CN113223716A - 一种甲状腺微小癌消融术前颈部淋巴结良恶性预测方法 - Google Patents
一种甲状腺微小癌消融术前颈部淋巴结良恶性预测方法 Download PDFInfo
- Publication number
- CN113223716A CN113223716A CN202110549967.5A CN202110549967A CN113223716A CN 113223716 A CN113223716 A CN 113223716A CN 202110549967 A CN202110549967 A CN 202110549967A CN 113223716 A CN113223716 A CN 113223716A
- Authority
- CN
- China
- Prior art keywords
- image
- model
- omics
- ablation
- prediction
- 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
- 210000001165 lymph node Anatomy 0.000 title claims abstract description 39
- 238000002679 ablation Methods 0.000 title claims abstract description 21
- 230000003211 malignant effect Effects 0.000 title claims abstract description 19
- 238000000034 method Methods 0.000 title claims abstract description 17
- 208000024770 Thyroid neoplasm Diseases 0.000 title claims abstract description 16
- 201000002510 thyroid cancer Diseases 0.000 title claims abstract description 14
- 208000033781 Thyroid carcinoma Diseases 0.000 title claims abstract description 11
- 208000013077 thyroid gland carcinoma Diseases 0.000 title claims abstract description 11
- 210000001685 thyroid gland Anatomy 0.000 claims abstract description 18
- 238000012795 verification Methods 0.000 claims abstract description 13
- 238000000605 extraction Methods 0.000 claims abstract description 12
- 230000011218 segmentation Effects 0.000 claims abstract description 12
- 201000009030 Carcinoma Diseases 0.000 claims abstract description 8
- 206010028980 Neoplasm Diseases 0.000 claims description 8
- 201000011510 cancer Diseases 0.000 claims description 8
- 238000007477 logistic regression Methods 0.000 claims description 6
- 238000007637 random forest analysis Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000002604 ultrasonography Methods 0.000 claims description 5
- 238000011298 ablation treatment Methods 0.000 claims description 4
- 238000010801 machine learning Methods 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000001575 pathological effect Effects 0.000 claims description 3
- 230000035945 sensitivity Effects 0.000 claims description 3
- 229910000831 Steel Inorganic materials 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 claims description 2
- 239000010959 steel Substances 0.000 claims description 2
- 238000003384 imaging method Methods 0.000 abstract description 12
- 208000007433 Lymphatic Metastasis Diseases 0.000 abstract description 4
- 238000003745 diagnosis Methods 0.000 abstract description 3
- 230000007547 defect Effects 0.000 abstract 1
- 238000011282 treatment Methods 0.000 description 7
- 230000003902 lesion Effects 0.000 description 5
- 238000003759 clinical diagnosis Methods 0.000 description 4
- 208000009453 Thyroid Nodule Diseases 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000017531 blood circulation Effects 0.000 description 2
- 230000036210 malignancy Effects 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 206010054107 Nodule Diseases 0.000 description 1
- 238000010317 ablation therapy Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000001054 cortical effect Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 206010020718 hyperplasia Diseases 0.000 description 1
- 230000003447 ipsilateral effect Effects 0.000 description 1
- 230000001394 metastastic effect Effects 0.000 description 1
- 206010061289 metastatic neoplasm Diseases 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002271 resection Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
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
- 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
-
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Surgery (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- General Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Heart & Thoracic Surgery (AREA)
- Radiology & Medical Imaging (AREA)
- Biophysics (AREA)
- Primary Health Care (AREA)
- Physiology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Epidemiology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Vascular Medicine (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本发明公开了一种甲状腺微小癌消融术前颈部淋巴结良恶性预测方法，解决了目前常规影像学方法术前判定甲状腺微小癌颈部淋巴结转移缺乏特异性，诊断准确性较低，具有局限性的弊端，其技术方案要点是包括有以下步骤：S1、获取甲状腺微小癌微创消融术前颈部淋巴结灰阶超声图像；S2、对图像中的淋巴结区域进行ROI勾勒和分割；S3、进行图像匹配和高通量特征提取，计算组学特征；S4、进行特征降维；S5、建立影像组学预测模型，进行模型外部验证；S6、将超声图像输入影像组学预测模型进行预测并输出预测结果，本发明的一种甲状腺微小癌消融术前颈部淋巴结良恶性预测方法，能给予临床诊疗需求，建立预测模型进行精准预测，能助力于临床准确决策。
Description
技术领域
本发明涉及一种甲状腺微小癌消融术前颈部淋巴结良恶性预测方法。
背景技术
影像学引导下的甲状腺结节消融治疗具有微创、美观、安全等优势，已经广泛用于甲状腺良性结节、甲状腺微小癌及部分转移性淋巴结的治疗中。对于甲状腺微小癌而言，消融治疗只适用局限在甲状腺内的小于1cm的微小病灶，若术前发现甲状腺癌已出现颈部淋巴结转移，仍只能选择穿刺手术切除联合颈部淋巴结清扫。因此，颈部淋巴结的良恶性诊断对于甲状腺微小癌患者治疗方案的制订起着关键作用。
但目前常规影像学方法术前判定甲状腺微小癌颈部淋巴结转移缺乏特异性，诊断准确性较低。甲状腺灰阶超声检查(B-mode ultrasound,BMUS)是临床应用最广泛的影像学检查方法，具有无创性、实时性及可重复性，能通过观察病灶形态及内部回声评估病灶良恶性。彩色多普勒血流成像(color Doppler flow image,CDFI)还能检测病灶内部的彩色血流信号，实时评估病灶及周边的血流情况。超声是目前甲状腺结节微创消融术前的一线临床评估方法。但是部分甲状腺微小癌早期的颈部淋巴结转移超声图像表现不典型，难以与颈部正常增生的淋巴结鉴别，为临床诊治带来了一定的局限性和困惑，还有待改进的空间。
发明内容
本发明的目的是提供一种甲状腺微小癌消融术前颈部淋巴结良恶性预测方法，能给予临床诊疗需求，建立预测模型进行精准预测，能助力于临床准确决策。
本发明的上述技术目的是通过以下技术方案得以实现的：
一种甲状腺微小癌消融术前颈部淋巴结良恶性预测方法，包括有以下步骤：
S1、获取甲状腺微小癌微创消融术前颈部淋巴结灰阶超声图像；
S2、对获取的超声图像中的淋巴结区域进行ROI勾勒和分割；
S3、进行图像匹配和高通量特征提取，计算组学特征；
S4、进行特征降维，剔除高通量特征中冗余因素；
S5、建立影像组学预测模型，使用测试图像数据进行模型外部验证；
S6、将超声图像输入已完成验证的影像组学预测模型进行预测并输出预测结果。
作为优选，超声图像的获取和分割具体包括有：
明确进行微创消融治疗的患者同侧颈部淋巴结灰阶超声检查，分别采集获取一张BMUS和一张CDFI图像并存储；
两次对采集的两张图像独立完成勾画分割任务，并在设定时长后重复操作，评估分割结果组内和组间的差异。
作为优选，特征提取中根据IBSI标准计算组学特征，包括有一阶直方图特征、纹理特征；对于无统一标准的直方图特征组采取 Freedman-Diaconis规则计算。
作为优选，特征降维具体包括有：使用三次降维步骤，
S41、通过比较对ROI的勾画，筛选掉观察者间和观察者内差异明显的组学特征；
S42、通过结合随机森林分类器和最大相关最小冗余两种机器学习算法，分别根据组学特征与临床结果相关性进行筛选；
S43、采用皮尔森相关系数矩阵，移除互相关特征，完成第三次特征降维。
作为优选，预测模型的建立和验证具体包括有：
建立以颈部淋巴结粗针穿刺病理结果为金标准，将患者临床信息、超声图像语义特征、AI提取影像组学特征共同纳入LASSO逻辑回归模型；
通过10折内部验证选取最优a值，作为最终LASSO模型惩罚系数；
使用测试图像数据进行外部验证，通过模型在验证数据集中预测的准确性、敏感性、特异性，与模型受试者工作特征曲线下面积，验证模型的预测效能。
综上所述，本发明具有以下有益效果：
影像组学能够提取海量高通量特征，结合常规灰阶图像及CDFI 图像，并建立基于高通量特征的影像组学预测模型，能够在甲状腺微小癌消融术前精准预测颈部淋巴结良恶性，基于临床诊疗需求，有助于临床精准决策。
具体实施方式
以下对本发明作进一步详细说明。
根据一个或多个实施例，公开了一种甲状腺微小癌消融术前颈部淋巴结良恶性预测方法，包括有如下步骤：
S1、获取甲状腺微小癌微创消融术前颈部淋巴结灰阶超声图像；
S2、对获取的超声图像中的淋巴结区域进行ROI勾勒和分割；
S3、进行图像匹配和高通量特征提取，计算组学特征；
S4、进行特征降维，剔除高通量特征中冗余因素；
S5、建立影像组学预测模型，使用测试图像数据进行模型外部验证；
S6、将超声图像输入已完成验证的影像组学预测模型进行预测并输出预测结果。
具体的，获取甲状腺微小癌微创消融术前颈部淋巴结的灰阶超声图像：对临床诊断明确并计划进行微创消融治疗的甲状腺微小癌患者同侧颈部淋巴结行灰阶超声检查，包括BMUS及CDFI，观察病灶形态、大小、皮髓质分布及彩色血流，分别采集BMUS及CDFI图像。所有图像均存贮为JPG、AVI及DICOM格式。
利用3D-Slicer软件对淋巴结DICOM(Digital Imaging and Communications inMedicine)图像分割感兴趣区域(region of interest, ROI)，ROI覆盖完整淋巴结区域，对颈部淋巴结BMUS及CDFI的淋巴结区域进行ROI勾勒及分割。为保证分割结果可重复性，由两名资深影像学医师独立完成分割任务，并在3个月后重复，以评估分割结果组内和组间差异。
通过第三方开源特征提取工具pyradiomics对勾画好的ROI进行特征提取，提取ROI区域的形状特征、一阶直方图特征、二阶直方图和纹理特征，完成自动化图像匹配和高通量特征提取，根据IBSI标准计算组学特征如一阶直方图特征、纹理特征等。对于尚无统一标准的直方图特征组距采取Freedman-Diaconis规则计算。
借助统计分析方法，减少特征的数量，找到少数的真正关键的特征。使用三次降维步骤，有效剔除高通量特征中冗余因素。第一次特征降维通过比较两名医师对ROI的勾画，筛选掉受观察者间和观察者内差异明显的组学特征。第二次特征筛选通过结合随机森林分类器(Random Forest Classifier)和最大相关最小冗余(maximum Relevance MinimumRedundancy)两种机器学习算法分别根据组学特征与临床结果相关性进行筛选。最后采用皮尔森相关系数矩阵，移除互相关特征，完成第三次特征降维。常用的特征筛选方法有LASSO(least absolute shrinkage and selection operator)Cox回归模型、最大相关最小冗余(maximum relevance and minimum redundancy,mRMR)、 RELIEF(RELevance InEstimating Features)、主成分分析法(principal component analysis,PCA)等。
以颈部淋巴结粗针穿刺病理结果(良性/恶性)为金标准，将患者临床信息、超声图像语义特征包括BMUS表现与CDFI表现、AI提取影像组学特征共同纳入LASSO逻辑回归模型，通过10折内部验证选取最优a值，作为最终LASSO模型惩罚系数，构建影像组学预测模型。构建AI预测模型可告知临床医生该患者颈部淋巴结的良恶性可能性有多大。常用的机器学习模型有logistic回归模型、随机森林(random forest)、支持向量机(SVM)、人工神经网络(Artificial neural networks，ANNs)、聚类分析(clustering analysis)、“leave- oneout”交叉验证(LOOCV)、自举法(bootstrapping)。
使用测试图像数据进行模型外部验证，通过模型在验证数据集中预测的准确性、敏感性、特异性，与模型受试者工作特征曲线(Receiver Operating CharacteristicCurve)下面积等，验证模型的预测效能。将 BMUS表现、CDFI表现、患者临床信息放入建立的影像组学模型，根据模型的结果(良性/恶性)指导临床治疗方式的选择。
超声是目前甲状腺结节检查的一线影像学方法，也是甲状腺微创消融术中最常用的影像学方法。采用影像组学能够提取海量高通量特征，结合常规灰阶图像及CDFI图像，并建立基于高通量特征的影像组学模型，能够甲状腺微小癌消融术前精准预测颈部淋巴结良恶性。基于临床诊疗需求，借助多模态超声影像，建立人工智能影像组学预测模型、精准预测甲状腺微小癌融术前颈部淋巴结良恶性，有助于临床精准决策。
本具体实施例仅仅是对本发明的解释，其并不是对本发明的限制，本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改，但只要在本发明的权利要求范围内都受到专利法的保护。
Claims (5)
1.一种甲状腺微小癌消融术前颈部淋巴结良恶性预测方法，其特征是，包括有以下步骤：
S1、获取甲状腺微小癌微创消融术前颈部淋巴结灰阶超声图像；
S2、对获取的超声图像中的淋巴结区域进行ROI勾勒和分割；
S3、进行图像匹配和高通量特征提取，计算组学特征；
S4、进行特征降维，剔除高通量特征中冗余因素；
S5、建立影像组学预测模型，使用测试图像数据进行模型外部验证；
S6、将超声图像输入已完成验证的影像组学预测模型进行预测并输出预测结果。
2.根据权利要求1所述的甲状腺微小癌消融术前颈部淋巴结良恶性预测方法，其特征是，超声图像的获取和分割具体包括有：
明确进行微创消融治疗的患者同侧颈部淋巴结灰阶超声检查，分别采集获取一张BMUS和一张CDFI图像并存储；
两次对采集的两张图像独立完成勾画分割任务，并在设定时长后重复操作，评估分割结果组内和组间的差异。
3.根据权利要求2所述的甲状腺微小癌消融术前颈部淋巴结良恶性预测方法，其特征是：特征提取中根据IBSI标准计算组学特征，包括有一阶直方图特征、纹理特征；对于无统一标准的直方图特征组采取Freedman-Diaconis规则计算。
4.根据权利要求3所述的甲状腺微小癌消融术前颈部淋巴结良恶性预测方法，其特征是，特征降维具体包括有：使用三次降维步骤，
S41、通过比较对ROI的勾画，筛选掉观察者间和观察者内差异明显的组学特征；
S42、通过结合随机森林分类器和最大相关最小冗余两种机器学习算法，分别根据组学特征与临床结果相关性进行筛选；
S43、采用皮尔森相关系数矩阵，移除互相关特征，完成第三次特征降维。
5.根据权利要求4所述的甲状腺微小癌消融术前颈部淋巴结良恶性预测方法，其特征是，预测模型的建立和验证具体包括有：
建立以颈部淋巴结粗针穿刺病理结果为金标准，将患者临床信息、超声图像语义特征、AI提取影像组学特征共同纳入LASSO逻辑回归模型；
通过10折内部验证选取最优a值，作为最终LASSO模型惩罚系数；
使用测试图像数据进行外部验证，通过模型在验证数据集中预测的准确性、敏感性、特异性，与模型受试者工作特征曲线下面积，验证模型的预测效能。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110549967.5A CN113223716A (zh) | 2021-05-20 | 2021-05-20 | 一种甲状腺微小癌消融术前颈部淋巴结良恶性预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110549967.5A CN113223716A (zh) | 2021-05-20 | 2021-05-20 | 一种甲状腺微小癌消融术前颈部淋巴结良恶性预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113223716A true CN113223716A (zh) | 2021-08-06 |
Family
ID=77093776
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110549967.5A Pending CN113223716A (zh) | 2021-05-20 | 2021-05-20 | 一种甲状腺微小癌消融术前颈部淋巴结良恶性预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113223716A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107680678A (zh) * | 2017-10-18 | 2018-02-09 | 北京航空航天大学 | 基于多尺度卷积神经网络甲状腺超声图像结节自动诊断系统 |
| CN108695000A (zh) * | 2018-05-11 | 2018-10-23 | 哈尔滨工业大学 | 基于超声图像的甲状腺弥漫性疾病智能诊断方法及系统 |
| CN110060774A (zh) * | 2019-04-29 | 2019-07-26 | 赵蕾 | 一种基于生成式对抗网络的甲状腺结节识别方法 |
| CN111462116A (zh) * | 2020-05-13 | 2020-07-28 | 吉林大学第一医院 | 基于影像组学特征的多模态参数模型优化融合方法 |
| CN112308065A (zh) * | 2020-07-09 | 2021-02-02 | 什维新智医疗科技(上海)有限公司 | 一种识别超声图像中特征的方法、系统及电子设备 |
| CN112529894A (zh) * | 2020-12-22 | 2021-03-19 | 徐州医科大学 | 一种基于深度学习网络的甲状腺结节的诊断方法 |
-
2021
- 2021-05-20 CN CN202110549967.5A patent/CN113223716A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107680678A (zh) * | 2017-10-18 | 2018-02-09 | 北京航空航天大学 | 基于多尺度卷积神经网络甲状腺超声图像结节自动诊断系统 |
| CN108695000A (zh) * | 2018-05-11 | 2018-10-23 | 哈尔滨工业大学 | 基于超声图像的甲状腺弥漫性疾病智能诊断方法及系统 |
| CN110060774A (zh) * | 2019-04-29 | 2019-07-26 | 赵蕾 | 一种基于生成式对抗网络的甲状腺结节识别方法 |
| CN111462116A (zh) * | 2020-05-13 | 2020-07-28 | 吉林大学第一医院 | 基于影像组学特征的多模态参数模型优化融合方法 |
| CN112308065A (zh) * | 2020-07-09 | 2021-02-02 | 什维新智医疗科技(上海)有限公司 | 一种识别超声图像中特征的方法、系统及电子设备 |
| CN112529894A (zh) * | 2020-12-22 | 2021-03-19 | 徐州医科大学 | 一种基于深度学习网络的甲状腺结节的诊断方法 |
Non-Patent Citations (2)
| Title |
|---|
| 王昕等: "甲状腺结节超声图像特征提取及识别", 《长春工业大学学报》 * |
| 罗朋等: "甲状腺结节影像组学研究进展", 《中国医学影像技术》 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US9123095B2 (en) | Method for increasing the robustness of computer-aided diagnosis to image processing uncertainties | |
| 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 | |
| RU2477524C2 (ru) | Способы выбора признаков, использующие основанные на группе классификаторов генетические алгоритмы | |
| Wang et al. | A method of ultrasonic image recognition for thyroid papillary carcinoma based on deep convolution neural network | |
| KR20180082817A (ko) | 다중 파라메터 자기공명영상에서 전립선 주변부 영역의 전립선암 자동 검출 및 국소화 방법 | |
| CN110348477B (zh) | 医疗图像处理方法、存储介质及计算机设备 | |
| CN112263217B (zh) | 一种基于改进卷积神经网络的非黑素瘤皮肤癌病理图像病变区域检测方法 | |
| Nandihal et al. | Glioma Detection using Improved Artificial Neural Network in MRI Images | |
| CN110838110A (zh) | 一种基于超声成像的良恶性肿块的识别系统 | |
| Singh et al. | Designing a retrieval-based diagnostic aid using effective features to classify skin lesion in dermoscopic images | |
| Aslam et al. | Liver-tumor detection using CNN ResUNet | |
| Kanca et al. | Learning hand-crafted features for k-NN based skin disease classification | |
| Al-Tam et al. | Breast cancer detection and diagnosis using machine learning: a survey | |
| CN116230237B (zh) | 一种基于roi病灶特征的肺癌影响评价方法和系统 | |
| CN113539476A (zh) | 基于人工智能的胃内窥活检拉曼图像辅助诊断方法和系统 | |
| Atiyah et al. | Brain MRI Images Segmentation Based on U-Net Architecture | |
| Tang et al. | TS-DSANN: Texture and shape focused dual-stream attention neural network for benign-malignant diagnosis of thyroid nodules in ultrasound images | |
| CN117275677A (zh) | 一种有效识别乳腺超声影像肿块良恶性方法 | |
| CN111265234A (zh) | 一种肺部纵膈淋巴结的性质判定方法及系统 | |
| CN113223716A (zh) | 一种甲状腺微小癌消融术前颈部淋巴结良恶性预测方法 | |
| Ahmed et al. | Detection of uterine fibroids in medical images using deep neural networks | |
| CN115222675A (zh) | 一种基于深度学习的子宫肌瘤自动分型方法及装置 | |
| CN112329876A (zh) | 一种基于影像组学的结直肠癌预后预测方法及设备 | |
| Wang et al. | SAM-IE: SAM-based image enhancement for facilitating medical image diagnosis with segmentation foundation model | |
| Yin et al. | Hybrid regional feature cutting network for thyroid ultrasound images 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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20211231 Address after: 200131 station a1005, floor 1, unit 1, building 7, No. 160, basheng Road, pilot Free Trade Zone, Pudong New Area, Shanghai Applicant after: Shanghai aochuang ankota Medical Technology Co.,Ltd. Address before: 200032 Shanghai city Xuhui District Fenglin Road No. 180 Applicant before: ZHONGSHAN HOSPITAL, FUDAN University |
|
| TA01 | Transfer of patent application right | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210806 |
|
| RJ01 | Rejection of invention patent application after publication |