CN113850788A - 一种判断膀胱癌肌层浸润状态的系统及其应用 - Google Patents
一种判断膀胱癌肌层浸润状态的系统及其应用 Download PDFInfo
- Publication number
- CN113850788A CN113850788A CN202111141582.1A CN202111141582A CN113850788A CN 113850788 A CN113850788 A CN 113850788A CN 202111141582 A CN202111141582 A CN 202111141582A CN 113850788 A CN113850788 A CN 113850788A
- Authority
- CN
- China
- Prior art keywords
- wavelet
- image
- sigma
- bladder cancer
- glszm
- 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
- 206010005003 Bladder cancer Diseases 0.000 title claims abstract description 52
- 208000007097 Urinary Bladder Neoplasms Diseases 0.000 title claims abstract description 50
- 201000005112 urinary bladder cancer Diseases 0.000 title claims abstract description 50
- 210000003205 muscle Anatomy 0.000 title claims abstract description 43
- 230000008595 infiltration Effects 0.000 title claims abstract description 40
- 238000001764 infiltration Methods 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 claims description 31
- 230000011218 segmentation Effects 0.000 claims description 31
- 238000012216 screening Methods 0.000 claims description 29
- 206010028980 Neoplasm Diseases 0.000 claims description 27
- 238000001914 filtration Methods 0.000 claims description 25
- 230000003902 lesion Effects 0.000 claims description 20
- 238000012952 Resampling Methods 0.000 claims description 13
- 238000010276 construction Methods 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000002790 cross-validation Methods 0.000 claims description 12
- 238000003384 imaging method Methods 0.000 claims description 12
- 238000007477 logistic regression Methods 0.000 claims description 10
- 238000011160 research Methods 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 238000011282 treatment Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000010200 validation analysis Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 238000002955 isolation Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 238000000611 regression analysis Methods 0.000 claims description 4
- 210000001519 tissue Anatomy 0.000 claims description 4
- 238000002759 z-score normalization Methods 0.000 claims description 4
- 238000012417 linear regression Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 2
- 238000003709 image segmentation Methods 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 claims 1
- 238000002591 computed tomography Methods 0.000 description 46
- 239000011159 matrix material Substances 0.000 description 23
- 238000012360 testing method Methods 0.000 description 15
- 238000012549 training Methods 0.000 description 11
- 238000009826 distribution Methods 0.000 description 4
- 230000009977 dual effect Effects 0.000 description 4
- 238000001574 biopsy Methods 0.000 description 3
- 238000011088 calibration curve Methods 0.000 description 3
- 230000000875 corresponding effect Effects 0.000 description 3
- 238000013170 computed tomography imaging Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 230000002485 urinary effect Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- DGAQECJNVWCQMB-PUAWFVPOSA-M Ilexoside XXIX Chemical compound C[C@@H]1CC[C@@]2(CC[C@@]3(C(=CC[C@H]4[C@]3(CC[C@@H]5[C@@]4(CC[C@@H](C5(C)C)OS(=O)(=O)[O-])C)C)[C@@H]2[C@]1(C)O)C)C(=O)O[C@H]6[C@@H]([C@H]([C@@H]([C@H](O6)CO)O)O)O.[Na+] DGAQECJNVWCQMB-PUAWFVPOSA-M 0.000 description 1
- 208000007433 Lymphatic Metastasis Diseases 0.000 description 1
- 206010027476 Metastases Diseases 0.000 description 1
- FAPWRFPIFSIZLT-UHFFFAOYSA-M Sodium chloride Chemical compound [Na+].[Cl-] FAPWRFPIFSIZLT-UHFFFAOYSA-M 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 210000000709 aorta Anatomy 0.000 description 1
- 230000004071 biological effect Effects 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 239000002872 contrast media Substances 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000001054 cortical effect Effects 0.000 description 1
- 238000013211 curve analysis Methods 0.000 description 1
- 238000009799 cystectomy Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- DGAIEPBNLOQYER-UHFFFAOYSA-N iopromide Chemical compound COCC(=O)NC1=C(I)C(C(=O)NCC(O)CO)=C(I)C(C(=O)N(C)CC(O)CO)=C1I DGAIEPBNLOQYER-UHFFFAOYSA-N 0.000 description 1
- 230000036210 malignancy Effects 0.000 description 1
- 230000003211 malignant effect Effects 0.000 description 1
- 230000009401 metastasis Effects 0.000 description 1
- 230000003387 muscular Effects 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 210000003903 pelvic floor Anatomy 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 238000009801 radical cystectomy Methods 0.000 description 1
- 238000002271 resection Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 229910052708 sodium Inorganic materials 0.000 description 1
- 239000011734 sodium Substances 0.000 description 1
- 239000011780 sodium chloride Substances 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000011269 treatment regimen Methods 0.000 description 1
- 239000011800 void material Substances 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/032—Transmission computed tomography [CT]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
- A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- 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
- G06T7/40—Analysis of texture
-
- 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
- G06T7/45—Analysis of texture based on statistical description of texture using co-occurrence matrix computation
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30096—Tumor; Lesion
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Biophysics (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Pathology (AREA)
- Optics & Photonics (AREA)
- Veterinary Medicine (AREA)
- Biomedical Technology (AREA)
- High Energy & Nuclear Physics (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Pulmonology (AREA)
- Physiology (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明属于生物医学领域,具体涉及一种判断膀胱癌肌层浸润状态的系统及其应用。具体地,所述系统包括根据从图像上提取的包括original_shape_Maximum2DDiameterSlice在内的特征组合计算风险值进行判断的计算装置。
Description
技术领域
本发明属于生物医学领域,具体涉及一种判断膀胱癌肌层浸润状态的系统及其应用。
背景技术
膀胱癌(BCa)在全球癌症发病率中排名第九,是泌尿系统最常见的恶性肿瘤之一。病理学上,膀胱癌可分为非肌层浸润性膀胱癌(NMIBC)和肌层浸润性膀胱癌(MIBC)。与NMIBC相比,MIBC的恶性程度较高、复发率更高,进展更快。因此,MIBC的治疗不同于NMIBC。病理学活组织检查是诊断膀胱癌肌层浸润的金标准。然而,活组织检查的操作和诊断取决于操作者,由于不可能对肿瘤的每个部位进行取样,在活检样本不足或者质量差的情况下,MIBC可能被错误诊断为NMIBC,从而影响治疗方法的选择。
因此,有必要探索膀胱癌术前评估肌层浸润的其他方法,以补充现有方法的不足,以及更便于准确的选择合适的治疗方案。计算机断层扫描(CT)是膀胱癌患者最常用的术前评估方法,用于确定肿瘤病灶的位置、数量、大小、与周围组织的关系、淋巴结转移和远处转移。但传统的CT图像不能用于评估BCa中的肌层浸润状态,因为其软组织分辨率不理想,无法区分膀胱壁的不同层。
近年来,新兴领域影像组学的发展使人们能够深入挖掘CT图像的生物学性质,并对肿瘤的整体形态和纹理模式进行全面、无创和定量的观察。
发明内容
CT影像组学提供有关肌层浸润的信息来促进BCa术前评估的潜力尚未被探索。因此,本发明旨在提供一种判断膀胱癌肌层浸润状态的模型及其应用,为临床治疗方案的选择提供参考。
特征组合
一方面本发明提供了一种特征组合,所述特征组合包括如下27个特征:
original_shape_Maximum2DdiameterColumn、
original_shape_Maximum2DDiameterSlice、
original_firstorder_Uniformity、
log-sigma-1-0-mm-3D_glszm_ZonePercentage、
log-sigma-2-0-mm-3D_glcm_Autocorrelation、
log-sigma-2-0-mm-3D_glcm_JointEnergy、
log-sigma-2-0-mm-3D_glszm_GrayLevelNonUniformity、
log-sigma-3-0-mm-3D_firstorder_Kurtosis、
log-sigma-4-0-mm-3D_glszm_GrayLevelNonUniformity、
log-sigma-4-0-mm-3D_glszm_SizeZoneNonUniformity、
log-sigma-4-0-mm-3D_gldm_LowGrayLevelEmphasis、
wavelet-LLH_glcm_JointAverage、
wavelet-LLH_glszm_LargeAreaLowGrayLevelEmphasis、
wavelet-LLH_glszm_SmallAreaEmphasis、
wavelet-LHL_gldm_HighGrayLevelEmphasis、
wavelet-LHH_glrlm_HighGrayLevelRunEmphasis、
wavelet-LHH_glrlm_ShortRunEmphasis、
wavelet-HLL_firstorder_Kurtosis、
wavelet-HLL_glrlm_HighGrayLevelRunEmphasis、
wavelet-HLL_glrlm_RunEntropy、
wavelet-HLL_glszm_LargeAreaHighGrayLevelEmphasis、
wavelet-HLH_firstorder_Skewness、
wavelet-HLH_glrlm_HighGrayLevelRunEmphasis、
wavelet-HLH_gldm_GrayLevelVariance、
wavelet-HHH_glszm_HighGrayLevelZoneEmphasis、
wavelet-HHH_glszm_SizeZoneNonUniformity、
wavelet-LLL_firstorder_Median;
或者,所述特征组合包括如下8个特征:
original_shape_Maximum2DDiameterColumn、
original_shape_Maximum2DDiameterSlice、
log-sigma-1-0-mm-3D_glszm_ZonePercentage、
log-sigma-2-0-mm-3D_glszm_GrayLevelNonUniformity、
wavelet-LHL_gldm_HighGrayLevelEmphasis、
wavelet-LHH_glrlm_HighGrayLevelRunEmphasis、
wavelet-HLL_firstorder_Kurtosis、
wavelet-LLL_firstorder_Median。
所述特征名称中包括三部分,分别以“_”连接,具体为“第一特征名称_第二特征名称_第三特征名称”,所述第一特征名称是滤波处理方式,所述第二特征名称是该特征所属于的特征矩阵。
所述“original”是指不进行滤波处理。
所述“wavelet”是指小波滤波器滤波处理,具体地可以是在xyz方向分别为高通(H)/低通(L)的小波滤波器滤波,总共有8种。
优选地,本发明所涉及的wavelet包括wavelet-LLH、wavelet-LHL、wavelet-LHH、wavelet-HLL、wavelet-HLH、wavelet-HHH。
所述“log-sigma-n-0-mm-3D”是指采用sigma参数为“n”mm的拉普拉斯高斯滤波器滤波处理。
优选地,所述n选自1、2、3、4。
优选地,所述“特征矩阵”包括以下:
第一阶特征(First Order Features)、
2D形状特征(Shape Features(2D))、
3D形状特征(Shape Features(3D))、
Gray Level Co-occurrence Matrix(GLCM)特征矩阵、
Gray Level Size Zone Matrix(GLSZM)特征矩阵、
Gray Level Run Length Matrix(GLRLM)特征矩阵、
Neighbouring Gray Tone Difference Matrix(NGTDM)特征矩阵、
Gray Level Dependence Matrix(GLDM)特征矩阵。
优选地,所述“特征矩阵”选自第一阶特征(First Order Features)、2D形状特征(Shape Features(2D))、GLCM特征矩阵、GLSZM特征矩阵、GLRLM特征矩阵、GLDM特征矩阵。
所述“firstorder”是指通过常用的和基本的度量(commonly used and basicmetrics)来描述由掩模(mask)定义的图像区域内体素强度(voxel intensities)的分布。
所述“Maximum2DDiameterColumn”是指最大2D直径;具体地,是指行切片(通常为冠状面)平面中肿瘤表面网格顶点之间的最大成对欧氏距离。
所述“Maximum2DDiameterSlice”是指最大2D直径;具体地,行-列(通常为轴向)平面中肿瘤表面网格顶点之间的最大成对欧氏距离。
所述“Median”是指ROI内的灰度强度的中值。
其他“第三特征名称”的计算公式如本发明表2所示。
特征筛选方法
另一方面,本发明提供了一种可用于判断膀胱癌肌层浸润状态的特征的筛选方法,所述方法包括以下步骤:
S1:收集受试者成像信息;
S2:肿瘤病灶分割;
S3:影像组学特征提取;
S4:特征筛选。
优选地,所述S1中,受试者进行了术前CT泌尿系成像(CTU),并且受试者没有以下任意一种情况:
(i)接受了术前治疗,
(ii)TURBT标本没有显示肌层组织,
(iii)术前增强CT图像未发现肉眼可见肿瘤。
优选地,所述成像信息中,如有多个膀胱癌病变,仅对最大的膀胱癌病变进行影像组学分析。
优选地,所述S2中分割的操作通过自动和/或手动校准。
优选地,所述自动是通过Deepwise(深睿)研究平台的水平集分割算法进行。
优选地,所述S3使用Pyradiomics tool对特征进行提取。
优选地,所述提取的对象是重新采样过的图像。
优选地,所述重新采样包括利用小波滤波器(wavelet filte)对图像xyz方向分别进行高通(high-pass)或低通(low-pass)过滤,利用不同σ参数的拉普拉斯高斯滤波器(Laplacian of Gaussian filter)对图像进行预处理。
优选地,所述σ包括1-5mm;更优选地,1、2、3、4mm;
优选地,所述S4中,所述特征都通过z评分标准化(z-score normalization)进行标准化。
优选地,所述S4包括对所有特征进行MRMR特征选择处理;
优选地,所述特征筛选方法的筛选结果是前述27个特征的特征组合。
构建方法
另一方面,本发明提供了使用前述27个特征的特征组合或筛选得到的特征组合构建用于检测膀胱癌肌层浸润状态、筛选膀胱癌肌层浸润的图像的模型的构建方法;
优选地,所述构建方法中还包括对特征进行回归分析。
优选地,所述验证优化的方法是十折交叉验证。优选地,所述回归包括线性回归(Linear Regression)、逻辑回归(Logistic Regression)、多项式回归(PolynomialRegression)、逐步回归(Stepwise Regression)、岭回归(Ridge Regression)、套索回归(Lasso Regression)、ElasticNet回归。
优选地,所述回归分析是逻辑回归分析。
优选地,所述构建方法中还包括验证优化模型的步骤。
优选地,所述S4中,使用模型在训练集上执行十折交叉验证(10-run 10-foldcross-validation)程序。
优选地,所述筛选方法中还包括S5:验证的步骤。
优选地,最终构建的模型由前述8个特征的特征组合组成。
提取方法
另一方面,本发明提供了前述特征组合的特征提取方法,所述方法包括采集受试者图像,对图像进行重新采样,获得前述特征组合。
本发明所述“特征”皆为“影像组学特征”,二者有相同含义,可以相互替换。
方法
另一方面,本发明提供了一种检测膀胱癌肌层浸润状态、筛选膀胱癌肌层浸润的图像的方法,所述方法包括以下步骤:
S1:收集受试图像;
S2:肿瘤病灶分割;
S3:影像组学特征提取;
S4:根据特征判断是否有肌层浸润。
系统
另一方面,本发明提供了一种检测膀胱癌肌层浸润状态、筛选膀胱癌肌层浸润的图像的系统,所述系统包括根据从图像上提取的前述特征组合计算风险值进行判断的计算装置。
优选地,所述计算装置中的计算公式是:
1/[1+exp(-0.358+0.0388*original_shape_Maximum2DDiameterColumn
+0.9112*original_shape_Maximum2DDiameterSlice
-0.3466*log-sigma-1-0-mm-3D_glszm_ZonePercentage
+0.4695*log-sigma-2-0-mm-3D_glszm_GrayLevelNonUniformity
-0.0784*wavelet-LHL_gldm_HighGrayLevelEmphasis
-0.0274*wavelet-LHH_glrlm_HighGrayLevelRunEmphasis
-0.1288*wavelet-HLL_firstorder_Kurtosis
+0.3057*wavelet-LLL_firstorder_Median)]
优选地,所述图像是CT图像。
优选地,所述图像是经过重新采样的,所述重新采样包括利用小波滤波器(wavelet filte)对图像进行高通(high-pass)或低通(low-pass)过滤,利用不同σ参数的拉普拉斯高斯滤波器(Laplacian of Gaussian filter)对图像进行预处理。
优选地,所述图像通过自动和/或手动校准。
优选地,所述自动是通过Deepwise研究平台的水平集分割算法进行。
优选地,所述系统包括收集原始CT图像的收集装置、重新采样装置、病灶分隔装置、前述计算装置中的一种或多种。
优选地,所述原始CT图像包括使用任一CT仪器采集的图像。
优选地,所述CT仪器包括GE能谱CT(Discovery CT 750HD scanner,GE MedicalSystems,USA)、西门子双源双能CT(Somatom Definition Flash,Siemens Healthcare,Germany)、64排CT(Brilliance CT,Royal Philips,Netherlands)。
优选地,所述重新采样装置通过小波滤波器和/或拉普拉斯高斯滤波器对图像进行预处理。
优选地,所述病灶分隔装置通过自动和/或手动校准图像。
更优选地,所述病灶分隔装置通过Deepwise平台的水平集分割算法(level setsegmentation algorithm)自动描绘病变区域,然后放射科医生手动校准不准确的肿瘤边缘。
优选地,所述系统还包括输出判断结果的输出装置。
设备
另一方面,本发明提供了一种检测膀胱癌肌层浸润状态、筛选膀胱癌肌层浸润的图像的设备,所述设备包括:存储器和处理器;
所述存储器用于存储程序指令;
所述处理器用于调用程序指令,当程序指令被执行时,用于执行以下操作:收集原始CT图像、病灶分隔、重新采样、计算得到最终结果;
优选地,所述原始CT图像包括使用任一CT仪器采集的图像;
优选地,所述CT仪器包括但不限于GE能谱CT、西门子双源双能CT、64排CT;
优选地,所述病灶分隔包括通过自动分割和/或手动校准图像;
优选地,所述自动分割是通过深睿研究平台的水平集分割算法进行;
优选地,所述重新采样包括利用小波滤波器对图像xyz方向分别进行高通或低通过滤、利用不同σ参数的拉普拉斯高斯滤波器对图像进行预处理;
优选地,所述σ包括1-5mm;更优选地,1、2、3、4mm。
计算机可读存储介质
另一方面,本发明提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现前述筛选方法、构建方法、提取方法、或检测膀胱癌肌层浸润状态、筛选膀胱癌肌层浸润的图像的方法。
应用
另一方面,本发明提供了前述特征组合、系统、设备、计算机可读存储介质在检测膀胱癌肌层浸润状态、筛选膀胱癌肌层浸润的图像中的应用。
另一方面,本发明提供了前述特征组合、系统、设备、计算机可读存储介质在制备检测膀胱癌肌层浸润状态、筛选膀胱癌肌层浸润的图像的产品中的应用。
附图说明
图1为图像分析流程图。
图2为本发明所提供的模型中的部分特征的β系数。
图3为本发明所提供的模型在各个数据集中的效果验证,A:ROC,B:校准曲线。
图4为内部和外部测试集中本发明所提供的模型的得分分布和患者实际肌层浸润状态的对应关系,A:内部测试集,B:外部测试集。
具体实施方式
下面结合实施例对本发明做进一步的说明,以下所述,仅是对本发明的较佳实施例而已,并非对本发明做其他形式的限制,任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更为同等变化的等效实施例。凡是未脱离本发明方案内容,依据本发明的技术实质对以下实施例所做的任何简单修改或等同变化,均落在本发明的保护范围内。
实施例1、模型的建立及验证
1、患者信息
表1.患者信息
纳入研究的患者包括在我院接受经尿道膀胱肿瘤切除术(TURBT)或根治性膀胱切除术前20天内进行术前CT泌尿系成像(CTU)的患者。如果患者(i)接受了任何术前治疗,(ii)他们的TURBT标本在切除后没有显示肌层组织;或(iii)术前增强CT图像未发现肉眼可见肿瘤,则排除在外。
经过以上标准筛选,本研究共纳入441例BCa患者,包括340名男性和101名女性。患者的平均年龄为65±12.9岁。根据收治时间和地点,在第一医疗中心2014年5月至2017年9月收治的293例患者列为训练集,2017年10月至2018年7月收集的73例患者列为内部测试集,在第二医疗中心收集的75例患者列为外部测试集。
MIBC在训练集中占25.9%(76/293),在内部测试集中占5%(15/73),在外部测试集中占3%(31/75)。在外部测试集中,MIBC的比例在统计学上更高(P<0.001)。
此外,在训练集和测试集之间,年龄、病变数量和CT值在不同数据集之间存在显著差异,但是性别比和病变大小之间没有显著差异(P>0.05)。具体患者信息如表1所示。
2、CT成像信息收集
第一医疗中心CT检测所使用的仪器是GE能谱CT(Discovery CT 750HD scanner,GE Medical Systems,USA)或者西门子双源双能CT(Somatom Definition Flash,SiemensHealthcare,Germany)。
第二医疗中心CT检测所使用的仪器是64排CT(Brilliance CT,Royal Philips,Netherlands)。
扫描参数如下:管电压120kV,自动管电流调节(西门子CT和GE CT)或300mA(飞利浦CT);准直64×0.6毫米(西门子CT)或64×0.625毫米(GE CT、飞利浦CT);螺距0.9;图像矩阵512×512;切片厚度/切片间隔,1mm/1mm(西门子CT、飞利浦CT)或0.625毫米/0.625毫米(GE Discovery CT)。
患者的扫描范围为从膈顶到盆底进行扫描。增强扫描后,患者注射100毫升非离子对比剂(Ultravist 370,德国拜耳制药公司),然后以4-4.5毫升/秒的速率静脉注射100毫升生理盐水。在胸腹主动脉交界处达到120Hu的团注触发阈值后的25s、75s和300s即可获得皮质髓质期、肾实质期和排泄期图像。但后续分析仅使用轴位肾实质期图像。
两位经验丰富的放射科医生(7年和15年的泌尿生殖系统成像经验)一起查看了所有CT图像,并记录了肿瘤的数量、大小和CT值。对于具有多个BCa病变的患者,仅选择最大的肿瘤进行影像组学分析。任何分歧都以协商一致方式解决。
3、肿瘤病灶分割
一位经验丰富的放射科医生(7年泌尿系统成像经验和6年肿瘤分割经验)在不知道任何临床病理信息的情况下,通过深睿研究平台(http://label.deepwise.com)半自动描绘整个肿瘤的3D感兴趣肿瘤体积(VOI)。首先通过平台的水平集分割算法(level setsegmentation algorithm)自动描绘病变区域,然后放射科医生手动校准不准确的肿瘤边缘。图像分析的总体工作流程如图1所示。
随机选择训练集中93个病变,8周后由同一名放射科医生和另一名放射科医生(2年泌尿生殖系统成像和肿瘤分割经验)重新分割,计算组内和组间相关系数(ICC)。
4、影像组学特征提取
使用Python软件包Pyradiomics tool(version 2.1.2,下载网址:https://pyradiom ics.readthedocs.io/en/latest/index.html)提取肿瘤VOI内的影像组学特征。为了抵消CT空间分辨率不均匀造成的干扰,对所有图像重新采样,使三个解剖方向上的像素大小均为1.0毫米。然后利用小波滤波器(wavelet filte)对图像进行高通(high-pass)或低通(low-pass)过滤,利用不同σ参数的拉普拉斯高斯滤波器(Laplacian of Gau ssian filter)对图像进行预处理,以增强图像的粗纹理或细纹理。基于原始图像和过滤后的图像,共提取了1218个特征,包括252个描述肿瘤内部CT值统计分布的一阶特征,14个描述肿瘤形态的特征,以及描述肿瘤纹理的特征:308个灰度共生矩阵特征(GLCM)、224个灰度游程长度矩阵特征(GLRLM)、224个灰度大小区域矩阵特征(GLSZM)和196个灰度相关性矩阵特征(GLDM)。
5、特征筛选和模型建立
排除组内或组间一致性小于0.8的特征,以增强模型的再现性。在特征选择和模型构建之前,所有特征都通过z评分标准化(z-score normalization)进行标准化。通过最大相关性和最小冗余(MRMR)特征选择方法选择放射特征的最佳子集,保留与肌层浸润最相关的特征和与其他病例特征最不相关的特征。
经过以上标准筛选出的27个特征,特征的命名规则:特征名称中包括三部分,分别以“_”连接,具体为第一特征名称_第二特征名称_第三特征名称,该名称中“第一特征名称”的含义是滤波处理方式,该名称中“第二特征名称”的含义是该特征所属于的特征矩阵,27个特征和该名称中“第三特征名称”的含义如下表2所示。
表2. 27个特征和该名称中“第三特征名称”的含义
第二特征名称部分解释如下:
log-sigma-1-0-mm-3D:采用sigma参数为1mm的拉普拉斯高斯滤波器滤波;
log-sigma-2-0-mm-3D:采用sigma参数为2mm的拉普拉斯高斯滤波器滤波;
log-sigma-3-0-mm-3D:采用sigma参数为3mm的拉普拉斯高斯滤波器滤波;
log-sigma-4-0-mm-3D:采用sigma参数为4mm的拉普拉斯高斯滤波器滤波;
wavelet-LLH:采用xyz方向分别为低通、低通、高通的小波滤波器滤波;
wavelet-LHL:采用xyz方向分别为低通、高通、低通的小波滤波器滤波;
wavelet-LHH:采用xyz方向分别为低通、高通、高通的小波滤波器滤波;
wavelet-HLL:采用xyz方向分别为高通、低通、低通的小波滤波器滤波;
wavelet-HLH:采用xyz方向分别为高通、低通、高通的小波滤波器滤波;
wavelet-HHH:采用xyz方向分别为高通、高通、高通的小波滤波器滤波;
以上特征经过逻辑回归(LR)分析,构建判断膀胱癌肌层浸润状态的模型。为了找到模型的最优参数,在训练集上执行十折交叉验证(10-run 10-fold cross-validation)程序,并将验证的结果组合起来形成交叉验证结果。对于每个交叉验证(cross-validation)阶段,使用自适应合成采样(ADASYN)方法处理训练折叠的MIBC和NMIBC的不平衡量,而验证折叠保持不变。具有最高ROC值的LR模型的超参数(惩罚项类型和C值)被选中。
6、模型验证
基于以上优化后的参数,使用整个训练集来获得最终模型。通过训练集、交叉验证结果、内部测试集、外部测试集评估模型的性能。模型的准确性、敏感性和特异性根据交叉验证结果最大化Youden指数的阈值进行评估。此外,决策曲线分析(DCA)和校准曲线用于评估模型的临床实用性。为了进一步解释该模型,将LR模型的特征对应的β系数可视化。LR模型的特征对应的β系数如图2所示,图2仅显示重要性不为零的特征。
最终获得的模型在各数据集中的效能如表3所示。
表3.各数据集中的效能
该模型在训练集(AUC 0.885,95%CI:0.841-0.929)和交叉验证集(AUC 0.856,95%CI:0.807-0.906)中,区分MIBC和NIMBC的能力优异。在内部测试集中,模型的AUC略有下降(0.820,95%CI:0.698–0.941)。在外部测试集中,模型的AUC为0.784表现稍差(95%CI:0.674-0.893)。其他参数包括准确度(0.782,95%CI:0.729–0.827)、敏感性(0.742,95%CI:0.551–0.875)和特异性(0.750,95%CI:0.594–0.863)大约在0.75左右;所有数据集cutoff值为0.4813547338438404。
所有数据集中本发明所提供的模型的ROC曲线如图3a所示,校准曲线如图3b所示,模型预测结果与真实病理分析结果之间具有较好的一致性。在外部训练集中,该模型的预测性能显示更接近完美校准。
图4分别说明了内部和外部测试集中预测得分的分布和单个患者的肌层侵袭性状态。
以上实施例证明,本发明提供了一种判断膀胱癌肌层浸润状态的模型,其在临床中的应用效果,具有较好的应用价值。
Claims (10)
1.一种特征组合,所述特征名称中包括三部分,分别以“_”连接,具体为“第一特征名称_第二特征名称_第三特征名称”,所述第一特征名称是滤波处理方式,所述第二特征名称是该特征所属于的特征矩阵;
具体地,所述特征组合选自以下任意一组:
①original_shape_Maximum2DdiameterColumn、
original_shape_Maximum2DDiameterSlice、
original_firstorder_Uniformity、
log-sigma-1-0-mm-3D_glszm_ZonePercentage、
log-sigma-2-0-mm-3D_glcm_Autocorrelation、
log-sigma-2-0-mm-3D_glcm_JointEnergy、
log-sigma-2-0-mm-3D_glszm_GrayLevelNonUniformity、
log-sigma-3-0-mm-3D_firstorder_Kurtosis、
log-sigma-4-0-mm-3D_glszm_GrayLevelNonUniformity、
log-sigma-4-0-mm-3D_glszm_SizeZoneNonUniformity、
log-sigma-4-0-mm-3D_gldm_LowGrayLevelEmphasis、
wavelet-LLH_glcm_JointAverage、
wavelet-LLH_glszm_LargeAreaLowGrayLevelEmphasis、
wavelet-LLH_glszm_SmallAreaEmphasis、
wavelet-LHL_gldm_HighGrayLevelEmphasis、
wavelet-LHH_glrlm_HighGrayLevelRunEmphasis、
wavelet-LHH_glrlm_ShortRunEmphasis、
wavelet-HLL_firstorder_Kurtosis、
wavelet-HLL_glrlm_HighGrayLevelRunEmphasis、
wavelet-HLL_glrlm_RunEntropy、
wavelet-HLL_glszm_LargeAreaHighGrayLevelEmphasis、
wavelet-HLH_firstorder_Skewness、
wavelet-HLH_glrlm_HighGrayLevelRunEmphasis、
wavelet-HLH_gldm_GrayLevelVariance、
wavelet-HHH_glszm_HighGrayLevelZoneEmphasis、
wavelet-HHH_glszm_SizeZoneNonUniformity、
wavelet-LLL_firstorder_Median;
②original_shape_Maximum2DDiameterColumn、
original_shape_Maximum2DDiameterSlice、
log-sigma-1-0-mm-3D_glszm_ZonePercentage、
log-sigma-2-0-mm-3D_glszm_GrayLevelNonUniformity、
wavelet-LHL_gldm_HighGrayLevelEmphasis、
wavelet-LHH_glrlm_HighGrayLevelRunEmphasis、
wavelet-HLL_firstorder_Kurtosis、
wavelet-LLL_firstorder_Median。
2.一组用于检测膀胱癌肌层浸润状态、筛选膀胱癌肌层浸润的图像的特征组合的筛选方法,所述筛选方法包括以下步骤:
S1:收集受试者成像信息;
S2:肿瘤病灶分割;
S3:影像组学特征提取;
S4:特征筛选;
优选地,所述S1中,受试者是膀胱癌患者;
优选地,所述S1中,受试者是没有以下任意一种情况的膀胱癌患者:(i)接受了术前治疗,(ii)TURBT标本没有显示肌层组织,(iii)术前增强CT图像未发现肉眼可见肿瘤;
优选地,所述成像信息中,对于有多个膀胱癌病变的图像,仅对最大的膀胱癌病变进行影像组学分析;
优选地,所述S2中分割的操作通过自动分割和/或手动校准;
优选地,所述自动分割是通过深睿研究平台的水平集分割算法进行;
优选地,所述S3使用Pyradiomics tool对特征进行提取;
优选地,所述提取的对象是重新采样过的图像;
优选地,所述重新采样包括利用小波滤波器对图像xyz方向分别进行高通或低通过滤、利用不同σ参数的拉普拉斯高斯滤波器对图像进行预处理;
优选地,所述σ包括1-5mm;更优选地,1、2、3、4、5mm;
优选地,所述S4包括对所有特征进行z评分标准化;
优选地,所述S4包括对所有特征进行MRMR特征选择处理;
优选地,所述筛选的结果是权利要求1所述的特征组合;更优选地,权利要求1所述的第①组特征组合。
3.使用权利要求1所述的第①组特征组合或权利要求2筛选得到的特征组合构建用于检测膀胱癌肌层浸润状态、筛选膀胱癌肌层浸润的图像的模型的构建方法;
优选地,所述构建方法中包括对特征进行回归分析;
优选地,所述回归包括线性回归、逻辑回归、多项式回归、逐步回归、岭回归、套索回归、ElasticNet回归;
优选地,所述回归分析是逻辑回归分析;
优选地,所述构建方法中还包括验证优化模型的步骤;
优选地,所述验证优化的方法是十折交叉验证;
优选地,所述构建得到的模型由权利要求1所述的第②组特征组合组成;
优选地,所述构建得到的模型的计算公式是:
1/[1+exp(-0.358+0.0388*original_shape_Maximum2DDiameterColumn+0.9112*original_shape_Maximum2DDiameterSlice-0.3466*log-sigma-1-0-mm-3D_glszm_ZonePercentage+0.4695*log-sigma-2-0-mm-3D_glszm_GrayLevelNonUniformity-0.0784*wavelet-LHL_gldm_HighGrayLevelEmphasis-0.0274*wavelet-LHH_glrlm_HighGrayLevelRunEmphasis-0.1288*wavelet-HLL_firstorder_Kurtosis+0.3057*wavelet-LLL_firstorder_Median)]。
4.权利要求1所述的特征组合或权利要求2筛选得到的特征组合的提取方法,所述提取方法包括采集图像,肿瘤病灶分割,对图像进行重新采样,获得权利要求1所述的特征组合;
优选地,所述肿瘤病灶分割是指自动分割和/或手动校准图像;
优选地,所述自动分割是通过深睿研究平台的水平集分割算法进行;
优选地,所述重新采样包括利用小波滤波器对图像xyz方向分别进行高通或低通过滤、利用不同σ参数的拉普拉斯高斯滤波器对图像进行预处理;
优选地,所述σ包括1-5mm;更优选地,1、2、3、4mm。
5.一种检测膀胱癌肌层浸润状态、筛选膀胱癌肌层浸润的图像的方法,所述方法包括以下步骤:
S1:收集权利要求1所述的特征组合或权利要求3所述的构建方法构建的模型中所包含的特征;
S2:根据S1提取的特征组合的数值计算得到判断结果;
优选地,所述S1使用权利要求4所述的提取方法;
优选地,所述S2中的计算是按照权利要求3所述的构建方法构建的模型中的公式进行计算。
6.一种检测膀胱癌肌层浸润状态、筛选膀胱癌肌层浸润的图像的系统,所述系统包括根据从图像上提取的权利要求1所述的第②组特征组合或权利要求3所述的构建方法构建的模型中所包含的特征计算风险值,进行判断的计算装置;
优选地,所述计算装置中风险值的计算公式是:
1/[1+exp(-0.358+0.0388*original_shape_Maximum2DDiameterColumn+0.9112*original_shape_Maximum2DDiameterSlice-0.3466*log-sigma-1-0-mm-3D_glszm_ZonePercentage+0.4695*log-sigma-2-0-mm-3D_glszm_GrayLevelNonUniformity-0.0784*wavelet-LHL_gldm_HighGrayLevelEmphasis-0.0274*wavelet-LHH_glrlm_HighGrayLevelRunEmphasis-0.1288*wavelet-HLL_firstorder_Kurtosis+0.3057*wavelet-LLL_firstorder_Median)];
优选地,所述图像是CT图像;
优选地,所述图像是经过重新采样的,所述重新采样包括利用小波滤波器对图像xyz方向分别进行高通或低通过滤、利用不同σ参数的拉普拉斯高斯滤波器对图像进行预处理;
优选地,所述σ包括1-5mm;更优选地,1、2、3、4mm;
优选地,所述图像是通过了自动分割和/或手动校准的;
优选地,所述自动分割是通过深睿研究平台的水平集分割算法进行。
7.如权利要求6所述的系统,所述系统包括收集原始CT图像的收集装置、病灶分隔装置、重新采样装置、计算装置中的一种或多种;
优选地,所述原始CT图像包括使用任一CT仪器采集的图像;
优选地,所述病灶分隔装置通过自动分割和/或手动校准图像;
优选地,所述自动分割是通过深睿研究平台的水平集分割算法进行;
优选地,所述重新采样装置包括利用小波滤波器对图像xyz方向分别进行高通或低通过滤、利用不同σ参数的拉普拉斯高斯滤波器对图像进行预处理;
优选地,所述σ包括1-5mm;更优选地,1、2、3、4mm;
优选地,所述系统还包括输出判断结果的输出装置。
8.一种检测膀胱癌肌层浸润状态、筛选膀胱癌肌层浸润的图像的设备,所述设备包括:存储器和处理器;
所述存储器用于存储程序指令;
所述处理器用于调用程序指令,当程序指令被执行时,用于执行以下操作:收集原始CT图像、病灶分隔、重新采样、特征提取、计算得到最终结果;
优选地,所述原始CT图像包括使用任一CT仪器采集的图像;
优选地,所述病灶分隔包括通过自动分割和/或手动校准图像;
优选地,所述自动分割是通过深睿研究平台的水平集分割算法进行;
优选地,所述重新采样包括利用小波滤波器对图像xyz方向分别进行高通或低通过滤、利用不同σ参数的拉普拉斯高斯滤波器对图像进行预处理;
优选地,所述σ包括1-5mm;更优选地,1、2、3、4mm;
优选地,所述特征是权利要求1所述的特征组合或权利要求3所述的构建方法构建的模型中所包含的特征;
优选地,所述计算的计算公式是:
1/[1+exp(-0.358+0.0388*original_shape_Maximum2DDiameterColumn+0.9112*original_shape_Maximum2DDiameterSlice-0.3466*log-sigma-1-0-mm-3D_glszm_ZonePercentage+0.4695*log-sigma-2-0-mm-3D_glszm_GrayLevelNonUniformity-0.0784*wavelet-LHL_gldm_HighGrayLevelEmphasis-0.0274*wavelet-LHH_glrlm_HighGrayLevelRunEmphasis-0.1288*wavelet-HLL_firstorder_Kurtosis+0.3057*wavelet-LLL_firstorder_Median)]。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求2所述的筛选方法、权利要求3所述的构建方法、权利要求4所述的提取方法、或权利要求5所述的方法。
10.深睿研究平台、权利要求1所述的特征组合、权利要求6或7所述的系统、权利要求8所述的设备、权利要求9所述的计算机可读存储介质在制备检测膀胱癌肌层浸润状态、筛选膀胱癌肌层浸润的图像的产品中的应用。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111141582.1A CN113850788A (zh) | 2021-09-28 | 2021-09-28 | 一种判断膀胱癌肌层浸润状态的系统及其应用 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111141582.1A CN113850788A (zh) | 2021-09-28 | 2021-09-28 | 一种判断膀胱癌肌层浸润状态的系统及其应用 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113850788A true CN113850788A (zh) | 2021-12-28 |
Family
ID=78980766
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111141582.1A Pending CN113850788A (zh) | 2021-09-28 | 2021-09-28 | 一种判断膀胱癌肌层浸润状态的系统及其应用 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113850788A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117694839A (zh) * | 2024-02-05 | 2024-03-15 | 四川省肿瘤医院 | 基于图像的非肌层浸润性膀胱癌复发率预测方法和系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110175978A (zh) * | 2019-04-02 | 2019-08-27 | 南方医科大学南方医院 | 一种肝癌影像组学数据处理方法、系统、装置和存储介质 |
CN111178449A (zh) * | 2019-12-31 | 2020-05-19 | 浙江大学 | 结合计算机视觉特征和影像组学特征的肝癌图像分类方法和装置 |
-
2021
- 2021-09-28 CN CN202111141582.1A patent/CN113850788A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110175978A (zh) * | 2019-04-02 | 2019-08-27 | 南方医科大学南方医院 | 一种肝癌影像组学数据处理方法、系统、装置和存储介质 |
CN111178449A (zh) * | 2019-12-31 | 2020-05-19 | 浙江大学 | 结合计算机视觉特征和影像组学特征的肝癌图像分类方法和装置 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117694839A (zh) * | 2024-02-05 | 2024-03-15 | 四川省肿瘤医院 | 基于图像的非肌层浸润性膀胱癌复发率预测方法和系统 |
CN117694839B (zh) * | 2024-02-05 | 2024-04-16 | 四川省肿瘤医院 | 基于图像的非肌层浸润性膀胱癌复发率预测方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20230010515A1 (en) | Method and system for identifying biomarkers using a probability map | |
CA2438479C (en) | Computer assisted analysis of tomographic mammography data | |
JP4310099B2 (ja) | 肺疾患検出のための方法及びシステム | |
JP4354737B2 (ja) | 多重エネルギ画像による計算機支援診断 | |
JP5474758B2 (ja) | 医療画像データを分析するための方法、装置およびコンピュータプログラム | |
JP4708362B2 (ja) | コンピュータで実施される方法 | |
JP2010504129A (ja) | 肺結節の高度コンピュータ支援診断 | |
CN110944586A (zh) | 来自x射线图像数据的炎症估计 | |
Maitra et al. | Automated digital mammogram segmentation for detection of abnormal masses using binary homogeneity enhancement algorithm | |
CN112767407A (zh) | 一种基于级联门控3DUnet模型的CT图像肾脏肿瘤分割方法 | |
Hu et al. | Non-invasive evaluation for benign and malignant subcentimeter pulmonary ground-glass nodules (≤ 1 cm) based on CT texture analysis | |
Soomro et al. | Haralick's texture analysis applied to colorectal T2-weighted MRI: A preliminary study of significance for cancer evolution | |
CN115995295A (zh) | 基于影像组学的乳腺癌骨转移治疗反应评估方法及系统 | |
JP5048233B2 (ja) | Cadシステムにおける解剖学的形状の検出のための方法及びシステム | |
CN112638262B (zh) | 相似度确定装置、方法及程序 | |
CN115205213A (zh) | 一种体内泌尿系结石成分预测系统 | |
CN113850788A (zh) | 一种判断膀胱癌肌层浸润状态的系统及其应用 | |
CN117727441A (zh) | 基于临床-融合影像计算机模型预测肺癌免疫疗效方法 | |
CN116630680B (zh) | 一种x线摄影联合超声的双模态影像分类方法及系统 | |
WO2022153100A1 (en) | A method for detecting breast cancer using artificial neural network | |
Maitra et al. | CAD Based Method for Detection of Breast Cancer | |
WO2020067481A1 (ja) | 画像解析装置、画像解析システム、画像解析方法、コンピュータプログラム及び非一時的記録媒体 | |
Nicoletti et al. | Virtual biopsy in prostate cancer: can machine learning distinguish low and high aggressive tumors on MRI? | |
CN111265234A (zh) | 一种肺部纵膈淋巴结的性质判定方法及系统 | |
Sweetland et al. | Effects of Reconstruction Filter Kernels in Computed Tomography on Radiomic Image Features |
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 |