CN113128599A - 一种基于机器学习的头颈肿瘤远端转移预测方法 - Google Patents

一种基于机器学习的头颈肿瘤远端转移预测方法 Download PDF

Info

Publication number
CN113128599A
CN113128599A CN202110438875.XA CN202110438875A CN113128599A CN 113128599 A CN113128599 A CN 113128599A CN 202110438875 A CN202110438875 A CN 202110438875A CN 113128599 A CN113128599 A CN 113128599A
Authority
CN
China
Prior art keywords
head
neck
model
metastasis
patient
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
Application number
CN202110438875.XA
Other languages
English (en)
Inventor
文戈
黄伟康
张海捷
夏琼
段刚
刘民英
涂茜
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.)
Southern Hospital Southern Medical University
Original Assignee
Southern Hospital Southern Medical University
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 Southern Hospital Southern Medical University filed Critical Southern Hospital Southern Medical University
Priority to CN202110438875.XA priority Critical patent/CN113128599A/zh
Publication of CN113128599A publication Critical patent/CN113128599A/zh
Pending legal-status Critical Current

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
    • 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
    • G06N3/08—Learning methods
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • 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
    • G06T2207/20—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
    • G06T2207/30096—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
    • G06V2201/032—Recognition of patterns in medical or anatomical images of protuberances, polyps nodules, etc.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Multimedia (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及一种基于机器学习的头颈肿瘤远端转移预测方法，通过构建改进的卷积神经网络，通过发生远端转移的头颈肿瘤患者的头颈部CT图像数据对构建的网络模型进行训练，训练完成后，将实时拍摄的头颈肿瘤患者的头颈部CT图像输入至网络模型中，输出结果作为对头颈肿瘤患者的头颈部CT图像的远端转移预测。本发明采用影像组学的方法代替活检方法对头颈部癌症进行远端转移的预测，避免头颈部病人承受多次活检的痛苦，采用深度学习的方法对原影像组学的特征提取算法进行补充，解决头颈部医学图像较少的问题。

Description

一种基于机器学习的头颈肿瘤远端转移预测方法
技术领域
本发明涉及深度学习技术领域，更具体地说，涉及一种基于机器学习的头颈肿瘤远端转移预测方法、计算机设备及存储介质。
背景技术
头颈部恶性肿瘤约占全身恶性肿瘤的5％，由于解剖结构复杂等原因，手术虽为治疗的主要方式，但根治性切除率较低，并且早期临床症状隐匿，患者就诊时多已处于肿瘤中晚期，故一直是肿瘤治疗上的难点。头颈部恶性肿瘤的诊断通常需要结合病史、体征、内镜下活组织病理检查及相关影像学检查，其中影像学检查有助于肿瘤的检测、分期及治疗预后的评估。预测肿瘤是否转移对于医生制定手术方案有重要指导意义。影像组学是临床医学的新兴方法，指通过定量医学影像来描述肿瘤的异质性，构造大量纹理图像特征，对临床问题进行分析决策。利用先进机器学习方法实现的影像组学已经大大提高了肿瘤良恶性的预测准确性。研究表明，通过客观定量的描述影像信息，并结合临床经验，对肿瘤进行术前预测及预后分析，将对临床产生更好的指导价值。深度学习已经在自然图像分类上取得了骄人的成绩，目前也已有研究将深度学习应用于医学影像处理诊断，但是头颈部癌症的影像资料较少。
发明内容
本发明要解决的技术问题在于，针对现有技术的缺陷，提供一种基于机器学习的头颈肿瘤远端转移预测方法、计算机设备及存储介质。
本发明解决其技术问题所采用的技术方案是：构造一种基于机器学习的头颈肿瘤远端转移预测方法，包括：
获取发生远端转移的头颈肿瘤患者的头颈部CT图像数据，进行图像预处理后，划分训练集和测试集；
在卷积神经网络的第三层重采样后增加LRN层，在第六层全连接层后使用Dropout层，构建改进的卷积神经网络模型，并将作为训练集的发生远端转移的头颈肿瘤患者头颈部CT图像数据输入改进的卷积神经网络模型中进行训练，调节网络参数与函数，至输出的结果为准确分类结果为止，训练完成后将作为测试集的发生远端转移的头颈肿瘤患者头颈部CT图像数据输入训练好的改进的卷积神经网络模型，验证改进的卷积神经网络模型的准确性；
将实时拍摄的头颈肿瘤患者的头颈部CT图像数据输入训练完成的改进的卷积神经网络模型，通过网络模型的计算，输出的结果作为对输入的头颈肿瘤患者的头颈部CT图像数据的远端转移预测结果。
其中，在验证改进的卷积神经网络模型的准确性的步骤中，计算阳性预测值(PPV)、阴性预测值(NPV)、阳性似然比(PLR)和阴性似然比(NLR)，用于验证改进的卷积神经网络模型的准确性。
其中，图像预处理的方式至少包括对发生远端转移的头颈肿瘤患者的头颈部CT图像数据进行图像去噪、图像滤波、特征增强、归一化及数据扩增的操作。
其中，在对发生远端转移的头颈肿瘤患者的头颈部CT图像数据进行图像滤波的步骤中，采用边缘检测算法的方式增强头颈肿瘤患者的头颈部CT图像中的纹理特征，以提高模型识别的准确性。
其中，在对发生远端转移的头颈肿瘤患者的头颈部CT图像数据进行特征增强的步骤中，包括步骤：
用发生远端转移的头颈肿瘤患者的头颈部CT图像数据的原图减去高斯模糊(GaussianBlur)图，得到两图差异；
用GaussianBlur算法得到最终特征增强后的发生远端转移的头颈肿瘤患者的头颈部CT图像数据。
其中，在对发生远端转移的头颈肿瘤患者的头颈部CT图像数据进行归一化的步骤中，将数据增强后的发生远端转移的头颈肿瘤患者的头颈部CT图像数据固定至512*512的分辨率。
其中，在对发生远端转移的头颈肿瘤患者的头颈部CT图像数据进行数据扩增的步骤中，对图像进行缩放、旋转、翻转、改变亮度操作。
其中，采用模型准确率、空间复杂度两个指标来客观评价改进的卷积神经网络的分类效果：
用于评估模型分类效果的指标有准确率和平均准确率，计算公式分别如下：
Figure BDA0003034229180000031
Figure BDA0003034229180000032
其中mcorrect表示分类正确的样本个数，mtotal表示全部测试的样本个数；N为模型分类类别数，Accuracyi表示第i个类别的识别准确率；
用模型空间复杂度来评估模型的好坏，模型空间复杂度决定了模型的参数数量，模型参数越多，训练模型所需的数据量就越大，当训练数据量不足以匹配模型参数时，会导致训练模型过拟合问题；模型空间复杂度由模型总参数量和各层输出特征图的空间占用两部分组成，计算公式如下：
Figure BDA0003034229180000033
其中D、K、M分别表示卷积神经网络的卷积层数、特征图尺寸以及卷积核尺寸，n表示卷积神经网路卷积层标签，C表示卷积层的输出通道数，同时也等于上一卷积层的输出通道数，式中第一项表示神经网络模型总参数量，第二项表示输出特征图的空间占用。
此外，本发明构建了一种计算机设备，包括输入输出单元、存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行如前述技术方案所述的基于机器学习的头颈肿瘤远端转移预测方法中的步骤。
此外本发明构建了一种存储有计算机可读指令的存储介质，计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行如前述技术方案所述的基于机器学习的头颈肿瘤远端转移预测方法中的步骤。
本发明提供了一种基于机器学习的头颈肿瘤远端转移预测方法，通过构建改进的卷积神经网络，通过发生远端转移的头颈肿瘤患者的头颈部CT图像数据对构建的网络模型进行训练，训练完成后，将实时拍摄的头颈肿瘤患者的头颈部CT图像输入至网络模型中，输出结果作为对头颈肿瘤患者的头颈部CT图像的远端转移预测。本发明采用影像组学的方法代替活检方法对头颈部癌症进行远端转移的预测，避免头颈部病人承受多次活检的痛苦，采用深度学习的方法对原影像组学的特征提取算法进行补充，解决头颈部医学图像较少的问题。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1是本发明提供的一种基于机器学习的头颈肿瘤远端转移预测方法的流程示意图。
图2是本发明提供的一种基于机器学习的头颈肿瘤远端转移预测方法中的计算机设备的结构示意图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图详细说明本发明的具体实施方式。
如图1所示，本发明提供了一种基于机器学习的头颈肿瘤远端转移预测方法，包括：
获取发生远端转移的头颈肿瘤患者的头颈部CT图像数据，进行图像预处理后，划分训练集和测试集；
在卷积神经网络的第三层重采样后增加LRN层，在第六层全连接层后使用Dropout层，构建改进的卷积神经网络模型，并将作为训练集的发生远端转移的头颈肿瘤患者头颈部CT图像数据输入改进的卷积神经网络模型中进行训练，调节网络参数与函数，至输出的结果为准确分类结果为止，训练完成后将作为测试集的发生远端转移的头颈肿瘤患者头颈部CT图像数据输入训练好的改进的卷积神经网络模型，验证改进的卷积神经网络模型的准确性；
将实时拍摄的头颈肿瘤患者的头颈部CT图像数据输入训练完成的改进的卷积神经网络模型，通过网络模型的计算，输出的结果作为对输入的头颈肿瘤患者的头颈部CT图像数据的远端转移预测结果。
头颈部恶性肿瘤的远端转移，是肿瘤治疗失败和死亡的主要原因之一，也是耳鼻咽喉-头颈外科临床的难题之一。近年来各家报告的头颈部肿瘤远端转移率，因临床检查方法有别而结果悬殊很大，一般临床诊断的远端转移率较低，但是死亡后的尸检分析却有较高的转移率。头颈部肿瘤的远端转移，转移部位按照转移率依次为：肺部、骨、肝、纵膈，就头颈部肿瘤的整体而言，肺转移居首位。尽管临床诊断的远端转移率不高，但是鉴于实际转移率高，明显影响病人的生存率，因此需要对头颈部肿瘤进行远端转移预测，以期发现远端转移并进行针对治疗，提高生存率。
其中，在验证改进的卷积神经网络模型的准确性的步骤中，计算阳性预测值(PPV)、阴性预测值(NPV)、阳性似然比(PLR)和阴性似然比(NLR)，用于验证改进的卷积神经网络模型的准确性。
其中，图像预处理的方式至少包括对发生远端转移的头颈肿瘤患者的头颈部CT图像数据进行图像去噪、图像滤波、特征增强、归一化及数据扩增的操作。
其中，在对发生远端转移的头颈肿瘤患者的头颈部CT图像数据进行图像滤波的步骤中，采用边缘检测算法的方式增强头颈肿瘤患者的头颈部CT图像中的纹理特征，以提高模型识别的准确性。
其中，在对发生远端转移的头颈肿瘤患者的头颈部CT图像数据进行特征增强的步骤中，包括步骤：
用发生远端转移的头颈肿瘤患者的头颈部CT图像数据的原图减去高斯模糊(GaussianBlur)图，得到两图差异；
用GaussianBlur算法得到最终特征增强后的发生远端转移的头颈肿瘤患者的头颈部CT图像数据。
其中，在对发生远端转移的头颈肿瘤患者的头颈部CT图像数据进行归一化的步骤中，将数据增强后的发生远端转移的头颈肿瘤患者的头颈部CT图像数据固定至512*512的分辨率。
其中，在对发生远端转移的头颈肿瘤患者的头颈部CT图像数据进行数据扩增的步骤中，对图像进行缩放、旋转、翻转、改变亮度操作。
其中，采用模型准确率、空间复杂度两个指标来客观评价改进的卷积神经网络的分类效果：
用于评估模型分类效果的指标有准确率和平均准确率，计算公式分别如下：
Figure BDA0003034229180000061
Figure BDA0003034229180000062
其中mcorrect表示分类正确的样本个数，mtotal表示全部测试的样本个数；N为模型分类类别数，Accuracyi表示第i个类别的识别准确率；
用模型空间复杂度来评估模型的好坏，模型空间复杂度决定了模型的参数数量，模型参数越多，训练模型所需的数据量就越大，当训练数据量不足以匹配模型参数时，会导致训练模型过拟合问题；模型空间复杂度由模型总参数量和各层输出特征图的空间占用两部分组成，计算公式如下：
Figure BDA0003034229180000063
其中D、K、M分别表示卷积神经网络的卷积层数、特征图尺寸以及卷积核尺寸，n表示卷积神经网路卷积层标签，C表示卷积层的输出通道数，同时也等于上一卷积层的输出通道数，式中第一项表示神经网络模型总参数量，第二项表示输出特征图的空间占用。
此外，本发明构建了一种计算机设备，包括输入输出单元、存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行如前述技术方案所述的基于机器学习的头颈肿瘤远端转移预测方法中的步骤。
此外本发明构建了一种存储有计算机可读指令的存储介质，计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行如前述技术方案所述的基于机器学习的头颈肿瘤远端转移预测方法中的步骤。
如图2所示，本发明提供了一种存储介质11，存储介质11可被处理器12读写，存储介质11存储有计算机指令111，计算机可读指令111被一个或多个处理器12执行时，使得一个或多个处理器12执行如前述技术方案所述的基于机器学习的头颈肿瘤远端转移预测方法的步骤。
上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。

Claims (10)

1.一种基于机器学习的头颈肿瘤远端转移预测方法，其特征在于，包括：
获取发生远端转移的头颈肿瘤患者的头颈部CT图像数据，进行图像预处理后，划分训练集和测试集；
在卷积神经网络的第三层重采样后增加LRN层，在第六层全连接层后使用Dropout层，构建改进的卷积神经网络模型，并将作为训练集的发生远端转移的头颈肿瘤患者头颈部CT图像数据输入改进的卷积神经网络模型中进行训练，调节网络参数与函数，至输出的结果为准确分类结果为止，训练完成后将作为测试集的发生远端转移的头颈肿瘤患者头颈部CT图像数据输入训练好的改进的卷积神经网络模型，验证改进的卷积神经网络模型的准确性；
将实时拍摄的头颈肿瘤患者的头颈部CT图像数据输入训练完成的改进的卷积神经网络模型，通过网络模型的计算，输出的结果作为对输入的头颈肿瘤患者的头颈部CT图像数据的远端转移预测结果。
2.根据权利要求1所述的基于机器学习的头颈肿瘤远端转移预测方法，其特征在于，在验证改进的卷积神经网络模型的准确性的步骤中，计算阳性预测值(PPV)、阴性预测值(NPV)、阳性似然比(PLR)和阴性似然比(NLR)，用于验证改进的卷积神经网络模型的准确性。
3.根据权利要求1所述的基于机器学习的头颈肿瘤远端转移预测方法，其特征在于，图像预处理的方式至少包括对发生远端转移的头颈肿瘤患者的头颈部CT图像数据进行图像去噪、图像滤波、特征增强、归一化及数据扩增的操作。
4.根据权利要求3所述的基于机器学习的头颈肿瘤远端转移预测方法，其特征在于，在对发生远端转移的头颈肿瘤患者的头颈部CT图像数据进行图像滤波的步骤中，采用边缘检测算法的方式增强头颈肿瘤患者的头颈部CT图像中的纹理特征，以提高模型识别的准确性。
5.根据权利要求3所述的基于机器学习的头颈肿瘤远端转移预测方法，其特征在于，在对发生远端转移的头颈肿瘤患者的头颈部CT图像数据进行特征增强的步骤中，包括步骤：
用发生远端转移的头颈肿瘤患者的头颈部CT图像数据的原图减去高斯模糊(GaussianBlur)图，得到两图差异；
用GaussianBlur算法得到最终特征增强后的发生远端转移的头颈肿瘤患者的头颈部CT图像数据。
6.根据权利要求3所述的基于机器学习的头颈肿瘤远端转移预测方法，其特征在于，在对发生远端转移的头颈肿瘤患者的头颈部CT图像数据进行归一化的步骤中，将数据增强后的发生远端转移的头颈肿瘤患者的头颈部CT图像数据固定至512*512的分辨率。
7.根据权利要求3所述的基于机器学习的头颈肿瘤远端转移预测方法，其特征在于，在对发生远端转移的头颈肿瘤患者的头颈部CT图像数据进行数据扩增的步骤中，对图像进行缩放、旋转、翻转、改变亮度操作。
8.根据权利要求1所述的基于机器学习的头颈肿瘤远端转移预测方法，其特征在于，采用模型准确率、空间复杂度两个指标来客观评价改进的卷积神经网络的分类效果：
用于评估模型分类效果的指标有准确率和平均准确率，计算公式分别如下：
Figure FDA0003034229170000021
Figure FDA0003034229170000022
其中mcorrect表示分类正确的样本个数，mtotal表示全部测试的样本个数；N为模型分类类别数，Accuracyi表示第i个类别的识别准确率；
用模型空间复杂度来评估模型的好坏，模型空间复杂度决定了模型的参数数量，模型参数越多，训练模型所需的数据量就越大，当训练数据量不足以匹配模型参数时，会导致训练模型过拟合问题；模型空间复杂度由模型总参数量和各层输出特征图的空间占用两部分组成，计算公式如下：
Figure FDA0003034229170000031
其中D、K、M分别表示卷积神经网络的卷积层数、特征图尺寸以及卷积核尺寸，n表示卷积神经网路卷积层标签，C表示卷积层的输出通道数，同时也等于上一卷积层的输出通道数，式中第一项表示神经网络模型总参数量，第二项表示输出特征图的空间占用。
9.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被一个或多个所述处理器执行时，使得一个或多个所述处理器执行如权利要求1至8中任一项所述基于机器学习的头颈肿瘤远端转移预测方法的步骤。
10.一种存储介质，其特征在于，所述存储介质可被处理器读写，所述存储介质存储有计算机指令，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行如权利要求1至8中任一项基于机器学习的头颈肿瘤远端转移预测方法的步骤。
CN202110438875.XA 2021-04-23 2021-04-23 一种基于机器学习的头颈肿瘤远端转移预测方法 Pending CN113128599A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110438875.XA CN113128599A (zh) 2021-04-23 2021-04-23 一种基于机器学习的头颈肿瘤远端转移预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110438875.XA CN113128599A (zh) 2021-04-23 2021-04-23 一种基于机器学习的头颈肿瘤远端转移预测方法

Publications (1)

Publication Number Publication Date
CN113128599A true CN113128599A (zh) 2021-07-16

Family

ID=76779573

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110438875.XA Pending CN113128599A (zh) 2021-04-23 2021-04-23 一种基于机器学习的头颈肿瘤远端转移预测方法

Country Status (1)

Country Link
CN (1) CN113128599A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114141306A (zh) * 2021-11-19 2022-03-04 天津大学 基于基因相互作用模式优化图表示的远处转移识别方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109948667A (zh) * 2019-03-01 2019-06-28 桂林电子科技大学 用于对头颈部癌症远端转移预测的图像分类方法及装置
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
US20190370969A1 (en) * 2018-05-30 2019-12-05 Siemens Healthcare Gmbh Methods for generating synthetic training data and for training deep learning algorithms for tumor lesion characterization, method and system for tumor lesion characterization, computer program and electronically readable storage medium
CN111079862A (zh) * 2019-12-31 2020-04-28 西安电子科技大学 基于深度学习的甲状腺乳头状癌病理图像分类方法
US20200202516A1 (en) * 2018-12-20 2020-06-25 China Medical University Hospital Prediction system, method and computer program product thereof
CN112562851A (zh) * 2020-12-24 2021-03-26 中山大学附属口腔医院 一种口腔癌颈部淋巴转移诊断算法的构建方法及系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190370969A1 (en) * 2018-05-30 2019-12-05 Siemens Healthcare Gmbh Methods for generating synthetic training data and for training deep learning algorithms for tumor lesion characterization, method and system for tumor lesion characterization, computer program and electronically readable storage medium
US20200202516A1 (en) * 2018-12-20 2020-06-25 China Medical University Hospital Prediction system, method and computer program product thereof
CN109948667A (zh) * 2019-03-01 2019-06-28 桂林电子科技大学 用于对头颈部癌症远端转移预测的图像分类方法及装置
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
CN111079862A (zh) * 2019-12-31 2020-04-28 西安电子科技大学 基于深度学习的甲状腺乳头状癌病理图像分类方法
CN112562851A (zh) * 2020-12-24 2021-03-26 中山大学附属口腔医院 一种口腔癌颈部淋巴转移诊断算法的构建方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
余堃: "利用机器学习方法预测头颈癌转移风险", 《新乡学院学报》, vol. 37, no. 6, 30 June 2020 (2020-06-30), pages 21 - 25 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114141306A (zh) * 2021-11-19 2022-03-04 天津大学 基于基因相互作用模式优化图表示的远处转移识别方法
CN114141306B (zh) * 2021-11-19 2023-04-07 天津大学 基于基因相互作用模式优化图表示的远处转移识别方法

Similar Documents

Publication Publication Date Title
CN108573490B (zh) 一种针对肿瘤影像数据的智能读片系统
Ghesu et al. Quantifying and leveraging predictive uncertainty for medical image assessment
CN111243042A (zh) 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
CN111553892B (zh) 基于深度学习的肺结节分割计算方法、装置及系统
CN111563523A (zh) 利用机器训练的异常检测的copd分类
Jung et al. Ovarian tumor diagnosis using deep convolutional neural networks and a denoising convolutional autoencoder
US20220172826A1 (en) Medical image reading assistant apparatus and method for adjusting threshold of diagnostic assistant information based on follow-up examination
Ikromjanov et al. Whole slide image analysis and detection of prostate cancer using vision transformers
WO2023207820A1 (zh) 基于有监督深度子空间学习的胰腺术后糖尿病预测系统
CN117524402A (zh) 关于内镜影像分析并自动生成诊断报告的方法
JP2010207572A (ja) 障害のコンピュータ支援検出
CN112884759B (zh) 一种乳腺癌腋窝淋巴结转移状态的检测方法及相关装置
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
Dong et al. Diffusion model-based text-guided enhancement network for medical image segmentation
Kumar et al. A Novel Approach for Breast Cancer Detection by Mammograms
CN113128599A (zh) 一种基于机器学习的头颈肿瘤远端转移预测方法
CN110992312B (zh) 医学图像处理方法、装置、存储介质及计算机设备
CN115132275B (zh) 基于端到端三维卷积神经网络预测egfr基因突变状态方法
Chen et al. Combining contrastive learning and shape awareness for semi-supervised medical image segmentation
Mukku et al. Deep learning-based cervical lesion segmentation in colposcopic images
Hsu et al. A comprehensive study of age-related macular degeneration detection
Reddy et al. Different algorithms for lung cancer detection and prediction
Patel Improving Segmentation Pipelines for Medical Imaging using Deep Learning
US12125204B2 (en) Radiogenomics for cancer subtype feature visualization
US20230401697A1 (en) Radiogenomics for cancer subtype feature visualization

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20210716