CN113506273B - 预测icc免疫治疗联合靶向和/或化疗疗效的超声系统 - Google Patents
预测icc免疫治疗联合靶向和/或化疗疗效的超声系统 Download PDFInfo
- Publication number
- CN113506273B CN113506273B CN202110799113.2A CN202110799113A CN113506273B CN 113506273 B CN113506273 B CN 113506273B CN 202110799113 A CN202110799113 A CN 202110799113A CN 113506273 B CN113506273 B CN 113506273B
- Authority
- CN
- China
- Prior art keywords
- image
- gray
- icc
- histology
- focus
- 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
- 238000002512 chemotherapy Methods 0.000 title claims abstract description 26
- 230000008685 targeting Effects 0.000 title claims abstract description 26
- 238000009169 immunotherapy Methods 0.000 title claims abstract description 24
- 238000002604 ultrasonography Methods 0.000 title claims abstract description 12
- 230000000694 effects Effects 0.000 title abstract description 15
- 201000007450 intrahepatic cholangiocarcinoma Diseases 0.000 claims abstract description 47
- 238000000605 extraction Methods 0.000 claims abstract description 23
- 230000011218 segmentation Effects 0.000 claims abstract description 19
- 230000009467 reduction Effects 0.000 claims abstract description 12
- 238000003384 imaging method Methods 0.000 claims abstract description 11
- 238000011156 evaluation Methods 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 33
- 238000012795 verification Methods 0.000 claims description 13
- 238000010801 machine learning Methods 0.000 claims description 8
- 239000000090 biomarker Substances 0.000 claims description 6
- 238000007619 statistical method Methods 0.000 claims description 5
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 2
- 230000000877 morphologic effect Effects 0.000 claims description 2
- 210000004185 liver Anatomy 0.000 abstract description 4
- 238000000034 method Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 5
- 206010028980 Neoplasm Diseases 0.000 description 4
- 238000010276 construction Methods 0.000 description 4
- 230000003902 lesion Effects 0.000 description 4
- 238000013211 curve analysis Methods 0.000 description 3
- 238000002271 resection Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000011088 calibration curve Methods 0.000 description 2
- 150000001720 carbohydrates Chemical class 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 230000002980 postoperative effect Effects 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000001225 therapeutic effect Effects 0.000 description 2
- 206010067484 Adverse reaction Diseases 0.000 description 1
- 108010008629 CA-125 Antigen Proteins 0.000 description 1
- 102000007269 CA-125 Antigen Human genes 0.000 description 1
- 102100025475 Carcinoembryonic antigen-related cell adhesion molecule 5 Human genes 0.000 description 1
- 101000914324 Homo sapiens Carcinoembryonic antigen-related cell adhesion molecule 5 Proteins 0.000 description 1
- 101000914321 Homo sapiens Carcinoembryonic antigen-related cell adhesion molecule 7 Proteins 0.000 description 1
- 208000007433 Lymphatic Metastasis Diseases 0.000 description 1
- 206010027476 Metastases Diseases 0.000 description 1
- 230000006838 adverse reaction Effects 0.000 description 1
- 230000000259 anti-tumor effect Effects 0.000 description 1
- 239000000427 antigen Substances 0.000 description 1
- 102000036639 antigens Human genes 0.000 description 1
- 108091007433 antigens Proteins 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000009109 curative therapy Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000002592 echocardiography Methods 0.000 description 1
- 238000013427 histology analysis Methods 0.000 description 1
- 230000009545 invasion Effects 0.000 description 1
- 201000007270 liver cancer Diseases 0.000 description 1
- 208000014018 liver neoplasm Diseases 0.000 description 1
- 230000003211 malignant effect Effects 0.000 description 1
- 230000009401 metastasis Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
- G06T7/42—Analysis of texture based on statistical description of texture using transform domain methods
-
- 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
- G06T2207/30—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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Medical Informatics (AREA)
- Probability & Statistics with Applications (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
- Image Processing (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明涉及一种预测ICC免疫治疗联合靶向和/或化疗疗效的超声系统，其特征在于，包括：灰阶超声图像获取模块，用于获得病灶最大切面的灰阶超声图像；ICC病灶分割模块；特征提取模块，对病灶ROI区域进行特征提取；特征降维模块；影像组学预测模型对患者进行免疫治疗联合靶向和/或化疗治疗后的关键特征数据进行预测。超声是目前肝脏检查的一线影像学方法，也是ICC术前评估及疗效随访的最常用的影像学方法。影像组学能够提取海量高通量特征，结合常规灰阶图像及患者临床资料，并建立基于高通量特征的影像组学模型，实现ICC患者免疫治疗联合靶向和/或化疗疗效预测。
Description
技术领域
本发明涉及一种预测肝内胆管细胞癌(简称“ICC”)免疫治疗联合靶向和/或化疗疗效的超声系统。
背景技术
肝内胆管细胞癌约占肝癌的15％-20％，近年来发病率呈逐步上升趋势。手术切除是唯一的潜在根治性治疗手段，但手术切除率低，仅有10％-20％确诊病例具有手术切除机会。其术后复发转移率高，高危复发因素包括切缘阳性、淋巴结转移、血管和神经束侵犯、术前CA19-9水平、大肿瘤、多发肿瘤等。其5年生存率<5％。免疫治疗联合靶向和/或化疗是晚期ICC治疗的方向，有望成为提高肿瘤根治率，降低术后复发率的新策略。如果能在治疗前，无创预测疗效及个体化预后评估，将为个体化治疗决策提供重要信息。
肝脏灰阶超声检查(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。
影像组学能从影像图像中提取病灶的高通量图像特征，通过统计分析，去除冗余特征，筛选得到少数关键特征，借助机器学习方法，构建基于超声图像的影像组学预测模型，以挖掘ICC病灶高通量图像特征与病理间的内在联系。基于超声图像的影像组学是近年来新发展的一项技术。目前还没有技术将ICC灰阶超声影像与影像组学分析方法结合建立AI模型预测ICC患者免疫治疗联合靶向和/或化疗疗效的研究。
发明内容
本发明的目的是：基于ICC的灰阶超声图像，结合人工智能影像组学分析，构建ICC患者免疫治疗联合靶向和/或化疗疗效预测模型。
为了达到上述目的，本发明技术方案是提供了一种预测ICC免疫治疗联合靶向和/或化疗疗效的超声系统，其特征在于，包括：
灰阶超声图像获取模块，用于获得病灶最大切面的灰阶超声图像；在构建影像组学预测模型时，利用灰阶超声图像获取模块分别获得计划进行免疫治疗联合靶向和/或化疗治疗的ICC患者治疗前以及治疗后的病灶最大切面的灰阶超声图像，以获得用于模型训练的训练灰阶超声图像；在利用影像组学预测模型进行预测时，利用灰阶超声图像获取模块获得计划进行免疫治疗联合靶向和/或化疗治疗的ICC患者治疗前的病灶最大切面的实时灰阶超声图像；
ICC病灶分割模块，用于对灰阶超声图像的区域进行ROI勾勒及分割，获得病灶ROI区域；在构建影像组学预测模型时，利用ICC病灶分割模块对训练灰阶超声图像进行ROI勾勒及分割，获得训练病灶ROI区域；在利用影像组学预测模型进行预测时，利用ICC病灶分割模块对实时灰阶超声图像进行ROI勾勒及分割，获得实时病灶ROI区域；
特征提取模块，对病灶ROI区域进行特征提取，提取病灶ROI区域的特征数据，特征数据包括不同滤波如高斯拉普拉斯、小波变换等衍生图像下的形态特征、一阶直方图特征、二阶直方图特征和纹理特征；在构建影像组学预测模型时，利用特征提取模块提取训练病灶ROI区域的训练特征数据；在利用影像组学预测模型进行预测时，利用特征提取模块提取实时病灶ROI区域的实时特征数据；
特征降维模块，从特征提取模块获得的所有特征数据中获得关键特征数据；在构建影像组学预测模型时，利用特征降维模块从训练特征数据中获得训练关键特征数据；在利用影像组学预测模型进行预测时，利用特征提取模从实时特征数据中获得实时关键特征数据；
以为临床基于RECIST v1.1治疗反应评估客观缓解率为金标准，将ICC患者的临床信息、生物标志物水平、训练灰阶超声图像特点及训练关键特征数据共同纳入机器学习模型，对机器学习模型进行训练从而构建影像组学预测模型；将待预测的患者的临床信息、生物标志物水平、实时灰阶超声图像特点、实时关键特征数据输入影像组学预测模型，由影像组学预测模型对患者进行免疫治疗联合靶向和/或化疗治疗后的关键特征数据进行预测。
优选地，所述灰阶超声图像获取模块将灰阶超声图像存储为格式为JPG、AVI或DICOM的图像文件。
优选地，所述特征降维模块借助统计分析方法从特征提取模块获得的所有特征中获得所述关键特征。
优选地，还包括模型验证模块，模型验证模块使用测试图像数据对所述影像组学预测模型进行模型外部验证，验证所述影像组学预测模型的预测效能。
目前PD1单抗联合靶向和化疗一线治疗晚期ICC，可以使特定的晚期ICC人群获益，显示了良好的疗效。如果在治疗前能实现影像学安全、无创、敏感地预测疗效，揭示获益人群的影像学特征，可以对患者进行有效的分层和筛选，增加治疗可控的安全性。对于预期治疗疗效较好的患者，可以预测其较高的抗肿瘤活性和较快的起效时间，使更多的患者获得降期/缩瘤，减少手术等待时间；对于预期治疗疗效不满意的患者，可以尽早判断患者对治疗并无获益，避免昂贵的治疗，控制治疗不良反应，降低治疗失败率，避免让临界可切除的患者失去手术机会。但目前常规影像学方法术前预测晚期ICC患者联合治疗疗效缺乏特异性，临床尚无敏感、无创、准确的术前影像学预测检查方法。
超声是目前肝脏检查的一线影像学方法，也是ICC术前评估及疗效随访的最常用的影像学方法。影像组学能够提取海量高通量特征，结合常规灰阶图像及患者临床资料，并建立基于高通量特征的影像组学模型，实现ICC患者免疫治疗联合靶向和/或化疗疗效预测。
基于临床诊疗需求，本发明借助多模态超声影像，建立人工智能影像组学模型预测ICC患者免疫治疗联合靶向和/或化疗疗效，有助于临床精准决策。
附图说明
图1为本发明的流程图。
具体实施方式
下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。
本发明提供的一种预测ICC免疫治疗联合靶向和/或化疗疗效的超声系统包括灰阶超声图像获取模块、ICC病灶分割模块、特征提取模块、特征降维模块、影像组学预测模型以及模型验证模块。
灰阶超声图像获取模块用于获得病灶最大切面的灰阶超声图像。
在影像组学预测模型的构建阶段，利用灰阶超声图像获取模块分别获得计划进行免疫治疗联合靶向和/或化疗治疗的ICC患者治疗前以及治疗后的病灶最大切面的灰阶超声图像，以获得用于模型训练的训练灰阶超声图像。
在利用已经构建的影像组学预测模型进行预测的阶段，利用灰阶超声图像获取模块获得计划进行免疫治疗联合靶向和/或化疗治疗的ICC患者治疗前的病灶最大切面的实时灰阶超声图像。
灰阶超声图像获取模块将得到的灰阶超声图像存储为格式为JPG、AVI或DICOM的图像文件，供后续模块使用。
ICC病灶分割模块，用于对灰阶超声图像的区域进行ROI勾勒及分割，获得病灶ROI区域。本实施例中，ICC病灶分割模块基于第三方开源标注软件(如3D-Slicer软件)实现。
在影像组学预测模型的构建阶段，利用ICC病灶分割模块对训练灰阶超声图像进行ROI勾勒及分割，获得训练病灶ROI区域。
在利用已经构建的影像组学预测模型进行预测的阶段，利用ICC病灶分割模块对实时灰阶超声图像进行ROI勾勒及分割，获得实时病灶ROI区域。
特征提取模块，对病灶ROI区域进行特征提取，提取病灶ROI区域的特征数据，特征数据包括不同衍生图像的形状特征、一阶直方图特征、二阶直方图特征和纹理特征。本实施例中，特征提取模块利用第三方开源特征提取工具pyradiomics对勾画好的病灶ROI区域进行标准规范化特征提取。
在影像组学预测模型的构建阶段，利用特征提取模块提取训练病灶ROI区域的训练特征数据。
在利用已经构建的影像组学预测模型进行预测的阶段，利用特征提取模块提取实时病灶ROI区域的实时特征数据。
特征降维模块，从特征提取模块获得的所有特征数据中获得关键特征数据。特征降维模块借助统计分析方法，减少特征提取模块获得的特征数据的数量，找到少数的关键特征。常用的用于特征筛选的统计分析方法有LASSO(least absolute shrinkage andselection operator)套索算法、最大相关最小冗余(maximum relevance and minimumredundancy，mRMR)、RELIEF(RELevance In Estimating Features)、主成分分析法(principal component analysis，PCA)等。
在影像组学预测模型的构建阶段，利用特征降维模块从训练特征数据中获得训练关键特征数据。
在利用已经构建的影像组学预测模型进行预测的阶段，利用特征提取模从实时特征数据中获得实时关键特征数据。
构建影像组学预测模型时，以为临床基于RECIST v1.1治疗反应评估客观缓解率(ORR)为金标准，将ICC患者的临床信息、生物标志物水平(癌胚抗原CEA、糖类抗原CA199、糖类抗原CA125等)、训练灰阶超声图像特点及训练关键特征数据共同纳入机器学习模型，以观测到的客观缓解率为预测目标，对机器学习模型进行训练从而构建影像组学预测模型。常用的机器学习模型有Cox风险回归、LASSO回归、随机森林分类器(random forest)、支持向量机(SVM)、聚类分析(Clustering Analysis)。
将待预测的患者的临床信息、生物标志物水平、实时灰阶超声图像特点、实时关键特征数据输入影像组学预测模型，由影像组学预测模型对患者进行免疫治疗联合靶向和/或化疗治疗后的客观缓解率进行预测。
模型验证模块使用测试图像数据对所述影像组学预测模型进行模型外部验证，验证影像组学预测模型的预测效能。在验证模型概化型上常用的模式有训练集-验证集验证、重复K折交互验证(J-K-Fold Cross-validation)、留一交互验证(LOOCV)、自举法(Bootstrapping)等。常用的方法有受试者工作曲线分析(Receiver OperatingCharacteristic Analysis)、校准曲线分析(Calibration Curve Analysis)、精确率-召回率曲线分析(Precision-Recall Curve Analysis)以及常规预测效能如准确率(Accuracy)、敏感性(Sensitivity)、特异性(Specificity)等。
使用时，对计划进行免疫治疗联合靶向和/或化疗治疗的ICC患者进行肝脏超声检查，观察病灶形态、大小、内部回声，采集病灶最大切面常规灰阶图像一张。将超声影像表现、患者临床信息放入本发明建立的影像组学模型，根据模型的结果(有效/无效)为临床后续治疗方式的选择提供参考。
Claims (4)
1.一种预测ICC免疫治疗联合靶向和/或化疗疗效的超声系统，其特征在于，包括：
灰阶超声图像获取模块，用于获得病灶最大切面的灰阶超声图像；在构建影像组学预测模型时，利用灰阶超声图像获取模块分别获得计划进行免疫治疗联合靶向和/或化疗治疗的ICC患者治疗前以及治疗后的病灶最大切面的灰阶超声图像，以获得用于模型训练的训练灰阶超声图像；在利用影像组学预测模型进行预测时，利用灰阶超声图像获取模块获得计划进行免疫治疗联合靶向和/或化疗治疗的ICC患者治疗前的病灶最大切面的实时灰阶超声图像；
ICC病灶分割模块，用于对灰阶超声图像的区域进行ROI勾勒及分割，获得病灶ROI区域；在构建影像组学预测模型时，利用ICC病灶分割模块对训练灰阶超声图像进行ROI勾勒及分割，获得训练病灶ROI区域；在利用影像组学预测模型进行预测时，利用ICC病灶分割模块对实时灰阶超声图像进行ROI勾勒及分割，获得实时病灶ROI区域；
特征提取模块，对病灶ROI区域进行特征提取，提取病灶ROI区域的特征数据，特征数据包括不同滤波衍生图像下的形态特征、一阶直方图特征、二阶直方图特征和纹理特征；在构建影像组学预测模型时，利用特征提取模块提取训练病灶ROI区域的训练特征数据；在利用影像组学预测模型进行预测时，利用特征提取模块提取实时病灶ROI区域的实时特征数据；
特征降维模块，从特征提取模块获得的所有特征数据中获得关键特征数据；在构建影像组学预测模型时，利用特征降维模块从训练特征数据中获得训练关键特征数据；在利用影像组学预测模型进行预测时，利用特征提取模从实时特征数据中获得实时关键特征数据；
以临床基于RECIST v1.1治疗反应评估客观缓解率为金标准，将ICC患者的临床信息、生物标志物水平、训练灰阶超声图像特点及训练关键特征数据共同纳入机器学习模型，对机器学习模型进行训练从而构建影像组学预测模型；将待预测的患者的临床信息、生物标志物水平、实时灰阶超声图像特点、实时关键特征数据输入影像组学预测模型，由影像组学预测模型对患者进行免疫治疗联合靶向和/或化疗治疗后的关键特征数据进行预测。
2.如权利要求1所述的一种预测ICC免疫治疗联合靶向和/或化疗疗效的超声系统，其特征在于，所述灰阶超声图像获取模块将灰阶超声图像存储为格式为JPG、AVI或DICOM的图像文件。
3.如权利要求1所述的一种预测ICC免疫治疗联合靶向和/或化疗疗效的超声系统，其特征在于，所述特征降维模块借助统计分析方法从特征提取模块获得的所有特征中获得所述关键特征。
4.如权利要求1所述的一种预测ICC免疫治疗联合靶向和/或化疗疗效的超声系统，其特征在于，还包括模型验证模块，模型验证模块使用测试图像数据对所述影像组学预测模型进行模型外部验证，验证所述影像组学预测模型的预测效能。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110799113.2A CN113506273B (zh) | 2021-07-15 | 2021-07-15 | 预测icc免疫治疗联合靶向和/或化疗疗效的超声系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110799113.2A CN113506273B (zh) | 2021-07-15 | 2021-07-15 | 预测icc免疫治疗联合靶向和/或化疗疗效的超声系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113506273A CN113506273A (zh) | 2021-10-15 |
| CN113506273B true CN113506273B (zh) | 2024-03-05 |
Family
ID=78013459
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110799113.2A Active CN113506273B (zh) | 2021-07-15 | 2021-07-15 | 预测icc免疫治疗联合靶向和/或化疗疗效的超声系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113506273B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111275706A (zh) * | 2020-03-04 | 2020-06-12 | 中山大学附属第一医院 | 一种基于剪切波弹性成像超声组学深度分析方法及系统 |
| CN111311558A (zh) * | 2020-02-09 | 2020-06-19 | 华中科技大学同济医学院附属协和医院 | 一种用于胰腺癌预测的影像组学模型的构建方法 |
| CN113077439A (zh) * | 2021-03-31 | 2021-07-06 | 复旦大学附属中山医院 | 一种新型的预测肝细胞肝癌mvi的超声造影系统 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8948845B2 (en) * | 2006-03-31 | 2015-02-03 | Koninklijke Philips N.V. | System, methods, and instrumentation for image guided prostate treatment |
| TWI668666B (zh) * | 2018-02-14 | 2019-08-11 | China Medical University Hospital | 肝癌分群預測模型、其預測系統以及肝癌分群判斷方法 |
-
2021
- 2021-07-15 CN CN202110799113.2A patent/CN113506273B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111311558A (zh) * | 2020-02-09 | 2020-06-19 | 华中科技大学同济医学院附属协和医院 | 一种用于胰腺癌预测的影像组学模型的构建方法 |
| CN111275706A (zh) * | 2020-03-04 | 2020-06-12 | 中山大学附属第一医院 | 一种基于剪切波弹性成像超声组学深度分析方法及系统 |
| CN113077439A (zh) * | 2021-03-31 | 2021-07-06 | 复旦大学附属中山医院 | 一种新型的预测肝细胞肝癌mvi的超声造影系统 |
Non-Patent Citations (1)
| Title |
|---|
| ICC患者血浆ctDNA突变检测数字PCR 平台的建立及临床应用价值;戴谦等;《检验医学》;20200430;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113506273A (zh) | 2021-10-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20200364855A1 (en) | System, method and computer-accessible medium for classifying breast tissue using a convolutional neural network | |
| Wei et al. | A benign and malignant breast tumor classification method via efficiently combining texture and morphological features on ultrasound images | |
| US20190019300A1 (en) | System, method and computer-accessible medium for texture analysis of hepatopancreatobiliary diseases | |
| CN111353998A (zh) | 一种基于人工智能的肿瘤诊疗预测模型及装置 | |
| Xu et al. | Using transfer learning on whole slide images to predict tumor mutational burden in bladder cancer patients | |
| CN111862079B (zh) | 基于影像组学的高级别浆液性卵巢癌复发风险预测系统 | |
| CA3224897A1 (en) | Systems and methods for characterizing intra-tumor regions on quantitative ultrasound parametric images to predict cancer response to chemotherapy at pre-treatment | |
| Danku et al. | Cancer diagnosis with the aid of artificial intelligence modeling tools | |
| Scheipers et al. | Ultrasonic multifeature tissue characterization for the early detection of prostate cancer | |
| CN113506273B (zh) | 预测icc免疫治疗联合靶向和/或化疗疗效的超声系统 | |
| Das | Optimizing prediction of MGMT promoter methylation from MRI scans using adversarial learning | |
| yahia Ibrahim et al. | An enhancement technique to diagnose colon and lung cancer by using double CLAHE and deep learning | |
| Osapoetra et al. | A priori prediction of response in multicentre locally advanced breast cancer (LABC) patients using quantitative ultrasound and derivative texture methods | |
| Renjith et al. | A noninvasive approach using multi-tier deep learning classifier for the detection and classification of breast neoplasm based on the staging of tumor growth | |
| CN117038060A (zh) | 一种基于机器学习级联的拉曼光谱分子检测及成像装置 | |
| Manavalan et al. | Evaluation of textural feature extraction from Grlm for prostate cancer trus medical images | |
| Tian et al. | An effective convolutional neural network for classification of benign and malignant breast and thyroid tumors from ultrasound images | |
| CN112329876A (zh) | 一种基于影像组学的结直肠癌预后预测方法及设备 | |
| Raghava et al. | Detection of Tumor in the Liver Using CNN and Mobile Net | |
| Qian et al. | Lesion attention guided neural network for contrast-enhanced mammography-based biomarker status prediction in breast cancer | |
| Fakouri et al. | Automatic Brain Tumor Detection in Brain MRI Images using Deep Learning Methods | |
| Scheipers et al. | Sonohistology–ultrasonic tissue characterization for prostate cancer diagnostics | |
| Ai et al. | ResMLP_GGR: Residual Multilayer Perceptrons-Based Genotype-Guided Recurrence Prediction of Non-small Cell Lung Cancer | |
| Amarasinghe et al. | Wavelet and histogram based mammogram enhancement for abnormality detection | |
| Agarwal et al. | Research Article BID-Net: An Automated System for Bone Invasion Detection Occurring at Stage T4 in Oral Squamous Carcinoma Using Deep Learning |
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 |