nodules | |
Rizzi et al. | A supervised method for microcalcification cluster diagnosis | |
Ravindranath et al. | Early detection of lung cancer by nodule extraction—A survey | |
Alqudah et al. | International Journal of Advanced Trends in Computer Science and Engineering | |
Vijayadeep et al. | A hybrid feature extraction based optimized random forest learning model for brain stroke prediction | |
CN113822873A (zh) | 一种用于肺结节分类的双模态影像组学图像分析方法 | |
Shivwanshi et al. | Enhancement and Segmentation Methods for Lung Cancer Detection System: A Review of a Retrospective Study | |
Rubia et al. | An effective transfer learning model for multiclass brain tumor classification using MRI images | |
Rahman et al. | Automated detection of lung cancer using MRI images | |
Rohmayani et al. | Classification of X-Ray Images of Normal, Pneumonia, and Covid-19 Lungs Using the Fuzzy C-Means (FCM) Algorithm [J] | |
Bidabadi et al. | Enhancing Multi-view Mammography Image Classification: By using Breast Region Extraction Method and Statistical Features | |
Reddy et al. | Tumor Image Identification based on DWT and PNN Classifier |
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 | ||
GR01 | Patent grant |