CN114677378B - 基于卵巢肿瘤良恶性预测模型的计算机辅助诊疗系统 - Google Patents
基于卵巢肿瘤良恶性预测模型的计算机辅助诊疗系统 Download PDFInfo
- Publication number
- CN114677378B CN114677378B CN202210602872.XA CN202210602872A CN114677378B CN 114677378 B CN114677378 B CN 114677378B CN 202210602872 A CN202210602872 A CN 202210602872A CN 114677378 B CN114677378 B CN 114677378B
- Authority
- CN
- China
- Prior art keywords
- tumor
- image
- model
- result
- benign
- 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
Links
- 230000003211 malignant effect Effects 0.000 title claims abstract description 36
- 206010004433 Benign ovarian tumour Diseases 0.000 title claims abstract description 33
- 238000011282 treatment Methods 0.000 title claims abstract description 14
- 238000004195 computer-aided diagnosis Methods 0.000 title claims abstract description 11
- 206010028980 Neoplasm Diseases 0.000 claims abstract description 145
- 230000011218 segmentation Effects 0.000 claims abstract description 58
- 239000000439 tumor marker Substances 0.000 claims abstract description 46
- 238000013145 classification model Methods 0.000 claims abstract description 25
- 230000004927 fusion Effects 0.000 claims abstract description 23
- 201000011510 cancer Diseases 0.000 claims abstract description 21
- 230000003902 lesion Effects 0.000 claims abstract description 15
- 230000002611 ovarian Effects 0.000 claims abstract description 14
- 210000001672 ovary Anatomy 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims description 34
- 230000004913 activation Effects 0.000 claims description 16
- 238000010586 diagram Methods 0.000 claims description 13
- 238000011176 pooling Methods 0.000 claims description 11
- 101000955067 Homo sapiens WAP four-disulfide core domain protein 2 Proteins 0.000 claims description 10
- 102100038965 WAP four-disulfide core domain protein 2 Human genes 0.000 claims description 10
- 102000012406 Carcinoembryonic Antigen Human genes 0.000 claims description 8
- 108010022366 Carcinoembryonic Antigen Proteins 0.000 claims description 8
- 102000013529 alpha-Fetoproteins Human genes 0.000 claims description 8
- 108010026331 alpha-Fetoproteins Proteins 0.000 claims description 8
- 230000008602 contraction Effects 0.000 claims description 8
- 238000013479 data entry Methods 0.000 claims description 8
- INZOTETZQBPBCE-NYLDSJSYSA-N 3-sialyl lewis Chemical compound O[C@H]1[C@H](O)[C@H](O)[C@H](C)O[C@H]1O[C@H]([C@H](O)CO)[C@@H]([C@@H](NC(C)=O)C=O)O[C@H]1[C@H](O)[C@@H](O[C@]2(O[C@H]([C@H](NC(C)=O)[C@@H](O)C2)[C@H](O)[C@H](O)CO)C(O)=O)[C@@H](O)[C@@H](CO)O1 INZOTETZQBPBCE-NYLDSJSYSA-N 0.000 claims description 6
- 239000000427 antigen Substances 0.000 claims description 6
- 102000036639 antigens Human genes 0.000 claims description 6
- 108091007433 antigens Proteins 0.000 claims description 6
- 150000001720 carbohydrates Chemical class 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000010191 image analysis Methods 0.000 abstract description 3
- 206010061535 Ovarian neoplasm Diseases 0.000 description 29
- 230000006870 function Effects 0.000 description 25
- 206010033128 Ovarian cancer Diseases 0.000 description 19
- 238000007477 logistic regression Methods 0.000 description 19
- 238000000034 method Methods 0.000 description 18
- 238000003745 diagnosis Methods 0.000 description 11
- 238000002591 computed tomography Methods 0.000 description 8
- 201000008016 ovarian benign neoplasm Diseases 0.000 description 7
- 230000009245 menopause Effects 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 238000012795 verification Methods 0.000 description 6
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 3
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000036210 malignancy Effects 0.000 description 3
- 239000003550 marker Substances 0.000 description 3
- 208000024891 symptom Diseases 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- -1 CA125 Proteins 0.000 description 1
- 206010008342 Cervix carcinoma Diseases 0.000 description 1
- 208000009774 Follicular Cyst Diseases 0.000 description 1
- 208000006105 Uterine Cervical Neoplasms Diseases 0.000 description 1
- 230000003187 abdominal effect Effects 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 201000010881 cervical cancer Diseases 0.000 description 1
- 208000009060 clear cell adenocarcinoma Diseases 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 208000031513 cyst Diseases 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000002503 metabolic effect Effects 0.000 description 1
- 230000004060 metabolic process Effects 0.000 description 1
- 208000010492 mucinous cystadenocarcinoma Diseases 0.000 description 1
- 208000004707 mucinous cystadenoma Diseases 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 208000015124 ovarian disease Diseases 0.000 description 1
- 201000010302 ovarian serous cystadenocarcinoma Diseases 0.000 description 1
- 239000013610 patient sample Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 230000001850 reproductive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000013058 risk prediction model Methods 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 208000004548 serous cystadenocarcinoma Diseases 0.000 description 1
- 208000005893 serous cystadenoma Diseases 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000011269 treatment regimen 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
- A61B6/52—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
-
- 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
-
- 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
- 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)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- General Physics & Mathematics (AREA)
- Radiology & Medical Imaging (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Evolutionary Computation (AREA)
- Surgery (AREA)
- Heart & Thoracic Surgery (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Animal Behavior & Ethology (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- High Energy & Nuclear Physics (AREA)
- Optics & Photonics (AREA)
- Pathology (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Pulmonology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明属于医学影像分析技术领域，特别是涉及基于卵巢肿瘤良恶性预测模型的计算机辅助诊疗系统。所述系统执行以下步骤：S1，获取卵巢图像及相应的肿瘤标志物；S2，将所述卵巢图像及相应的肿瘤标志物输入训练好的卵巢肿瘤良恶性预测模型，输出肿瘤判断结果，所述判断结果为良性肿瘤或恶性肿瘤；其中，所述卵巢肿瘤良恶性预测模型包括基于图像的肿瘤分割模型、基于图像的肿瘤分类模型和病灶分类融合预测模型。该系统得到的预测模型准确率高，对于特殊病例有更好的鉴别能力。
Description
技术领域
本发明属于医学影像分析技术领域，特别是涉及基于卵巢肿瘤良恶性预测模型的计算机辅助诊疗系统。
背景技术
卵巢癌是一种极为常见的妇科恶性肿瘤，其致死率在女性恶性肿瘤中位列第10位，在生殖系统恶性肿瘤中位列第2位，仅次于子宫颈癌。卵巢位于盆腔深部，生理学位置特殊，且发病隐匿，在形成盆腔包块时早期无特异性症状。此外，卵巢癌缺少可靠的筛查方法，造成早期诊断困难。约有70%的卵巢癌患者出现明显临床症状时，肿瘤已进入中晚期或已转移至远处器官。并且，卵巢癌患者的预后恢复较差，5年生存率仅为20%至30%。
随着影像诊断技术的发展，卵巢肿瘤可在没有任何症状时得以发现，包括了从功能性滤泡囊肿到卵巢癌所有的可能性，治疗策略差别很大，其中一些生理性囊肿并不需要治疗。因此，发现卵巢肿瘤后进一步鉴别其良恶性已是临床亟待解决的问题。临床工作中卵巢肿瘤的分流评估是主要基于妇科肿瘤医师丰富的临床经验进行查体、肿瘤标志物检验及影像学图像辅助检查，对临床经验和判别能力都有极高的要求。一方面，肿瘤标志物糖类抗原125(CA125)是最早用于卵巢癌检测的肿瘤标志物，但其特异性差。卵巢癌风险预测模型(Risk of Ovarian Malignancy Algorithm, ROMA)将患者的绝经因素与CA125、人附睾蛋白4(HE4)结果经过计算得出绝经前后妇女卵巢癌高低风险百分比，在一定程度上提高了卵巢癌诊断的灵敏性和特异性，但单一依靠其诊断或排除卵巢癌，其准确度是远远不够的。另一方面，对于低年资医生、基层偏远地区医院医师而言，由于缺乏熟练的影像学阅片基础，无法准确分辨病灶与周围正常组织，很大程度需要依靠影像科医生的报告进行诊断，导致了诊断水平的参差不齐。因此，准确且可靠的自动分割与良恶性分类方法对于临床和研究都具有非常高的价值，对社会也有着重大的意义。
现有的卵巢肿瘤计算机辅助诊疗方案大多基于图像数据或肿瘤标志物特征信息，进行图像分割和肿瘤良恶性的判断，这些传统的方法都有着一些固有的缺陷，例如肿瘤标志物特征是对肿瘤的代谢产物进行检测，而肿瘤代谢的具体情况是因人而异，因病而异的，这些特征信息在检测肿瘤是否存在时效果极佳，但在判断肿瘤的良恶性时，统计出的特征信息却并不能较好地覆盖所有情况，存在着因病人体质等因素导致的特殊数据；而只通过图像进行判断也有着难以消除噪声干扰、遇到体积较小的包块和形状特殊的包块难以正确做出判断等问题。
发明内容
本发明的目的在于针对上述提到的基于图像数据或基于肿瘤标志物特征进行诊断分别具有缺陷的问题，将多种神经网络和逻辑回归模型进行融合，构建了融合后的卵巢肿瘤良恶性预测模型，通过该模型可以综合运用图像数据和肿瘤标志物数据对卵巢肿瘤的良恶性进行判断，提出了基于卵巢肿瘤良恶性预测模型的计算机辅助诊疗系统。
为了实现上述发明目的，本发明提供了以下技术方案：
基于卵巢肿瘤良恶性预测模型的计算机辅助诊疗系统，所述系统执行以下步骤：
S1，获取卵巢图像及相应的肿瘤标志物；
S2，将所述卵巢图像及相应的肿瘤标志物输入训练好的卵巢肿瘤良恶性预测模型，输出肿瘤判断结果，所述判断结果为良性肿瘤或恶性肿瘤；
其中，所述卵巢肿瘤良恶性预测模型包括基于图像的肿瘤分割模型、基于图像的肿瘤分类模型和病灶分类融合预测模型；
所述卵巢图像输入所述基于图像的肿瘤分割模型，得到肿瘤分割结果；将所述肿瘤分割结果输入基于图像的肿瘤分类模型得到基于图像的肿瘤预测结果；将所述基于图像的肿瘤预测结果与所述肿瘤标志物特征结合，生成组合特征，将所述组合特征输入病灶分类融合预测模型，输出肿瘤判断结果。
作为本发明的优选方案，所述基于图像的肿瘤分割模型使用U-net网络，所述基于图像的肿瘤分类模型使用ResNet-101网络，所述病灶分类融合预测模型采用LR模型。
作为本发明的优选方案，所述卵巢图像输入所述基于图像的肿瘤分割模型，得到肿瘤分割结果具体包括以下步骤：
S21，将所述卵巢图像输入U-net网络，将所述卵巢图像收缩4次，每一次收缩应用2次卷积操作，卷积核大小为3×3，卷积核数量分别设置为32，64，128，256，激活函数使用ReLU，在卷积操作后，进行2×2池化操作实现下采样，使特征图缩小1倍；
S22，对步骤S21得到的特征图应用2次卷积操作，卷积核大小为3×3，卷积核数量为512，激活函数使用ReLU；
S23，将步骤S22得到的特征图扩展4次，每一次扩展进行步长为2的反卷积操作实现上采样，使用跳跃连接将同一层收缩路径的特征图与扩展路径的特征图拼接，然后应用2次卷积操作，卷积核大小为3×3，卷积核数量分别设置为256，128，64，32，激活函数使用ReLU，使特征图扩大1倍；
S24，将步骤S23得到的特征图应用1次卷积操作，卷积核大小为1×1，将32个通道的特征图映射为对应像素的分类，得到肿瘤分割结果。
作为本发明的优选方案，在训练所述基于图像的肿瘤分割模型时，采用Dice损失函数训练基于图像的肿瘤分割模型至收敛，所述Dice损失函数公式为：
其中，
表示真实肿瘤分割，
表示模型预测的肿瘤分割。
作为本发明的优选方案，将所述肿瘤分割结果输入基于图像的肿瘤分类模型得到基于图像的肿瘤预测结果，具体包括以下步骤：
A21，将所述肿瘤分割结果输入ResNet-101网络的卷积层，卷积核数量为64，大小为7×7，步长为2，然后进行3×3最大池化，步长为2；
A22，将A21输出的结果依次输入四类残差块，每类残差块由三层卷积操作组成，卷积核大小分别为1×1，3×3，1×1，所述四类残差块中，第一类残差块数量为3，其卷积核数量分别为64，64，256，第二类残差块数量为4，其卷积核数量分别为128，128，512，第三类残差块数量为23，其卷积核数量分别为256，256，1024，第四类残差块数量为3，其卷积核数量分别为512，512，2048；
A23，将步骤A22输出的结果进行平均池化后输入全连接层，使用激活函数Sigmoid，输出基于图像的肿瘤预测结果。
作为本发明的优选方案，将所述基于图像的肿瘤预测结果与所述肿瘤标志物特征结合，生成组合特征，将所述组合特征输入病灶分类融合预测模型，输出肿瘤判断结果，具体是指：
将所述基于图像的肿瘤预测结果作为特征之一，结合肿瘤标志物特征，生成组合特征，将所述组合特征输入用于预测的Sigmoid函数，得到肿瘤判断结果，所述用于预测的Sigmoid函数的计算公式为：
其中，
表示第
个特征的取值，
表示第
个特征的权重，
表示偏置项，e是自然常数。
作为本发明的优选方案，在训练所述病灶分类融合预测模型时，采用交叉熵损失函数训练模型至收敛，所述交叉熵损失函数公式为：
其中，
是模型输出的判断结果，
是真实的良恶性结果，N是数据条目，i是指代各数据条目的下标。
作为本发明的优选方案，所述肿瘤标志物的特征包括甲胎蛋白、癌胚抗原、糖类抗原125、人附睾蛋白4和糖类抗原19-9。
作为本发明的优选方案，所述肿瘤标志物的特征还包括患者是否绝经的结果。
与现有技术相比，本发明的有益效果：
本发明的系统应用了卵巢肿瘤良恶性预测模型，该网络首先基于图像数据输出基于图像的肿瘤预测结果，然后将基于图像的肿瘤预测结果与肿瘤标志物特征一起，利用逻辑回归模型输出了卵巢肿瘤的良恶性判断的结果。该系统将多种神经网络和逻辑回归模型进行融合，构建了融合后的卵巢肿瘤良恶性预测模型，基于该融合模型图像判断和标志物判断的优势进行了结合，两类数据的融合也克服了采用单一数据进行判断的缺陷，使得预测的结果准确率高，对于特殊病例有更好的鉴别能力。
附图说明
图1为本发明实施例1中基于卵巢肿瘤良恶性预测模型的计算机辅助诊疗系统识别卵巢肿瘤的流程图；
图2为本发明实施例2中卵巢肿瘤良恶性识别整体框架图；
图3为本发明实施例2中改进的U-net模型算法流程图；
图4为本发明实施例2中残差学习模块示意图；
图5为本发明实施例2中构建卵巢肿瘤良恶性预测模型的流程图；
图6为本发明实施例2中图像识别结果和肿瘤标志物特征结合的示意图。
具体实施方式
下面结合试验例及具体实施方式对本发明作进一步的详细描述。但不应将此理解为本发明上述主题的范围仅限于以下的实施例，凡基于本发明内容所实现的技术均属于本发明的范围。
实施例1
基于卵巢肿瘤良恶性预测模型的计算机辅助诊疗系统，所述系统执行以下步骤，流程图如图1所示：
S1，获取卵巢图像及相应的肿瘤标志物；
S2，将所述卵巢图像及相应的肿瘤标志物输入训练好的卵巢肿瘤良恶性预测模型，输出肿瘤判断结果，所述判断结果为良性肿瘤或恶性肿瘤；
其中，所述卵巢肿瘤良恶性预测模型包括基于图像的肿瘤分割模型、基于图像的肿瘤分类模型和病灶分类融合预测模型；
所述卵巢图像输入所述基于图像的肿瘤分割模型，得到肿瘤分割结果；将所述肿瘤分割结果输入基于图像的肿瘤分类模型得到基于图像的肿瘤预测结果；将所述基于图像的肿瘤预测结果与所述肿瘤标志物特征结合，生成组合特征，将所述组合特征输入病灶分类融合预测模型，输出肿瘤判断结果。
其中，基于图像的肿瘤分割模型使用U-net网络，基于图像的肿瘤分类模型使用ResNet-101网络，病灶分类融合预测模型采用LR模型。本发明的核心创新是将CT图像的结果和肿瘤标志物的结果结合起来进行卵巢肿瘤的良恶性判断。要从图像中判断肿瘤的良恶性，首先需要将CT图像中的肿瘤找出来，U-net网络面对小样本能够表现出优秀的分割性能，同时时效性较强，因此选用U-net。其次，使用ResNet-101模型进行图像的分类，能够保证分类的准确性。最后，再将ResNet-101的结果和肿瘤标志物结合，使用逻辑回归进行良恶性判断，逻辑回归是一个简单高效的用于分类的方法，通过上述三个模型的融合，将图像和肿瘤标志物两种不同类型的数据进行了结合，有利于提高分析结果的准确性，避免了基于单一数据进行判断造成的偏差。
作为优选方案，卵巢图像输入所述基于图像的肿瘤分割模型，得到肿瘤分割结果具体包括以下步骤：
S21，将所述卵巢图像输入U-net网络，将所述卵巢图像收缩4次，每一次收缩应用2次卷积操作，卷积核大小为3×3，卷积核数量分别设置为(32，64，128，256)，激活函数使用ReLU，在卷积操作后，进行2×2池化操作实现下采样，使特征图缩小1倍；
S22，对步骤S21得到的特征图应用2次卷积操作，卷积核大小为3×3，卷积核数量为512，激活函数使用ReLU；
S23，将步骤S22得到的特征图扩展4次，每一次扩展进行步长为2的反卷积操作实现上采样，使用跳跃连接将同一层收缩路径的特征图与扩展路径的特征图拼接，然后应用2次卷积操作，卷积核大小为3×3，卷积核数量分别设置为256，128，64，32，激活函数使用ReLU，使特征图扩大1倍；
S24，将步骤S23得到的特征图应用1次卷积操作，卷积核大小为1×1，将32个通道的特征图映射为对应像素的分类，得到肿瘤分割结果。
作为优选方案，将所述肿瘤分割结果输入基于图像的肿瘤分类模型得到基于图像的肿瘤预测结果，具体包括以下步骤：
A21，将所述肿瘤分割结果输入ResNet-101网络的卷积层，卷积核数量为64，大小为7×7，步长为2，然后进行3×3最大池化，步长为2；
A22，将A21输出的结果依次输入四类残差块，每类残差块由三层卷积操作组成，卷积核大小分别为1×1，3×3，1×1，所述四类残差块中，第一类残差块数量为3，其卷积核数量分别为64，64，256，第二类残差块数量为4，其卷积核数量分别为128，128，512，第三类残差块数量为23，其卷积核数量分别为256，256，1024，第四类残差块数量为3，其卷积核数量分别为512，512，2048；
A23，将步骤A22输出的结果进行平均池化后输入全连接层，使用激活函数Sigmoid，输出图像肿瘤预测结果。
作为优选方案，将所述基于图像的肿瘤预测结果与所述肿瘤标志物特征结合，生成组合特征，将所述组合特征输入病灶分类融合预测模型，输出肿瘤判断结果，具体是指：
将所述图像肿瘤预测结果作为特征之一，结合肿瘤标志物特征，生成标志物特征组合，将所述标志物组合特征输入用于预测的Sigmoid函数，得到肿瘤判断结果，所述用于预测的Sigmoid函数的计算公式为：
其中，
表示第
个特征的取值，
表示第
个特征的权重，
表示偏置项，e是自然常数。
作为优选方案，在训练所述病灶分类融合预测模型时，采用交叉熵损失函数训练模型至收敛，所述交叉熵损失函数公式为：
其中，
是模型输出的判断结果，
是真实的良恶性结果，N是数据条目，i是指代各数据条目的下标。
进一步的，所述肿瘤标志物特征包括甲胎蛋白、癌胚抗原、糖类抗原125、 人附睾蛋白4和糖类抗原19-9。
实施例2
作为一种具体的实施例，图2中给出了卵巢肿瘤良恶性识别整体框架图，获取的卵巢图像依次经过基于图像的肿瘤分割模型和基于图像的肿瘤分类模型的处理，得到基于图像的肿瘤预测结果；然后基于图像的肿瘤预测结果与肿瘤标志物进行特征组合后，生成组合特征，组合特征输入病灶分类融合预测模型，输出卵巢肿瘤良恶性预测结果。
卵巢肿瘤良恶性预测模型的是本发明系统中的重要组成部分，该模型的训练过程主要包括基于图像的肿瘤分割模型的训练和病灶分类模型的训练。模型的训练过程如图5所示。
图像的肿瘤分割模型的训练包括以下步骤：
步骤1：选取卵巢肿瘤患者样本，获取患者的卵巢图像数据和肿瘤标志物特征，其中的卵巢肿瘤患者包括良性肿瘤患者和恶性肿瘤患者，良性肿瘤包括浆液性囊腺瘤和粘液性囊腺瘤；恶性肿瘤包括浆液性囊腺癌、粘液性囊腺癌和透明细胞癌；
步骤2：制作数据集，标注步骤1中每个患者的卵巢肿瘤病灶区域以及卵巢肿瘤良恶性程度；
步骤2.1：对卵巢肿瘤患者的腹部卵巢区域进行电子计算机断层扫描（CT），获得相应的CT图像；
步骤2.2：对卵巢肿瘤患者进行肿瘤标志物检查，获得相应的肿瘤标志物特征。肿瘤标志物包括甲胎蛋白（AFP）、癌胚抗原（CEA）、糖类抗原125（CA125）、 人附睾蛋白4（HE4）和糖类抗原19-9（CA19-9）。这些肿瘤标志物是关于卵巢肿瘤相关的教科书及专业指南建议使用的肿瘤标记物，也是临床卵巢疾病常用的检查项目，所以选择这些标志物与图像分析结果进行结合，输入逻辑回归模型，得到最终的预测结果，提高了诊疗系统的准确性。
步骤2.3：对获得的CT图像进行勾画，分割卵巢病灶区域，得到已标注卵巢肿瘤区域的图像，并记录卵巢肿瘤良恶性程度，作为数据集。
步骤3：扩增数据集，对步骤2得到的数据集使用数据增强扩增技术，按照6：3：1的比例分别从数据集中随机抽取，得到训练集、验证集和测试集；对训练集和验证集图像使用数据增强技术，通过平移、旋转、扭曲等方式增加训练集和验证集的图像数量；测试集不进行数据增强。
步骤4：训练基于图像的肿瘤分割模型，使用步骤3划分的训练集和验证集对基于图像的肿瘤分割模型进行训练，其具体步骤如下：
基于图像的肿瘤分割模型使用U-net网络，其流程图如附图3所示，输入是大小为512×512像素的卵巢CT图像，经过收缩路径和扩展路径处理后，输出为对应大小的肿瘤分割，包括：
步骤4.1：收缩路径处理，将输入特征图收缩4次，每一次收缩应用2次卷积操作，卷积核大小为3×3，卷积核数量分别设置为(32，64，128，256)，激活函数使用ReLU，在卷积操作后，进行2×2池化操作实现下采样，使特征图缩小1倍；
步骤4.2：对步骤4.1得到的特征图应用2次卷积操作，卷积核大小为3×3，卷积核数量为512激活函数使用ReLU；
步骤4.3：扩展路径处理，将步骤4.2得到的特征图扩展4次，每一次扩展进行步长为2的反卷积操作实现上采样，使用跳跃连接将同一层收缩路径的特征图与扩展路径的特征图拼接，然后应用2次卷积操作，卷积核大小为3×3，卷积核数量分别设置为(256，128，64，32)，激活函数使用ReLU，使特征图扩大1倍；
步骤4.4：对步骤4.3得到的特征图应用1次卷积操作，卷积核大小为1×1，将32个通道的特征图映射为对应像素的分类，得到最终的分割结果。
步骤4.5：使用Adam优化方法训练基于图像的肿瘤分割模型，在训练模型时使用步骤3得到的训练集和验证集迭代训练基于图像的肿瘤分割模型，更新参数至模型收敛，运用Dice损失函数，通过公式(1)计算，表示真实肿瘤分割，表示模型预测的肿瘤分割。
步骤5：训练病灶分类模型，使用步骤4分割得到的卵巢肿瘤病灶图像结合肿瘤标志物特征，对病灶分类模型进行训练，得到训练好的病灶分类模型，其具体步骤如下：
病灶分类模型包括基于图像的肿瘤分类模型和病灶分类融合预测模型，其中，基于图像的肿瘤分类模型使用深度残差网络（ResNet-101），病灶分类融合预测模型采用的是逻辑回归（LR）模型，ResNet-101网络的残差学习模块如附图4所示，输入ResNet-101网络的是肿瘤分割图像，输出ResNet-101网络的是图像肿瘤预测结果，然后将图像肿瘤预测结果与肿瘤标志物特征一起输入到逻辑回归（LR）模型，逻辑回归（LR）模型输出为肿瘤良恶性预测结果，具体包括以下步骤：
步骤5.1：首先将肿瘤分割图像输入卷积层，卷积核数量为64，大小为7×7，步长为2，然后进行3×3最大池化，步长为2，接下来依次输入四类残差块，每类残差块由三层卷积操作组成，卷积核大小分别为(1×1，3×3，1×1)，第一类残差块数量为3，其卷积核数量分别为(64，64，256)，第二类残差块数量为4，其卷积核数量分别为(128，128，512)，第三类残差块数量为23，其卷积核数量分别为(256，256，1024)，第四类残差块数量为3，其卷积核数量分别为(512，512，2048)，然后进行平均池化后输入全连接层，使用激活函数Sigmoid，输出对肿瘤良恶性的判断，即输出图像肿瘤预测结果；
步骤5.2：将步骤5.1输出的图像肿瘤预测结果作为逻辑回归模型（LR）的特征之一，联合肿瘤标志物特征预测卵巢肿瘤良恶性，通过公式(2)计算卵巢肿瘤良恶性分数并使用Sigmoid函数输出卵巢肿瘤良恶性预测，
表示第
个特征的取值，
表示第
个特征的权重，
表示偏置项。
上述公式（2）计算出的实际是概率值，概率值大于0.5为恶性肿瘤，概率值小于等于0.5为良性肿瘤。公式中的权重和偏置项均是通过机器学习得到的，不是认为设定的，根据训练结果，权重和偏置项可以自适应调整，使得计算结果跟实际相符合。
其中，图像识别结果和肿瘤标志物特征结合的示意图如图6所示，图像的识别结果使用“1”表示恶性肿瘤，用“0”表示良性肿瘤。图像的识别结果和肿瘤标志物特征拼接起来，作为训练样本，如表1所示。
表1，图像的识别结果和肿瘤标志物特征拼接后形成的训练样本
AFP、CEA、CA125、 HE4和CA19-9分别表示5个肿瘤标志物特征，IMAGE表示图像识别结果，分别用1表示根据该特征判定为恶性肿瘤，用0表示根据该特征判定为良性肿瘤，LABEL表示根据组合特征判断是否为恶性肿瘤的结果，当LABEL=1时，表示最终的结论为恶性肿瘤，当LABEL=0时，表示最终的结论为良性肿瘤。作为优选方案，还将是否绝经作为判断肿瘤良性恶性的参考特征之一，JJ=1表示绝经，JJ=0表示未绝经。
步骤5.3：使用Adam优化方法训练病灶分类模型， Adam是一种梯度下降更新的方法，训练的收敛条件均是训练模型在测试集的准确率不再提升为止。使用步骤3得到的训练集和验证集以及步骤4得到的肿瘤分割图像迭代训练病灶分类模型，对病灶分类模型进行训练，是将病灶分类模型中的ResNet-101网络和逻辑回归（LR）模型分别进行训练，更新参数至模型收敛，在训练模型时，使用交叉熵损失函数，通过公式(3)计算。
其中，
是模型输出的判断结果，
是真实的良恶性结果，N是数据条目，i是指代各数据条目的下标。
实施例3
采用某医院486例患者的数据对本发明的方法进行了验证，486例卵巢肿瘤疾病患者的诊断结果包括良性肿瘤和恶性肿瘤。数据中包含患者的5项卵巢肿瘤相关肿瘤标志物检查结果以及绝经情况。其中，肿瘤标志物包括甲胎蛋白(AFP)，癌胚抗原(CEA)，癌抗原(CA125)，人附睾蛋白4(HE4)和癌抗原19-9(CA19-9)。所有病例病灶均经手术术后病检下定诊断，因此该数据集是真实可靠的。根据表2中肿瘤标志物的参考范围，将检查结果加工为二分类特征，加工为二分类特征是指根据医师提供的正常范围值，在正常范围内的值转换为0，意为“正常”，在正常范围外的值转换为1，意为“异常”。
表2 肿瘤标志物参考范围
486例患者中，良性肿瘤患者为244例，恶性肿瘤患者为242例。表3统计了数据集中指标的分布情况。
表3 数据分布
在实验时，将患者数据按照4:1的比例随机划分训练集和测试集，其中训练集含病例390例，测试集含病例96例。同一组数据采用不同模型进行分析的评价指标如表4所示。
表4 融合模型结果
表4中，图像模型指的是，只采用图像识别的方式进行肿瘤性质判断的模型，从表4中可以看出使用本发明的卵巢肿瘤良恶性预测模型（也即是融合模型）诊断的评价指标除精确率极小幅度下降外，其它均高于ROMA、LR和图像模型，说明了融合模型诊断的有效性高，对于提高肿瘤类型诊断准确率是有帮助的。特别地，融合模型可以结合肿瘤标志物特征与包块影像的判断结果，因此，更能够准确识别恶性肿瘤，召回率提升明显。
以上显示和描述了本发明的基本原理和主要特征及本发明的优点，对于本领域技术人员而言，显然在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。
Claims (3)
1.基于卵巢肿瘤良恶性预测模型的计算机辅助诊疗系统，其特征在于，所述系统执行以下步骤：
S1，获取卵巢图像及相应的肿瘤标志物，所述肿瘤标志物的特征包括甲胎蛋白、癌胚抗原、糖类抗原125、人附睾蛋白4、糖类抗原19-9和患者是否绝经的结果；
S2，将所述卵巢图像及相应的肿瘤标志物输入训练好的卵巢肿瘤良恶性预测模型，输出肿瘤判断结果，所述判断结果为良性肿瘤或恶性肿瘤；
其中，所述卵巢肿瘤良恶性预测模型包括基于图像的肿瘤分割模型、基于图像的肿瘤分类模型和病灶分类融合预测模型；
所述卵巢图像输入所述基于图像的肿瘤分割模型，得到肿瘤分割结果；将所述肿瘤分割结果输入基于图像的肿瘤分类模型得到基于图像的肿瘤预测结果；将所述基于图像的肿瘤预测结果与所述肿瘤标志物特征结合，生成组合特征，将所述组合特征输入病灶分类融合预测模型，输出肿瘤判断结果；
所述基于图像的肿瘤预测结果分别使用“1”表示恶性肿瘤，用“0”表示良性肿瘤；肿瘤标志物的特征分别用“1”表示根据该特征判定为恶性肿瘤，用“0”表示根据该特征判定为良性肿瘤；
所述基于图像的肿瘤分割模型使用U-net网络，所述基于图像的肿瘤分类模型使用ResNet-101网络，所述病灶分类融合预测模型采用LR模型；
所述卵巢图像输入所述基于图像的肿瘤分割模型，得到肿瘤分割结果具体包括以下步骤：
S21，将所述卵巢图像输入U-net网络，将所述卵巢图像收缩4次，每一次收缩应用2次卷积操作，卷积核大小为3×3，卷积核数量分别设置为32，64，128，256，激活函数使用ReLU，在卷积操作后，进行2×2池化操作实现下采样，使特征图缩小1倍；
S22，对步骤S21得到的特征图应用2次卷积操作，卷积核大小为3×3，卷积核数量为512，激活函数使用ReLU；
S23，将步骤S22得到的特征图扩展4次，每一次扩展进行步长为2的反卷积操作实现上采样，使用跳跃连接将同一层收缩路径的特征图与扩展路径的特征图拼接，然后应用2次卷积操作，卷积核大小为3×3，卷积核数量分别设置为256，128，64，32，激活函数使用ReLU，使特征图扩大1倍；
S24，将步骤S23得到的特征图应用1次卷积操作，卷积核大小为1×1，将32个通道的特征图映射为对应像素的分类，得到肿瘤分割结果；
将所述肿瘤分割结果输入基于图像的肿瘤分类模型得到基于图像的肿瘤预测结果，具体包括以下步骤：
A21，将所述肿瘤分割结果输入ResNet-101网络的卷积层，卷积核数量为64，大小为7×7，步长为2，然后进行3×3最大池化，步长为2；
A22，将A21输出的结果依次输入四类残差块，每类残差块由三层卷积操作组成，卷积核大小分别为1×1，3×3，1×1，所述四类残差块中，第一类残差块数量为3，其卷积核数量分别为64，64，256，第二类残差块数量为4，其卷积核数量分别为128，128，512，第三类残差块数量为23，其卷积核数量分别为256，256，1024，第四类残差块数量为3，其卷积核数量分别为512，512，2048；
A23，将步骤A22输出的结果进行平均池化后输入全连接层，使用激活函数Sigmoid，输出基于图像的肿瘤预测结果；
将所述基于图像的肿瘤预测结果与所述肿瘤标志物特征结合，生成组合特征，将所述组合特征输入病灶分类融合预测模型，输出肿瘤判断结果，具体是指：
将所述基于图像的肿瘤预测结果作为特征之一，结合肿瘤标志物特征，生成组合特征，将所述组合特征输入用于预测的Sigmoid函数，得到肿瘤判断结果，所述用于预测的Sigmoid函数的计算公式为：
其中， 
表示第
个特征的取值，
表示第
个特征的权重， 
表示偏置项，e是自然常数。
2.如权利要求1所述的基于卵巢肿瘤良恶性预测模型的计算机辅助诊疗系统，其特征在于，在训练所述基于图像的肿瘤分割模型时，采用Dice损失函数训练基于图像的肿瘤分割模型至收敛，所述Dice损失函数公式为：
其中，
表示真实肿瘤分割，
表示模型预测的肿瘤分割。
3.如权利要求1所述的基于卵巢肿瘤良恶性预测模型的计算机辅助诊疗系统，其特征在于，在训练所述病灶分类融合预测模型时，采用交叉熵损失函数训练模型至收敛，所述交叉熵损失函数公式为：
其中，
是模型输出的判断结果，
是真实的良恶性结果，N是数据条目，i是指代各数据条目的下标。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210602872.XA CN114677378B (zh) | 2022-05-31 | 2022-05-31 | 基于卵巢肿瘤良恶性预测模型的计算机辅助诊疗系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210602872.XA CN114677378B (zh) | 2022-05-31 | 2022-05-31 | 基于卵巢肿瘤良恶性预测模型的计算机辅助诊疗系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114677378A CN114677378A (zh) | 2022-06-28 |
| CN114677378B true CN114677378B (zh) | 2022-09-02 |
Family
ID=82081154
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210602872.XA Active CN114677378B (zh) | 2022-05-31 | 2022-05-31 | 基于卵巢肿瘤良恶性预测模型的计算机辅助诊疗系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114677378B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115082437B (zh) * | 2022-07-22 | 2023-04-07 | 浙江省肿瘤医院 | 基于舌象图像和肿瘤标志物的肿瘤预测系统、方法及应用 |
| CN115376127A (zh) * | 2022-08-22 | 2022-11-22 | 山东凌云智能科技有限公司 | 一种基于超声医学图像的卵巢囊肿识别方法及程序产品 |
| CN117476219B (zh) * | 2023-12-27 | 2024-03-12 | 四川省肿瘤医院 | 基于大数据分析的定位ct断层图像的辅助方法和辅助系统 |
| CN117954099A (zh) * | 2024-03-26 | 2024-04-30 | 天津市肿瘤医院（天津医科大学肿瘤医院） | 一种乳腺癌风险预测方法、装置、设备和存储介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108766555A (zh) * | 2018-04-08 | 2018-11-06 | 深圳大学 | 胰腺神经内分泌肿瘤恶性程度的计算机诊断方法及系统 |
| 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 |
| CN111462036A (zh) * | 2020-02-18 | 2020-07-28 | 腾讯科技（深圳）有限公司 | 基于深度学习的病理图像处理方法、模型训练方法及装置 |
| CN111584073A (zh) * | 2020-05-13 | 2020-08-25 | 山东大学 | 基于人工智能融合多模态信息构建肺结节良恶性的多种病理类型的诊断模型 |
| CN112802000A (zh) * | 2021-02-06 | 2021-05-14 | 上海集迈实业有限公司 | 多模态医学影像智能辅助诊疗系统 |
| CN113033636A (zh) * | 2021-03-17 | 2021-06-25 | 济南国科医工科技发展有限公司 | 一种卵巢肿瘤自动鉴别系统 |
| CN113674839A (zh) * | 2021-07-22 | 2021-11-19 | 清华大学 | 无创成像筛查与微创取样核酸分型的联合检测系统 |
Family Cites Families (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101268367A (zh) * | 2005-06-24 | 2008-09-17 | 赛弗吉生物系统公司 | 卵巢癌的生物标记 |
| US10013638B2 (en) * | 2008-08-14 | 2018-07-03 | Ping Zhang | Cancer diagnostic method and system |
| US20170097355A1 (en) * | 2015-10-06 | 2017-04-06 | University Of Washington | Biomarkers and methods to distinguish ovarian cancer from benign tumors |
| CN108776962A (zh) * | 2018-04-11 | 2018-11-09 | 浙江师范大学 | 一种构建肺肿瘤良恶性预测模型的方法 |
| CN110910371A (zh) * | 2019-11-22 | 2020-03-24 | 北京理工大学 | 基于生理指标和影像融合的肝肿瘤自动分类方法及装置 |
| CN111401480B (zh) * | 2020-04-27 | 2023-07-25 | 上海市同济医院 | 一种基于融合注意力机制的乳腺mri自动辅助诊断新方法 |
| CN112767355A (zh) * | 2021-01-20 | 2021-05-07 | 北京小白世纪网络科技有限公司 | 一种甲状腺结节Tirads分级自动识别模型构建方法及装置 |
| CN113743463B (zh) * | 2021-08-02 | 2023-09-26 | 中国科学院计算技术研究所 | 一种基于影像数据和深度学习的肿瘤良恶性识别方法和系统 |
| CN114360694A (zh) * | 2022-01-13 | 2022-04-15 | 首都医科大学附属北京世纪坛医院 | 一种卵巢肿瘤多模态超声影像人工智能数据库及其构建方法 |
-
2022
- 2022-05-31 CN CN202210602872.XA patent/CN114677378B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108766555A (zh) * | 2018-04-08 | 2018-11-06 | 深圳大学 | 胰腺神经内分泌肿瘤恶性程度的计算机诊断方法及系统 |
| 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 |
| CN111462036A (zh) * | 2020-02-18 | 2020-07-28 | 腾讯科技（深圳）有限公司 | 基于深度学习的病理图像处理方法、模型训练方法及装置 |
| CN111584073A (zh) * | 2020-05-13 | 2020-08-25 | 山东大学 | 基于人工智能融合多模态信息构建肺结节良恶性的多种病理类型的诊断模型 |
| CN112802000A (zh) * | 2021-02-06 | 2021-05-14 | 上海集迈实业有限公司 | 多模态医学影像智能辅助诊疗系统 |
| CN113033636A (zh) * | 2021-03-17 | 2021-06-25 | 济南国科医工科技发展有限公司 | 一种卵巢肿瘤自动鉴别系统 |
| CN113674839A (zh) * | 2021-07-22 | 2021-11-19 | 清华大学 | 无创成像筛查与微创取样核酸分型的联合检测系统 |
Non-Patent Citations (2)
| Title |
|---|
| Development and validation of a prognostic index for efficacy evaluation and prognosis of first-line chemotherapy in stage III–IV lung squamous cell carcinoma;Jiangdian Song等;《European Radiology》;20190114;第29卷;第2388-2398页 * |
| 基于多模态数据融合的肺部肿瘤智能分析技术研究;郑德重;《中国博士学位论文全文数据库 医药卫生科技辑》;20220115(第1期);第E072-95页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114677378A (zh) | 2022-06-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114677378B (zh) | 基于卵巢肿瘤良恶性预测模型的计算机辅助诊疗系统 | |
| WO2023071531A1 (zh) | 一种基于深度形状学习的肝脏ct自动分割方法 | |
| Ayer et al. | Computer-aided diagnostic models in breast cancer screening | |
| CN111553892B (zh) | 基于深度学习的肺结节分割计算方法、装置及系统 | |
| CN114782307A (zh) | 基于深度学习的增强ct影像直肠癌分期辅助诊断系统 | |
| CN112215799A (zh) | 一种磨玻璃肺结节自动分类方法及系统 | |
| CN114332572B (zh) | 基于显著图引导分层密集特征融合网络用于提取乳腺病变超声图像多尺度融合特征参数方法 | |
| WO2024103284A1 (zh) | 脑肿瘤患者生存分析方法及系统 | |
| CN115205306A (zh) | 一种基于图卷积的医疗图像分割方法 | |
| CN118314394A (zh) | 一种基于多视图的直肠癌手术难度评估方法 | |
| Chen et al. | Radiomics and nomogram of magnetic resonance imaging for preoperative prediction of microvascular invasion in small hepatocellular carcinoma | |
| Xue et al. | CT-based COPD identification using multiple instance learning with two-stage attention | |
| Kumar et al. | A Novel Approach for Breast Cancer Detection by Mammograms | |
| Shaaban et al. | An Efficient Breast Cancer Segmentation System based on Deep Learning Techniques | |
| Ahmed et al. | Detection of uterine fibroids in medical images using deep neural networks | |
| US20220287647A1 (en) | Disease classification by deep learning models | |
| CN112508942B (zh) | 一种获取bi-rads等级的方法和系统 | |
| Allapakam et al. | A hybrid feature pyramid network and Efficient Net-B0-based GIST detection and segmentation from fused CT-PET image | |
| JP2024507290A (ja) | 弱教師あり深層学習人工知能を利用した乳房超音波診断の方法及びシステム｛Ｍｅｔｈｏｄ ａｎｄ ｓｙｓｔｅｍ ｆｏｒ ｂｒｅａｓｔ ｕｌｔｒａｓｏｎｉｃ ｉｍａｇｅ ｄｉａｇｎｏｓｉｓ ｕｓｉｎｇ ｗｅａｋｌｙ－ｓｕｐｅｒｖｉｓｅｄ ｄｅｅｐ ｌｅａｒｎｉｎｇ ａｒｔｉｆｉｃｉａｌ ｉｎｔｅｌｌｉｇｅｎｃｅ｝ | |
| Mahant et al. | Artificial intelligence in breast ultrasound: the emerging future of modern medicine | |
| CN115409812A (zh) | 一种基于融合时间注意机制的ct图像自动分类方法 | |
| EP4348678A1 (en) | A radiomic-based machine learning algorithm to reliably differentiate benign renal masses from renal cell carcinoma | |
| TWI735187B (zh) | 影像識別方法及其系統 | |
| Mathur et al. | Computer-Aided Diagnosis System for Brain Tumor Classification and Segmentation | |
| Yang et al. | [Retracted] Microscopic Tumour Classification by Digital Mammography |
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 |