CN114093512B - 一种基于多模态数据和深度学习模型的生存预测方法 - Google Patents

一种基于多模态数据和深度学习模型的生存预测方法 Download PDF

Info

Publication number
CN114093512B
CN114093512B CN202111251516.XA CN202111251516A CN114093512B CN 114093512 B CN114093512 B CN 114093512B CN 202111251516 A CN202111251516 A CN 202111251516A CN 114093512 B CN114093512 B CN 114093512B
Authority
CN
China
Prior art keywords
image
data
pathological
survival
inputting
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
Application number
CN202111251516.XA
Other languages
English (en)
Other versions
CN114093512A (zh
Inventor
葛瑞泉
黄润根
贾刚勇
程雨夏
顾人舒
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.)
Hangzhou Dianzi University
Original Assignee
Hangzhou Dianzi University
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 Hangzhou Dianzi University filed Critical Hangzhou Dianzi University
Priority to CN202111251516.XA priority Critical patent/CN114093512B/zh
Publication of CN114093512A publication Critical patent/CN114093512A/zh
Application granted granted Critical
Publication of CN114093512B publication Critical patent/CN114093512B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • 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
    • G06F18/211—Selection of the most significant subset of features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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
    • 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
    • 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
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B25/00—ICT specially adapted for hybridisation; ICT specially adapted for gene or protein expression
    • G16B25/10—Gene or protein expression profiling; Expression-ratio estimation or normalisation
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
    • 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
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Software Systems (AREA)
  • Public Health (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Epidemiology (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Primary Health Care (AREA)
  • Genetics & Genomics (AREA)
  • Databases & Information Systems (AREA)
  • Radiology & Medical Imaging (AREA)
  • Biotechnology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Bioethics (AREA)
  • Geometry (AREA)
  • Pathology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于多模态数据和深度学习模型的生存预测方法。传统的病理图像生存预测方法只能关注部分病理信息，不能完全反应患者的肿瘤形态，并且会忽视基因突变等因素对肿瘤产生的影响，以往方法大多不能有效的将图像和基因表达数据结合起来进行分析。本发明采用大津阈值算法生存区分组织区域的二值图并据此采样切片图像；根据由ImageNet数据集预训练的ResNet‑50网络提取相关特征，并使用K均值算法对特征进行聚类。将基因表达谱数据使用最小角回归特征选择算法和得到基因特征，将数据输入到深度学习生存预测模型中获得患者生存风险的概率。本发明是一种比较适用于病理图像和基因表达数据且同时保证高准确性的方法。

Description

一种基于多模态数据和深度学习模型的生存预测方法
技术领域
本发明属于医学影像相关技术领域，涉及一种基于多模态数据和深度学习模型的生存预测方法。
背景技术
生存分析是指根据试验或调查得到的数据对生物和人的生存时间进行分析和推断。这是一个非常重要的临床应用，目的是根据患者的生存分析结果来提高个人的治疗质量，这对患者的医疗保健至关重要。随着数字全切片图像的出现和计算资源的快速增长，目前已经提出了许多计算病理学来进行生存分析的方法。根据对图像的处理方式不同，大致可以分为两类：第一类是通过从病理图像中提取出数百个表征细胞大小、形状、分布和细胞核纹理等病理图像的特征；第二类则是使用CNN(Convolution Neural Networks)特征提取器来提取病理图像切片级的特征。此外，肿瘤的进展还会受到基因的影响，基因表达特征对患者生存分析也会起到重要的作用。
上述所介绍的方法只能关注部分信息，不能完全反应患者的肿瘤形态，并且往往会忽视基因突变等因素对肿瘤产生的影响，不能有效的将两者结合起来对患者进行有效地生存分析。
发明内容
本发明的目的是结合病理图像与基因表达数据对患者进行有效的生存分析，并提出一种基于多模态数据和深度学习模型的生存预测方法。该方法采用CNN特征提取器提取患者病理图像切片级特征并聚类得到不同表型特征，以及全部切片的病理图像全局特征，从而获取图像中的重要区域和整体的信息。另外，对基因表达谱数据使用最小角回归算法(Least-Angel Regression，LARS)得到基因特征，并将基因特征与病理图像全局特征再进行一次融合。从而保证重要的信息不会丢失。
本发明的具体步骤如下：
步骤1、输入数据，包括：病理图像数据和基因表达谱数据。
步骤2、对病理图像进行预处理；
子步骤2.1、用大津阈值算法(OTSU)得到可以区分病理图像组织区域和其他区域的二值图；
子步骤2.2、在子步骤2.1的二值图的病理组织区域内随机取点并以此点为中心采样K个256*256切片图像；
子步骤2.3、使用由ImageNet数据集预训练好的ResNet-50网络除去最后一层全连接层作为特征提取器，依次将每张病理切片输入到该特征提取器中，得到一个长度2048的切片级特征；
子步骤2.4、对每位患者的病理图像切片级特征使用K均值聚类算法，得到10类切片图像，
子步骤2.5、将分类好的切片图像输入到可学习的图像特征提取器中得到此患者的图像特征。
步骤3、使用LARS算法对输入的基因表达谱数据进行特征选择，再将其输入到一个可学习的全连接层和非线性模块ReLU中得到基因特征。
步骤4、将病理图像数据、基因特征输入到深度学习生存模型融合模块中，其中病理图像数据所有切片整体输入得到患者病理图的全局图像特征；
全局图像特征与基因特征点乘重塑为1024维特征；
1024维特征再输入至由全连接层、非线性模块ReLU组成的小型神经网络中获取患者的整体融合特征。
步骤5、针对上诉步骤生成的图像特征、基因特征、融合特征，先将其聚集得到一个长度为96的特征向量，再将其输入带有ReLU激活函数的多层感知器(MultilayerPerceptron,MLP)深度学习生存预测模型中，再经由Sigmoid层输出最终的患者生存风险概率值。
本发明的有益效果：
本发明实现了根据患者的病理图像和基因表达谱自动进行生存分析，同时解决了传统算法中重要特征可能丢失且不能有效结合病理图像和基因表达谱数据进行生存分析的问题，是一种比较适用于病理图像和基因表达谱数据且同时保证高准确性的方法。
附图说明
图1为算法总流程图；
图2为算法框架图；
图3为Attention-ResMLP架构；
图4为提取图像特征的算法结构图；
图5为输入的病理图像示例；
图6为使用OTSU算法并采样得到的部分切片图像a；
图7为使用OTSU算法并采样得到的部分切片图像b；
图8为使用OTSU算法并采样得到的部分切片图像c。
具体实施方式
下面通过具体实施例，并结合附图，对本发明的技术方案作进一步的具体说明。
实施例1
如图1、图2、图3和图4所示，基于多模态数据和深度学习模型的生存预测方法，具体步骤如下：
步骤1、输入数据集TCGA-BRCA，患者数量345，对应的如图5所示的病理图像349张，基因表达谱特征数量20531。采用5倍交叉验证来进行实验。BRCA数据集在The CancerGenome Atlas(TCGA)中下载。
步骤2、对病理图像进行预处理。
步骤2.1、使用OTSU算法得到可以区分病理图像组织区域和其他区域的二值图，再在此二值图的病理组织区域内随机取点并以此点为中心采样K个256*256切片图像得到的图像如图6、图7和图8所示。
步骤2.2、用由ImageNet数据集预训练好的ResNet-50网络除去最后一层全连接层作为特征提取器，依次将每张病理切片输入到该特征提取器中，最终得到一个长度2048的切片级特征；对每位患者的病理图像切片级特征使用用K均值聚类算法，得到10类切片图像。
步骤2.3、将分类好的所有切片图像输入到如图4所示的可学习的图像特征提取器中得到此患者的图像特征。
步骤3、使用LARS算法对输入的基因表达谱数据进行特征选择，再将其输入到一个可学习的全连接层和非线性模块ReLU中得到基因特征。
步骤4、将病理图像数据、基因特征输入到深度学习网络中，如图2所示。其中病理图像数据所有切片整体输入得到患者病理图的全局图像特征，并与基因特征点乘重塑为1024维特征，再输入至由全连接层、非线性模块ReLU组成的小型神经网络中获取患者的整体融合特征。
步骤5、将上诉步骤生成图像特征、基因特征、融合特征合并成一个长度为96的特征向量，并将此输入到最终的由MLP、非线性激活函数ReLU组成的生存预测网络中，再经由Sigmoid函数输出最终的患者生存风险概率值。
步骤6、根据所有的风险概率，计算其一致性指数(Concordance index,简写C-index)，所做5-fold实验结果如表1所示。
表1
Fold Fold1 Fold2 Fold3 Fold4 Fold5
C-Index 0.8228 0.6852 0.7407 0.6712 0.7324

Claims (1)

1.一种基于多模态数据和深度学习模型的生存预测方法，其特征在于，该方法的具体步骤如下：
步骤1、输入数据，包括：病理图像数据和基因表达谱数据；
步骤2、对病理图像进行预处理；
子步骤2.1、用大津阈值算法得到可以区分病理图像组织区域和其他区域的二值图；
子步骤2.2、在子步骤2.1的二值图的病理组织区域内随机取点并以此点为中心采样K个256*256切片图像；
子步骤2.3、使用由ImageNet数据集预训练好的ResNet-50网络除去最后一层全连接层作为特征提取器，依次将每张病理切片输入到该特征提取器中，得到一个长度2048的切片级特征；
子步骤2.4、对每位患者的病理图像切片级特征使用K均值聚类算法，得到10类切片图像，
子步骤2.5、将分类好的切片图像输入到可学习的图像特征提取器中得到此患者的图像特征；
步骤3、使用LARS算法对输入的基因表达谱数据进行特征选择，再将其输入到一个可学习的全连接层和非线性模块ReLU中得到基因特征；
步骤4、将病理图像数据、基因特征输入到深度学习生存模型融合模块中，其中病理图像数据所有切片整体输入得到患者病理图的全局图像特征；
全局图像特征与基因特征点乘重塑为1024维特征；
1024维特征再输入至由全连接层、非线性模块ReLU组成的小型神经网络中获取患者的整体融合特征；
步骤5、针对上述步骤生成的图像特征、基因特征、融合特征，先将其聚集得到一个长度为96的特征向量，再将其输入带有ReLU激活函数的多层感知器深度学习生存预测模型中，再经由Sigmoid层输出最终的患者生存风险概率值。
CN202111251516.XA 2021-10-21 2021-10-21 一种基于多模态数据和深度学习模型的生存预测方法 Active CN114093512B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111251516.XA CN114093512B (zh) 2021-10-21 2021-10-21 一种基于多模态数据和深度学习模型的生存预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111251516.XA CN114093512B (zh) 2021-10-21 2021-10-21 一种基于多模态数据和深度学习模型的生存预测方法

Publications (2)

Publication Number Publication Date
CN114093512A CN114093512A (zh) 2022-02-25
CN114093512B true CN114093512B (zh) 2023-04-18

Family

ID=80297774

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111251516.XA Active CN114093512B (zh) 2021-10-21 2021-10-21 一种基于多模态数据和深度学习模型的生存预测方法

Country Status (1)

Country Link
CN (1) CN114093512B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116189887A (zh) * 2022-11-25 2023-05-30 深圳先进技术研究院 肿瘤生存预测方法、装置、电子设备及存储介质
CN117133466B (zh) * 2023-10-26 2024-05-24 中日友好医院(中日友好临床医学研究所) 基于转录组学和影像组学的生存预测方法及装置
CN117952966A (zh) * 2024-03-26 2024-04-30 华南理工大学 基于Sinkhorn算法的多模态融合生存预测方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110097974A (zh) * 2019-05-15 2019-08-06 天津医科大学肿瘤医院 一种基于深度学习算法的鼻咽癌远端转移预测系统
CN110111895A (zh) * 2019-05-15 2019-08-09 天津医科大学肿瘤医院 一种鼻咽癌远端转移预测模型的建立方法
CN111161882A (zh) * 2019-12-04 2020-05-15 深圳先进技术研究院 一种基于深度神经网络的乳腺癌生存期预测方法
CN111868260A (zh) * 2017-08-07 2020-10-30 约翰斯霍普金斯大学 用于评估和治疗癌症的方法和材料
CN113436722A (zh) * 2021-06-22 2021-09-24 曾皓 一种基于病理图片的肾透明细胞癌分子特征预测以及预后判断技术
CN113517073A (zh) * 2021-09-13 2021-10-19 生物岛实验室 肺癌手术后生存率预测方法和系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11462325B2 (en) * 2018-09-29 2022-10-04 Roche Molecular Systems, Inc. Multimodal machine learning based clinical predictor

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111868260A (zh) * 2017-08-07 2020-10-30 约翰斯霍普金斯大学 用于评估和治疗癌症的方法和材料
CN110097974A (zh) * 2019-05-15 2019-08-06 天津医科大学肿瘤医院 一种基于深度学习算法的鼻咽癌远端转移预测系统
CN110111895A (zh) * 2019-05-15 2019-08-09 天津医科大学肿瘤医院 一种鼻咽癌远端转移预测模型的建立方法
CN111161882A (zh) * 2019-12-04 2020-05-15 深圳先进技术研究院 一种基于深度神经网络的乳腺癌生存期预测方法
CN113436722A (zh) * 2021-06-22 2021-09-24 曾皓 一种基于病理图片的肾透明细胞癌分子特征预测以及预后判断技术
CN113517073A (zh) * 2021-09-13 2021-10-19 生物岛实验室 肺癌手术后生存率预测方法和系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Roberto Copetti.The "Survived Lung:" An Ultrasound Sign of "Bubbly Consolidation" Pulmonary Infarction.Ultrasound in Medicine & Biology.2020,第46卷(第9期),全文. *
李琼;柏正尧;刘莹芳.糖尿病性视网膜图像的深度学习分类方法.中国图象图形学报.2018,(第10期),全文. *
潘浩;王昭;姚佳文.深度学习在肺癌患者生存预测中的应用研究.计算机工程与应用.2017,(第14期),全文. *

Also Published As

Publication number Publication date
CN114093512A (zh) 2022-02-25

Similar Documents

Publication Publication Date Title
CN114093512B (zh) 一种基于多模态数据和深度学习模型的生存预测方法
CN109272048B (zh) 一种基于深度卷积神经网络的模式识别方法
Kumar et al. Breast cancer classification of image using convolutional neural network
Nayak et al. ECNet: An evolutionary convolutional network for automated glaucoma detection using fundus images
Hadavi et al. Lung cancer diagnosis using CT-scan images based on cellular learning automata
CN113808747B (zh) 一种缺血性脑卒中复发预测方法
Cui et al. Adaptive LASSO logistic regression based on particle swarm optimization for Alzheimer's disease early diagnosis
CN116153420B (zh) 基因标志物在恶性乳腺癌与良性乳腺结节的早筛中的应用和筛查模型的构建方法
Irmak A novel implementation of deep-learning approach on malaria parasite detection from thin blood cell images
CN113288157A (zh) 基于深度可分离卷积和改进损失函数的心律失常分类方法
CN114613430A (zh) 一种假阳性核苷酸变异位点的过滤方法及计算设备
CN111986814A (zh) 一种红斑狼疮患者的狼疮性肾炎预测模型的建模方法
CN118397280A (zh) 基于人工智能的内镜下胃肠道图像分割识别系统及方法
CN113705670A (zh) 基于磁共振成像和深度学习的脑部图像分类方法及设备
Wang et al. A 1D-CNN prediction model for stroke classification based on EEG signal
CN117158997A (zh) 一种基于深度学习的癫痫脑电信号分类模型的建立方法、分类方法
CN116797817A (zh) 基于自监督图卷积模型的自闭症疾病预测技术
CN115937590A (zh) 一种并联融合CNN和Transformer的皮肤病图像分类方法
Rodrigues et al. DermaDL: advanced convolutional neural networks for automated melanoma detection
Islam et al. A hybrid scheme for AEP based hearing deficiency diagnosis: CWT and convoluted K-nearest neighbour (CKNN) pipeline
Pavani et al. Robust semantic segmentation of retinal fluids from SD-OCT images using FAM-U-Net
Hatode et al. Evolution and Testimony of Deep Learning Algorithm for Diabetic Retinopathy Detection
CN110516611B (zh) 一种自闭症检测系统及自闭症检测装置
CN114170162A (zh) 一种图像预测方法、图像预测装置以及计算机存储介质
CN114224361A (zh) 基于脑电信号对睡眠阶段的分类方法及装置

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