CN112927179A - 肝肿瘤智慧分析方法 - Google Patents
肝肿瘤智慧分析方法 Download PDFInfo
- Publication number
- CN112927179A CN112927179A CN202010199129.5A CN202010199129A CN112927179A CN 112927179 A CN112927179 A CN 112927179A CN 202010199129 A CN202010199129 A CN 202010199129A CN 112927179 A CN112927179 A CN 112927179A
- Authority
- CN
- China
- Prior art keywords
- liver tumor
- liver
- tumor
- ultrasonic
- unit
- 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
- 208000014018 liver neoplasm Diseases 0.000 title claims abstract description 179
- 206010019695 Hepatic neoplasm Diseases 0.000 title claims abstract description 164
- 238000004458 analytical method Methods 0.000 title claims abstract description 44
- 238000001514 detection method Methods 0.000 claims abstract description 21
- 206010073069 Hepatic cancer Diseases 0.000 claims abstract description 12
- 238000013135 deep learning Methods 0.000 claims abstract description 7
- 230000003211 malignant effect Effects 0.000 claims description 26
- 238000002604 ultrasonography Methods 0.000 claims description 21
- 206010028980 Neoplasm Diseases 0.000 claims description 19
- 201000007270 liver cancer Diseases 0.000 claims description 15
- 238000000034 method Methods 0.000 claims description 8
- 238000003745 diagnosis Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 210000004185 liver Anatomy 0.000 claims description 6
- 239000000523 sample Substances 0.000 claims description 5
- 201000011510 cancer Diseases 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims 3
- 230000003187 abdominal effect Effects 0.000 abstract description 3
- 238000002591 computed tomography Methods 0.000 description 7
- 238000010801 machine learning Methods 0.000 description 6
- 238000002595 magnetic resonance imaging Methods 0.000 description 4
- 241000711549 Hepacivirus C Species 0.000 description 3
- 210000001015 abdomen Anatomy 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000013399 early diagnosis Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 231100000504 carcinogenesis Toxicity 0.000 description 2
- 208000019425 cirrhosis of liver Diseases 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 229930195730 Aflatoxin Natural products 0.000 description 1
- XWIYFDMXXLINPU-UHFFFAOYSA-N Aflatoxin G Chemical compound O=C1OCCC2=C1C(=O)OC1=C2C(OC)=CC2=C1C1C=COC1O2 XWIYFDMXXLINPU-UHFFFAOYSA-N 0.000 description 1
- 208000004930 Fatty Liver Diseases 0.000 description 1
- 102000004641 Fetal Proteins Human genes 0.000 description 1
- 108010003471 Fetal Proteins Proteins 0.000 description 1
- 241000700721 Hepatitis B virus Species 0.000 description 1
- 208000008589 Obesity Diseases 0.000 description 1
- 239000005409 aflatoxin Substances 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000007882 cirrhosis Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 208000006575 hypertriglyceridemia Diseases 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 208000019423 liver disease Diseases 0.000 description 1
- 230000003908 liver function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013421 nuclear magnetic resonance imaging Methods 0.000 description 1
- 235000020824 obesity Nutrition 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000002980 postoperative effect Effects 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 238000012549 training 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/08—Detecting organic movements or changes, e.g. tumours, cysts, swellings
- A61B8/0833—Detecting organic movements or changes, e.g. tumours, cysts, swellings involving detecting or locating foreign bodies or organic structures
- A61B8/085—Detecting organic movements or changes, e.g. tumours, cysts, swellings involving detecting or locating foreign bodies or organic structures for locating body or organic structures, e.g. tumours, calculi, blood vessels, nodules
-
- 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
- G06T7/0014—Biomedical image inspection using an image reference approach
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/08—Detecting organic movements or changes, e.g. tumours, cysts, swellings
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/48—Diagnostic techniques
- A61B8/483—Diagnostic techniques involving the acquisition of a 3D volume of data
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/5215—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data
- A61B8/5223—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data for extracting a diagnostic or physiological parameter from medical diagnostic data
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/5292—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves using additional data, e.g. patient information, image labeling, acquisition parameters
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06V10/443—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 by matching or filtering
- G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
- G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
- G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural 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
- G16H50/20—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
- G06T2207/10132—Ultrasound image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30056—Liver; Hepatic
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
- G06V2201/031—Recognition of patterns in medical or anatomical images of internal organs
Abstract
一种肝肿瘤智能分析方法，是以超音波检测搭配深度学习算法的分析方法来判断肝肿瘤良恶性风险。该肝肿瘤智慧分析方法采用依据为经验丰富的腹部超音波专科医师将具有肝肿瘤影像点区域的超音波影像标示出来，此等经验数据的参数及系数经过深度学习算法的训练建立一准确率高达86%的推论模型。因而可透过超音波检测扫描影像，经此肝肿瘤智慧分析方法立即协助医生或超音波技术员判读肝肿瘤的良恶性风险，从而提供医生进行肝脏肿瘤类型诊断的参考依据。
Description
技术领域
本发明有关于一种肝肿瘤智慧分析方法，尤其涉及一种以超音波检测搭配机器学习算法的分析方法来判断肝肿瘤良恶性风险，特别是指可透过超音波检测扫描影像，经此肝肿瘤智慧分析方法立即协助医生或超音波技术员判读肝肿瘤的良恶性风险，从而提供医生进行肝脏肿瘤类型诊断的参考依据。
背景技术
肝癌高居全球癌症死因第四位，且为居民十大癌症死因第二位。肝癌常见的原因在亚洲大多为B型、C型肝炎病毒及黄曲毒素所导致，欧美国家常见于C型肝炎病毒所导致，而脂肪性肝炎、糖尿病及高三酸甘油酯所引发肝癌现象亦日趋严重。
外科手术是目前最直接治疗肝癌的方法，然而肝癌的早期诊断以及术后病患相关预后的指标也是很重要的课题。早期确诊的肝癌病人通常拥有较多的治疗选择，而治疗的功效往往反应在病患的存活率上。因此，定期检查及早诊断早治疗，是提高病患生存质量、延长生存期的关键。
早期诊断除了抽血检查肝功能、B型C型肝炎病毒及甲种胎儿蛋白外，研究指出腹部超音波为完整肝病的重要检查之一，根据许金川教授早年研究指出1/3小型肝癌病人其抽血检查肝癌指数-甲种胎儿蛋白仍为正常，必须辅以超音波检查，才能早期发现肝癌，再加上腹部超音波检查特性，快速、方便且无辐射，因此成为肝癌筛检的重要工具。
对于肝癌诊断有别于其它癌症，其确诊不一定需要经由病理切片，可直接透过影像检查而确诊，如：腹部超音波（abdominal ultrasound,US）、计算机断层（computedtomography,CT）、以及核磁共振（magnetic resonance imaging,MRI）等，而其敏感度（sensitivity）与特异度（specificity）分别为：0.78～0.73与0.89～0.93、0.84～0.83与0.99～0.91、以及0.83与0.88。
虽然超音波检查有其便利性，但也有所限制，如：操作者的经验度、病人肥胖程度、肝纤维化或肝硬化有无等因素，都会影响超音波的精准度，因此当超音波检查怀疑为恶性肿瘤时，大多安排第二项影像检查如：CT或MRI辅助确诊，而此两项检查除医疗成本费用昂贵且检查排程冗长外，CT检查更有较多辐射暴露的考虑。
有鉴于此，相关技术领域一直亟需一种人工智能分析技术，辅助超音波检测即可有效分析肝肿瘤良恶性之方法；而相较于核磁共振成像及/或计算机断层摄影，本肝肿瘤智慧分析方法，将协助超音波影像分析准确度与CT及MRI准确度相当，藉此协助医师利用超音波检查快速进行精准的肝脏肿瘤类型诊断。
发明内容
本发明的主要目的在于，克服已知技术所遭遇的上述问题，并提供一种肝肿瘤智慧分析方法，以超音波检测搭配机器学习算法的分析方法来判断肝肿瘤性质，其准确率可高达86%，与CT或MRI准确度相近，藉此协助医师利用无辐射又安全的超音波检查，进行快速精准的肝脏肿瘤类型诊断。
为达以上目的，本发明采用的技术方案是：一种肝肿瘤智慧分析方法，其至少包含有下列步骤：步骤一：提供发射超音波扫描一受试者外部相对应于肝脏的区域，并取得该受试者的一目标肝脏肿瘤超音波影像；步骤二：输入数个参考肝脏肿瘤超音波影像，该些参考肝脏肿瘤超音波影像包含肝脏肿瘤良性与恶性的超音波影像；步骤三：根据现有肝脏肿瘤超音波影像中的明暗、阴影的面积及形状对现有肝脏肿瘤进行分类，并依此对上述步骤二中输入的数个参考肝脏肿瘤超音波影像中带有肿瘤影像点区域的肝脏肿瘤超音波影像进行标示并辨别肝脏肿瘤的类型；步骤四：将该些带有肿瘤影像点区域的肝脏肿瘤超音波影像，结合深度学习算法用于训练一分类器模型以进行肝脏肿瘤类型的判别；以及步骤五：将所获得该受试者的目标肝脏肿瘤超音波影像以该推论模型进行分析，以提供临床人员判断该受试者的一肝脏肿瘤类型与预测该受试者的一肝肿瘤良恶性风险机率。
于本发明上述实施例中，更包含有一超音波检测模块、以及一连接该超音波检测模块的分析模块。
于本发明上述实施例中，该超音波检测模块包括一超音波探头，系供发射超音波扫描一受试者外部相对应于肝脏的区域，并取得该受试者的一目标肝脏肿瘤超音波影像。
于本发明上述实施例中，该分析模块包含有一控制单元、一连接该控制单元的影像采集单元、一连接该控制单元的参考储存单元、一连接该控制单元的肝肿瘤标示单元、一连接该控制单元的分类单元、一连接该控制单元的比对单元、以及一连接该控制单元的预测肝肿瘤良恶性风险报告产生单元。
于本发明上述实施例中，该控制单元为中央处理器，可作为该影像采集单元、该参考储存单元、该肝肿瘤标示单元、该分类单元、该比对单元与该预测肝肿瘤良恶性风险报告产生单元运作时的运算、控制、处理、编码、译码与各式驱动指令的下达。
于本发明上述实施例中，该影像采集单元可获取一受试者的目标肝脏肿瘤超音波影像，且该影像采集单元可为数字视讯接口（Digital Visual Interface, DVI）。
于本发明上述实施例中，该参考储存单元储存有数个参考肝脏肿瘤超音波影像，其包含肝脏肿瘤良性与恶性的超音波影像，且该参考储存单元为硬盘。
于本发明上述实施例中，该肝肿瘤标示单元根据现有肝脏肿瘤超音波影像中的明暗、阴影的面积及形状对现有肝脏肿瘤进行分类，并依此对该些参考肝脏肿瘤超音波影像中带有肿瘤影像点区域的肝脏肿瘤超音波影像进行标示并辨别肝脏肿瘤的类型。
于本发明上述实施例中，该肝肿瘤标示单元系依据基于具有配合经验资料的系数及/或参数，从该数个参考肝脏肿瘤超音波影像中自动标示出带有肿瘤影像点区域的肝脏肿瘤超音波影像。
于本发明上述实施例中，该分类单元将该肝肿瘤标示单元标示出带有肿瘤影像点区域的肝脏肿瘤超音波影像，结合深度学习算法用于训练一分类器模型以进行肝脏肿瘤类型的判别。于本发明上述实施例中，该比对单元将该影像采集单元获取之目标肝脏肿瘤超音波影像以该分类单元建立之推论模型进行分析，以提供临床人员判断受试者之一肝脏肿瘤类型与预测该受试者之一肝肿瘤良恶性风险机率。
于本发明上述实施例中，该预测肝肿瘤良恶性风险报告产生单元将该比对单元所产生的提供临床人员判断受试者的一肝脏肿瘤类型与预测该受试者的一肝肿瘤良恶性风险机率输入至该预测肝肿瘤良恶性风险报告产生单元之中，以制作出一份肝肿瘤性质诊断报告。
于本发明上述实施例中，该肝脏肿瘤类型包含良性肿瘤及恶性肿瘤。
附图说明
图1是本发明的流程示意图。
图2是本发明的方块示意图。
标号对照：
超音波检测模块1
超音波探头11
分析模块2
影像采集单元21
参考储存单元22
控制单元23
肝肿瘤标示单元24
分类单元25
比对单元26
预测肝肿瘤良恶性风险报告产生单元27
步骤一～步骤五s1～s5。
具体实施方式
请参阅图1及图2所示，分别为本发明的流程示意图、以及本发明的方块示意图。如图所示：本发明为一种肝肿瘤智慧分析方法，其包含有下列步骤：
步骤一s1：提供发射超音波扫描一受试者外部相对应于肝脏的区域，并取得该受试者的一目标肝脏肿瘤超音波影像。
步骤二s2：输入数个参考肝脏肿瘤超音波影像，其包含肝脏肿瘤良性与恶性的超音波影像。
步骤三s3：根据现有肝脏肿瘤超音波影像中的明暗、阴影的面积及形状对现有肝脏肿瘤进行分类，并依此对上述步骤二中输入的数个参考肝脏肿瘤超音波影像中带有肿瘤影像点区域的肝脏肿瘤超音波影像进行标示并辨别肝脏肿瘤的类型。
步骤四s4：将该些带有肿瘤影像点区域的肝脏肿瘤超音波影像，利用一机器学习算法训练，以建立一推论模型。
步骤五s5：将所获得该受试者的目标肝脏肿瘤超音波影像以该推论模型进行分析，以提供临床人员判断该受试者的一肝脏肿瘤类型与预测该受试者的一肝肿瘤良恶性风险机率。如是，藉由上述揭露的流程构成一全新的肝肿瘤智慧分析方法。
于本发明的一较佳具体实施例中，更包含有一超音波检测模块1、以及一分析模块2。
上述所提的超音波检测模块1包括一超音波探头11。
该分析模块2连接该超音波检测模块1，包括一影像采集单元21、一参考储存单元22、一控制单元23、一肝肿瘤标示单元24、一分类单元25、一比对单元26、以及一预测肝肿瘤良恶性风险报告产生单元27。其中，该控制单元23可为中央处理器（Central ProcessingUnit, CPU），用以作为该影像采集单元21、该参考储存单元22、该肝肿瘤标示单元24、该分类单元25、该比对单元26与该预测肝肿瘤良恶性风险报告产生单元27运作时的运算、控制、处理、编码、译码与各式驱动指令的下达。
当本发明于运用时，本发明的肝肿瘤智慧分析方法可实施于一计算机中，而该控制单元23为计算机的中央处理器，该肝肿瘤标示单元24、该分类单元25、该比对单元26与该预测肝肿瘤良恶性风险报告产生单元27可为计算机中的程序，并储存于硬盘或内存中，且该影像采集单元21为计算机的数字视讯接口（Digital Visual Interface, DVI），而该参考储存单元22可为硬盘，并进一步具有屏幕、鼠标及键盘作为相关的输出与操作。另外，亦可将本发明的肝肿瘤智慧分析方法实施于一服务器中。
当使用时，由该超音波检测模块1的超音波探头11提供发射超音波扫描一受试者外部相对应于肝脏的区域，藉以取得该受试者数个组肝脏肿瘤超音波影像，而在扫描期间，医生亦可能察觉到至少一张可疑肿瘤超音波影像而进行选定为一目标肝脏肿瘤超音波影像。
该分析模块2可由该影像采集单元21获取透过该超音波检测模块1成像而形成的该受试者的目标肝脏肿瘤超音波影像，并以该参考储存单元22储存有数个参考肝脏肿瘤超音波影像，其包含肝脏肿瘤良性及恶性的超音波影像。该分析模块2储存一程序，其中当该程序由该控制单元23执行时，该程序可提供临床人员判断该受试者的一肝脏肿瘤类型与预测该受试者的一肝肿瘤良恶性风险机率，该程序包含该肝肿瘤标示单元24、该分类单元25、该比对单元26与该预测肝肿瘤良恶性风险报告产生单元27。
该肝肿瘤标示单元24依据基于具有配合经验资料的系数及/或参数，从该数个参考肝脏肿瘤超音波影像中自动标示出带有肿瘤影像点区域的肝脏肿瘤超音波影像并辨别肝脏肿瘤的类型。例如：该肝肿瘤标示单元24可依据基于配合医师经验进行标示。该分类单元25再将该些带有肿瘤影像点区域的肝脏肿瘤超音波影像，结合深度学习算法（是一种以人工神经网络为架构，对数据进行表征学习的算法，为现有技术）用于训练一分类器模型（利用人工神经网络对影像作特征抽取，最后使用全连接网络对特征进行分类）以进行肝脏肿瘤类型的判别。由该比对单元26将该目标肝脏肿瘤超音波影像以该推论模型进行分析，以提供临床人员判断该受试者的一肝脏肿瘤性质，并进一步预测该受试者的一肝肿瘤良恶性风险机率。最后透过该预测肝肿瘤良恶性风险报告产生单元27将该比对单元26所产生的提供临床人员判断该受试者的一肝脏肿瘤类型与预测该受试者的一肝肿瘤良恶性风险机率输入至该预测肝肿瘤良恶性风险报告产生单元27之中，以制作出一份协助医师判断肝肿瘤性质的诊断报告。
藉此，本发明所提肝肿瘤智慧分析方法，采用依据为经验丰富的腹部超音波专科医师将具有肝肿瘤影像点区域的超音波影像标示出来，此等经验数据的参数及系数经过机器学习算法的训练建立一准确率高达86%的推论模型。因而可透过超音波检测扫描影像，经此肝肿瘤智慧分析方法立即协助医生或超音波技术员判读肝肿瘤的良恶性风险，从而提供医生进行肝脏肿瘤类型诊断的参考依据。
综上所述，本发明的一种肝肿瘤智慧分析方法，可有效改善现有技术的种种缺点，以超音波检测搭配机器学习算法的分析方法来判断肝肿瘤良恶性风险，利用依据基于具有配合经验数据的系数及/或参数可将具有肿瘤影像点区域的肝脏肿瘤超音波影像标示出来，经过机器学习算法的训练建立一准确率高达86%的推论模型，藉此协助医师利用无辐射又安全的超音波检查，快速进行精准的肝脏肿瘤类型诊断，进而使本发明能更进步、更实用、更符合使用者所须，确已符合发明专利申请的要件，依法提出专利申请。
但以上所述，仅为本发明的较佳实施例而已，当不能以此限定本发明实施的范围。故，凡依本发明申请专利范围及发明说明书内容所作的简单的等效变化与修饰，皆应仍属本发明专利涵盖的范围内。
Claims (13)
1.一种肝肿瘤智能分析方法，其中，该方法至少包含有下列步骤：
步骤一：提供发射超音波扫描一受试者外部相对应于肝脏的区域，并取得该受试者的一目标肝脏肿瘤超音波影像；
步骤二：输入数个参考肝脏肿瘤超音波影像，该些参考肝脏肿瘤超音波影像包含肝脏肿瘤良性与恶性的超音波影像；
步骤三：根据现有肝脏肿瘤超音波影像中的明暗、阴影的面积及形状对现有肝脏肿瘤进行分类，并依此对上述步骤二中输入的数个参考肝脏肿瘤超音波影像中带有肿瘤影像点区域的肝脏肿瘤超音波影像进行标示并辨别肝脏肿瘤的类型；
步骤四：将该些带有肿瘤影像点区域的肝脏肿瘤超音波影像，结合深度学习算法用于训练一分类器模型以进行肝脏肿瘤类型的判别；以及
步骤五：将所获得该受试者的目标肝脏肿瘤超音波影像以该推论模型进行分析，以提供临床人员判断该受试者的一肝脏肿瘤类型与预测该受试者的一肝肿瘤良恶性风险机率。
2.如权利要求1所述的肝肿瘤智慧分析方法，其中，所述方法更包含有一超音波检测模块、以及一连接该超音波检测模块的分析模块。
3.如权利要求2所述的肝肿瘤智慧分析方法，其中，所述超音波检测模块包括一超音波探头，供发射超音波扫描一受试者外部相对应于肝脏的区域，并取得该受试者的一目标肝脏肿瘤超音波影像。
4.如权利要求2所述的肝肿瘤智慧分析方法，其中，所述分析模块包含有一控制单元、一连接该控制单元的影像采集单元、一连接该控制单元的参考储存单元、一连接该控制单元的肝肿瘤标示单元、一连接该控制单元的分类单元、一连接该控制单元的比对单元、以及一连接该控制单元的预测肝肿瘤良恶性风险报告产生单元。
5.如权利要求4所述的肝肿瘤智慧分析方法，其中，所述控制单元为中央处理器，作为该影像采集单元、该参考储存单元、该肝肿瘤标示单元、该分类单元、该比对单元与该预测肝肿瘤良恶性风险报告产生单元运作时的运算、控制、处理、编码、译码与各式驱动指令的下达。
6.如权利要求4所述的肝肿瘤智慧分析方法，其中，所述影像采集单元获取一受试者的目标肝脏肿瘤超音波影像，且该影像采集单元为数字视讯接口。
7.如权利要求4所述的肝肿瘤智慧分析方法，其中，所述参考储存单元储存有数个参考肝脏肿瘤超音波影像，其包含肝脏肿瘤良性与恶性的超音波影像，且该参考储存单元为硬盘。
8.如权利要求4所述的肝肿瘤智慧分析方法，其中，所述肝肿瘤标示单元根据现有肝脏肿瘤超音波影像中的明暗、阴影的面积及形状对现有肝脏肿瘤进行分类，并依此自动对该数个参考肝脏肿瘤超音波影像中带有肿瘤影像点区域的肝脏肿瘤超音波影像进行标示并辨别肝脏肿瘤的类型。
9.如权利要求8所述的肝肿瘤智慧分析方法，其中，所述肝肿瘤标示单元依据基于具有配合经验资料的系数及/或参数，从该数个参考肝脏肿瘤超音波影像中自动标示出带有肿瘤影像点区域的肝脏肿瘤超音波影像。
10.如权利要求4所述的肝肿瘤智慧分析方法，其中，所述分类单元将该肝肿瘤标示单元标示出带有肿瘤影像点区域的肝脏肿瘤超音波影像，结合深度学习算法用于训练一分类器模型以进行肝脏肿瘤类型的判别。
11.如权利要求4所述的肝肿瘤智慧分析方法，其中，所述比对单元将该影像采集单元获取的目标肝脏肿瘤超音波影像以该分类单元建立的推论模型进行分析，以提供临床人员判断受试者的一肝脏肿瘤类型与预测该受试者的一肝肿瘤良恶性风险机率。
12.如权利要求4所述的肝肿瘤智慧分析方法，其中，所述预测肝肿瘤良恶性风险报告产生单元将该比对单元所产生的提供临床人员判断受试者的一肝脏肿瘤类型与预测该受试者的一肝肿瘤良恶性风险机率输入至该预测肝肿瘤良恶性风险报告产生单元之中，以制作出一份肝肿瘤性质诊断报告。
13.如权利要求1所述的肝肿瘤智慧分析方法，其中，所述肝脏肿瘤类型包含良性肿瘤及恶性肿瘤。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW108142298 | 2019-11-21 | ||
| TW108142298 | 2019-11-21 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112927179A true CN112927179A (zh) | 2021-06-08 |
Family
ID=73543209
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010199129.5A Pending CN112927179A (zh) | 2019-11-21 | 2020-03-20 | 肝肿瘤智慧分析方法 |
Country Status (6)
| Country | Link |
|---|---|
| EP (1) | EP3825910B1 (zh) |
| CN (1) | CN112927179A (zh) |
| ES (1) | ES2949835T3 (zh) |
| GB (1) | GB2591177A (zh) |
| PL (1) | PL3825910T3 (zh) |
| TW (1) | TWI810498B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113436158A (zh) * | 2021-06-21 | 2021-09-24 | 遂宁市中心医院 | 一种基于深度学习的肝脏肿块辅助鉴别方法 |
| TWI802243B (zh) * | 2022-01-22 | 2023-05-11 | 臺北醫學大學 | 超音波影像處理系統及其運作方法 |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112862822B (zh) * | 2021-04-06 | 2023-05-30 | 华侨大学 | 一种超声乳腺肿瘤检测与分类方法、装置与介质 |
| CN113743463B (zh) * | 2021-08-02 | 2023-09-26 | 中国科学院计算技术研究所 | 一种基于影像数据和深度学习的肿瘤良恶性识别方法和系统 |
| TWI830161B (zh) * | 2022-02-25 | 2024-01-21 | 國立陽明交通大學 | 腦部腫瘤種類自動判別系統、其伺服計算機裝置及計算機可讀取的儲存媒體 |
| JP2023182996A (ja) * | 2022-06-15 | 2023-12-27 | 富士フイルム株式会社 | 超音波診断装置および超音波診断装置の制御方法 |
Family Cites Families (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1636731A2 (en) * | 2003-06-25 | 2006-03-22 | Siemens Medical Solutions USA, Inc. | Systems and methods for automated diagnosis and decision support for breast imaging |
| JP2010029481A (ja) * | 2008-07-29 | 2010-02-12 | Univ Of Tsukuba | 腫瘍の経過観察レポート自動作成診断支援システム |
| WO2010063010A2 (en) * | 2008-11-26 | 2010-06-03 | Guardian Technologies International Inc. | System and method for texture visualization and image analysis to differentiate between malignant and benign lesions |
| CN105447872A (zh) * | 2015-12-03 | 2016-03-30 | 中山大学 | 一种在超声影像中自动识别肝脏肿瘤类型的方法 |
| WO2018094118A1 (en) * | 2016-11-16 | 2018-05-24 | Teratech Corporation | Portable ultrasound system |
| US11449985B2 (en) * | 2016-12-02 | 2022-09-20 | Regents Of The University Of Minnesota | Computer vision for cancerous tissue recognition |
| US11826201B2 (en) * | 2018-06-22 | 2023-11-28 | Koninklijke Philips N.V. | Ultrasound lesion assessment and associated devices, systems, and methods |
| CN110288574A (zh) * | 2019-06-13 | 2019-09-27 | 南通市传染病防治院(南通市第三人民医院) | 一种超声辅助诊断肝肿块系统及方法 |
| CN110288542A (zh) * | 2019-06-18 | 2019-09-27 | 福州数据技术研究院有限公司 | 一种基于随机变换的肝部病理图像样本增强方法 |
| CN110264462B (zh) * | 2019-06-25 | 2022-06-28 | 电子科技大学 | 一种基于深度学习的乳腺超声肿瘤识别方法 |
| CN110866893B (zh) * | 2019-09-30 | 2021-04-06 | 中国科学院计算技术研究所 | 基于病理图像的tmb分类方法、系统及tmb分析装置 |
| CN110837859A (zh) * | 2019-11-01 | 2020-02-25 | 越亮传奇科技股份有限公司 | 一种融合多维度医疗数据的肿瘤精细分类系统及方法 |
| CN111243042A (zh) * | 2020-02-28 | 2020-06-05 | 浙江德尚韵兴医疗科技有限公司 | 基于深度学习的超声甲状腺结节良恶性特征可视化的方法 |
| CN111402207B (zh) * | 2020-03-02 | 2023-05-30 | 中山大学附属第一医院 | 一种基于复合神经网络的超声造影视频数据分析方法 |
| CN111539930B (zh) * | 2020-04-21 | 2022-06-21 | 浙江德尚韵兴医疗科技有限公司 | 基于深度学习的动态超声乳腺结节实时分割与识别的方法 |
| US11436724B2 (en) * | 2020-10-30 | 2022-09-06 | International Business Machines Corporation | Lesion detection artificial intelligence pipeline computing system |
-
2020
- 2020-03-20 CN CN202010199129.5A patent/CN112927179A/zh active Pending
- 2020-11-19 TW TW109140492A patent/TWI810498B/zh active
- 2020-11-20 EP EP20209071.8A patent/EP3825910B1/en active Active
- 2020-11-20 ES ES20209071T patent/ES2949835T3/es active Active
- 2020-11-20 GB GB2018273.9A patent/GB2591177A/en active Pending
- 2020-11-20 PL PL20209071.8T patent/PL3825910T3/pl unknown
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113436158A (zh) * | 2021-06-21 | 2021-09-24 | 遂宁市中心医院 | 一种基于深度学习的肝脏肿块辅助鉴别方法 |
| TWI802243B (zh) * | 2022-01-22 | 2023-05-11 | 臺北醫學大學 | 超音波影像處理系統及其運作方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| EP3825910A1 (en) | 2021-05-26 |
| PL3825910T3 (pl) | 2023-09-11 |
| GB2591177A (en) | 2021-07-21 |
| EP3825910B1 (en) | 2023-05-03 |
| TW202121435A (zh) | 2021-06-01 |
| GB202018273D0 (en) | 2021-01-06 |
| ES2949835T3 (es) | 2023-10-03 |
| TWI810498B (zh) | 2023-08-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112927179A (zh) | 肝肿瘤智慧分析方法 | |
| CN110060774B (zh) | 一种基于生成式对抗网络的甲状腺结节识别方法 | |
| US11937973B2 (en) | Systems and media for automatically diagnosing thyroid nodules | |
| US11562820B2 (en) | Computer classification of biological tissue | |
| JP6231885B2 (ja) | 頸部を検査する医療機器 | |
| EP3806744B1 (en) | Immediate workup | |
| CN109727243A (zh) | 乳腺超声图像识别分析方法及系统 | |
| JP2009095550A (ja) | 診断支援装置、診断支援装置の制御方法、およびそのプログラム | |
| US20210153838A1 (en) | Method and Apparatus of Intelligent Analysis for Liver Tumor | |
| JP2004105729A (ja) | コンピュータ支援による断層撮影マンモグラフィデータの分析 | |
| CN103096786A (zh) | 宫颈瘤变检测和诊断的图像分析 | |
| US20230154006A1 (en) | Rapid, accurate and machine-agnostic segmentation and quantification method and device for coronavirus ct-based diagnosis | |
| CN114782307A (zh) | 基于深度学习的增强ct影像直肠癌分期辅助诊断系统 | |
| JP5456132B2 (ja) | 診断支援装置、診断支援装置の制御方法、およびそのプログラム | |
| CN112802000A (zh) | 多模态医学影像智能辅助诊疗系统 | |
| CN112071418B (zh) | 基于增强ct影像组学的胃癌腹膜转移的预测系统及方法 | |
| CN212853503U (zh) | 肝肿瘤智能分析装置 | |
| Zhang et al. | Comparison of multiple feature extractors on Faster RCNN for breast tumor detection | |
| Khanna | A Review of AI Devices in Cancer Radiology for Breast and Lung Imaging and Diagnosis | |
| Lu et al. | A Review of the Role of Ultrasound Radiomics and Its Application and Limitations in the Investigation of Thyroid Disease | |
| WO2022153100A1 (en) | A method for detecting breast cancer using artificial neural network | |
| JP7236109B2 (ja) | 肝腫瘍知能分析装置およびその作動方法 | |
| Caban et al. | Monitoring pulmonary fibrosis by fusing clinical, physiological, and computed tomography features | |
| CN111265234A (zh) | 一种肺部纵膈淋巴结的性质判定方法及系统 | |
| Xiong et al. | Deep Ensemble Learning Network for Kidney Lesion Detection |
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 | ||
| CB03 | Change of inventor or designer information |
Inventor after: Wu Zhihong Inventor after: Zhan Xiaojing Inventor after: Xu Jinchuan Inventor after: Lin Daxiang Inventor after: Zhou Peilian Inventor before: Zhan Xiaojing Inventor before: Lin Daxiang Inventor before: Zhou Peilian |
|
| CB03 | Change of inventor or designer information | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20240401 Address after: 2/F, No. 30 Park Road, Zhongzheng District, Taipei, Taiwan, China, China Applicant after: Good Heart Liver Foundation, a medical consortium legal entity Country or region after: TaiWan, China Applicant after: Zhan Xiaojing Applicant after: YUAN HIGH-TECH DEVELOPMENT Co.,Ltd. Address before: 6th Floor, No. 30-1 Park Road, Zhongzheng District, Taipei, Taiwan, China, China Applicant before: Zhan Xiaojing Country or region before: TaiWan, China Applicant before: YUAN HIGH-TECH DEVELOPMENT Co.,Ltd. |
|
| TA01 | Transfer of patent application right |