CN113724200A - 一种基于异构数据的肺结节演化预测方法、装置及设备 - Google Patents

一种基于异构数据的肺结节演化预测方法、装置及设备 Download PDF

Info

Publication number
CN113724200A
CN113724200A CN202110882051.1A CN202110882051A CN113724200A CN 113724200 A CN113724200 A CN 113724200A CN 202110882051 A CN202110882051 A CN 202110882051A CN 113724200 A CN113724200 A CN 113724200A
Authority
CN
China
Prior art keywords
data
image
lung
predicted
nodule
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
CN202110882051.1A
Other languages
English (en)
Inventor
文天尧
洪程之
罗飞
刘峰
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.)
Wuhan University WHU
Original Assignee
Wuhan University WHU
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 Wuhan University WHU filed Critical Wuhan University WHU
Priority to CN202110882051.1A priority Critical patent/CN113724200A/zh
Publication of CN113724200A publication Critical patent/CN113724200A/zh
Pending legal-status Critical Current

Links

Images

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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/003—Reconstruction from projections, e.g. tomography
    • G06T11/006—Inverse problem, transformation from projection-space into object-space, e.g. transform methods, back-projection, algebraic 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
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/20—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for electronic clinical trials or questionnaires
    • 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
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • 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
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • 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
    • G06T2207/30061—Lung
    • G06T2207/30064—Lung nodule
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2211/00—Image generation
    • G06T2211/40—Computed tomography
    • G06T2211/421—Filtered back projection [FBP]

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Physics & Mathematics (AREA)
  • Radiology & Medical Imaging (AREA)
  • Biomedical Technology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Algebra (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Quality & Reliability (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本申请涉及一种基于异构数据的肺结节演化预测方法、装置及设备，该方法包括：根据多个原始肺部CT图像获取肺部的影像特征数据；融合所述影像特征数据和与所述影像特征数据对应的临床数据，获得融合数据；基于所述融合数据建立时序预测模型；输入待预测融合数据，通过所述时序预测模型，获得预测的肺结节量化数据，其中所述待预测融合数据为待预测肺部CT图像的影像特征数据和对应的临床数据的融合数据；根据所述预测的肺结节量化数据获取肺部预测CT图像。该方法实现了利用CT图像的影像特征数据与临床数据结合形成的异构数据来进行肺结节的演化预测。

Description

一种基于异构数据的肺结节演化预测方法、装置及设备
技术领域
本申请涉及计算机图像识别与生成领域，特别涉及一种基于异构数据的肺结节演化预测方法、装置及设备。
背景技术
肺结节是指肺内直径小于或等于3cm的类圆形或不规则形病灶，影像学表现为密度增高的阴影，可单发或多发，边界清晰或不清晰的病灶。虽然肺结节不会直接对人体造成损害，但是随着时间的推移，任由肺结节自由成长却不加以治疗和处理会导致肺结节逐渐演变为肺癌。
目前肺结节检测临床主要依靠影像学检查和功能显像，综合参考临床、非手术和手术活检等信息进行良恶性评估。影像学检查主要通过胸部CT扫描，获取肺结节位置、大小、形态、密度、边缘及内部特征等信息，再有医师根据《中国肺部结节分类：诊断与治疗指南》进行鉴定和诊疗。肺部CT影像数据量大，层数多，肺内血管复杂，只依靠医生阅片检测，效率低，易出现漏诊或者误诊。因此，针对于肺结节图像，大量研究者投入到肺结节CT图像的检测、分割、测量、结节生长以及良恶性预测等领域中，利用深度学习领域的成果，通过计算机辅助检测的方式，帮助医生检测和评估肺结节的大小，预测结节的良恶性发展趋势，提升了诊断的效率和准确性。然而，影响肺结节生长的关键因子众多，包括患者年龄、病史、生物医学指标等，单纯依靠影像资料很难准确预测肺结节的生长趋势，目前尚无特异性生物学标志物用于肺癌的临床诊断和肺结节鉴别，因此如何有效利用异构数据对肺结节特定未来时刻的状态进行量化和影像预测，成为临床医学和影像学有待解决的关键问题。
发明内容
本申请实施例提供一种基于异构数据的肺结节演化预测方法、装置及设备，以解决相关技术中目前尚无特异性生物学标志物用于肺癌的临床诊断和肺结节鉴别的问题。
第一方面，提供了一种基于异构数据的肺结节演化预测方法，包括以下步骤：
根据多个原始肺部CT图像获取肺部的影像特征数据；
融合所述影像特征数据和与所述影像特征数据对应的临床数据，获得融合数据；
基于所述融合数据建立时序预测模型；
输入待预测融合数据，通过所述时序预测模型，获得预测的肺结节量化数据，其中所述待预测融合数据为待预测肺部CT图像的影像特征数据和对应的临床数据的融合数据；
根据所述预测的肺结节量化数据获取肺部预测CT图像。
一些实施例中，所述基于所述融合数据建立时序预测模型，包括：
基于时序模型建立算法建立所述时序预测模型，并以所述融合数据和所述融合数据对应的时间节点作为所述时序预测模型的自变量，以肺结节生长趋势作为所述时序预测模型的因的变量。
一些实施例中，所述融合所述影像特征数据和与所述影像特征数据对应的临床数据，获得融合数据，包括：
清洗和归一化所述影像特征数据和与所述影像特征数据对应的临床数据；
使用融合算法，融合清洗和归一化后的所述影像特征数据和所述临床数据。
一些实施例中，所述根据所述预测的肺结节量化数据获取肺部预测CT图像，包括：
使用图像重建算法，根据所述预测的肺结节量化数据逆向获取成像平面上每个点的衰减系数值；
根据所述衰减系数值得到所述肺部预测CT图像。
一些实施例中，所述根据所述衰减系数值得到所述肺部预测CT图像，包括：
根据所述衰减系数值得到预测的肺结节区域图像；
使用图像配准算法，将所述预测的肺结节区域图像对应到所述原始CT图像中，得到肺部预测CT图像。
一些实施例中，在所述根据多个原始肺部CT图像获取肺部的影像特征数据之后，在所述融合所述影像特征数据和与所述影像特征数据对应的临床数据之前，还包括：
对所述影像特征数据进行量化编码，以去除空间信号相关性和降低数据冗余。
一些实施例中，在对所述临床数据进行特征编码和归一化处理，使其表现为特征向量之后，还包括：
对所述特征向量进行长短周期记忆网络层和全连接层堆叠，以保证其时序性。
第二方面，本申请提供一种基于异构数据的肺结节演化预测装置，包括：
数据处理模块，其用于根据多个原始肺部CT图像获取肺部的影像特征数据，并融合所述影像特征数据和与所述影像特征数据对应的临床数据，获得融合数据；
模型建立模块，其用于基于所述融合数据建立时序预测模型；
预测模块，其用于输入待预测融合数据，通过所述时序预测模型，获得预测的肺结节量化数据，其中所述待预测融合数据为待预测肺部CT图像的影像特征数据和对应的临床数据的融合数据；
图像重建模块，其用于根据所述预测的肺结节量化数据获取肺部预测CT图像。
一些实施例中，模型建立模块用于基于所述融合数据建立时序预测模型，包括：
基于时序模型建立算法建立所述时序预测模型，并以所述融合数据和所述融合数据对应的时间节点作为所述时序预测模型的自变量，以肺结节生长趋势作为所述时序预测模型的因的变量。
一些实施例中，数据处理装置用于融合所述影像特征数据和与所述影像特征数据对应的临床数据，获得融合数据，包括：
清洗和归一化所述影像特征数据和与所述影像特征数据对应的临床数据；
使用融合算法，融合清洗和归一化后的所述影像特征数据和所述临床数据。
一些实施例中，图像重建模块用于根据所述预测的肺结节量化数据获取肺部预测CT图像，包括：
使用图像重建算法，根据所述预测的肺结节量化数据逆向获取成像平面上每个点的衰减系数值；
根据所述衰减系数值得到所述肺部预测CT图像。
一些实施例中，图像重建模块用于根据所述衰减系数值得到所述肺部预测CT图像，包括：
根据所述衰减系数值得到预测的肺结节区域图像；
使用图像配准算法，将所述预测的肺结节区域图像对应到所述原始CT图像中，得到肺部预测CT图像。
一些实施例中，数据处理模块还用于在所述融合所述影像特征数据和与所述影像特征数据对应的临床数据之前，对所述影像特征数据进行量化编码，以去除空间信号相关性和降低数据冗余。
一些实施例中，数据处理模块还用于在对所述临床数据进行特征编码和归一化处理，使其表现为特征向量之后，对所述特征向量进行长短周期记忆网络层和全连接层堆叠，以保证其时序性。
第三方面，提供一种基于异构数据的肺结节演化预测设备，其特征在于，包括，处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现上述第一方面的方法步骤。
本申请实施例提供了一种基于异构数据的肺结节演化预测方法，通过结合肺部CT图像中肺部的影像特征数据与影像特征数据对应的临床数据，获得融合数据，并根据融合数据建立时序预测模型，输入待预测融合数据，通过所述时序预测模型，获得预测的肺结节量化数据，根据预测的肺结节量化数据获取肺部预测CT图像，实利用CT图像的影像特征数据与临床数据结合形成的异构数据来进行肺结节的演化预测。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种基于异构数据的肺结节演化预测方法的流程图。
图2为本申请实施例提供的一种基于异构数据的肺结节演化预测装置的示意框图。
图3为本申请实施例提供的一种基于异构数据的肺结节演化预测设备的结构示意框图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
本申请实施例提供了一种基于异构数据的肺结节演化预测方法，其能结合原始肺部CT图中肺部的影像特征数据和临床数据，建立肺结节时序预测模型，并根据时序预测模型预测肺结节的生长状况。
请参照图1所示，图1为本申请实施例提供的一种基于异构数据的肺结节演化预测方法的流程图，该方法包括以下步骤：
S1根据多个原始肺部CT图像获取肺部的影像特征数据；
S2融合影像特征数据和与影像特征数据对应的临床数据，获得融合数据；
S3基于融合数据建立时序预测模型；
S4输入待预测融合数据，通过时序预测模型，获得预测的肺结节量化数据，其中待预测融合数据为待预测肺部CT图像的影像特征数据和对应的临床数据的融合数据；
S5根据预测的肺结节量化数据获取肺部预测CT图像。
值得说明的是，根根据多个原始肺部CT图像获取肺部的影像特征数据，这里的多个原始肺部CT图像代表的是多个不同的病人在一段时间内的多个肺部CT图像。从图像中提取出肺部CT图像中的影像特征数据，这里的影像特征数据以二维矩阵构成的像素集合，其表达的是肺部的形态学特点。并且需要对图像中的影像特征数据进行量化编码以去除空间信号的相关性、将空间信号的表达能力集中到频域的一小部分低频系数上，同时去除能量小的系数，降低信息的冗余度，从而使肺部CT图像中的特征能够充分利用。
进一步的，这里的临床数据指的是化验得到的生物标志物等指标数据。临床数据经过特征编码和归一化处理，最后以特征向量的形式表现，并且对特征向量采用长短周期记忆网络(LSTM)层和全连接层的堆叠，综合学习特征时空范畴内的高维表达，以保证其时序性。
作为一种优选的实施方式，在对影像特征数据和临床数据进行处理后，将处理过后的影像特征数据和临床数据经过清洗、归一化等操作后，通过多层感知机，配合自注意力机制等可以进行数据融合操作的算法进行融合。
进一步地，时序预测模型的建立是基于融合数据通过循环神经网络、LSTM、搭配注意力机制的卷积神经网络等可进行时序模型建立的算法进行时序预测模型建立，并且建立的时序预测模型以融合数据和融合数据对应的时间节点作为时序预测模型的自变量，以肺结节生长趋势作为时序预测模型的因的变量。在建立时序预测模型时要注意的是，因为时间序列模型是依赖于事件发生的先后顺序的，同样大小的值改变顺序后输入模型产生的结果是不同的所以建立过程中需要保证时间点与数据的对应关系。
值得说明的是，在使用时序预测模型进行预测时将待预测病人的待预测肺部CT图像的影像特征数据和对应的临床数据的融合数据进行融合，将获得的融合数据输入时序预测模型中，获得预测的肺结节量化数据。
进一步的，根据预测的肺结节量化数据获取肺部预测CT图像，包括：使用图像重建算法，根据预测的肺结节量化数据逆向获取成像平面上每个点的衰减系数值，接着根据得到的衰减系数值将量化数据转化为对应的肺结节区域预测图像，再使用图像配准算法，选取适用于肺部CT图像的变换模型，然后基于图像选取对应的空间并使用一定的搜索策略对参数进行搜索，最后根据最大化图像相似性测度的思想求解变换模型中的所有参数值，从而将预测的肺结节区域图像对应到所述原始CT图像中，得到肺部预测CT图像。这里的图像重建算法包括反投影法、滤波反投影重建算法、二维傅里叶重建算法等等，图像配准算法包括基于特征图像的算法和基于灰度图像的算法。
请参照图2所示，图2为本申请实施例提供的一种基于异构数据的肺结节演化预测装置的示意框图，该装置包括：
数据处理模块，其用于根据多个原始肺部CT图像获取肺部的影像特征数据，并融合所述影像特征数据和与所述影像特征数据对应的临床数据，获得融合数据；
模型建立模块，其用于基于所述融合数据建立时序预测模型；
预测模块，其用于输入待预测融合数据，通过所述时序预测模型，获得预测的肺结节量化数据，其中所述待预测融合数据为待预测肺部CT图像的影像特征数据和对应的临床数据的融合数据；
图像重建模块，其用于根据所述预测的肺结节量化数据获取肺部预测CT图像。
进一步的，数据处理模块用于根据多个原始肺部CT图像获取肺部的影像特征数据，这里的多个原始肺部CT图像代表的是多个不同的病人在一段时间内的多个肺部CT图像。从图像中提取出肺部CT图像中的影像特征数据，这里的影像特征数据以二维矩阵构成的像素集合，其表达的是肺部的形态学特点。还需要对图像中的影像特征数据进行量化编码以去除空间信号的相关性、将空间信号的表达能力集中到频域的一小部分低频系数上，同时去除能量小的系数，降低信息的冗余度，从而使肺部CT图像中的特征能够充分利用。
值得说明的是，数据处理模块还用于将临床数据进行特征编码和归一化处理，最后以特征向量的形式表现，并且对特征向量采用长短周期记忆网络(LSTM)层和全连接层的堆叠，综合学习特征时空范畴内的高维表达，以保证其时序性。
作为一种优选的实施方式，数据处理模块还用于将处理过后的影像特征数据和临床数据经过清洗、归一化等操作后，通过多层感知机，配合自注意力机制等可以进行数据融合操作的算法进行融合。
进一步的，模型建立模块用于基于融合数据通过循环神经网络、LSTM、搭配注意力机制的卷积神经网络等可进行时序模型建立的算法进行时序预测模型建立，并且建立的时序预测模型以融合数据和融合数据对应的时间节点作为时序预测模型的自变量，以肺结节生长趋势作为时序预测模型的因的变量。在建立时序预测模型时要注意的是，因为时间序列模型是依赖于事件发生的先后顺序的，同样大小的值改变顺序后输入模型产生的结果是不同的所以建立过程中需要保证时间点与数据的对应关系。
值得说明的是，预测模块用于将待预测病人的待预测肺部CT图像的影像特征数据和对应的临床数据的融合数据进行融合，将获得的融合数据输入时序预测模型中，获得预测的肺结节量化数据。
进一步的，图像重建模块用于根据预测的肺结节量化数据获取肺部预测CT图像，包括：使用图像重建算法，根据预测的肺结节量化数据逆向获取成像平面上每个点的衰减系数值，接着根据得到的衰减系数值将量化数据转化为对应的肺结节区域预测图像，再使用图像配准算法，选取适用于肺部CT图像的变换模型，然后基于图像选取对应的空间并使用一定的搜索策略对参数进行搜索，最后根据最大化图像相似性测度的思想求解变换模型中的所有参数值，从而将预测的肺结节区域图像对应到所述原始CT图像中，得到肺部预测CT图像。这里的图像重建算法包括反投影法、滤波反投影重建算法、二维傅里叶重建算法等等，图像配准算法包括基于特征图像的算法和基于灰度图像的算法。
请参照图3所示，图3为本申请实施例提供的一种基于异构数据的肺结节演化预测设备的示意框图，该装置设备包括处理器，储存器及存储在所述存储器上并能够在所述处理器上运行的计算机程序，该计算机程序被执行时可以使得处理器执行以上基于异构数据的肺结节演化预测方法。
需要说明的是，在本申请中，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。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上仅是本申请的具体实施方式，使本领域技术人员能够理解或实现本申请。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种基于异构数据的肺结节演化预测方法，其特征在于，包括以下步骤：
根据多个原始肺部CT图像获取肺部的影像特征数据；
融合所述影像特征数据和与所述影像特征数据对应的临床数据，获得融合数据；
基于所述融合数据建立时序预测模型；
输入待预测融合数据，通过所述时序预测模型，获得预测的肺结节量化数据，其中所述待预测融合数据为待预测肺部CT图像的影像特征数据和对应的临床数据的融合数据；
根据所述预测的肺结节量化数据获取肺部预测CT图像。
2.按照权利要求1所述的基于异构数据的肺结节演化预测方法，其特征在于，所述基于所述融合数据建立时序预测模型，包括：
基于时序模型建立算法建立所述时序预测模型，并以所述融合数据和所述融合数据对应的时间节点作为所述时序预测模型的自变量，以肺结节生长趋势作为所述时序预测模型的因的变量。
3.按照权利要求1所述的基于异构数据的肺结节演化预测方法，其特征在于，所述融合所述影像特征数据和与所述影像特征数据对应的临床数据，获得融合数据，包括：
清洗和归一化所述影像特征数据和与所述影像特征数据对应的临床数据；
使用融合算法，融合清洗和归一化后的所述影像特征数据和所述临床数据。
4.按照权利要求1所述的基于异构数据的肺结节演化预测方法，其特征在于，所述根据所述预测的肺结节量化数据获取肺部预测CT图像，包括：
使用图像重建算法，根据所述预测的肺结节量化数据逆向获取成像平面上每个点的衰减系数值；
根据所述衰减系数值得到所述肺部预测CT图像。
5.按照权利要求4所述的基于异构数据的肺结节演化预测方法，其特征在于，所述根据所述衰减系数值得到所述肺部预测CT图像，包括：
根据所述衰减系数值得到预测的肺结节区域图像；
使用图像配准算法，将所述预测的肺结节区域图像对应到所述原始CT图像中，得到肺部预测CT图像。
6.按照权利要求1所述的基于异构数据的肺结节演化预测方法，其特征在于，在所述根据多个原始肺部CT图像获取肺部的影像特征数据之后，在所述融合所述影像特征数据和与所述影像特征数据对应的临床数据之前，还包括：
对所述影像特征数据进行量化编码，以去除空间信号相关性和降低数据冗余。
7.按照权利要求1所述的基于异构数据的肺结节演化预测方法，其特征在于，在所述融合所述影像特征数据和与所述影像特征数据对应的临床数据，获得融合数据之前，包括：
对所述临床数据进行特征编码和归一化处理，使其表现为特征向量。
8.按照权利要求7所述的基于异构数据的肺结节演化预测方法，其特征在于，在对所述临床数据进行特征编码和归一化处理，使其表现为特征向量之后，还包括：
对所述特征向量进行长短周期记忆网络层和全连接层堆叠，以保证其时序性。
9.一种基于异构数据的肺结节演化预测装置，其特征在于，包括：
数据处理模块，其用于根据多个原始肺部CT图像获取肺部的影像特征数据，并融合所述影像特征数据和与所述影像特征数据对应的临床数据，获得融合数据；
模型建立模块，其用于基于所述融合数据建立时序预测模型；
预测模块，其用于输入待预测融合数据，通过所述时序预测模型，获得预测的肺结节量化数据，其中所述待预测融合数据为待预测肺部CT图像的影像特征数据和对应的临床数据的融合数据；
图像重建模块，其用于根据所述预测的肺结节量化数据获取肺部预测CT图像。
10.一种基于异构数据的肺结节演化预测设备，其特征在于，包括，处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至8中任一项所述的方法。
CN202110882051.1A 2021-08-02 2021-08-02 一种基于异构数据的肺结节演化预测方法、装置及设备 Pending CN113724200A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110882051.1A CN113724200A (zh) 2021-08-02 2021-08-02 一种基于异构数据的肺结节演化预测方法、装置及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110882051.1A CN113724200A (zh) 2021-08-02 2021-08-02 一种基于异构数据的肺结节演化预测方法、装置及设备

Publications (1)

Publication Number Publication Date
CN113724200A true CN113724200A (zh) 2021-11-30

Family

ID=78674757

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110882051.1A Pending CN113724200A (zh) 2021-08-02 2021-08-02 一种基于异构数据的肺结节演化预测方法、装置及设备

Country Status (1)

Country Link
CN (1) CN113724200A (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107280697A (zh) * 2017-05-15 2017-10-24 北京市计算中心 基于深度学习和数据融合的肺结节分级判定方法和系统
CN108898588A (zh) * 2018-06-22 2018-11-27 中山仰视科技有限公司 基于时间序列的治疗效果评估方法、电子设备
CN110717518A (zh) * 2019-09-10 2020-01-21 北京深睿博联科技有限责任公司 基于3d卷积神经网络的持续性肺结节识别方法及装置
CN111199566A (zh) * 2019-12-31 2020-05-26 上海联影智能医疗科技有限公司 医疗图像处理方法、装置、存储介质及计算机设备
CN111488914A (zh) * 2020-03-17 2020-08-04 哈尔滨工业大学 一种基于多任务学习的阿尔茨海默症分类及预测系统
CN111768382A (zh) * 2020-06-30 2020-10-13 重庆大学 一种基于肺结节生长形态的交互式分割方法
CN113077434A (zh) * 2021-03-30 2021-07-06 零氪智慧医疗科技(天津)有限公司 基于多模态信息的肺癌识别方法、装置及存储介质
AU2021102981A4 (en) * 2021-05-31 2021-07-29 Bomiao Biological Technology (Beijing)Co.,Ltd. Identification Method of Pulmonary Nodules Based on Lung CT Image Features and Genetic Markers

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107280697A (zh) * 2017-05-15 2017-10-24 北京市计算中心 基于深度学习和数据融合的肺结节分级判定方法和系统
CN108898588A (zh) * 2018-06-22 2018-11-27 中山仰视科技有限公司 基于时间序列的治疗效果评估方法、电子设备
CN110717518A (zh) * 2019-09-10 2020-01-21 北京深睿博联科技有限责任公司 基于3d卷积神经网络的持续性肺结节识别方法及装置
CN111199566A (zh) * 2019-12-31 2020-05-26 上海联影智能医疗科技有限公司 医疗图像处理方法、装置、存储介质及计算机设备
CN111488914A (zh) * 2020-03-17 2020-08-04 哈尔滨工业大学 一种基于多任务学习的阿尔茨海默症分类及预测系统
CN111768382A (zh) * 2020-06-30 2020-10-13 重庆大学 一种基于肺结节生长形态的交互式分割方法
CN113077434A (zh) * 2021-03-30 2021-07-06 零氪智慧医疗科技(天津)有限公司 基于多模态信息的肺癌识别方法、装置及存储介质
AU2021102981A4 (en) * 2021-05-31 2021-07-29 Bomiao Biological Technology (Beijing)Co.,Ltd. Identification Method of Pulmonary Nodules Based on Lung CT Image Features and Genetic Markers

Similar Documents

Publication Publication Date Title
Asuntha et al. Deep learning for lung Cancer detection and classification
Chugh et al. Survey on machine learning and deep learning applications in breast cancer diagnosis
CN106682435B (zh) 一种多模型融合自动检测医学图像中病变的系统及方法
Ibrahim et al. Effective hybrid deep learning model for COVID‐19 patterns identification using CT images
Patel et al. EfficientNetB0 for brain stroke classification on computed tomography scan
Wang et al. Automated chest screening based on a hybrid model of transfer learning and convolutional sparse denoising autoencoder
Ramamurthy et al. Deep learning based genome analysis and NGS-RNA LL identification with a novel hybrid model
Nazir et al. Machine Learning‐Based Lung Cancer Detection Using Multiview Image Registration and Fusion
Majji et al. Social bat optimisation dependent deep stacked auto‐encoder for skin cancer detection
CN116864109A (zh) 一种医学影像人工智能辅助诊断系统
Elhanashi et al. Classification and localization of multi-type abnormalities on chest X-Rays images
Khanam et al. Recent applications of artificial intelligence in early cancer detection
Sonawane et al. A design and implementation of heart disease prediction model using data and ECG signal through hybrid clustering
Nur et al. Using fused Contourlet transform and neural features to spot COVID19 infections in CT scan images
Iqbal et al. Fusion of textural and visual information for medical image modality retrieval using deep learning-based feature engineering
Budhiraja et al. Choquet integral based deep learning model for COVID-19 diagnosis using eXplainable AI for NG-IoT models
Srivastava et al. Optimizing CNN based model for thyroid nodule classification using data augmentation, segmentation and boundary detection techniques
Warjurkar et al. A study on brain tumor and parkinson’s disease diagnosis and detection using deep learning
Parshionikar et al. An enhanced multi-scale deep convolutional orchard capsule neural network for multi-modal breast cancer detection
CN113724200A (zh) 一种基于异构数据的肺结节演化预测方法、装置及设备
Salim et al. Science and Business,"
Raghavendra et al. Automated diagnosis and assessment of cardiac structural alteration in hypertension ultrasound images
Dabass et al. Multi-class classification of mammograms with hesitancy based Hanman transform classifier on pervasive information set texture features
Priyanka et al. Kidney image classification using transfer learning with convolutional neural network
Pawar et al. Modified convolutional neural network for lung cancer detection: improved cat swarm-based optimal training

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