CN114305324A - 肿瘤复发预测装置与方法 - Google Patents
肿瘤复发预测装置与方法 Download PDFInfo
- Publication number
- CN114305324A CN114305324A CN202011037841.1A CN202011037841A CN114305324A CN 114305324 A CN114305324 A CN 114305324A CN 202011037841 A CN202011037841 A CN 202011037841A CN 114305324 A CN114305324 A CN 114305324A
- Authority
- CN
- China
- Prior art keywords
- tumor
- information
- image
- patient
- generating
- 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.)
- Withdrawn
Links
- 206010028980 Neoplasm Diseases 0.000 title claims abstract description 213
- 238000000034 method Methods 0.000 title claims abstract description 24
- 230000004083 survival effect Effects 0.000 claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 12
- 239000011159 matrix material Substances 0.000 claims description 24
- 238000000605 extraction Methods 0.000 claims description 17
- 238000003491 array Methods 0.000 claims description 16
- 238000004458 analytical method Methods 0.000 abstract description 3
- 229940121358 tyrosine kinase inhibitor Drugs 0.000 description 16
- 238000012545 processing Methods 0.000 description 15
- 239000005483 tyrosine kinase inhibitor Substances 0.000 description 15
- 238000010586 diagram Methods 0.000 description 9
- 102000001301 EGF receptor Human genes 0.000 description 8
- 108060006698 EGF receptor Proteins 0.000 description 8
- 238000002595 magnetic resonance imaging Methods 0.000 description 8
- 238000012935 Averaging Methods 0.000 description 5
- 238000011176 pooling Methods 0.000 description 5
- 208000003174 Brain Neoplasms Diseases 0.000 description 4
- 206010059282 Metastases to central nervous system Diseases 0.000 description 4
- 208000002154 non-small cell lung carcinoma Diseases 0.000 description 4
- 210000003625 skull Anatomy 0.000 description 4
- 208000029729 tumor suppressor gene on chromosome 11 Diseases 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 3
- 238000002759 z-score normalization Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 208000020816 lung neoplasm Diseases 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000002560 therapeutic procedure Methods 0.000 description 2
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 1
- 206010027476 Metastases Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000007917 intracranial administration Methods 0.000 description 1
- 201000005202 lung cancer Diseases 0.000 description 1
- 230000003211 malignant effect Effects 0.000 description 1
- 230000009401 metastasis Effects 0.000 description 1
- 230000001394 metastastic effect Effects 0.000 description 1
- 206010061289 metastatic neoplasm Diseases 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000001959 radiotherapy Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000009121 systemic therapy Methods 0.000 description 1
Images
Landscapes
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明提出一种肿瘤复发预测装置,包括数据获取电路、存储器以及处理器。数据获取电路用以获取多个病患临床数据与多个切片影像信息;存储器用以存储多个指令;以及处理器连接数据获取电路与存储器,并用以载入并执行多个指令以:接收多个病患临床数据与多个切片影像信息;依据多个病患临床数据与多个切片影像信息产生临床特征信息与肿瘤影像特征信息;依据临床特征信息与肿瘤影像特征信息训练预测模型;以及利用预测模型对病患的病患信息进行肿瘤复发预测。此外,一种肿瘤复发预测方法亦在此公开。借此,可有效地解决目前的生存预测分析的精准度不佳的问题。
Description
技术领域
本发明涉及一种肿瘤复发预测装置与方法,且特别涉及提升病患肿瘤复发的预测精确度的肿瘤复发预测装置与方法。
背景技术
在医院或医院系统中,脑转移肿瘤(Brain Metastases)是最常见的恶性颅内肿瘤,最常见的原发病灶是肺癌。非小细胞肺癌(Non-Small cell lung cancer,NSCLC)约占所有肺癌的80%,转移性NSCLC的患者中有25-50%在其病程中受到脑转移肿瘤的影响。尽管目前的系统疗法的进步以及晚期NSCLC患者的存活率提高,脑转移肿瘤仍然是病患发病和死亡的主要原因。因此,要如何预测脑转移肿瘤是否复发或复发的时间,为本领域技术人员急欲解决的问题。
发明内容
本发明提供一种肿瘤复发预测装置,包括数据获取电路、存储器以及处理器。数据获取电路用以获取多个病患临床数据与多个切片影像信息;存储器用以存储多个指令;以及处理器连接数据获取电路与存储器,并用以载入并执行多个指令以:接收多个病患临床数据与多个切片影像信息;依据多个病患临床数据与多个切片影像信息产生临床特征信息与肿瘤影像特征信息;依据临床特征信息与肿瘤影像特征信息训练预测模型;以及利用预测模型对病患的病患信息进行肿瘤复发预测。
在一实施例中,处理器更用以依据多个病患临床数据产生临床数据矩阵,并依据多个切片影像信息产生多个肿瘤影像阵列。
在一实施例中,处理器更用以判断多个切片影像信息中的多个肿瘤位置信息;以及依据多个肿瘤位置信息产生多个肿瘤影像信息,并依据多个肿瘤影像信息产生多个肿瘤影像阵列。
在一实施例中,处理器更用以依据临床数据矩阵以利用深度生存网络产生临床特征信息;以及依据肿瘤影像阵列以利用影像特征提取网络产生肿瘤影像特征信息。
在一实施例中,处理器更用以将临床特征信息与肿瘤影像特征信息相结合以产生特征阵列,并依据特征阵列以利用深度生存网络训练预测模型。
本发明提供一种肿瘤复发预测方法,且该方法包括:依据多个病患相关数据与多个切片影像信息产生病患特征信息与肿瘤影像特征信息;将临床特征信息与肿瘤影像特征信息相结合以产生特征阵列,并依据特征阵列训练预测模型;以及利用预测模型对病患的病患信息进行肿瘤复发预测。
在一实施例中,依据多个病患相关数据与多个切片影像信息产生病患特征信息与肿瘤影像特征信息的步骤包括:依据多个病患临床数据产生临床数据矩阵,并依据多个切片影像信息产生多个肿瘤影像阵列。
在一实施例中,依据多个肿瘤影像信息产生多个肿瘤影像阵列的步骤包括:判断多个切片影像信息中的多个肿瘤位置信息;以及依据多个肿瘤位置信息产生多个肿瘤影像信息,并依据多个肿瘤影像信息产生多个肿瘤影像阵列。
在一实施例中,肿瘤复发预测方法还包括:依据临床数据矩阵以利用深度生存网络产生临床特征信息;以及依据多个肿瘤影像阵列以利用影像特征提取网络产生肿瘤影像特征信息。
在一实施例中,依据特征阵列训练预测模型的步骤包括:依据特征阵列以利用深度生存网络训练预测模型。
基于上述,本发明的肿瘤复发预测装置结合了多个病患临床数据与多个肿瘤影像信息的特征萃取,并利用萃取出的特征信息训练出预测模型,以解决目前的生存预测分析的精准度不佳的问题。
附图说明
为让本发明的上述特征和优点能更明显易懂,下文特举实施例,并配合附图作详细说明如下。
图1是根据本发明一些示范性实施例的肿瘤复发预测装置的方框图。
图2是根据本发明一些示范性实施例的肿瘤复发预测装置的流程图。
图3是根据本发明一些示范性实施例的肿瘤复发预测方法的示意图。
图4是根据本发明一些示范性实施例的对切片影像信息进行影像处理的示意图。
图5是根据本发明一些示范性实施例的肿瘤位置信息对应的肿瘤影像的示意图
图6是根据本发明一些示范性实施例的利用多种不同的尺寸的影像圈选框标示出所选择的切片角度对应的切片影像信息中的肿瘤的示意图。
其中,附图标记说明如下:
100:肿瘤复发预测装置
110:数据获取电路
120:存储器
130:处理器
S201~S207:肿瘤复发预测的流程
S301~S309:肿瘤复发预测方法
T1WI、T1WI’、T1WI”:T1权重影像
T2WI、T2WI’、T2WI”:T2权重影像
T1WI+C、T1WI+C’、T1WI+C”:T1c权重影像
具体实施方式
图1是根据本发明一些示范性实施例的肿瘤复发预测装置的方框图。请参照图1,肿瘤复发预测装置100可包括数据获取电路110、存储器120以及处理器130。数据获取电路110可获取先前已完成肿瘤治疗疗程的多个病患相关的各种临床数据,并且获取先前已完成肿瘤治疗疗程的多个病患的各自的肿瘤(各病患在接受治疗疗程之前可能存在一个或多个肿瘤)的多个切片角度对应的切片影像信息。此外,存储器120可用以存储由处理器110执行的多个指令。处理器130可连接至数据获取电路110与存储器120,并且存取和执行存储于存储器120中的多个指令。
在一些实施例中,肿瘤复发预测装置100例如是智能手机、平板电脑、笔记本电脑、台式电脑等可连上网际网络的电子装置等电子装置。
在一些实施例中,数据获取电路110可包括用于取得磁共振成像(MagneticResonance Imaging,MRI)影像的电路以及用以获取多个病患的多个临床数据的电路,其中用于取得MRI影像的电路例如可以是使用MRI技术来对病患进行扫描并取得MRI影像的电路。
然而,在另一实施例中,数据获取电路110也可以是用于从肿瘤复发预测装置100的存储器120或外部的其他存储装置取得MRI影像与多个病患的多个临床数据。而在另一实施例中,数据获取电路110也可以是通过其他的方式来取得上述的MRI影像与多个病患的多个临床数据。
值得注意的是,本发明并不用于限定数据获取电路110取得MRI影像与多个病患的多个临床数据的取得方式。
在一些实施例中,存储器120例如是任何形态的固定式或可移动式的随机存取存储器(random access memory,RAM)、只读存储器(read-only memory,ROM)、快闪存储器(flash memory)、硬盘(hard disk drive,HDD)、固态硬盘(solid state drive,SSD)或类似元件或上述元件的组合。
在一些实施例中,处理器130例如是中央处理单元(central processing unit,CPU),或是其他可程序化的一般用途或特殊用途的微控制单元(micro control unit,MCU)、微处理器(microprocessor)、数字信号处理器(digital signal processor,DSP)、可程序化控制器、特殊应用集成电路(application specific integrated circuit,ASIC)、图形处理器(graphics processing unit,GPU)、算数逻辑单元(arithmetic logic unit,ALU)、复杂可程序逻辑装置(complex programmable logic device,CPLD)、现场可程序化逻辑门阵列(field programmable gate array,FPGA)或其他类似元件或上述元件的组合。
图2是根据本发明一些示范性实施例的肿瘤复发预测方法的流程图。同时参照图1与图2,本实施例的方法适用于图1的肿瘤复发预测装置100,以下即搭配肿瘤复发预测装置100中各装置之间的作动关系来说明本发明实施例的肿瘤复发预测方法的详细步骤。
首先,于步骤S201中,处理器130可接收多个病患临床数据与多个切片影像信息。详细而言,在数据获取电路110获取完成肿瘤治疗疗程的多个病患的多个病患临床数据与多个切片影像信息后,处理器130可从数据获取电路110接收多个病患临床数据与多个切片影像信息。
在一些实施例中,多个病患临床数据可包括多个病患的多个临床变量数据,例如:年龄、性别、表皮生长因子受体(epidermal growth factor receptor,EGFR)、全脑放射治疗(whole brain radiotherapy,WBRT)、酪胺酸激酶抑制剂(tyrosine kinaseinhibitors,TKI)之前、TKI之后、Karnofsky功能状态评分表(Karnofsky PerformanceScore,KPS)、肿瘤是否复发、肿瘤的数量以及肿瘤体积等各种病患临床数据类型。
在一些实施例中,多个切片影像信息为多个病患对应的多个肿瘤的多个切片角度的影像信息,且各切片角度的影像信息可包括多个切片影像类型的影像信息,例如:肿瘤的T1权重影像(T1 weighted images,T1WI)、T2权重影像(T2 weighted images,T2WI)以及T1c权重影像(contrast-enhanced T1 weighted images,T1WI+C)等各种类型的MRI影像信息。
接着,于步骤S203中,处理器130可依据多个病患临床数据与多个切片影像信息产生临床特征信息与肿瘤影像特征信息。详细而言,处理器130可对多个病患临床数据进行特征萃取以产生临床特征信息,并且对多个切片影像信息进行特征萃取以产生肿瘤影像特征信息。
在一些实施例中,处理器130可依据多个病患临床数据产生临床数据矩阵,并依据多个切片影像信息产生多个肿瘤影像阵列。借此,处理器130可直接利用临床数据矩阵进行特征萃取以产生临床特征信息,并且可直接利用多个切片影像阵列进行特征萃取以产生肿瘤影像特征信息,其中临床特征信息为一个临床特征向量,且肿瘤影像特征信息为一个肿瘤影像特征向量。
在进一步的实施例中,处理器130可判断多个切片影像信息中的多个肿瘤位置信息,并产生多个肿瘤影像信息,进而依据多个肿瘤影像信息产生多个肿瘤影像阵列。详细而言,处理器130可从多个切片影像信息判断出各切片影像中的肿瘤位置信息,并利用多种不同的尺寸的影像圈选框标示出肿瘤位置信息对应的肿瘤影像信息,其中各切片影像的影像尺寸可以是任意的大小,并没有特别的限制。此外,判断多个肿瘤位置信息的方法可以是任意相关于人工智能或深度学习的演算法,也没有特别的限制。
在进一步的实施例中,通过上述产生临床数据矩阵与多个肿瘤影像阵列的预处理方法,处理器130可进一步依据临床数据矩阵以利用深度生存网络(deep survivalnetworks)产生临床特征信息,并依据多个肿瘤影像信息以利用影像特征提取网络(imagefeature extraction networks)产生肿瘤影像特征信息。此外,上述影像特征提取网络例如是空间金字塔池化网络(spatial pyramid pooling networks,SPP-net)或预训练深度神经网络(pretrained deep neural networks)等。
接着,于步骤S205中,处理器130可依据临床特征信息与肿瘤影像特征信息训练预测模型。详细而言,处理器130可将临床特征信息与肿瘤影像特征信息作为多个训练样本,以利用这些训练样本训练出一个预测模型。
在一些实施例中,处理器130可将临床特征信息与肿瘤影像特征信息相结合以产生特征阵列,并依据此特征阵列以利用另一个深度生存网络训练预测模型。
最后,于步骤S207中,处理器130可利用预测模型对病患的病患信息进行肿瘤复发预测。详细而言,在完成上述的训练阶段后,处理器130可从存储器120或外部的存储装置接收完成肿瘤治疗疗程的一个病患的病患信息,并依据此病患信息进行肿瘤复发预测。借此,处理器130可以判断出受测病患的肿瘤在未来是否复发,并且判断出在有可能复发的情况下的复发时间(例如,在完成肿瘤治疗疗程后的五年会复发)。通过上述的判断结果,医师可在病患完成肿瘤治疗疗程后进一步对病患的身体状况进行持续追踪,以预测病患的肿瘤再次复发。
在一些实施例中,上述病患的病患信息可包括此病患的年龄、性别、EGFR、WBRT、TKI之前、TKI之后、KPS、肿瘤的数量以及肿瘤体积等临床数据。
基于上述,本发明的肿瘤复发预测装置100不仅仅可对完成治疗疗程的病患进行肿瘤复发预测,还可对肿瘤有可能复发的病患进行复发时间的预测。此外,本发明的肿瘤复发预测装置100更同时对多个病患临床数据与多个切片影像信息进行预处理与特征提取以训练预测模型。借此,将可有效提升预测模型的预测精准度,进而大大地降低预测错误的情况发生。
图3是根据本发明不同示范性实施例的肿瘤复发预测方法的示意图。相较于图2的实施例,图3公开一个更加具体的实施例。同时参照图1与图3,首先,于步骤S301中,处理器130可通过数据获取电路110获取多个病患临床数据与多个切片影像信息。详细而言,处理器130可通过数据获取电路110获取多个病患对应的多个病患临床数据类型的临床数据,并且获取多个病患对应的多个肿瘤对应的多个切片影像信息类型的影像信息。
举例而言,处理器130可通过数据获取电路110获取多个病患中的第一个病患对应的病患临床数据,且病患临床数据包括第一个病患的年龄、性别、EGFR、WBRT、TKI之前、TKI之后、KPS、肿瘤是否复发、肿瘤的数量以及肿瘤体积。以此类推,处理器130可通过数据获取电路110获取多个病患中的其余病患的上述类型的病患临床数据。此外,当第一病患曾通过肿瘤治疗疗程治疗过两个肿瘤并拍摄过两个肿瘤的两个切片角度的T1、T2以及T1c权重影像时,处理器130可通过数据获取电路110获取两个肿瘤的两个切片角度的T1、T2以及T1c权重影像(即,六个影像)以产生各肿瘤的自己的切片影像信息。以此类推,处理器130可通过数据获取电路110获取多个病患中的其余病患对应的多个肿瘤的上述类型的多个切片影像信息。
接着,于步骤S303中,处理器130可对多个病患临床数据与多个切片影像信息进行预处理以产生临床数据矩阵与多个肿瘤影像阵列。详细而言,为了对多个病患临床数据与多个切片影像信息进行特征提取,处理器130需要对多个病患临床数据与多个切片影像信息进行预处理。
在一些实施例中,处理器130可对多个病患临床数据进行右限制处理(right-censored processing)以产生一个临床数据矩阵。详细而言,处理器130可依据多个病患临床数据判断多个肿瘤分别对应到哪些病患临床数据,并依据各肿瘤对应的病患临床数据产生临床数据矩阵,其中多个肿瘤对应至临床数据矩阵的多个列,且多个病患临床数据对应的多个病患临床数据类型对应至临床数据矩阵的多个行。
举例而言,针对多个病患中的第一个病患,处理器130可获取多个病患临床数据中的第一个病患的年龄、性别、EGFR、WBRT、TKI之前、TKI之后、KPS、肿瘤是否复发、肿瘤的数量以及肿瘤体积,并依据第一个病患的肿瘤的数量判断出第一个病患曾经治疗两个肿瘤。借此,处理器130可将第一肿瘤与第二肿瘤对应至临床数据矩阵的第一列与第二列,并将年龄、性别、EGFR、WBRT、TKI之前、TKI之后、KPS、肿瘤是否复发、肿瘤的数量以及肿瘤体积等病患临床数据类型对应至临床数据矩阵的行。借此,处理器130可同时将临床数据矩阵的第一列与第二列中的数据设定为第一个病患的年龄、性别、EGFR、WBRT、TKI之前、TKI之后、KPS、肿瘤是否复发以及肿瘤体积。
通过相同的方法,处理器130可判断出其余肿瘤对应的病患的年龄、性别、EGFR、WBRT、TKI之前、TKI之后、KPS、肿瘤是否复发以及肿瘤体积,以产生一个临床数据矩阵。
在一些实施例中,处理器130可将多个肿瘤对应的多个切片影像信息进行影像对位处理、去除头骨处理以及均值化处理,其中均值化处理例如是影像灰阶强度(image grayscale intensity)的Z分数标准化(Z score normalization)处理等各种均值化的处理。
进一步而言,处理器130可判断出各肿瘤对应的切片影像信息,其中切片影像信息可包括从多个角度所拍摄到的T1、T2以及T1c权重影像。借此,处理器130可对各个角度所拍摄到的T1、T2以及T1c权重影像进行对位处理、去除头骨处理以及均值化处理。
举例而言,图4是根据本发明一些示范性实施例的对切片影像信息进行影像处理的示意图。参照图4,一个病患的一个肿瘤的切片影像信息可包括影像T1WI、影像T2WI以及影像T1WI+C。首先,可经由影像对位处理将影像T1WI、影像T2WI以及影像T1WI+C对位,并经由去除头骨处理与影像灰阶强度的Z分数标准化处理产生影像T1WI’、影像T2WI’以及影像T1WI+C’。
参照回图1与图3,在进一步的实施例中,处理器130可判断上述多个经处理的切片影像信息中的多个肿瘤位置信息,并依据多个肿瘤位置信息产生多个肿瘤影像阵列。进一步而言,藉上述的影像对位处理、去除头骨处理以及均值化处理,处理器130可判断各肿瘤对应的多个切片角度的多个切片影像信息中的多个肿瘤位置信息,并依据上述多个肿瘤位置信息检测多个切片影像信息的肿瘤尺寸,进而选择多个切片角度中对应最大肿瘤尺寸的切片角度。此外,处理器130可利用多种不同的尺寸的影像圈选框标示出所选择的切片角度对应的切片影像信息中的肿瘤,以产生影像圈选框对应的肿瘤影像信息。借此,处理器130可依据各肿瘤对应的肿瘤影像信息产生各肿瘤的肿瘤影像阵列。
举例而言,图5是根据本发明一些示范性实施例的肿瘤位置信息对应的肿瘤影像的示意图。参照图5,针对一个肿瘤,可从切片角度1~6拍摄六个切片影像信息,其中各影像信息包括T1、T2以及T1c权重影像。借此,可判断出各切片影像信息的T1、T2以及T1c权重影像中的肿瘤位置信息,并依据肿瘤位置信息判断出肿瘤的影像,进而依据肿瘤的影像判断肿瘤尺寸。进一步而言,由于切片角度4的T1、T2以及T1c权重影像对应的肿瘤具有最大的肿瘤尺寸,故可选择切片角度4对应的切片影像信息以进行后续的影像圈选动作。
图6是根据本发明一些示范性实施例的利用多种不同的固定尺寸的影像圈选框标示出所选择的切片角度对应的切片影像信息中的肿瘤的示意图。请参照图6,以尺寸为64x64像素的影像圈选框为例,可利用此影像圈选框框选出切片影像信息中的T1、T2以及T1c权重影像中的肿瘤以产生包括影像T1WI”、T2WI”以及T1WI+C”的肿瘤影像信息,其中影像T1WI”、T2WI”以及T1WI+C”的尺寸为64x64x1像素。借此,可将此肿瘤的肿瘤影像信息中的影像T1WI”、T2WI”以及T1WI+C”重叠,以产生尺寸为64x64x3像素的肿瘤影像阵列。
接着,参照回图1与图3,于步骤S305中,处理器130可依据临床数据矩阵与多个肿瘤影像阵列进行特征提取以产生临床特征信息与肿瘤影像特征信息。详细而言,为了产生用以进行肿瘤复发预测的预测模型,处理器130需要进一步对临床数据矩阵与多个肿瘤影像阵列进行特征提取。
在一些实施例中,处理器130可利用深度生存网络中的全连接层(fully-connected layer)1~M与丢弃层(dropout layer)1~M从临床数据矩阵产生临床特征信息,其中临床特征信息为一个临床特征向量。此外,处理器130可利用SPP-net中的卷积层(convolutional layer)1~N、最大池化层(max-pooling layer)1~N以及空间金字塔池化层(spatial pyramid pooling layer)从多个肿瘤影像阵列产生肿瘤影像特征信息,其中肿瘤影像特征信息为一个肿瘤影像特征向量。值得注意的是,M与N为经由多次实验测试出的最佳正整数。
接着,于步骤S307中,处理器130可将临床特征信息与肿瘤影像特征信息相结合。
在一些实施例中,临床特征信息为一个临床特征向量,且肿瘤影像特征信息为一个肿瘤影像特征向量。处理器130可将临床特征向量与肿瘤影像特征向量串接以产生一个特征向量。
最后,于步骤S309中,处理器130可利用相结合的临床特征信息与肿瘤影像特征信息训练出预测模型。详细而言,处理器130可以临床特征信息与肿瘤影像特征信息做为训练样本以训练出一个预测模型。
在一些实施例中,处理器130可将临床特征信息与肿瘤影像特征信息相结合以产生一个特征向量,并依据特征向量以利用深度生存网络中的全连接层(fully-connectedlayer)1~X、丢弃层(dropout layer)1~X以及线性组合层(linear combinationallayer)产生一个预测模型。值得注意的是,X同样为经由多次实验测试出的最佳正整数。
综上所述,本发明提供的肿瘤复发预测装置结合了多个病患临床数据与多个肿瘤影像信息的特征萃取,并利用萃取出的特征信息训练出预测模型,以解决目前的生存预测分析的精准度不够高的问题。如此一来,本发明提供的预测模型将更精准的预测完成过肿瘤治疗疗程的病患是否再次复发肿瘤与复发肿瘤的时间。
虽然本发明已以实施例公开如上,然其并非用以限定本发明,任何所属技术领域中技术人员,在不脱离本发明的精神和范围内,当可作些许的变动与润饰,故本发明的保护范围当视权利要求所界定者为准。
Claims (10)
1.一种肿瘤复发预测装置,其特征在于,包括:
一数据获取电路,用以获取多个病患临床数据与多个切片影像信息;
一存储器,用以存储多个指令;以及
一处理器,连接该数据获取电路与该存储器,并用以载入并执行所述指令以:
接收所述病患临床数据与所述切片影像信息;
依据所述病患临床数据与所述切片影像信息产生临床特征信息与肿瘤影像特征信息;
依据该临床特征信息与该肿瘤影像特征信息训练一预测模型;以及
利用该预测模型对一病患的病患信息进行肿瘤复发预测。
2.如权利要求1所述的肿瘤复发预测装置,其特征在于,其中该处理器更用以:
依据所述病患临床数据产生一临床数据矩阵,并依据所述切片影像信息产生多个肿瘤影像阵列。
3.如权利要求2所述的肿瘤复发预测装置,其特征在于,其中处理器还用以:
判断所述切片影像信息中的多个肿瘤位置信息;以及
依据所述肿瘤位置信息产生多个肿瘤影像信息,并依据所述肿瘤影像信息产生所述肿瘤影像阵列。
4.如权利要求2所述的肿瘤复发预测装置,其特征在于,其中处理器更用以:
依据该临床数据矩阵以利用一深度生存网络产生该临床特征信息;以及
依据所述肿瘤影像阵列以利用一影像特征提取网络产生该肿瘤影像特征信息。
5.如权利要求1所述的肿瘤复发预测装置,其特征在于,其中该处理器更用以:
将该临床特征信息与该肿瘤影像特征信息相结合以产生一特征阵列,并依据该特征阵列以利用一深度生存网络训练该预测模型。
6.一种肿瘤复发预测方法,其特征在于,包括:
依据多个病患相关数据与多个切片影像信息产生一病患特征信息与一肿瘤影像特征信息;
将该临床特征信息与该肿瘤影像特征信息相结合以产生一特征阵列,并依据该特征阵列训练一预测模型;以及
利用该预测模型对一病患的病患信息进行肿瘤复发预测。
7.如权利要求6所述的肿瘤复发预测方法,其特征在于,其中依据所述病患相关数据与所述切片影像信息产生该病患特征信息与该肿瘤影像特征信息的步骤包括:
依据所述病患临床数据产生一临床数据矩阵,并依据所述切片影像信息产生多个肿瘤影像阵列。
8.如权利要求7所述的肿瘤复发预测方法,其特征在于,其中依据所述肿瘤影像信息产生所述肿瘤影像阵列的步骤包括:
判断所述切片影像信息中的多个肿瘤位置信息;以及
依据所述肿瘤位置信息产生多个肿瘤影像信息,并依据所述肿瘤影像信息产生所述肿瘤影像阵列。
9.如权利要求7所述的肿瘤复发预测方法,其特征在于,还包括:
依据该临床数据矩阵以利用一深度生存网络产生该临床特征信息;以及
依据所述肿瘤影像阵列以利用一影像特征提取网络产生该肿瘤影像特征信息。
10.如权利要求6所述的肿瘤复发预测方法,其特征在于,其中依据该特征阵列训练该预测模型的步骤包括:
依据该特征阵列以利用一深度生存网络训练该预测模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011037841.1A CN114305324A (zh) | 2020-09-28 | 2020-09-28 | 肿瘤复发预测装置与方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011037841.1A CN114305324A (zh) | 2020-09-28 | 2020-09-28 | 肿瘤复发预测装置与方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114305324A true CN114305324A (zh) | 2022-04-12 |
Family
ID=81010689
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011037841.1A Withdrawn CN114305324A (zh) | 2020-09-28 | 2020-09-28 | 肿瘤复发预测装置与方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114305324A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101689220A (zh) * | 2007-04-05 | 2010-03-31 | 奥利安实验室有限公司 | 用于治疗、诊断和预测医学病症发生的系统和方法 |
WO2010115885A1 (en) * | 2009-04-03 | 2010-10-14 | Oslo Universitetssykehus Hf | Predictive classifier score for cancer patient outcome |
CN108694718A (zh) * | 2018-05-28 | 2018-10-23 | 中山大学附属第六医院 | 直肠癌术前同期新辅助放化疗疗效评估系统和方法 |
US20190159745A1 (en) * | 2017-11-27 | 2019-05-30 | Case Western Reserve University | Recurrence prognosis and prediction of added benefit of adjuvant chemotherapy in early stage non-small cell lung cancer with radiomic features on baseline computed tomography |
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 |
US20200202516A1 (en) * | 2018-12-20 | 2020-06-25 | China Medical University Hospital | Prediction system, method and computer program product thereof |
-
2020
- 2020-09-28 CN CN202011037841.1A patent/CN114305324A/zh not_active Withdrawn
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101689220A (zh) * | 2007-04-05 | 2010-03-31 | 奥利安实验室有限公司 | 用于治疗、诊断和预测医学病症发生的系统和方法 |
WO2010115885A1 (en) * | 2009-04-03 | 2010-10-14 | Oslo Universitetssykehus Hf | Predictive classifier score for cancer patient outcome |
US20190159745A1 (en) * | 2017-11-27 | 2019-05-30 | Case Western Reserve University | Recurrence prognosis and prediction of added benefit of adjuvant chemotherapy in early stage non-small cell lung cancer with radiomic features on baseline computed tomography |
CN108694718A (zh) * | 2018-05-28 | 2018-10-23 | 中山大学附属第六医院 | 直肠癌术前同期新辅助放化疗疗效评估系统和方法 |
US20200202516A1 (en) * | 2018-12-20 | 2020-06-25 | China Medical University Hospital | Prediction system, method and computer program product thereof |
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11610308B2 (en) | Localization and classification of abnormalities in medical images | |
Wu et al. | Discrimination and conversion prediction of mild cognitive impairment using convolutional neural networks | |
CN112819076B (zh) | 基于深度迁移学习的医学图像分类模型的训练方法及装置 | |
CN106408001B (zh) | 基于深度核哈希的感兴趣区域快速检测方法 | |
CN110276745B (zh) | 一种基于生成对抗网络的病理图像检测算法 | |
CN109346159B (zh) | 病例图像分类方法、装置、计算机设备及存储介质 | |
Alqahtani et al. | Breast cancer pathological image classification based on the multiscale CNN squeeze model | |
US20190251688A1 (en) | Predicting pathological complete response to neoadjuvant chemotherapy from baseline breast dynamic contrast enhanced magnetic resonance imaging (dce-mri) | |
CN105931226A (zh) | 基于深度学习的自适应椭圆拟合细胞自动检测分割方法 | |
CN109903269B (zh) | 确定脊柱横断面图像的异常类型的方法及计算设备 | |
CN113284088B (zh) | 一种csm图像分割方法、装置、终端设备及存储介质 | |
US20160232665A1 (en) | Disease analysis apparatus, control method, and program | |
Shen et al. | Sparse bayesian learning for identifying imaging biomarkers in AD prediction | |
Afshar et al. | Capsule networks’ interpretability for brain tumor classification via radiomics analyses | |
Braman et al. | Deep learning-based prediction of response to HER2-targeted neoadjuvant chemotherapy from pre-treatment dynamic breast MRI: a multi-institutional validation study | |
Afshar et al. | BoostCaps: a boosted capsule network for brain tumor classification | |
WO2023014789A1 (en) | System and method for pathology image analysis using a trained neural network and active learning framework | |
TWI775161B (zh) | 腫瘤復發預測裝置與方法 | |
Chen et al. | Advancements in AI for Oncology: Developing an Enhanced YOLOv5-based Cancer Cell Detection System | |
Gasmi et al. | Multi-Input CNN for molecular classification in breast cancer | |
CN115631387B (zh) | 基于图卷积神经网络的肺癌病理高危因素预测方法和装置 | |
CN114305324A (zh) | 肿瘤复发预测装置与方法 | |
EP4318497A1 (en) | Training method for training artificial neural network for determining breast cancer lesion area, and computing system performing same | |
CN114582495A (zh) | 一种图像辅助宫颈癌患者预测方法、系统及设备 | |
Indraswari et al. | Brain tumor detection on magnetic resonance imaging (MRI) images using convolutional neural network (CNN) |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20220412 |