CN113689382B - 基于医学影像和病理图像的肿瘤术后生存期预测方法及系统 - Google Patents
基于医学影像和病理图像的肿瘤术后生存期预测方法及系统 Download PDFInfo
- Publication number
- CN113689382B CN113689382B CN202110842260.3A CN202110842260A CN113689382B CN 113689382 B CN113689382 B CN 113689382B CN 202110842260 A CN202110842260 A CN 202110842260A CN 113689382 B CN113689382 B CN 113689382B
- Authority
- CN
- China
- Prior art keywords
- images
- pathological
- medical
- image
- tumor
- 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
- 230000001575 pathological effect Effects 0.000 title claims abstract description 120
- 230000004083 survival effect Effects 0.000 title claims abstract description 65
- 230000002980 postoperative effect Effects 0.000 title claims abstract description 61
- 206010028980 Neoplasm Diseases 0.000 title claims abstract description 59
- 238000000034 method Methods 0.000 title claims abstract description 23
- 230000003993 interaction Effects 0.000 claims abstract description 16
- 230000004927 fusion Effects 0.000 claims description 48
- 238000012549 training Methods 0.000 claims description 28
- 230000007170 pathology Effects 0.000 claims description 14
- 238000007781 pre-processing Methods 0.000 claims description 10
- 230000002401 inhibitory effect Effects 0.000 claims description 7
- 239000000284 extract Substances 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 4
- 230000002708 enhancing effect Effects 0.000 abstract description 3
- 230000004044 response Effects 0.000 abstract description 3
- 238000001914 filtration Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 7
- 238000013135 deep learning Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 210000000056 organ Anatomy 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
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration by the use of more than one image, e.g. averaging, subtraction
-
- 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
-
- 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
- G06T2207/10024—Color 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
- G06T2207/10—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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Abstract
本发明提出一种基于医学影像和病理图像的肿瘤术后生存期预测方法及系统。通过孪生网络结构将医学影像和病理图像融合在一起预测肿瘤术后生存期。使用不同深度的网络结构提取医学影像和病理图像的基础特征，通过信息交互方式将医学影像和病理图像的基础特征融合在一起。通过通道注意力网络结构和特征注意力网络结构有效地过滤无用的背景信息，增强目标信息的响应值，最后通过全连接层输出预测结果。整体网络结构采用端到端模型，使得网络可以有效的学习医学影像和病理图像的特征信息，增强算法的鲁棒性和泛化能力。
Description
技术领域
本发明属于图像处理技术领域，特别涉及结合医学影像和病理图像的孪生网络结构用于肿瘤术后生存期的预测。
背景技术
近年来，深度学习在医学领域慢慢的火热了起来。由于深度学习网络强大的非线性建模能力以及医学图像本身信息量大，特征丰富，模态种类多的特点，深度学习网络在医学图像上的应用越来越广泛。
孪生网络结构最早是在1993年NIPS上发表的论文《Signature Verificationusing a‘Siamese’Time Delay Neural Network》用于美国支票上的签名验证，即验证支票上的签名与银行预留签名是否一致。在2010年Hinton在ICML上发表了文章《RectifiedLinear Units Improve Restricted Boltzmann Machines》用来做人脸验证，效果很好。其原理很简单，将两个人脸传进卷积神经网络，输出判断结果。随后在2015年发布在CVPR的文章《Learning to Compare Image Patches via Convolutional Neural Networks》对经典的算法孪生网络结构做了改进。
在此之前孪生网络结构都是用来进行图片相似度的对比。随着深度学习的不断进步与发展，孪生网络结构也开始慢慢出现在目标检测，目标跟踪，目标分类等领域中。2016年在ECCV上发表的《Learning to Track at 100FPS with Deep Regression Networks》论文，是第一个使用孪生网络结构并将目标跟踪算法跑到100FPS。随后朱政和王强在2018年CVPR和2019年CVPR提出了基于孪生网络结构的RASNet和SiamMask目标跟踪算法。
虽然孪生网络在图像领域应用广泛，但是在医学领域孪生网络结构的应用却鲜为人知。
发明内容
本发明旨在解决以上现有技术的问题。提出了一种结合医学影像和病理图像特征的非对称孪生信息交互网络结构方法。
针对现有技术的不足，本发明提出一种基于医学影像和病理图像的肿瘤术后生存期预测方法，其中包括：
步骤1、构建包括卷积层、通道注意力层、特征注意力层和全连接层的术后生存期预测模型；获取属于同一肿瘤患者的医学影像和病理图像作为训练数据，并该肿瘤患者的术后生存期作为该训练数据的目标标签；
步骤2、将该训练数据进行预处理后输入该卷积层，得到医学影像基础特征和病理图像基础特征，并对该医学影像基础特征和该病理图像基础特征进行信息交互融合，得到医学影像融合特征和病理图像融合特征；
步骤3、将该医学影像融合特征输入该通道注意力层，该通道注意力层通过对该医学影像融合特征的通道进行加权，抑制该医学影像融合特征中无用通道特征，得到医学影像注意力特征；
步骤4、将该病理图像融合特征输入该特征注意力层，该特征注意力层通过抑制该病理图像融合特征的背景信息，得到病理图像注意力特征；
步骤5、将该医学影像注意力特征和该病理图像注意力特征结合后输入该全连接层，得到该患者术后生存期的预测结果，根据该预测结果和该目标标签构建损失函数训练该术后生存期预测模型，直到该损失函数收敛，保存当前术后生存期预测模型作为最终预测模型；
步骤6、将待术后生存期预测肿瘤患者的医学影像和病理图像输入该最终预测模型，得到该待术后生存期预测肿瘤患者的术后生存期预测结果。
所述的基于医学影像和病理图像的肿瘤术后生存期预测方法，其中该医学影像为CT图像，该病理图像为肿瘤切片图像。
所述的基于医学影像和病理图像的肿瘤术后生存期预测方法，其中步骤2中该预处理包括对图像的下采样处理。
所述的基于医学影像和病理图像的肿瘤术后生存期预测方法，其中该步骤2包括：通过Concatenate网络层，对该医学影像基础特征和该病理图像基础特征进行信息交互融合。
所述的基于医学影像和病理图像的肿瘤术后生存期预测方法，其中该医学影像为单通道图像，该病理图像为三通道图像；
该步骤2采用ResNet-34提取该医学影像的基础特征，采用ResNet-18提取该病理图像的基础特征。
本发明还提出了一种基于医学影像和病理图像的肿瘤术后生存期预测系统，其中包括：
模块1，用于构建包括卷积层、通道注意力层、特征注意力层和全连接层的术后生存期预测模型；获取属于同一肿瘤患者的医学影像和病理图像作为训练数据，并该肿瘤患者的术后生存期作为该训练数据的目标标签；
模块2，用于将该训练数据进行预处理后输入该卷积层，得到医学影像基础特征和病理图像基础特征，并对该医学影像基础特征和该病理图像基础特征进行信息交互融合，得到医学影像融合特征和病理图像融合特征；
模块3，用于将该医学影像融合特征输入该通道注意力层，该通道注意力层通过对该医学影像融合特征的通道进行加权，抑制该医学影像融合特征中无用通道特征，得到医学影像注意力特征；
模块4，用于将该病理图像融合特征输入该特征注意力层，该特征注意力层通过抑制该病理图像融合特征的背景信息，得到病理图像注意力特征；
模块5，用于将该医学影像注意力特征和该病理图像注意力特征结合后输入该全连接层，得到该患者术后生存期的预测结果，根据该预测结果和该目标标签构建损失函数训练该术后生存期预测模型，直到该损失函数收敛，保存当前术后生存期预测模型作为最终预测模型；
模块6，用于将待术后生存期预测肿瘤患者的医学影像和病理图像输入该最终预测模型，得到该待术后生存期预测肿瘤患者的术后生存期预测结果。
所述的基于医学影像和病理图像的肿瘤术后生存期预测系统，其中该医学影像为CT图像，该病理图像为肿瘤切片图像。
所述的基于医学影像和病理图像的肿瘤术后生存期预测系统，其中模块2中该预处理包括对图像的下采样处理。
所述的基于医学影像和病理图像的肿瘤术后生存期预测系统，其中该模块2包括：通过Concatenate网络层，对该医学影像基础特征和该病理图像基础特征进行信息交互融合。
所述的基于医学影像和病理图像的肿瘤术后生存期预测系统，其中该医学影像为单通道图像，该病理图像为三通道图像；
该模块2采用ResNet-34提取该医学影像的基础特征，采用ResNet-18提取该病理图像的基础特征。
由以上方案可知，本发明的优点在于：
本发明通过孪生网络结构将医学影像和病理图像融合在一起预测肿瘤术后生存期。使用不同深度的网络结构提取医学影像和病理图像的基础特征，通过信息交互方式将医学影像和病理图像的基础特征融合在一起。通过通道注意力网络结构和特征注意力网络结构有效地过滤无用的背景信息，增强目标信息的响应值，最后通过全连接层输出预测结果。整体网络结构采用端到端模型，使得网络可以有效的学习医学影像和病理图像的特征信息，增强算法的鲁棒性和泛化能力。
附图说明
图1是本发明提供优选实施例方法的流程图；
图2是特征注意力网络结构；
图3是通道注意力网络结构。
具体实施方式
本发明的创新性在于首先通过孪生网络结构将医学影像(例如CT图像)和病理图像(例如HE切片图像)有效地融合在一起，然后使用融合后的特征来预测肿瘤术后生存期。因此使用孪生网络结构将医学影像和病理图像结合起来，在医学领域具有广泛的应用前景。
本发明提出了一种结合医学影像和病理图像的肿瘤术后生存期预测方法，包括：
S1、获取医学影像和病理图像的原始图像，这两类图片需要一一对应，属于同一位病人。然后将图片缩放至512×512像素大小。
S2、分别将缩放之后的医学影像和病理图像传到基础网络里面来提取基础特征图。同时，还要将提取的医学影像和病理图像特征图进行信息交互融合。例如将医学影像和病理图像的特征图通过Concatenate网络层进行信息交互融合，其中Concatenate是Pytorch的一个网络层。
S3、将融合后的医学影像特征输入到通道注意力网络里面，来对医学影像特征进行加权操作。将融合后的病理图像特征输入到特征注意力网络里面，提取病理图像丰富的特征信息。
S4、将医学影像的通道注意力信息和病理图像的特征注意力信息融合在一起，通过全连接层输出预测的结果。
进一步的，所述步骤S1中将收集到的原始医学影像和病理图片进行一一对应，将医学影像和病理图片与病人对应起来。由于病理图片分辨率较高，需要对输入网络的图片进行缩放操作，统一将医学影像和病理图片缩放至512×512大小，既可以保留有效的特征信息，又可以提升训练和测试速度。
进一步的，所述步骤S2包括将S1处理之后的图片分别放到不同深度的基础网络结构中，提取医学影像和病理图像的基础特征。随后将提取到的医学影像和病理图像特征信息进行相互融合，为后续操作提供丰富的基础特征信息。
进一步的，所述步骤S3中将S2中得到的医学影像特征图传到通道注意力网络中，通过对特征图通道加权，来有效抑制无用通道特征，增强有用信息通道的权重。将S2中得到的病理图像特征图传到特征注意力网络中，使用沙漏网络结构来有效抑制背景信息，提升目标特征的响应值。
进一步的，所述步骤S4中将S3中得到的医学影像通道注意力特征图和病理图像特征注意力特征图通过通道方式结合在一起，然后将结合的特征图输入到全连接层中，最后通过全连接层输出网络的预测结果。且上述全连接层的参数可通过训练得到。全连接层训练流程：1.将卷积层的特征输入到全连接层中。2.全连接层通过卷积层的特征直接输出预测的病人术后生存周期。3.计算全连接层的预测结果和真实结果的损失函数，反向更新全连接层的权重。
为让本发明的上述特征和效果能阐述的更明确易懂，下文特举实施例，并配合说明书附图作详细说明如下。
本发明解决上述技术问题的技术方案是：
本发明的方法流程如图1所示。
本发明涉及了特征注意力网络结构示例如图2、通道注意力网络结构示例如图3。
具体步骤：
步骤S1：首先获取同一病人的医学影像和病理图像。由于医学影像图片较多，需要对医学影像图片进行筛选，选择肿瘤特征比较明显的医学影像图片作为训练集。由于病理图像的分辨率太大，无法直接放到网络里面进行训练，因此需要将病理图像和医学影像缩放至512×512大小之后，再放到网络里面进行训练与测试。
步骤S2：将缩放之后的医学影像和病理图片分别传输到不同深度的网络中来提取基础特征图。医学影像一般是单通道的灰度图像，由于器官本身结构固定和语义信息没有特别丰富，所以高级语义信息和低级特征都显得很重要，因此采用ResNet-34作为基础网络结构来提取图像的语义信息。病理图像为三通道的RGB彩色图像，特征信息比较丰富，采用ResNet-18作为基础网络结构来提取外观特征信息。最后，通过信息交互将医学影像特征和病理图像特征融合在一起，作为最后的基础特征图。
步骤S3：将医学影像基础特征图传到通道注意力网络结构中，通过对特征图通道加权，来有效抑制无用通道特征信息，增强有用信息通道的权重。将病理图像基础特征图传到特征注意力网络结构中，使用沙漏网络结构来有效抑制背景信息，提升目标特征的像素响应度。
步骤S4：将S3中得到的通道注意力医学影像特征图和特征注意力病理图像特征图，通过通道维度连接在一起。最后通过维度变换将融合之后的特征图输入到全连接层中，通过全连接层输出最后的预测结果。
以下为与上述方法实施例对应的系统实施例，本实施方式可与上述实施方式互相配合实施。上述实施方式中提到的相关技术细节在本实施方式中依然有效，为了减少重复，这里不再赘述。相应地，本实施方式中提到的相关技术细节也可应用在上述实施方式中。
本发明还提出了一种基于医学影像和病理图像的肿瘤术后生存期预测系统，其中包括：
模块1，用于构建包括卷积层、通道注意力层、特征注意力层和全连接层的术后生存期预测模型；获取属于同一肿瘤患者的医学影像和病理图像作为训练数据，并该肿瘤患者的术后生存期作为该训练数据的目标标签；
模块2，用于将该训练数据进行预处理后输入该卷积层，得到医学影像基础特征和病理图像基础特征，并对该医学影像基础特征和该病理图像基础特征进行信息交互融合，得到医学影像融合特征和病理图像融合特征；
模块3，用于将该医学影像融合特征输入该通道注意力层，该通道注意力层通过对该医学影像融合特征的通道进行加权，抑制该医学影像融合特征中无用通道特征，得到医学影像注意力特征；
模块4，用于将该病理图像融合特征输入该特征注意力层，该特征注意力层通过抑制该病理图像融合特征的背景信息，得到病理图像注意力特征；
模块5，用于将该医学影像注意力特征和该病理图像注意力特征结合后输入该全连接层，得到该患者术后生存期的预测结果，根据该预测结果和该目标标签构建损失函数训练该术后生存期预测模型，直到该损失函数收敛，保存当前术后生存期预测模型作为最终预测模型；
模块6，用于将待术后生存期预测肿瘤患者的医学影像和病理图像输入该最终预测模型，得到该待术后生存期预测肿瘤患者的术后生存期预测结果。
所述的基于医学影像和病理图像的肿瘤术后生存期预测系统，其中该医学影像为CT图像，该病理图像为肿瘤切片图像。
所述的基于医学影像和病理图像的肿瘤术后生存期预测系统，其中模块2中该预处理包括对图像的下采样处理。
所述的基于医学影像和病理图像的肿瘤术后生存期预测系统，其中该模块2包括：通过Concatenate网络层，对该医学影像基础特征和该病理图像基础特征进行信息交互融合。
所述的基于医学影像和病理图像的肿瘤术后生存期预测系统，其中该医学影像为单通道图像，该病理图像为三通道图像；
该模块2采用ResNet-34提取该医学影像的基础特征，采用ResNet-18提取该病理图像的基础特征。
Claims (10)
1.一种基于医学影像和病理图像的肿瘤术后生存期预测方法，其特征在于，包括：
步骤1、构建包括卷积层、通道注意力层、特征注意力层和全连接层的术后生存期预测模型；获取属于同一肿瘤患者的医学影像和病理图像作为训练数据，并将该肿瘤患者的术后生存期作为该训练数据的目标标签；
步骤2、将该训练数据进行预处理后输入该卷积层，得到医学影像基础特征和病理图像基础特征，并对该医学影像基础特征和该病理图像基础特征进行信息交互融合，得到医学影像融合特征和病理图像融合特征；
步骤3、将该医学影像融合特征输入该通道注意力层，该通道注意力层通过对该医学影像融合特征的通道进行加权，抑制该融合特征中无用通道特征，得到医学影像注意力特征；
步骤4、将该病理图像融合特征输入该特征注意力层，该特征注意力层通过抑制该病理图像融合特征的背景信息，得到病理图像注意力特征；
步骤5、将该医学影像注意力特征和该病理图像注意力特征结合后输入该全连接层，得到该患者术后生存期的预测结果，根据该预测结果和该目标标签构建损失函数训练该术后生存期预测模型，直到该损失函数收敛，保存当前术后生存期预测模型作为最终预测模型；
步骤6、将待术后生存期预测肿瘤患者的医学影像和病理图像输入该最终预测模型，得到该待术后生存期预测肿瘤患者的术后生存期预测结果。
2.如权利要求1所述的基于医学影像和病理图像的肿瘤术后生存期预测方法，其特征在于，该医学影像为CT图像，该病理图像为肿瘤切片图像。
3.如权利要求1所述的基于医学影像和病理图像的肿瘤术后生存期预测方法，其特征在于，步骤2中该预处理包括对图像的下采样处理。
4.如权利要求1所述的基于医学影像和病理图像的肿瘤术后生存期预测方法，其特征在于，该步骤2包括：通过Concatenate网络层，对该医学影像基础特征和该病理图像基础特征进行信息交互融合。
5.如权利要求1所述的基于医学影像和病理图像的肿瘤术后生存期预测方法，其特征在于，该医学影像为单通道图像，该病理图像为三通道图像；
该步骤2采用ResNet-34提取该医学影像的基础特征，采用ResNet-18提取该病理图像的基础特征。
6.一种基于医学影像和病理图像的肿瘤术后生存期预测系统，其特征在于，包括：
模块1，用于构建包括卷积层、通道注意力层、特征注意力层和全连接层的术后生存期预测模型；获取属于同一肿瘤患者的医学影像和病理图像作为训练数据，并将该肿瘤患者的术后生存期作为该训练数据的目标标签；
模块2，用于将该训练数据进行预处理后输入该卷积层，得到医学影像基础特征和病理图像基础特征，并对该医学影像基础特征和该病理图像基础特征进行信息交互融合，得到医学影像融合特征和病理图像融合特征；
模块3，用于将该医学影像融合特征输入该通道注意力层，该通道注意力层通过对该医学影像融合特征的通道进行加权，抑制该医学影像融合特征中无用通道特征，得到医学影像注意力特征；
模块4，用于将该病理图像融合特征输入该特征注意力层，该特征注意力层通过抑制该病理图像融合特征的背景信息，得到病理图像注意力特征；
模块5，用于将该医学影像注意力特征和该病理图像注意力特征结合后输入该全连接层，得到该患者术后生存期的预测结果，根据该预测结果和该目标标签构建损失函数训练该术后生存期预测模型，直到该损失函数收敛，保存当前术后生存期预测模型作为最终预测模型；
模块6，用于将待术后生存期预测肿瘤患者的医学影像和病理图像输入该最终预测模型，得到该待术后生存期预测肿瘤患者的术后生存期预测结果。
7.如权利要求6所述的基于医学影像和病理图像的肿瘤术后生存期预测系统，其特征在于，该医学影像为CT图像，该病理图像为肿瘤切片图像。
8.如权利要求6所述的基于医学影像和病理图像的肿瘤术后生存期预测系统，其特征在于，模块2中该预处理包括对图像的下采样处理。
9.如权利要求6所述的基于医学影像和病理图像的肿瘤术后生存期预测系统，其特征在于，该模块2包括：通过Concatenate网络层，对该医学影像基础特征和该病理图像基础特征进行信息交互融合。
10.如权利要求6所述的基于医学影像和病理图像的肿瘤术后生存期预测系统，其特征在于，该医学影像为单通道图像，该病理图像为三通道图像；
该模块2采用ResNet-34提取该医学影像的基础特征，采用ResNet-18提取该病理图像的基础特征。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110842260.3A CN113689382B (zh) | 2021-07-26 | 2021-07-26 | 基于医学影像和病理图像的肿瘤术后生存期预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110842260.3A CN113689382B (zh) | 2021-07-26 | 2021-07-26 | 基于医学影像和病理图像的肿瘤术后生存期预测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113689382A CN113689382A (zh) | 2021-11-23 |
| CN113689382B true CN113689382B (zh) | 2023-12-01 |
Family
ID=78577850
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110842260.3A Active CN113689382B (zh) | 2021-07-26 | 2021-07-26 | 基于医学影像和病理图像的肿瘤术后生存期预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113689382B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114360718B (zh) * | 2022-03-10 | 2022-07-12 | 之江实验室 | 一种基于特征拟合的pet/ct自动肺癌诊断分类系统及构建方法 |
| CN115035119B (zh) * | 2022-08-12 | 2023-03-24 | 山东省计算中心（国家超级计算济南中心） | 一种玻璃瓶底瑕疵图像检测剔除装置、系统及方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109919928A (zh) * | 2019-03-06 | 2019-06-21 | 腾讯科技（深圳）有限公司 | 医学影像的检测方法、装置和存储介质 |
| WO2020028382A1 (en) * | 2018-07-30 | 2020-02-06 | Memorial Sloan Kettering Cancer Center | Multi-modal, multi-resolution deep learning neural networks for segmentation, outcomes prediction and longitudinal response monitoring to immunotherapy and radiotherapy |
| CN112184658A (zh) * | 2020-09-24 | 2021-01-05 | 上海健康医学院 | 用于非小细胞肺癌预后生存预测的方法、介质及电子设备 |
| CN112309576A (zh) * | 2020-09-22 | 2021-02-02 | 江南大学 | 基于深度学习ct影像组学的结直肠癌生存期预测方法 |
| CN112927799A (zh) * | 2021-04-13 | 2021-06-08 | 中国科学院自动化研究所 | 融合多示例学习和多任务深度影像组学的生存期分析系统 |
| CN112927203A (zh) * | 2021-02-25 | 2021-06-08 | 西北工业大学深圳研究院 | 基于多序列mri全局信息的胶质瘤患者术后生存期预测方法 |
| CN113129293A (zh) * | 2021-04-26 | 2021-07-16 | 长沙理工大学 | 医学图像分类方法、装置、计算机设备和存储介质 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10748277B2 (en) * | 2016-09-09 | 2020-08-18 | Siemens Healthcare Gmbh | Tissue characterization based on machine learning in medical imaging |
| US10441225B2 (en) * | 2018-02-21 | 2019-10-15 | Case Western Reserve University | Predicting disease recurrence following trimodality therapy in non-small cell lung cancer using computed tomography derived radiomic features and clinico-pathologic features |
| EP3792871A1 (en) * | 2019-09-13 | 2021-03-17 | Siemens Healthcare GmbH | Method and data processing system for providing a prediction of a medical target variable |
| US20210118136A1 (en) * | 2019-10-22 | 2021-04-22 | Novateur Research Solutions LLC | Artificial intelligence for personalized oncology |
-
2021
- 2021-07-26 CN CN202110842260.3A patent/CN113689382B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020028382A1 (en) * | 2018-07-30 | 2020-02-06 | Memorial Sloan Kettering Cancer Center | Multi-modal, multi-resolution deep learning neural networks for segmentation, outcomes prediction and longitudinal response monitoring to immunotherapy and radiotherapy |
| CN109919928A (zh) * | 2019-03-06 | 2019-06-21 | 腾讯科技（深圳）有限公司 | 医学影像的检测方法、装置和存储介质 |
| CN112309576A (zh) * | 2020-09-22 | 2021-02-02 | 江南大学 | 基于深度学习ct影像组学的结直肠癌生存期预测方法 |
| CN112184658A (zh) * | 2020-09-24 | 2021-01-05 | 上海健康医学院 | 用于非小细胞肺癌预后生存预测的方法、介质及电子设备 |
| CN112927203A (zh) * | 2021-02-25 | 2021-06-08 | 西北工业大学深圳研究院 | 基于多序列mri全局信息的胶质瘤患者术后生存期预测方法 |
| CN112927799A (zh) * | 2021-04-13 | 2021-06-08 | 中国科学院自动化研究所 | 融合多示例学习和多任务深度影像组学的生存期分析系统 |
| CN113129293A (zh) * | 2021-04-26 | 2021-07-16 | 长沙理工大学 | 医学图像分类方法、装置、计算机设备和存储介质 |
Non-Patent Citations (3)
| Title |
|---|
| Neural Image Compression for Gigapixel Histopathology Image Analysis;David Tellez;《IEEE》;全文 * |
| 基于影像学的多种人工智能算法在肿瘤研究中的应用进展;陈永晔;《磁共振成像》;全文 * |
| 基于影像学的多种人工智能算法在肿瘤研究中的应用进展;陈永晔;张恩龙;张家慧;郎宁;袁慧书;;磁共振成像(10);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113689382A (zh) | 2021-11-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Sixt et al. | Rendergan: Generating realistic labeled data | |
| CN113936339B (zh) | 基于双通道交叉注意力机制的打架识别方法和装置 | |
| Hazirbas et al. | Fusenet: Incorporating depth into semantic segmentation via fusion-based cnn architecture | |
| CN109829443A (zh) | 基于图像增强与3d卷积神经网络的视频行为识别方法 | |
| CN110349136A (zh) | 一种基于深度学习的篡改图像检测方法 | |
| CN113689382B (zh) | 基于医学影像和病理图像的肿瘤术后生存期预测方法及系统 | |
| CN111582095B (zh) | 一种轻量级行人异常行为快速检测方法 | |
| CN110378221A (zh) | 一种电网线夹自动检测与缺陷识别方法及装置 | |
| Liu et al. | A night pavement crack detection method based on image‐to‐image translation | |
| Sun et al. | A discriminatively deep fusion approach with improved conditional GAN (im-cGAN) for facial expression recognition | |
| CN110930378A (zh) | 基于低数据需求的肺气肿影像处理方法及系统 | |
| CN111046213B (zh) | 一种基于图像识别的知识库构建方法 | |
| CN109614896A (zh) | 一种基于递归卷积神经网络的视频内容语义理解的方法 | |
| CN111126155B (zh) | 一种基于语义约束生成对抗网络的行人再识别方法 | |
| CN109145743A (zh) | 一种基于深度学习的图像识别方法及装置 | |
| CN117152443A (zh) | 一种基于语义前导指引的图像实例分割方法及系统 | |
| CN112651333B (zh) | 静默活体检测方法、装置、终端设备和存储介质 | |
| CN114360073A (zh) | 一种图像识别方法及相关装置 | |
| CN103235943A (zh) | 基于pca的3d人脸识别系统 | |
| CN113066074A (zh) | 一种基于双目视差偏移融合的视觉显著性预测方法 | |
| CN113705301A (zh) | 图像处理方法及装置 | |
| CN112488165A (zh) | 一种基于深度学习模型的红外行人识别方法及系统 | |
| CN112800979A (zh) | 一种基于表征流嵌入网络的动态表情识别方法及系统 | |
| CN111461772A (zh) | 一种基于生成对抗网络的视频广告融入系统与方法 | |
| CN113378598B (zh) | 一种基于深度学习的动态条码检测方法 |
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 | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240117 Address after: Room 401121, No. 210, West Section of Jinkai Avenue, Yubei District, Chongqing, 3rd Floor, No. 3-11-01803 Patentee after: Chongqing Zhijian Life Technology Co.,Ltd. Address before: 3 / F, Ziguang building, No. 1-10, Zhongguancun East Road, Haidian District, Beijing 100083 Patentee before: Beijing Zhijian Life Technology Co.,Ltd. Patentee before: Chongqing Zhijian Life Technology Co.,Ltd. |
|
| CP03 | Change of name, title or address | ||
| CP03 | Change of name, title or address |
Address after: No. 313 Jinyue Road, Jinfeng Town, Jiulongpo District, Chongqing, 401329 Patentee after: Chongqing Zhijian Life Technology Co.,Ltd. Country or region after: China Address before: Room 401121, No. 210, West Section of Jinkai Avenue, Yubei District, Chongqing, 3rd Floor, No. 3-11-01803 Patentee before: Chongqing Zhijian Life Technology Co.,Ltd. Country or region before: China |