CN114511564B - 基于dce-mri对乳腺癌残存肿瘤负荷的影像分析方法 - Google Patents

基于dce-mri对乳腺癌残存肿瘤负荷的影像分析方法 Download PDF

Info

Publication number
CN114511564B
CN114511564B CN202210408166.1A CN202210408166A CN114511564B CN 114511564 B CN114511564 B CN 114511564B CN 202210408166 A CN202210408166 A CN 202210408166A CN 114511564 B CN114511564 B CN 114511564B
Authority
CN
China
Prior art keywords
image
mri
breast cancer
omics
dce
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
CN202210408166.1A
Other languages
English (en)
Other versions
CN114511564A (zh
Inventor
邵真真
李艳博
路红
朱鹰
季宇
徐熠琳
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.)
Tianjin Medical University Cancer Institute and Hospital
Original Assignee
Tianjin Medical University Cancer Institute and Hospital
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 Tianjin Medical University Cancer Institute and Hospital filed Critical Tianjin Medical University Cancer Institute and Hospital
Priority to CN202210408166.1A priority Critical patent/CN114511564B/zh
Publication of CN114511564A publication Critical patent/CN114511564A/zh
Application granted granted Critical
Publication of CN114511564B publication Critical patent/CN114511564B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • 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
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • 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
    • G06T2207/30068—Mammography; Breast
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Quality & Reliability (AREA)
  • Computational Linguistics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Probability & Statistics with Applications (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Image Processing (AREA)

Abstract

本发明公开一种基于DCE‑MRI对乳腺癌残存肿瘤负荷的影像分析方法，基于的影像组学及深度学习的分析方法突破了常规影像图像分析方法主观性强，无法提供定量指标的局限性，使用深度学习与影像组学两种基于医学影像的人工智能方法平行地对NAC的肿瘤影像分析，通过深入挖掘肉眼无法识别的影像图像信息，极大地拓展了影像图像分析方法的应用范围。

Description

基于DCE-MRI对乳腺癌残存肿瘤负荷的影像分析方法
技术领域
本发明属于医疗检测领域，尤其是涉及一种基于DCE-MRI对乳腺癌残存肿瘤负荷的影像分析方法。
背景技术
近年来，辅助化疗(neoadjuvant chemotherapy,NAC)广泛应用于乳腺癌患者，其主要临床目的是降低肿瘤分期以增加患者手术以及保乳手术机会[1-3]。大约80％的患者对NAC具有较好的临床反应，其中6-25％的患者可以在NAC后达到病理完全缓解(pathologic complete response,pCR)。已有研究表明，NAC后达到pCR的患者无事件生存率和总体生存率均有提高，即pCR与长期生存获益显著相关。然而，仍有大约20％的患者不能从NAC中获益。准确、及时评估NAC的病理反应，有利于为患者选择最佳治疗以及手术方案。病理检查作为肿瘤反应评估的金标准，诊断准确率高，但必须在术后获得，具有时间滞后性，容易错过调整方案的最佳时机。因此，找到一种能够在术前准确评估肿瘤对NAC反应的无创性检查方法尤为重要。
超声检查(ultrasonography,US)、乳腺X线检查(mammography,MG)、乳腺磁共振成像(magnetic resonance imaging,MRI)和正电子发射计算机断层成像(positronemission tomography/computed tomography，PET/CT) 等多种影像方法已被用于评估乳腺癌患者对NAC的病理反应。尽管诸多研究试图确定评估NAC疗效的最佳诊断方法，但尚未达成共识。
动态增强磁共振检查(dynamic contrast-enhanced magnetic resonanceimaging,DCE-MRI)已被证实在评估乳腺癌对NAC的病理反应方面具有良好的诊断效能。现有多项共识均推荐采用DCE-MRI在术前评估乳腺癌对NAC的病理反应。然而，DCE-MRI可能会高估或低估NAC后残存病灶。相关研究表明，DCE-MRI评估残存癌灶的敏感性为63％-88％，特异性为54％-91％，其评估准确性可能受肿瘤的形态、分子分型及退缩模式等诸多因素影响。就现有数据而言，通过影像学术前预测pCR以及评估残存癌灶尚无法达到临床预期，但DCE-MRI的准确性明显高于其它影像学方法。
发明内容
为解决上述技术问题，本发明提供一种医疗检测领域，尤其是涉及一种基于DCE-MRI对乳腺癌残存肿瘤负荷的影像分析方法。
本发明采用的技术方案是：基于DCE-MRI对乳腺癌残存肿瘤负荷的影像分析方法，其特征在于，包括如下步骤：
采集DCE-MRI图像并进行靶病灶增强图像的分割；
获取肿瘤边缘微环境并定义核心区；
提取所述边缘微环境及所述核心区的影像组学特征；
根据所述影像组学特征构建影像组学模型并形成影像组学标签；
构建深度卷积神经网络，将所述影像组学模型输入所述深度卷积神经网络；
输出所述影像组学模型数据分析结果。
进一步地，采集DCE-MRI图像并进行靶病灶增强图像的分割的步骤包括：
对所述DCE-MRI图像进行偏差校准；
对每个所述靶病灶增强图像使用半自动分割算法进行交互分割。
进一步地，所述获取肿瘤的边缘微环境并定义所述肿瘤的核心区的步骤包括：
采用重复性评估的肿瘤标注作为标准；
利用数学形态学算子对VOI进行膨胀与腐蚀操作；
利用补集云运算，获取肿瘤边缘微环境并定义核心区。
进一步地，所述提取所述边缘微环境及所述核心区的影像组学特征的步骤包括：
采用形态与边缘检测、一阶直方图、灰度纹理二阶统计特征、梯度特征以及经小波/LAWS/指数/拉普拉斯高斯算子滤波后的倾向性高阶特征构建所述影像组学特征；
通过对一个包含多个属性的所述影像组学特征进行意义分层与标注，完成对所述影像组学的定义。
进一步地，所述根据所述影像组学特征构建影像组学模型并形成影像组学标签的步骤包括：
利用整合降维算子的机器学习算法结合交叉内部验证优化参数构件所述影像组学模型；
计算RadScore代表模型对样本的输出，形成所述影像组学标签；
针对分类模型进行所述影像组学模型的解释说明。
进一步地，所述构建深度卷积神经网络，将所述影像组学模型输入所述深度卷积神经网络的步骤包括：
选择DenseNet模型作为深度卷积神经网络DCNN的基础结构；
对所述DenseNet进行训练；
将原始图像数据映射到隐层特征空间；
进一步地，所述输出所述影像组学模型数据分析结果的步骤包括：
利用ROC曲线评价所述影像组学模型的性能；
根据所述ROC曲线下面积赋予增强不同期相模型各自的权重，获得所述影像组学模型的分析结果。
进一步地，利用DeLong’s ROC曲线检验比较影像组学和DCNN模型两种方法处理NAC效果时产生的AUC差异，利用Lasso算子进行联合变量筛选，分别进行二分类结果展示。
进一步地，计算并记录肿瘤在边缘微环境区的MRI强化绝对值与核心区 MRI强化绝对值的最大宽度的数值作为参数值。
本发明具有的优点和积极效果是：本方案基于的影像组学及深度学习的分析方法突破了常规影像图像分析方法主观性强，无法提供定量指标的局限性，通过深入挖掘肉眼无法识别的影像图像信息，极大地拓展了影像图像分析方法的应用范围；使用深度学习与影像组学两种基于医学影像的人工智能方法平行地对NAC的肿瘤影像分析，尝试突破相关研究模式相对固化的局限。
附图说明
图1是本发明实施例的流程示意图。
具体实施方式
下面结合附图对本发明的实施例做出说明。
本发明公开一种基于DCE-MRI对乳腺癌残存肿瘤负荷的影像分析方法，如图1所示，本发明实施例的流程示意图，其中包括步骤：
采集DCE-MRI图像并进行靶病灶的图像分割；
获取肿瘤边缘微环境并定义核心区；
提取所述边缘微环境及所述核心区的影像组学特征；
根据所述影像组学特征构建影像组学模型并形成影像组学标签；
构建深度卷积神经网络，将所述影像组学模型输入所述深度卷积网络；
输出所述影像组学模型数据分析结果。
首先进行靶病灶的分割与肿瘤的亚区划分；对获取的患者术前DCE-MR 图像进行偏差校准后，对每个病例靶病灶的增强图像使用半自动分割算法进行交互分割。以通过重复性评估对肿瘤标注的作为标准，利用数学形态学算子对VOI进行膨胀与腐蚀操作，利用补集云运算，获得边缘微环境及核心区的定义。在明确上述算法的条件下，对应当膨胀/腐蚀多少像素单位(即边缘微环境的宽度d的调参)，使用现有的乳腺癌手术病例影像-病理对照数据集，在HE染色标本上确认的平均区域范围约10mm，以10mm宽度为初始值，迭代求解最大化肿瘤在边缘微环境区的MRI强化绝对值与核心区MRI 强化绝对差值的宽度作为最终参数值。针对各期增强图像因其他系统因素带来的定位误差，拟使用已开发用于增强图像配准的算法获得相似性度量后进行配准，将此分区划分方式由配准标准图像(Fix)迁移到其他期相的图像 (Moving)中。
进行影像组学特征的提取与模型的构建与评价；以缘微环境区及核心区为分析对象，对影像组学特征进行定义，提取包括形态与边缘检测、一阶直方图、灰度纹理二阶统计特征、梯度特征(特别是边缘微环境的梯度特征) 以及经小波/LAWS/指数/拉普拉斯高斯算子滤波后的倾向性高阶特征。
针对影像组学特征相互冗余及临床解释性不佳的问题，借鉴基因富集分析对基因位点功能进行标注相似的策略，由使用者选择一个特征亚组，对于一个包含多个属性的特征进行意义分层与标注，在后续的分析中，利用统计学方法如Fisher确切检验或统计检验模型打分，观察一个特征所对应标注组中一类特征的表现，从对组学单个特征的解释发展为对一组相似意义特征的解释。
利用整合降维算子的机器学习算法如弹性网络-广义线性模型结合交叉内部验证优化参数构建影像组学模型，建模完成后，计算RadScore代表模型对样本的输出，形成影像组学标签。针对分类模型使用ROC曲线/混淆矩阵等方式进行模型评价。
再进行深度学习表型的提取与模型的构建。选择DenseNet模型作为 DCNN的基础结构，完成DenseNet训练后，前方各Dense Blocks将原始图像数据映射到隐层特征空间，而全连接层起到将分布式特征表征映射到样本标记空间的作用以达到输出预测概率的目的。因此，理论上全连接层是整个网络抽象程度最高的表征层次，因此抽取其作为肿瘤的深度编码表型。将深度编码表型与影像组学表型进行相关分析，比较其表征能力及潜在关联。在完成训练后，分别利用ROC曲线评价模型预测性能，使用集成学习(Ensemble Learning)的策略，根据其曲线下面积(Area Under Curve,AUC)赋予增强不同期相模型各自的权重，获得最终的预测结果。
联合影像组学与深度学习特征构建量化的应用模型，利用DeLong’s ROC 曲线检验比较影像组学和DCNN模型两种方法处理NAC效果时产生的AUC差异，利用Lasso算子进行联合变量筛选，分别进行二分类结果展示。最后对模型变量使用Nomogram进行可视化，并尝试对模型评分进行简化。最后使用验证集进行测试与泛化能力评估。
下面通过具体实施例对本方案做出进一步说明。
实施例：
基于DCE-MRI对乳腺MRI新辅助化疗后残存肿瘤负荷的影像分析方法，步骤如下：
1.乳腺MRI图像预处理。对动态增强DCE的vibrant序列，进行窗宽窗位转换，然后基于阈值分割策略(包括但不限于大津阈值、Li阈值等等)，得到乳腺区域，然后沿着中心一分为二，得到左右两侧乳腺图像，同时作为训练数据输入。
2.基于深度卷积神经网络获取乳腺癌细胞影像分割的分析结果，以及乳腺癌细胞影像的相关特征；
2.1网络由下采样和上采样两个部分串联组成，包括但不限于UNet、VNet、DeepLabv3-plus等编码-解码结构；
2.2网络下采样部分，同时对两侧图像提取金字塔特征，将患侧和对侧特征都池化为cx1x1x1大小，其中c为特征维度，然后将两者结合起来，作为全局注意力变换加权到患侧特征图上面，基于对称性强化患侧乳腺癌特征；
2.3网络上采样部分，将下采样的金字塔特征，参考UNet的跳跃连接，逐级上采样到原始图像大小，最后通过softmax得到每个体素的乳腺癌病灶分割分析概率值；
2.4对分割的分析结果，联合cross-entropyloss和diceloss进行监督，假设图像大小为DxHxW，定义i,j,k坐标位置的金标准类别为yijk，那么获取类别为yijk的概率为pijk，则训练的损失函数定义为：
L＝Lc+λLd
其中，
Figure GDF0000019799080000071
Figure GDF0000019799080000072
其中c表示交叉熵(cross entropy)，d表示dice，Lc和Ld分别表示对应的交叉熵损失函数的dice损失函数，λ表示dice损失函数Ld的权重。
2.5将第2.3步的特征乘以乳腺癌的分割分析概率图，作为乳腺癌特征；
3.基于步骤2所述乳腺癌细胞影像分割的分析结果，进行影像组学特征的提取；
4.将步骤2和步骤3得到的深度学习特征和影像组学特征融合起来，经过多层全连接，完成数据降维和分类分析结果演示，最后通过softmax层得到最终的分类概率数值，得到乳腺MRI新辅助化疗后残存肿瘤符合的影像数据分析结果。
以上对本发明的实施例进行了详细说明，但所述内容仅为本发明的较佳实施例，不能被认为用于限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进等，均应仍归属于本发明的专利涵盖范围之内。

Claims (5)

1.基于DCE-MRI对乳腺癌残存肿瘤负荷的影像分析方法，其特征在于，包括如下步骤：
采集DCE-MRI图像并将靶病灶增强图像通过半自动分割算法进行交互分割；
基于深度卷积神经网络获取乳腺癌细胞影像分割的分析结果，以及所述乳腺癌细胞影像的相关特征；
所述深度卷积神经网络由下采样和上采样两部分串联组成；
所述网络下采样部分，同时对两侧图像提取金字塔特征，将患侧和对侧特征都池化为cx1x1x1大小，其中c为特征维度，将两者结合起来，作为全局注意力变换加权到患侧特征图上，基于对称性强化患侧乳腺癌特征；
所述网络上采样部分，将下采样的金字塔特征，参考UNet的跳跃连接，逐级上采样到原始图像大小，最后通过softmax得到每个体素的乳腺癌病灶分割分析概率值；
将所述下采样的金字塔特征乘以乳腺癌的分割分析概率图，作为乳腺癌特征；
采用重复性评估的肿瘤标注作为标准；
利用数学形态学算子对VOI进行膨胀与腐蚀操作；
利用补集云运算，获取肿瘤边缘微环境并定义核心区；
提取所述边缘微环境及所述核心区的影像组学特征；
采用形态与边缘检测、一阶直方图、灰度纹理二阶统计特征、梯度特征以及经小波/LAWS/指数/拉普拉斯高斯算子滤波后的倾向性高阶特征构建所述影像组学特征；
通过对一个包含多个属性的所述影像组学特征进行意义分层与标注，完成对所述影像组学的定义，
根据所述影像组学特征构建影像组学模型并形成影像组学标签；
基于所述乳腺癌细胞影像分割的分析结果，进行所述影像组学特征的提取；
将深度学习特征和所述影像组学特征融合起来，经过多层全连接，完成数据降维和分类分析结果演示，最后通过softmax层得到得到最终的分类概率数值，得到乳腺MRI新辅助化疗后残存肿瘤符合的影像数据分析结果。
2.根据权利要求1所述的基于DCE-MRI对乳腺癌残存肿瘤负荷的影像分析方法，其特征在于，采集DCE-MRI图像并进行靶病灶增强图像的分割的步骤包括：
对所述DCE-MRI图像进行偏差校准；
对每个所述靶病灶增强图像使用半自动分割算法进行交互分割。
3.根据权利要求1所述的基于DCE-MRI对乳腺癌残存肿瘤负荷的影像分析方法，其特征在于，所述根据所述影像组学特征构建影像组学模型并形成影像组学标签的步骤包括：
利用整合降维算子的机器学习算法结合交叉内部验证优化参数构件所述影像组学模型；
计算RadScore代表模型对样本的输出，形成所述影像组学标签；
针对分类模型进行所述影像组学模型的解释说明。
4.根据权利要求1-3中任一所述的基于DCE-MRI对乳腺癌残存肿瘤负荷的影像分析方法，其特征在于：利用DeLong’s ROC曲线检验比较影像组学和DCNN模型两种方法处理NAC效果时产生的AUC差异，利用Lasso算子进行联合变量筛选，分别进行二分类结果展示。
5.根据权利要求4所述的基于DCE-MRI对乳腺癌残存肿瘤负荷的影像分析方法，其特征在于：计算并记录肿瘤在边缘微环境区的MRI强化绝对值与核心区MRI强化绝对值的最大宽度的数值作为参数值。
CN202210408166.1A 2022-04-19 2022-04-19 基于dce-mri对乳腺癌残存肿瘤负荷的影像分析方法 Active CN114511564B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210408166.1A CN114511564B (zh) 2022-04-19 2022-04-19 基于dce-mri对乳腺癌残存肿瘤负荷的影像分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210408166.1A CN114511564B (zh) 2022-04-19 2022-04-19 基于dce-mri对乳腺癌残存肿瘤负荷的影像分析方法

Publications (2)

Publication Number Publication Date
CN114511564A CN114511564A (zh) 2022-05-17
CN114511564B true CN114511564B (zh) 2023-01-24

Family

ID=81554953

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210408166.1A Active CN114511564B (zh) 2022-04-19 2022-04-19 基于dce-mri对乳腺癌残存肿瘤负荷的影像分析方法

Country Status (1)

Country Link
CN (1) CN114511564B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116030261A (zh) * 2023-03-29 2023-04-28 浙江省肿瘤医院 Mri影像多组学评估乳腺癌同源重组修复缺陷的方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN113208640A (zh) * 2021-04-26 2021-08-06 复旦大学附属肿瘤医院 一种基于乳腺专用pet影像组学预测腋窝淋巴结转移的方法
CN113643269A (zh) * 2021-08-24 2021-11-12 泰安市中心医院 基于无监督学习的乳腺癌分子分型方法、装置及系统
CN114267434A (zh) * 2021-12-27 2022-04-01 西南医科大学附属医院 一种基于影像组学的癌患者肿瘤图像勾画方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210003555A1 (en) * 2017-07-13 2021-01-07 Institut Gustave-Roussy A Radiomics-Based Imaging Tool to Monitor Tumor-Lymphocyte Infiltration and Outcome in Cancer Patients Treated by Anti-PD-1/PD-L1
CN108898160B (zh) * 2018-06-01 2022-04-08 中国人民解放军战略支援部队信息工程大学 基于cnn和影像组学特征融合的乳腺癌组织病理学分级方法
CN109086572A (zh) * 2018-07-24 2018-12-25 南方医科大学南方医院 一种用于评估胃癌术后预后和化疗反应性的试剂和方法
CN111382756B (zh) * 2018-12-28 2023-06-02 台湾中国医药大学附设医院 影像电脑辅助直肠癌治疗反应预测系统及方法
US11810292B2 (en) * 2019-09-30 2023-11-07 Case Western Reserve University Disease characterization and response estimation through spatially-invoked radiomics and deep learning fusion
US11896349B2 (en) * 2019-12-09 2024-02-13 Case Western Reserve University Tumor characterization and outcome prediction through quantitative measurements of tumor-associated vasculature
CN111370128A (zh) * 2020-03-05 2020-07-03 上海市肺科医院（上海市职业病防治院） 一种肺癌患者预后预测系统及方法
CN111739033A (zh) * 2020-06-22 2020-10-02 中山大学肿瘤防治中心（中山大学附属肿瘤医院、中山大学肿瘤研究所） 基于机器学习的乳腺钼靶及mr图像影像组学模型的建立方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN113208640A (zh) * 2021-04-26 2021-08-06 复旦大学附属肿瘤医院 一种基于乳腺专用pet影像组学预测腋窝淋巴结转移的方法
CN113643269A (zh) * 2021-08-24 2021-11-12 泰安市中心医院 基于无监督学习的乳腺癌分子分型方法、装置及系统
CN114267434A (zh) * 2021-12-27 2022-04-01 西南医科大学附属医院 一种基于影像组学的癌患者肿瘤图像勾画方法

Also Published As

Publication number Publication date
CN114511564A (zh) 2022-05-17

Similar Documents

Publication Publication Date Title
CN110934606B (zh) 脑卒中早期平扫ct图像评估系统及评估方法、可读存储介质
CN106056595B (zh) 基于深度卷积神经网络自动识别甲状腺结节良恶性的辅助诊断系统
CN108288070B (zh) 一种神经指纹提取分类方法及系统
KR102108050B1 (ko) 증강 컨볼루션 네트워크를 통한 유방암 조직학 이미지 분류 방법 및 그 장치
US20170249739A1 (en) Computer analysis of mammograms
CN114926477B (zh) 一种基于深度学习的脑肿瘤多模态mri影像分割方法
CN108257135A (zh) 基于深度学习方法解读医学图像特征的辅助诊断系统
EP2791901A1 (en) Probability mapping for visualisation and analysis of biomedical images
Eyal et al. Model‐based and model‐free parametric analysis of breast dynamic‐contrast‐enhanced MRI
CN111340770B (zh) 结合全局加权lbp和纹理分析的癌症预后模型构建方法
He et al. Automatic segmentation and quantification of epicardial adipose tissue from coronary computed tomography angiography
CN112419320B (zh) 基于sam与多层uda的跨模态心脏分割方法
Nandihal et al. Glioma Detection using Improved Artificial Neural Network in MRI Images
CN114693933A (zh) 基于生成对抗网络和多尺度特征融合的医学影像分割装置
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
Alksas et al. A novel computer-aided diagnostic system for early assessment of hepatocellular carcinoma
Yang et al. Multiview sequential learning and dilated residual learning for a fully automatic delineation of the left atrium and pulmonary veins from late gadolinium-enhanced cardiac MRI images
WO2015078980A2 (en) Method and system for determining the prognosis of a patient suffering from pulmonary embolism
CN114511564B (zh) 基于dce-mri对乳腺癌残存肿瘤负荷的影像分析方法
Feng et al. MRI generated from CT for acute ischemic stroke combining radiomics and generative adversarial networks
CN115496720A (zh) 基于ViT机制模型的胃肠癌病理图像分割方法及相关设备
CN112638262B (zh) 相似度确定装置、方法及程序
Gloger et al. Automatic gallbladder segmentation using combined 2D and 3D shape features to perform volumetric analysis in native and secretin-enhanced MRCP sequences
CN116504406A (zh) 基于影像组合病理的肺癌术后风险模型构建方法和系统
Çetingül et al. Estimation of local orientations in fibrous structures with applications to the Purkinje system

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
CB03 Change of inventor or designer information

Inventor after: Shao Zhenzhen

Inventor after: Li Yanbo

Inventor after: Lu Hong

Inventor after: Zhu Ying

Inventor after: Ji Yu

Inventor after: Xu Yilin

Inventor before: Lu Hong

Inventor before: Shao Zhenzhen

Inventor before: Li Yanbo

Inventor before: Zhu Ying

Inventor before: Ji Yu

Inventor before: Xu Yilin

CB03 Change of inventor or designer information
GR01 Patent grant
GR01 Patent grant