CN112712875B - 迁移学习辅助预测系统及方法 - Google Patents

迁移学习辅助预测系统及方法 Download PDF

Info

Publication number
CN112712875B
CN112712875B CN201911025698.1A CN201911025698A CN112712875B CN 112712875 B CN112712875 B CN 112712875B CN 201911025698 A CN201911025698 A CN 201911025698A CN 112712875 B CN112712875 B CN 112712875B
Authority
CN
China
Prior art keywords
training
prediction model
oropharyngeal
prognosis prediction
image data
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.)
Active
Application number
CN201911025698.1A
Other languages
English (en)
Other versions
CN112712875A (zh
Inventor
高嘉鸿
陈尚文
沈伟志
吴国祯
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Affiliated Hospital Of China Medical University In Taiwan
Original Assignee
Affiliated Hospital Of China Medical University In Taiwan
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Affiliated Hospital Of China Medical University In Taiwan filed Critical Affiliated Hospital Of China Medical University In Taiwan
Priority to CN201911025698.1A priority Critical patent/CN112712875B/zh
Publication of CN112712875A publication Critical patent/CN112712875A/zh
Application granted granted Critical
Publication of CN112712875B publication Critical patent/CN112712875B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • G—PHYSICS
    • 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
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Primary Health Care (AREA)
  • Biomedical Technology (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Epidemiology (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明提供了一种迁移学习辅助预测系统，用以分析病患的口咽/下咽肿瘤的影像资料。所述迁移学习辅助预测系统包括：小样本资料扩充模组及分析模组。小样本资料扩充模组用以将一影像资料进行资料扩充处理，以产生影像资料的复数个切片影像；分析模组通过使用一口咽/下咽癌预后预测模型来预测一治疗反应事件是否会发生。口咽/下咽癌预后预测模型的基本架构与一子宫颈癌预后预测模型的基本架构可以完全相同。所述子宫颈癌预后预测模型是通过深度学习方法建构并且经过训练得到优良的预测效果，再以迁移学习技术转换为口咽/下咽癌预后预测模型。

Description

迁移学习辅助预测系统及方法
技术领域
本发明涉及辅助预测技术领域，特别是使用迁移学习将已训练完成的子宫颈癌深度学习预后预测模型转换成口咽/下咽癌预后预测模型的技术领域。
背景技术
合并化学与放射治疗(Chemoradiotherapy)是目前局部晚期(localadvanced)口咽/下咽癌的常规治疗方法之一，由于合并化学与放射治疗对于病患的身体健康会造成一定程度的影响，且病患在进行治疗后的仍可能发生肿瘤转移或局部复发等，因此若能事先预测治疗预后，进而筛选治疗策略，病患的医疗品质可有效提升。然而，目前并没有专门针对口咽/下咽癌的预测技术或产品。
此外，现有技术将医疗影像分析与传统的机器学习或统计学演算法组合而成的预测技术在精准度上仍有缺陷，其预测失误的机率十分高。
另外，针对不同的疾病，目前必须开发不同的预测模型，由于预测模型的开发成本昂贵且耗时，因此目前的开发方法仍有改善的空间。
对此，本发明提供一种迁移学习辅助预测系统、方法及电脑程式产品，能有效解决上述问题。
发明内容
有鉴于此，本发明提出一种辅助预测系统，是以子宫颈癌预后预测模型为基础，经由迁移学习而转换成一口咽/下咽癌预后预测模型。所述口咽/下咽癌预后预测模型可对口咽/下咽癌病患的肿瘤影像进行分析，进而预测该病患的在合并化学与放射治疗后的预后。由于子宫颈癌预后预测模型或口咽/下咽癌预后预测模型是通过扩充放大量影像资料进行训练，可提供良好的预测效果。
根据本发明的一观点，提出一种迁移学习辅助预测系统，用以分析病患在进行治疗前的口咽/下咽癌肿瘤的影像资料。所述系统包含小样本资料扩充模组及口咽/下咽癌预后预测模型。小样本资料扩充模组可将影像资料进行资料扩充处理，进而产生复数个切片影像。口咽/下咽癌预后预测模型可透对切片影像进行特征分析，以预测病患接受治疗的预后。
根据本发明的另一观点，提供一种迁移学习辅助预测方法，用以分析病患在进行治疗前的口咽/下咽肿瘤的影像资料，所述方法是通过深度学习辅助预测系统来执行，且所述方法包含步骤:通过小样本资料扩充模组将影像资料进行资料扩充处理，以产生复数个切片影像；以及通过口咽/下咽癌预后预测模型，对切片影像进行特征分析，以预测病患在接受治疗后是否会发生口咽/下咽癌治疗反应事件，其中口咽/下咽癌预后预测模型是由子宫颈癌预后预测模型通过迁移学习转换而成。
根据本发明又另一观点，提供一种电脑程式产品，储存于非暂态电脑可读取媒体之中，用于使深度学习辅助预测系统运作，其中深度学习辅助预测系统是用以分析病患在进行治疗前的口咽/下咽癌肿瘤的影像资料，其中电脑程式产品包含:通过小样本资料扩充模组，将影像资料进行资料扩充处理，以产生影像资料的复数个切片影像；以及通过口咽/下咽癌预后预测模型对切片影像进行特征分析，以预测病患在接受治疗后的反应；其中，口咽/下咽癌预后预测模型是由子宫颈癌预后预测模型通过迁移学习转换而成。
附图说明
图1是本发明一实施例的迁移学习辅助预测系统的系统架构图；
图2(A)是本发明一实施例的迁移学习辅助预测方法的基本步骤流程图；
图2(B)是本发明一实施例的资料扩充处理的流程示意图；
图3是本发明一实施例的口咽/下咽癌预后预测模型的建立过程示意图；
图4(A)是本发明一实施例的训练用模型于训练前的架构示意图；
图4(B)是本发明一实施例的子宫颈癌预后预测模型的架构示意图；
图4(C)是本发明一实施例的口咽/下咽癌预后预测模型的架构示意图；
图5是本发明一实施例的子宫颈癌预后预测模型的建立过程流程图；
图6是本发明第一实施例的口咽/下咽癌预后预测模型的建立过程流程图；
图7是本发明第二实施例的口咽/下咽癌预后预测模型的建立过程流程图；
图8是本发明第三实施例的口咽/下咽癌预后预测模型的建立过程流程图。
具体实施方式
以下说明书将提供本发明的多个实施例。可理解的是，这些实施例并非用以限制。本发明的各实施例的特征可加以修饰、置换、组合、分离及设计以应用于其他实施例。
下面将结合本发明实施例中的附图对本申请进行说明。
实施例一
请参阅图1是本发明一实施例的迁移学习辅助预测系统1(以下简称预测系统1)的系统架构图，其中预测系统1用以分析病患在进行治疗前的口咽/下咽癌肿瘤的影像资料，进而预测病患在治疗后是否会发生一口咽/下咽癌治疗事件。如图1所示，预测系统1可包含一小样本资料扩充模组12、一分析模组14、一口咽/下咽癌预后预测模型15及一训练模组18，其中口咽/下咽癌预后预测模型15是转换自一子宫颈癌预后预测模型16。
此外，在一实施例中，预测系统1还包含一资料输入端11，用以取得来自外部的影像资料，即使用者可通过资料输入端11将影像资料输入至预测系统1中。需注意的是，若针对口咽/下咽癌预后预测模型15，则「影像」可例如是一口咽/下咽癌的病患在进行一治疗前的口咽/下咽肿瘤的一PET影像或CT影像，其中治疗可例如但不限定为合并化学与放射治疗，而「影像资料」可例如是所述PET影像或CT影像的感兴趣体积(Volume Of Interest,VOI)范围，但不限于此；相似地，若针对子宫颈癌预后预测模型16，则「影像」可例如是一子宫颈癌的病患在进行一治疗前的子宫颈肿瘤的PET影像或CT影像。为说明更清楚，以下段落皆将以PET影像来举例。
在一实施例中，当预测系统1取得一名病患的口咽/下咽肿瘤的影像资料后，小样本资料扩充模组12可将所述影像资料进行一资料扩充处理，以产生口咽/下咽肿瘤的影像资料的复数个切片影像。分析模组14可通过口咽/下咽癌预后预测模型15对该等细部的影像资料进行一特征分析，以取得每个切片影像对应一口咽/下咽癌治疗反应事件(定义为第一治疗反应事件)的一发生机率，并且分析模组14可根据一第一门槛值T1及所述发生机率来决定每个切片影像是否会发生第一治疗反应事件。此外，分析模组14可根据同一肿瘤每个切片影像的第一治疗反应事件发生机率或会发生第一治疗反应事件切片影像的数量配合一第二门槛值T2来预测所述患者在接受治疗后是否会发生第一治疗反应事件。换言之，只要将病患在接受化学与放射治疗前的口咽/下咽肿瘤的影像资料输入至预测系统1之中，预测系统1即可预测出所述病患在接受化学与放射治疗后的口咽/下咽癌治疗反应事件，其中口咽/下咽癌治疗反应事件可例如是口咽/下咽肿瘤的复发或转移可能性等预后事件，且不限于此。
本发明的特色之一在于，口咽/下咽癌预后预测模型15是转换自子宫颈癌预后预测模型16。此外，在一实施例中，口咽/下咽癌预后预测模型15亦可被转换回为子宫颈癌预后预测模型16，因此预测系统1也可通用于子宫颈癌的预后预测，但并非限定。
以下将说明各元件的细节。
预测系统1可以是一影像处理装置，其可通过任何具有微处理器的装置来实现，例如桌上型电脑、笔记型电脑、智慧型行动装置、伺服器或云端主机等类似装置。在一实施例中，预测系统1可具备网路通讯功能，用以将资料通过网路进行传输，其中网路通讯可以是有线网路或无线网路，因此预测系统1也可通过网路来取得影像资料。在一实施例中，预测系统1可由微处理器中执行一电脑程式产品20来实现，例如电脑程式产品20可具有复数个指令，该等指令可使处理器执行特殊运作，进而使处理器执行小样本资料扩充模组12、分析模组14、口咽/下咽癌预后预测模型15、子宫颈癌预后预测模型16或训练模组18的功能，但并非限定，例如在另一实施例中，该等模组也可通过不同的电脑程式来实现。在一实施例中，电脑程式产品20可储存于非暂态电脑可读取媒体之中，例如记忆体之中，但不限于此。
在一实施例中，资料输入端11是用以取得来自外部资料的一实体连接埠，例如当预测系统1是由电脑实现时，资料输入端11可以是电脑上USB介面、各种传输线接头等，但并非限定。此外，资料输入端11亦可与无线通讯晶片整合，因此能以无线传输的方式接收资料。
小样本资料扩充模组12可以是一功能模组，其可通过一程式码来实现，举例来说，当预测系统1中的微处理器执行所述程式码时，所述程式码可使所述微处理器执行所述的小样本资料扩充模组12的功能。
分析模组14可将影像资料输入至口咽/下咽癌预后预测模型15或子宫颈癌预后预测模型16中，并使用口咽/下咽癌预后预测模型15或子宫颈癌预后预测模型16找出影像资料的每个切片影像中的多个影像特征，接着使用口咽/下咽癌预后预测模型15或子宫颈癌预后预测模型16中的一特征路径来预测每个切片影像所对应的治疗反应事件的发生机率。在第一实施例中，分析模组14会将一切片影像的发生机率与第一门槛值T1进行比较，其中第一门槛值T1为一机率门槛，且当发生机率等于或高于第一门槛值T1时，分析模组14将所述切片影像认定为会发生治疗反应事件。在一实施例中，分析模组14会统计该等切片影像中会发生治疗反应事件的切片影像的数量，并将会发生治疗反应事件的切片影像的数量与第二门槛值T2比较，其中第二门槛值T2为一数量门槛，且当所述数量等于或高于第二门槛值T2时，分析模组14将所述影像资料认定为会发生治疗反应事件，亦即所述影像资料的来源患者在治疗后会发生治疗反应事件。在一第二实施例中，分析模组14在取得每个切片影像发生治疗反应事件的机率后，并不会将每个切片影像的机率与第一门槛值T1进行比较，而是直接统整每个切片影像的机率(例如计算出该等机率的平均值)，再将该等机率的平均值与一第三门槛值进行比较，当该等机率的平均值高于第三门槛值时，分析模组14将所述影像资料认定为会发生治疗反应事件，亦即所述影像资料的来源患者在治疗后会发生治疗反应事件。
口咽/下咽癌预后预测模型15是利用深度卷积神经网路来分析口咽/下咽癌肿瘤的影像特征的人工智慧模型；特别的是，口咽/下咽癌预后预测模型15是基于已训练完成的子宫颈癌预后预测模型16进行调整而形成，而子宫颈癌预后预测模型16是基于一训练用模型进行训练而形成。在一实施例中，口咽/下咽癌预后预测模型15或子宫颈癌预后预测模型16是由复数演算法(例如程式码)所组成。此外，为区分训练前与训练后的子宫颈癌预后预测模型16，本文中对于训练前的子宫颈癌预后预测模型16将以「训练用模型17」来称之
训练模组18可对一训练用模型17进行训练，使所述训练用模型17形成子宫颈癌预后预测模型16。训练模组18也可对子宫颈癌预后预测模型16进行调整，使子宫颈癌预后预测模型16转换成口咽/下咽癌预后预测模型15。此外，训练模组18也可用于调整第一门槛值T1及第二门槛值T2。
当子宫颈癌预后预测模型16被调整而转换成口咽/下咽癌预后预测模型15后，口咽/下咽癌预后预测模型15即可被实际使用。接着将说明口咽/下咽癌预后预测模型15被实际使用时的情况。
图2(A)是本发明一实施例的深度学习辅助预测方法的基本步骤流程图，其用于说明预测系统1实际使用口咽/下咽癌预后预测模型15分析病患的影像资料的步骤流程，并请同时参考图1。如图2(A)所示，首先步骤S11被执行，资料输入端11取得一口咽/下咽肿癌病患在接受化学与放射治疗之前的口咽/下咽肿瘤的一影像资料。之后，步骤S12被执行，小样本资料扩充模组12对影像资料进行资料扩充处理，以从产生影像资料的复数个切片影像。之后，步骤S13被执行，分析模组14使用口咽/下咽癌预后预测模型15对每个切片影像资料进行特征分析，以取得每个切片影像对应第一治疗反应事件的发生机率；之后，步骤S14被执行，分析模组14根据第一门槛值T1及每个切片影像的发生机率来决定每个切片影像是否会发生第一治疗反应事件；之后步骤S15被执行，分析模组14统计会发生第一治疗反应事件的切片影像的数量(定义为第一数量)；之后步骤S16被执行，分析模组14根据第二门槛值T2与第一数量来预测患者在治疗后是否会发生第一治疗反应事件。在另一实施例中，当步骤S13被执行后，步骤S17被执行，分析模组14统整每个切片影像对应第一治疗反应事件的机率，并根据统整后的数据(例如该等机率的平均值)与第三门槛值来预测患者在治疗后是否会发生第一治疗反应事件。接着将说明各步骤的细节。
关于步骤S11，系统的使用者(例如医师)可通过资料输入端11将影像资料输入至预测系统1之中，此处影像资料可例如PET影像中口咽/下咽肿瘤的感兴趣体积范围(VOI)，其中VOI范围可由各种已知的方法来取得，在一实施例中，VOI范围须包含整个完整的肿瘤。在一实施例中，影像资料是病患在摄取示踪剂(例如18F-FDG)后，病患的子宫颈肿瘤对示踪剂呈现异常代谢反应的影像资料。在一实施例中，影像资料可具有复数个体积像素(voxel)，且每个体积像素的像素值是指葡萄糖的标准代谢值(Standardized UptakeValue，以下简称SUV)。
关于步骤S12，当病患的影像资料被输入至预测系统1后，小样本资料扩充模组12可根据电脑程式产品20中的指令而对影像资料进行资料扩充处理。步骤S12的目的在于，假如可用的影像资料有限，将造成系统训练的成果不如预期，因此在训练前必须先扩充资料量。
在此先说明步骤S12的资料扩充处理的细节，请同时参考图1至图2(B)，其中图2(B)是本发明一实施例的资料扩充处理的流程示意图，且所述资料扩充处理是由小样本资料扩充模组12来执行，亦即可通过预测系统1中的处理器的执行来实现整个流程。
如图2(B)所示，首先步骤S21被执行，小样本资料扩充模组12对输入至系统1之中的影像资料(以下定义为原始影像资料)进行插值处理(interpolated)。此步骤的目的在于提升影像资料的解析度。之后，步骤S22被执行，由于前述插值处理改变影像解析度，小样本资料扩充模组12以肿瘤在原始影像资料的空间范围内中具有最大SUV值的体像素(SUVmax)为基础，将插值前的SUVmax坐标转换为插值后的坐标。之后，步骤S23被执行，小样本资料扩充模组12从插值后的影像资料中取出以SUVmax作为中心点的一个感兴趣体积区域(VOI)。之后，步骤S24被执行，小样本资料扩充模组12将通过VOI中心(SUVmax)的XY平面、XZ平面及YZ平面设定为一基本切片影像组。之后，步骤S25被执行，小样本资料扩充模组12将基本切片影像组的其中一平面以一特定方向进行逆时针旋转，以取得复数个扩充切片影像组。因此步骤S12可被完成，小样本资料扩充模组12可从单一影像资料中产生多个切片影像。
需注意的是，步骤S12不限于仅能在训练完成的口咽/下咽癌预后预测模型15或子宫颈癌预后预测模型16的实际使用时被执行，当训练用模型17训练时所需的影像资料不足时，也可执行步骤S12将影像资料进行扩张。
请再次参考图2(A)，关于步骤S13至S16或步骤S17，当取得多个切片影像后，分析模组14可使用口咽/下咽癌预后预测模型15可对该等切片影像进行分析。由于每个切片影像皆包含了肿瘤局部特征，口咽/下咽癌预后预测模型15可自动分析该等切片影像中的肿瘤局部特征，并通过特征路径来决定该等切片影像的输出结果，因此取得每个切片影像对应口咽/下咽癌治疗事件的发生机率，并根据所有切片影像的结果预测患者是否会发生口咽/下咽癌治疗事件。因此，预测系统1可预测出所述患者在接受放射性化疗后的预后，以辅助使用者(例如医师)判断是否需进行治疗方式的调整。此外，步骤S13至S16或步骤S17的说明可见于前述段落中分析模组14的说明中，故不再详述。
前述段落已说明口咽/下咽癌预后预测模型15的实际使用情形，而后续段落则将针对口咽/下咽癌预后预测模型15的建立过程进行说明。
图3是本发明一实施例的口咽/下咽癌预后预测模型15的建立过程的示意图，并请同时参考图1。如图3所示，训练用模型17经由训练后可形成子宫颈癌预后预测模型16，而子宫颈癌预后预测模型16经由调整后可形成口咽/下咽癌预后预测模型15。在一实施例中，训练用模型17所进行的训练可例如是深度学习、机器学习，但并非限定。在一实施例中，子宫颈癌预后预测模型16所进行的调整可例如迁移学习，但并非限定。
在一实施例中，训练模组18可使用深度学习技术使训练用模型17进行训练，而当训练用模型17训练完成后会产生一特征路径，所述特征路径可视为人工智慧模型中的神经元传导路径，其中每个神经元可代表一个影像特征检测，且每个影像特征检测可能会具有不同的权重值，因此训练用模型17被训练完成后，即可形成子宫颈癌预后预测模型16。在一实施例中，训练模组18可使用迁移学习技术使所述子宫颈癌预后预测模型16进行部分参数的调整，进而使子宫颈癌预后预测模型16转换成口咽/下咽癌预后预测模型15。
在一实施例中，训练用模型17需经历至少一「训练阶段」来进行训练并建立出一特征路径，且训练用模型17需经历至少一「测试阶段」来测试所述特征路径的准确度，当准确度达到需求时，才能做为后续实际使用的子宫颈癌预后预测模型16。在本发明中，训练用模型17将经历复数次训练，并且每次训练后皆会产生不同的特征路径，而准确度最高的特征路径会被设定为子宫颈癌预后预测模型16的实际特征路径。此外，为方便后续段落的说明，子宫颈癌预后预测模型16调整时所使用的口咽/下咽癌的影像资料定义为「第一训练用资料」，而训练用模型17训练时所使用的子宫颈癌肿瘤的影像资料定义为「第二训练用资料」。
接着将针对训练用模型17、子宫颈癌预后预测模型16及口咽/下咽癌预后预测模型15的基本架构进行说明，请同时参考图1至图4(C)，其中图4(A)是本发明一实施例的训练用模型17于训练前的架构示意图，图4(B)是本发明一实施例的子宫颈癌预后预测模型16的架构示意图，图4(C)是本发明一实施例的口咽/下咽癌预后预测模型15的架构示意图。
关于训练用模型17，如图4(A)所示，训练用模型17的架构可包含一外部感知卷积层(mlpconv layer)152-1、一第一内部感知卷积层152-2、一第二内部感知卷积层152-3、一全局平均池化层(global average pooling layer)154及一损失函数层156。
训练用模型17所进行的训练是利用复数个训练用的子宫颈癌肿瘤的影像资料(第二训练用资料)对训练用模型17进行复数次训练而形成。在一实施例中，每个第二训练用资料可包含一名子宫颈癌患者于治疗前的肿瘤影像以及所述名患者于治疗后的子宫颈癌治疗反应事件(以下定义为第二治疗反应事件)的发生情形。较佳地，第二训练用资料可预先通过小样本资料扩充模组12进行扩充而产生多个切片影像。
在一实施例中，外部感知卷积层152-1可用以从一个第二训练用资料的该等切片影像中取得复数个影像特征。第一内部感知卷积层152-2及第二内部感知卷积层152-3用以整合该等影像特征。全局平均池化层154用以建立该等影像特征与一第二治疗反应事件之间的一关联性(例如建立出特征路径)，并根据所述关联性产生一正向预测预测机率(例如事件会发生的机率)及一负向预测机率(例如事件不会发生的机率)，其中正向预测机率及负向预测机率可整合成第二治疗反应事件的发生机率。损失函数层156可用以调整正向预测机率及负向预测机率的训练次数权重，使两者在训练时被特征路径上被选用的机会相似，避免每次训练的结果皆仅偏向正向预测预测机率或负向预测机率；举例来说，若每次训练的结果皆为「事件会发生的机率」而没有「事件不会发生的机率」，则可能造成后续预测的结果失真，而损失函数层156的作用即是使两者被选用到的机会相似。
在一实施例中，外部感知卷积层152-1、第一内部感知卷积层152-2及第二内部感知卷积层152-3可各自包含一正规化运算单元22以执行正规化运算。此处正规化运算可例如但不限定为批量正规化(Batch normalization)。正规化运算单元22可将每个多层感知卷积层152的卷积运算结果的资料进行正规化，因此加快后续资料处理收敛的速度，使训练过程更加稳定。此外，在一实施例中，每个多层感知卷积层152可各自包含一池化层26以执行池化运算，此处池化运算可例如是最大池化(Maximum pooling)，池化层26的作用是减少多层感知卷积层152所得的特征地图的尺寸，并且将特征集中保留至缩小的特征地图中，广义而言，池化层26的作用可视为从特征地图中将重要的特征萃取出来，如此可强调重要的特征。在一些实施例中，最大池化层26亦可改为平均池化层架构。
在一实施例中，外部感知卷积层152-1、第一内部感知卷积层152-2、第二内部感知卷积层152-3及全局平均池化层154可各自包含一个激活函数24(Activation function)。激活函数24可用于调整外部感知卷积层152-1、第一内部感知卷积层152-2、第二内部感知卷积层152-3或全局平均池化层154的输出，使输出结果产生非线性的效果，进而提升训练用模型的预测能力。激活函数24可以是饱和激活函数(Saturated Activation function)或非饱和激活函数(Non-saturate Activation function)，当激活函数24是饱和激活函数时，激活函数24可采用tanh、sigmoid等架构，而当激活函数24是非饱和激活函数时，激活函数24可采用线性整流函数(Rectified Linear Unit，ReLU)或其变化架构(例如ELU、LeakyReLU、PReLU、RReLU或其它变化架构)。在一较佳实施例中，多层感知卷积层152的激活函数24是采用ReLU架构，而全局平均池化层154的激活函数24是采用ReLU以外的架构。
如图4(A)所示，由于训练用模型17尚未进行训练，因此特征路径尚未建立，且可用于分析的影像特征的项目也尚未决定。在一实施例中，训练用模型17所进行的每次「训练」包含「从切片影像的影像特征中找出与第二治疗反应事件相关的项目」、「调整外部感知卷积层152-1、第一内部感知卷积层152-2、第二内部感知卷积层152-3、全局平均池化层(global average pooling layer)154及一损失函数层156各自的内部参数」以及「建立出与第二治疗反应事件相关的影像特征之间的特征路径」。此外，在一实施例中，训练模组18亦可根据每次训练后所产生的预测模型对于的预估准确度来设定第一门槛值或第二门槛值，但并非限定。在一实施例中，预估准确度可通过AUC曲线来评估，但并非限定。
关于子宫颈癌预后预测模型16，如图4(B)所示，子宫颈癌预后预测模型16的架构亦可包含外部感知卷积层152-1、第一内部感知卷积层152-2、第二内部感知卷积层152-3、全局平均池化层154及一损失函数层156。由于子宫颈癌预后预测模型16是训练用模型17训练完成所形成的预测模型，因此相较于训练用模型17，子宫颈癌预后预测模型16已具备可用于分析的影像特征的项目29，并且特征路径28已建立。
关于口咽/下咽癌预后预测模型15，如图4(C)所示，口咽/下咽癌预后预测模型15的架构亦可包含外部感知卷积层152-1、第一内部感知卷积层152-2、第二内部感知卷积层152-3、全局平均池化层154及一损失函数层156。由于口咽/下咽癌预后预测模型15是通过调整子宫颈癌预后预测模型16而形成，因此其特征路径、外部感知卷积层152-1的内部参数、第一内部感知卷积层152-2的内部参数、第二内部感知卷积层152-3的内部参数、全局平均池化层154的内部参数及一损失函数层156的内部参数可能与子宫颈癌预后预测模型16不同。在一实施例中，口咽/下咽癌预后预测模型15的特征路径28与子宫颈癌预后预测模型16的特征路径28可不相同，但并非限定。
接着将针对训练用模型17经训练而形成子宫颈癌预后预测模型16的过程进行说明。图5是本发明一实施例的子宫颈癌预后预测模型16的建立过程的流程图，其可通过训练模组18来执行，其中步骤S51至S56对应「训练阶段」，步骤S57对应「测试阶段」，并请同时参考图1至图4(C)。首先，步骤S51被执行，训练用模型17的基本架构被设定完成，即外部感知卷积层152-1、内部感知卷积层152-2及152-3、全局平均池化层154及损失函数层156的数量被设定完成，其中外部感知卷积层152-1及内部感知卷积层152-2及152-3可各自包含特征检测器，且每个特征检测器是随机产生。之后步骤S52被执行，训练用模型17取得复数个第二训练用资料的复数个切片影像；之后步骤S53被执行，外部感知卷积层152-1及内部感知卷积层152-2及152-3的该等特征检测器对该等切片影像进行卷积运算，以找出影像特征；之后步骤S54被执行，全局平均池化层154将影像特征强化；之后步骤S55被执行，全局平均池化层154建立出特征路径，其中预测路径包含二个输出结果，其中一个输出结果为正向预测机率，另一个输出结果为负向预测机率；之后步骤S56被执行，重新执行步骤S52至S55，直至完成预设的训练次数(例如500次)；之后步骤S57被执行，系统1使用复数个测试用的影像资料的切片影像来测试每个特征路径的准确度，并将准确度最高的特征路径设定为子宫颈癌预后预测模型16的特征路径。因此，子宫颈癌预后预测模型16可被建立，并可预测出每个切片影像对于第二治疗反应事件的发生机率。
在一实施例中，当子宫颈癌预后预测模型16被建立后，训练模组18可进一步根据步骤S57所测试出的准确度来调整第一门槛值T1或第二门槛值T2，但并非限定。
接着将针对子宫颈癌预后预测模型16经训练而形成口咽/下咽癌预后预测模型15的过程进行说明。图6是本发明第一实施例的口咽/下咽癌预后预测模型15的建立过程的流程图，并请同时参考图1至图5。如图6所示，首先步骤S61被执行，子宫颈癌预后预测模型16被建立完成。之后步骤S62被执行，训练模组18直接沿用子宫颈癌深度学习预测模型16作为口咽/下咽癌预后预测模型15。
在本实施例中，口咽/下咽癌预后预测模型15是直接沿用子宫颈癌预后预测模型16，亦即不会对子宫颈癌预后预测模型16的特征路径、做为分析的影像特征的项目及各元件(外部感知卷积层152-1、第一内部感知卷积层152-2、第二内部感知卷积层152-3、全局平均池化层154及损失函数层156)的内部参数进行调整，并且亦不对第一门槛值T1及第二门槛值T2(或第三门槛值)进行调整，换言之，本实施例直接使用子宫颈癌深度学习预后预测模型来预测口咽/下咽癌的预后。
实施例二
如图7所示，本申请口咽/下咽癌预后预测模型15的建立过程的流程图，并请同时参考图1至图5。如图7所示，首先步骤S71被执行，子宫颈癌预后预测模型16被建立完成。之后步骤S72被执行，训练模组18沿用子宫颈癌预后预测模型16的外部感知卷积层152-1、第一内部感知卷积层152-2、第二内部感知卷积层152-3、全局平均池化层154及所述损失函数层156，并通过大量训练用的口咽/下咽癌肿瘤的影像资料(例如包含经扩充后的切片影像)来重新调整第一门槛值T1及第二门槛值T2或重新调整第三门槛值。
在本实施例中，口咽/下咽癌预后预测模型15是沿用子宫颈癌预后预测模型16的特征路径、做为分析的影像特征的项目及各元件(外部感知卷积层152-1、第一内部感知卷积层152-2、第二内部感知卷积层152-3、全局平均池化层154及损失函数层156)的内部参数进行调整，但会对第一门槛值T1及第二门槛值T2进行调整。此外，在一实施例中，若预测系统1是采用如图2(A)中的步骤S17，则可改为对第三门槛值进行调整。
在一实施例中，第一门槛值T1的调整方式为将口咽/下咽癌肿瘤切片影像输入口咽/下咽癌预后预测模型15以获得切片影像预测治疗反应事件的发生机率，并且通过获得最佳预测准确率的目标调整第一门槛值T1。
在一实施例中，第二门槛值T2的调整方式为将口咽/下咽癌肿瘤切片影像输入口咽/下咽癌预后预测模型15以获得切片影像预测治疗反应事件的发生机率以及使用调整后的第一门槛值T1判断切片影像是否会发生治疗反应事件，并且以通过获得最佳预测准确率的目标调整第二门槛值T2。
实施例三
如图8所示，本申请口咽/下咽癌预后预测模型15的建立过程的流程图，并请同时参考图1至图5。如图8所示，首先步骤S81被执行，子宫颈癌预后预测模型16被建立完成。之后步骤S82被执行，训练模组18沿用子宫颈癌预后预测模型16的外部感知卷积层152-1、第一内部感知卷积层152-2、第二内部感知卷积层152-3，并通过大量训练用的口咽/下咽癌肿瘤的影像资料(例如包含经扩充后的切片影像)来重新训练全局平均池化层154及所述损失函数层156，以及通过大量训练用的口咽/下咽癌肿瘤的影像资料(例如包含经扩充后的切片影像)来重新调整第一门槛值T1及第二门槛值T2或重新调整第三门槛值。
在本实施例中，口咽/下咽癌预后预测模型15将沿用子宫颈癌预后预测模型16中用于分析的影像特征的项目，但会重新训练全局平均池化层154，进而建立出新的特征路径。此外，损失函数层156的内部参数、第一门槛值T1及第二门槛值T2亦将重新进行调整。
在一实施例中，全局平均池化层154中可被调整的参数为将影像特征整合为切片影像预测治疗反应事件发生机率的参数。
在一实施例中，损失函数层156中可被调整的参数为其代表的一运算式。在一实施例中，子宫颈癌预后预测模型16的损失函数层156可为:1-((2*sensitivity*PositivePredictive Value)/(sensitivity+Positive Predictive Value))，其中sensitivity为所有医疗事件发生的切片影像中被准确预测为治疗反应事件发生的比例，PositivePredictive Value为被预测为治疗反应事件发生的切片影像中实际为治疗反应事件发生切片影像的比例。在一实施例中，口咽/下咽癌预后预测模型15的损失函数层156被调整为:sqrt(power(1-specificity,n)+power(1-sensitivity,n))，其中specificity为所有被预测为没有治疗反应事件发生的切片影像中被准确预测为治疗反应事件不发生的比例，sqrt为提取平方根的运算函数，power为次方运算函数，在此实施例中，n设定为2。
在一实施例中，训练模组18可自动依照一些条件门槛而选择要采用图6、图7或图8之实施例。举例来说，训练模组18可预先采用图6的实施例，并且使用一些测试用的影像资料(已具备是否会发生所述第一治疗反应事件的资讯)来进行准确度的验证，当准确度达到一门槛时，即继续使用图6的实施例。当图6的实施例的准确度未达到门槛时，则改为采用图7的实施例，并再次进行准确度的验证，当准确度达到门槛时，则继续使用图7的实施例。而当图7的实施例准确度未达到门槛时，则改为采用图8的实施例；本发明不限于此。
因此，本发明的口咽/下咽癌预后预测模型15可形成。
在一实验范例中，通过多笔实际数据验证本发明一实施例的口咽/下咽癌预后预测模型15，其中口咽/下咽癌预后预测模型15预测为正向(亦即会发生治疗反应事件)且实际结果一致的数据共有36笔，而预测为正向但实验结果相反的有16笔，因此口咽/下咽癌预后预测模型15对于正向预测的准确度可达69％，已能因应实际需求。此外，口咽/下咽癌预后预测模型15预测为负向(亦即不会发生治疗反应事件)且实际结果一致的数据共有33笔，而预测为负向但实验结果相反的有12笔，因此口咽/下咽癌预后预测模型15对于负向预测的准确度可达到73％，亦能因应实际需求。
因此，本发明的子宫颈肿瘤影像辅助预测系统可通过小样本资料扩充模组将少量的影像资料扩充，而无须在一开始就输入庞大的影像资料。此外，本发明的口咽/下咽癌预后预测模型可直接沿用已训练完成的子宫颈癌预后预测模型，或将癌预后预测模型进行部分参数调整而取得，无须重新耗费大量时间建立新的预测模型。
尽管本发明已通过上述实施例来说明，可理解的是，根据本发明的精神及本发明所主张的申请专利范围，许多修饰及变化都是可能的。
【符号说明】
1 迁移学习辅助预测系统(预测系统)
11 资料输入端
12 小样本资料扩充模组
14 分析模组
15 口咽/下咽癌预后预测模型
16 子宫颈癌预后预测模型
17 训练用模型
18 训练模组
20 电脑程式产品
152-1 外部感知卷积层
152-2 第一内部感知卷积层
152-3 第二内部感知卷积层
154 全局平均池化层
156 损失函数层
22 正规化运算单元
24 激活函数
26 最大池化层
28 特征路径
29 特征的项目
T1 第一门槛值
T2 第二门槛值
S11～S16、S21～S25、S51～S57 步骤
S61～S62、S71～S72、S81～S72

Claims (8)

1.一种迁移学习辅助预测系统，用以分析一病患在进行一治疗前的一口咽/下咽癌肿瘤的一影像资料，其特征在于，包含：
一小样本资料扩充模组，将所述口咽/下咽癌肿瘤的所述影像资料进行一资料扩充处理，以产生所述口咽/下咽癌肿瘤的所述影像资料的复数个切片影像；以及
一分析模组，使用一口咽/下咽癌预后预测模型对每个切片影像进行一特征分析，以取得每个切片影像对应一第一治疗反应事件的一发生机率，并根据一第一门槛值及所述发生机率决定每个切片影像是否会发生所述第一治疗反应事件，以及根据一第二门槛值及会发生所述第一治疗反应事件的所述切片影像的数量，预测所述病患在治疗后是否会发生所述第一治疗反应事件；
其中，所述口咽/下咽癌预后预测模型是由一子宫颈癌预后预测模型通过一迁移学习转换而成；
其中，所述子宫颈癌预后预测模型是由一训练用模型经历复数次训练及测试而形成，其中所述训练是利用复数个训练用的子宫颈癌肿瘤的影像资料对所述训练用模型进行复数次训练而形成，其中所述训练用模型包含：
一外部感知卷积层，用以从一个训练用的子宫颈癌肿瘤的所述影像资料中取得复数个影像特征；
至少一内部感知卷积层，用以整合所述影像特征；
一全局平均池化层，用以建立所述影像特征与一第二治疗反应事件之间的一关联性，并根据所述关联性产生一正向预测机率或一负向预测机率，其中所述正向预测机率或所述负向预测机率对应所述第二治疗反应事件的一发生机率；以及
一损失函数层，用以调整所述正向预测机率及所述负向预测机率的一训练次数权重。
2.如权利要求1所述的迁移学习辅助预测系统，其特征在于，所述口咽/下咽癌预后预测模型是直接沿用所述子宫颈癌预后预测模型。
3.如权利要求1所述的迁移学习辅助预测系统，其特征在于，所述口咽/下咽癌预后预测模型是直接沿用所述子宫颈癌预后预测模型的所述外部感知卷积层、所述至少一内部感知卷积层、所述全局平均池化层及所述损失函数层，并通过大量训练用的口咽/下咽癌肿瘤的影像资料重新调整所述第一门槛值及所述第二门槛值。
4.如权利要求1所述的迁移学习辅助预测系统，其特征在于，所述口咽/下咽癌预后预测模型是直接沿用所述子宫颈癌预后预测模型的所述外部感知卷积层及所述至少一内部感知卷积层，并通过大量训练用的口咽/下咽癌肿瘤的影像资料重新训练所述全局平均池化层及所述损失函数层，并重新调整所述第一门槛值及所述第二门槛值。
5.一种迁移学习辅助预测方法，用以分析一病患在进行一治疗前的一口咽/下咽肿瘤的一影像资料，所述方法是通过一深度学习辅助预测系统来执行，其特征在于，包含：
通过一小样本资料扩充模组，将所述口咽/下咽癌肿瘤的所述影像资料进行一资料扩充处理，以产生所述口咽/下咽癌肿瘤的所述影像资料的复数个切片影像；
通过一分析模组，使用一口咽/下咽癌预后预测模型对每个切片影像进行一特征分析，以取得每个切片影像对应一第一治疗反应事件的一发生机率；
通过所述分析模组，根据一第一门槛值及所述发生机率决定每个切片影像是否会发生所述第一治疗反应事件；以及
通过所述分析模组，根据一第二门槛值及会发生所述第一治疗反应事件的所述切片影像的数量，预测所述病患在治疗后是否会发生所述第一治疗反应事件；
其中，所述口咽/下咽癌预后预测模型是由一子宫颈癌预后预测模型通过一迁移学习转换而成；
其中，所述子宫颈癌预后预测模型是由一训练用模型经历复数次训练及测试而形成，其中所述训练是利用复数个训练用子宫颈癌肿瘤的影像资料对所述训练用模型进行复数次训练而形成，其中所述训练用模型包含:
一外部感知卷积层，用以从一训练用子宫颈癌肿瘤的所述影像资料中取得复数个原始特征；
至少一内部感知卷积层，用以整合所述原始特征；
一全局平均池化层，用以建立所述原始特征与一第二治疗反应事件之间的一关联性，并根据所述关联性产生一正向预测机率及一负向预测机率，其中所述正向预测机率及所述负向预测机率被整合为所述第二治疗反应事件的一发生机率；以及
一损失函数层，用以调整所述正向预测机率及所述负向预测机率的一训练次数权重。
6.如权利要求5所述的迁移学习辅助预测方法，其特征在于，所述迁移学习包含步骤：直接沿用所述子宫颈癌预后预测模型。
7.如权利要求5所述的迁移学习辅助预测方法，其特征在于，所述迁移学习包含步骤：直接沿用所述子宫颈癌预后预测模型的所述外部感知卷积层、所述至少一内部感知卷积层、所述全局平均池化层及所述损失函数层；以及
通过大量训练用的口咽/下咽癌肿瘤的影像资料重新调整所述第一门槛值及所述第二门槛值。
8.如权利要求5所述的迁移学习辅助预测方法，其特征在于，所述迁移学习包含步骤：直接沿用所述子宫颈癌预后预测模型的所述外部感知卷积层及所述至少一内部感知卷积层；以及
通过大量训练用的口咽/下咽癌肿瘤的影像资料重新训练所述全局平均池化层及所述损失函数层，并重新调整所述第一门槛值及所述第二门槛值。
CN201911025698.1A 2019-10-25 2019-10-25 迁移学习辅助预测系统及方法 Active CN112712875B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911025698.1A CN112712875B (zh) 2019-10-25 2019-10-25 迁移学习辅助预测系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911025698.1A CN112712875B (zh) 2019-10-25 2019-10-25 迁移学习辅助预测系统及方法

Publications (2)

Publication Number Publication Date
CN112712875A CN112712875A (zh) 2021-04-27
CN112712875B true CN112712875B (zh) 2022-12-02

Family

ID=75540942

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911025698.1A Active CN112712875B (zh) 2019-10-25 2019-10-25 迁移学习辅助预测系统及方法

Country Status (1)

Country Link
CN (1) CN112712875B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018504674A (ja) * 2014-12-03 2018-02-15 ベンタナ メディカル システムズ， インコーポレイテッド 早期癌予知のための計算病理学システム及び方法
CN108281183A (zh) * 2018-01-30 2018-07-13 重庆大学 基于卷积神经网络和迁移学习的宫颈涂片图像诊断系统
CN109658411A (zh) * 2019-01-21 2019-04-19 杭州英库医疗科技有限公司 一种基于ct影像学特征与非小细胞肺癌患者预后情况的相关性分析方法
CN110097974A (zh) * 2019-05-15 2019-08-06 天津医科大学肿瘤医院 一种基于深度学习算法的鼻咽癌远端转移预测系统
CN110111895A (zh) * 2019-05-15 2019-08-09 天津医科大学肿瘤医院 一种鼻咽癌远端转移预测模型的建立方法
CN110276740A (zh) * 2018-03-23 2019-09-24 中国医药大学附设医院 乳房肿瘤辅助检测模型、其系统及乳房肿瘤辅助检测方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU8618698A (en) * 1997-08-08 1999-03-01 Breast Screening Decision Support System R&D Syndicate Breast screening - early detection and aid to diagnosis
US10282588B2 (en) * 2016-06-09 2019-05-07 Siemens Healthcare Gmbh Image-based tumor phenotyping with machine learning from synthetic data

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018504674A (ja) * 2014-12-03 2018-02-15 ベンタナ メディカル システムズ， インコーポレイテッド 早期癌予知のための計算病理学システム及び方法
CN108281183A (zh) * 2018-01-30 2018-07-13 重庆大学 基于卷积神经网络和迁移学习的宫颈涂片图像诊断系统
CN110276740A (zh) * 2018-03-23 2019-09-24 中国医药大学附设医院 乳房肿瘤辅助检测模型、其系统及乳房肿瘤辅助检测方法
CN109658411A (zh) * 2019-01-21 2019-04-19 杭州英库医疗科技有限公司 一种基于ct影像学特征与非小细胞肺癌患者预后情况的相关性分析方法
CN110097974A (zh) * 2019-05-15 2019-08-06 天津医科大学肿瘤医院 一种基于深度学习算法的鼻咽癌远端转移预测系统
CN110111895A (zh) * 2019-05-15 2019-08-09 天津医科大学肿瘤医院 一种鼻咽癌远端转移预测模型的建立方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
基于卷积神经网络的乳腺癌分子分型预测研究;任湘 等;《杭州电子科技大学学报(自然科学版)》;20181031;第38卷(第05期);第66-71页 *
基于微量元素支持向量机在鼻咽癌模型预测中的应用;阳春 等;《中国组织工程研究与临床康复》;20101231;第14卷(第52期);第9803-9806页 *
基于病理图像的DCNN鼻咽癌诊断模型和算法;林琰超;《电脑知识与技术》;20180520;第14卷(第14期);第183-185页 *

Also Published As

Publication number Publication date
CN112712875A (zh) 2021-04-27

Similar Documents

Publication Publication Date Title
TWI681406B (zh) 腫瘤影像深度學習輔助子宮頸癌患者預後預測系統、方法及電腦程式產品
CN110021037B (zh) 一种基于生成对抗网络的图像非刚性配准方法及系统
CN112241766B (zh) 基于样本生成和迁移学习的肝脏ct图像多病变分类方法
CN108389201B (zh) 基于3d卷积神经网络与深度学习的肺结节良恶性分类方法
WO2020164270A1 (zh) 基于深度学习的行人检测方法、系统、装置及存储介质
CN106408001B (zh) 基于深度核哈希的感兴趣区域快速检测方法
WO2023134296A1 (zh) 分类预测方法, 装置, 设备, 存储介质及计算机程序产品
CN109815770A (zh) 二维码检测方法、装置及系统
US11684333B2 (en) Medical image analyzing system and method thereof
CN111325745A (zh) 骨折区域分析方法和装置、电子设备及可读存储介质
JP2023518160A (ja) 画像検出方法、装置、デバイス、媒体及びプログラム
US20240186015A1 (en) Breast cancer risk assessment system and method
CN105528620A (zh) 一种联合鲁棒主成分特征学习与视觉分类方法及系统
CN111354442A (zh) 肿瘤影像深度学习辅助子宫颈癌患者预后预测系统、方法
CN112712875B (zh) 迁移学习辅助预测系统及方法
TWI726459B (zh) 遷移學習輔助預測系統、方法及電腦程式產品
Majji et al. Smart iot in breast cancer detection using optimal deep learning
Yang et al. An efficient Fusion-Purification Network for Cervical pap-smear image classification
US11963788B2 (en) Graph-based prostate diagnosis network and method for using the same
CN112509052B (zh) 黄斑中心凹的检测方法、装置、计算机设备和存储介质
Shanshool et al. Improved accuracy of pulmonary nodule classification on LIDC-IDRI dataset using deep learning
Pan et al. Cvfc: Attention-based cross-view feature consistency for weakly supervised semantic segmentation of pathology images
CN111382756B (zh) 影像电脑辅助直肠癌治疗反应预测系统及方法
Garnavi et al. Optimized weighted performance index for objective evaluation of border-detection methods in dermoscopy images
Zeng et al. FastLeakyResNet-CIR: A Novel Deep Learning Framework for Breast Cancer Detection and Classification

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