CN113033636B - 一种卵巢肿瘤自动鉴别系统 - Google Patents
一种卵巢肿瘤自动鉴别系统 Download PDFInfo
- Publication number
- CN113033636B CN113033636B CN202110278287.4A CN202110278287A CN113033636B CN 113033636 B CN113033636 B CN 113033636B CN 202110278287 A CN202110278287 A CN 202110278287A CN 113033636 B CN113033636 B CN 113033636B
- Authority
- CN
- China
- Prior art keywords
- slice
- magnetic resonance
- modality
- prediction
- mode
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/43—Detecting, measuring or recording for evaluating the reproductive systems
- A61B5/4306—Detecting, measuring or recording for evaluating the reproductive systems for evaluating the female reproductive systems, e.g. gynaecological evaluations
- A61B5/4318—Evaluation of the lower reproductive system
- A61B5/4325—Evaluation of the lower reproductive system of the uterine cavities, e.g. uterus, fallopian tubes, ovaries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
Abstract
本发明提出了一种卵巢肿瘤自动鉴别系统,是一种新型神经网络架构,包括数据获取及预处理、特征提取、多模态特征聚合、预测等步骤。该系统能够直接以多模态磁共振图像作为输入,整个流程无需人工勾画肿瘤病灶区域,也无需人工提取特征,仅通过二维卷积核就能实现基于三维图像的全自动诊断,能够有效提高基于术前磁共振图像的上皮性恶性和交界性卵巢肿瘤鉴别精度。
Description
技术领域
本发明要解决的技术问题是交界性和恶性卵巢肿瘤鉴别,该技术属于医学图像信息处理、计算机辅助诊断领域。
背景技术
研究表明多模态磁共振是一种有效鉴别二者的成像手段,但影像科医生凭经验判断来区分二者的诊断精度较低,现有的影像组学方法需要人工勾画肿瘤病灶区域,在勾画的区域内提取人工设计的特征,然后经过特征筛选,构建并训练模型。
由于影像组学方法固有的特性,需要勾画肿瘤病灶区域和人工特征提取两个步骤。勾画肿瘤病灶区域比较费时耗力,需要非常专业的医学知识,且主观性较强,不同医生所勾画的肿瘤区域可能会有差异;所提取的特征没有针对性,无法针对特定的疾病来设计。上述两个原因都会导致模型的性能不稳定,精度差。
发明内容
本发明提供一种卵巢肿瘤自动鉴别系统,其特征在于,包括以下步骤:数据获取及预处理、特征提取、多模态特征聚合、预测。
进一步地,所述数据获取及预处理包括,获取患者j的k个模态的磁共振数据,并将这些磁共振数据对齐,使不同的磁共振模态有相同的大小和空间分辨率。患者j的磁共振数据集合可以表示为
进一步地,所述特征提取包括,使用二维卷积神经网络(Conv(·))对每个切片分别进行特征提取,得到该患者的特征集合
进一步地,所述多模态特征聚合包括,使用模态注意力模块实现多模态特征聚合,首先使用全局均值池化(fgp(·))来获取第k模态的描述子dk和全局模态描述子d:
d={d1,d2,…,dk}
其中,i代表n方向,即沿切片方向的起始值。
随后使用两个全连接层(ffc1(·)和ffc2(·))和一个激活层(fac(·))对全局模态描述子d进行非线性化和降维操作,从而获取模态注意力向量a:
a=ffc2(fac(ffc1(d)))
紧接着,使用一个softmax层(fsm(·))来对各个模态的注意力值进行校准,以使其权重和为1:
进一步地,所述预测包括使用分类器来获取切片级的预测结果、使用上下文多示例池化层(fcp(·))来聚合切片级的预测结果、获取患者的预测结果。
进一步地,所述使用分类器来获取切片级的预测结果包括,使用多个全连接层构成的分类器fcls(·)来获取所有切片的预测结果q:
进一步地,所述使用上下文多示例池化层(fcp(·))来聚合切片级的预测结果包括,首先,对每个切片的预测值进行调整,得到调整后的切片预测值p(i):
进一步地,所述获取患者的预测结果包括,使用池化函数fpool获取患者的预测结果P:
P=fpool(p)=fpool(p(1),p(2),...,p(n))。
附图说明
图1所示是本发明的主要工作流程图;
图2所示为本发明的多模态特征聚合的流程图;
图3所示为本发明的预测的流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参见图1-3,本发明提供一种卵巢肿瘤自动鉴别系统,包括以下步骤:数据获取及预处理、特征提取、多模态特征聚合、预测。
从医院PACS(Picture Archiving and Communication Systems)系统中获取患者j的k个模态的磁共振数据,并将这些磁共振数据对齐,使不同的磁共振模态有相同的大小和空间分辨率。患者j的磁共振数据集合可以表示为
使用二维卷积神经网络(Conv(·))对每个切片分别进行特征提取,得到该患者的特征集合
使用模态注意力模块实现多模态特征聚合,首先使用全局均值池化(fgp(·))来获取第k模态的描述子dk和全局模态描述子d:
d={d1,d2,…,dk}
随后使用两个全连接层(ffc1(·)和ffc2(·))和一个激活层(fac(·))对全局模态描述子d进行非线性化和降维操作,从而获取模态注意力向量a:
a=ffc2(fac(ffc1(d)))
紧接着,使用一个softmax层(fsm(·))来对各个模态的注意力值进行校准,以使其权重和为1:
所述预测包括使用分类器来获取切片级的预测结果、使用上下文多示例池化层(fcp(·))来聚合切片级的预测结果、获取患者的预测结果。
所述使用分类器来获取切片级的预测结果包括,使用多个全连接层构成的分类器fcls(·)来获取所有切片的预测结果q:
q={q(1),q(2),...,q(n)}={fcls(fea(1)),fcls(fea(2)),...,fcls(fea(n))}。
所述使用上下文多示例池化层(fcp(·))来聚合切片级的预测结果包括,首先,对每个切片的预测值进行调整,得到调整后的切片预测值o(i):
所述获取患者的预测结果包括,使用池化函数fpool获取患者的预测结果P:
P=fpool(p)=fpool(p(1),p(2),…,p(n))。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限制。
Claims (1)
1.一种卵巢肿瘤自动鉴别系统,其特征在于,包括以下步骤:数据获取及预处理、特征提取、多模态特征聚合、预测;
所述数据获取及预处理包括,获取患者j的k个模态的磁共振数据,并将这些磁共振数据对齐,使不同的磁共振模态有相同的大小和空间分辨率,患者j的磁共振数据集合可以表示为其中mk代表第k个模态的磁共振数据,代表第k个模态的第n个切片;
所述多模态特征聚合包括,使用模态注意力模块实现多模态特征聚合,首先使用全局均值池化fgp(·)来获取第k模态的描述子dk和全局模态描述子d:
d={d1,d2,…,dk}
其中,i代表n方向,即沿切片方向的起始值;
使用两个全连接层ffc1(·)和ffc2(·),和一个激活层fac(·)对全局模态描述子d进行非线性化和降维操作,从而获取模态注意力向量a:
a=ffc2(fac(ffc1(d)))
使用一个softmax层fsm(·)来对各个模态的注意力值进行校准,以使其权重和为1:
所述预测包括使用分类器来获取切片级的预测结果、使用上下文多示例池化层fcp(·)来聚合切片级的预测结果、获取患者的预测结果;
所述使用分类器来获取切片级的预测结果包括,使用多个全连接层构成的分类器fcls(·)来获取所有切片的预测结果q:
q={q(1),q(2),…,q(n)}={fcls(fea(1)),fcls(fea(2)),…,fcls(fea(n))};
所述使用上下文多示例池化层fcp(·)来聚合切片级的预测结果包括,首先,对每个切片的预测值进行调整,得到调整后的切片预测值p(i):
所述获取患者的预测结果包括,使用池化函数fpool获取患者的预测结果P:
P=fpool(p)=fpool(p(1),p(2),…,p(n))。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110278287.4A CN113033636B (zh) | 2021-03-17 | 2021-03-17 | 一种卵巢肿瘤自动鉴别系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110278287.4A CN113033636B (zh) | 2021-03-17 | 2021-03-17 | 一种卵巢肿瘤自动鉴别系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113033636A CN113033636A (zh) | 2021-06-25 |
CN113033636B true CN113033636B (zh) | 2022-11-29 |
Family
ID=76470618
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110278287.4A Active CN113033636B (zh) | 2021-03-17 | 2021-03-17 | 一种卵巢肿瘤自动鉴别系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113033636B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114677378B (zh) * | 2022-05-31 | 2022-09-02 | 四川省医学科学院·四川省人民医院 | 基于卵巢肿瘤良恶性预测模型的计算机辅助诊疗系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109447242A (zh) * | 2018-10-10 | 2019-03-08 | 复旦大学 | 基于迭代学习的图像描述重生成系统及方法 |
CN111210444A (zh) * | 2020-01-03 | 2020-05-29 | 中国科学技术大学 | 多模态磁共振影像的分割方法、装置及介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107506793B (zh) * | 2017-08-21 | 2020-12-18 | 中国科学院重庆绿色智能技术研究院 | 基于弱标注图像的服装识别方法及系统 |
CN108109140A (zh) * | 2017-12-18 | 2018-06-01 | 复旦大学 | 基于深度学习的低级别脑胶质瘤柠檬酸脱氢酶无损预测方法及系统 |
CN110334708A (zh) * | 2019-07-03 | 2019-10-15 | 中国科学院自动化研究所 | 跨模态目标检测中的差异自动校准方法、系统、装置 |
-
2021
- 2021-03-17 CN CN202110278287.4A patent/CN113033636B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109447242A (zh) * | 2018-10-10 | 2019-03-08 | 复旦大学 | 基于迭代学习的图像描述重生成系统及方法 |
CN111210444A (zh) * | 2020-01-03 | 2020-05-29 | 中国科学技术大学 | 多模态磁共振影像的分割方法、装置及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113033636A (zh) | 2021-06-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Vijayarajeswari et al. | Classification of mammogram for early detection of breast cancer using SVM classifier and Hough transform | |
Li et al. | A comprehensive review of computer-aided whole-slide image analysis: from datasets to feature extraction, segmentation, classification and detection approaches | |
Basavanhally et al. | Computerized image-based detection and grading of lymphocytic infiltration in HER2+ breast cancer histopathology | |
CN111542830A (zh) | 利用卷积神经网络处理组织学图像以识别肿瘤 | |
Saini et al. | ColpoNet for automated cervical cancer screening using colposcopy images | |
CN109447998B (zh) | 基于PCANet深度学习模型下的自动分割方法 | |
EP2391887B1 (en) | Image-based risk score-a prognostic predictor of survival and outcome from digital histopathology | |
CN111291825B (zh) | 病灶分类模型训练方法、装置、计算机设备和存储介质 | |
CN113728335A (zh) | 用于3d图像的分类和可视化的方法和系统 | |
CN110838108A (zh) | 基于医疗图像的预测模型构建方法、预测方法及装置 | |
US20220237789A1 (en) | Weakly supervised multi-task learning for cell detection and segmentation | |
Hu et al. | Brain tumor segmentation on multimodal mr imaging using multi-level upsampling in decoder | |
CN113033636B (zh) | 一种卵巢肿瘤自动鉴别系统 | |
Murugappan et al. | Texture based medical image classification by using multi-scale Gabor rotation-invariant local binary pattern (MGRLBP) | |
Priya | Resnet based feature extraction with decision tree classifier for classificaton of mammogram images | |
CN114693971A (zh) | 分类预测模型生成方法及分类预测方法、系统、平台 | |
CN116128855A (zh) | 一种基于病理图像特征检测肿瘤蛋白标记物表达水平算法 | |
Wang et al. | Extended ResNet and label feature vector based chromosome classification | |
Tao et al. | Highly efficient follicular segmentation in thyroid cytopathological whole slide image | |
Rana et al. | Classifying breast cancer using transfer learning models based on histopathological images | |
Foran et al. | Automated image interpretation computer-assisted diagnostics | |
CN115147343A (zh) | 使用人工神经网络的数字病理学 | |
Paul et al. | Brain cancer segmentation using yolov5 deep neural network | |
Momeni et al. | Dropout-enabled ensemble learning for multi-scale biomedical data | |
CN110826565A (zh) | 基于跨连接的卷积神经网络齿痕舌象分类方法及系统 |
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 |