CN114863123A - 基于多模型权重分配网络的直肠癌病理完全反应预测方法 - Google Patents

基于多模型权重分配网络的直肠癌病理完全反应预测方法 Download PDF

Info

Publication number
CN114863123A
CN114863123A CN202210526774.2A CN202210526774A CN114863123A CN 114863123 A CN114863123 A CN 114863123A CN 202210526774 A CN202210526774 A CN 202210526774A CN 114863123 A CN114863123 A CN 114863123A
Authority
CN
China
Prior art keywords
image
prediction
weight distribution
tumor
module
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
Application number
CN202210526774.2A
Other languages
English (en)
Inventor
李兰兰
徐斌
胡益煌
王大彪
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.)
Fuzhou University
Original Assignee
Fuzhou 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 Fuzhou University filed Critical Fuzhou University
Priority to CN202210526774.2A priority Critical patent/CN114863123A/zh
Publication of CN114863123A publication Critical patent/CN114863123A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Public Health (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Pathology (AREA)
  • General Engineering & Computer Science (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种基于多模型权重分配网络的直肠癌病理完全反应预测方法。该方法包括：原始图像预处理；特征提取、分割；对经特征提取、分割生成的ROI图像进行标准处理，输入预测模型得到预测结果。本发明方法预测精度较好。该模型避免传统方法需要大量人工标记和特征提取的缺点，实现了由图像输入到预测结果的自动输出。

Description

基于多模型权重分配网络的直肠癌病理完全反应预测方法
技术领域
本发明属于深度学习预测领域，具体涉及一种基于多模型权重分配网络的直肠癌病理完全反应预测方法。
背景技术
公开号为CN111382756A的专利申请，提出了一种电脑辅助直肠癌治疗反应预测系统，用于预测直肠癌患者在治疗后达成病理完成反应(pathological complete response，pCR)的机率，包括：具有至少一个二元决策树模型的随机森林模型。每个二元决策树模型具有至少一特征节点，每个特征节点根据一特征门槛值产生两个分支，其中每个分支接续另一特征节点或对应一初步pCR预测机率。该随机森林模型整合每个二元决策树模型所产生的该初步pCR预测机率，进而产生一最终pCR预测机率。
公开号为CN112950624A的专利申请，提出了一种基于深度卷积神经网络的直肠癌T分期自动诊断方法及设备，首先对采集的直肠图片进行预处理，然后针对数据集不足的问题进行数据增强，最后利用数据集训练深度卷积神经网络，可以达到辅助医生自动诊断的目的，为临床的诊断和治疗提供了新的有效的方法，大大提高了诊断的效率及准确率。
缺点1：公开号为CN111382756A的专利申请，该方法在特征提取阶段使用的是影像组学特征，虽然这一类特征在一定程度上反映了图像的部分信息，但是特征还不够丰富有层次；且采用随机森林的方法不够神经网络的方法简便高效。
缺点2：公开号为CN112950624A的专利申请，在图像处理和决策上是对单张直肠图像进行分析，而临床上对整个病例(一个病例包含多张图像切片)进行预测更有意义；且每张直肠癌图像所包含的肿瘤信息是不同的，应做不同处理。
发明内容
本发明的目的在于提供一种基于多模型权重分配网络的直肠癌病理完全反应预测方法，该方法集分割和预测网络为一体实现自动分割直肠癌肿瘤区域并且预测直肠癌患者新辅助治疗后治疗反应。
为实现上述目的，本发明的技术方案是：一种基于多模型权重分配网络的直肠癌病理完全反应预测方法，包括如下步骤：
原始图像预处理；
特征提取、分割；
对经特征提取、分割生成的ROI图像进行标准处理，输入预测模型得到预测结果。
在本发明一实施例中，所述原始图像预处理包括对垂直轴图像的切片和数据增强，即将原始的nrrd格式的MRI图像进行切片，为减少高强度的伪影数量，使用一种对比度限制的自适应直方图均衡方法来改进对比度，为防止过拟合，采用包括旋转、水平翻转的数据增强方法来改变输入图像，在数据增强后，数据集被扩展到其原始大小的4倍。
在本发明一实施例中，所述特征提取、分割，即在神经网络中使用卷积核直接提取原始图像的特征，并通过滑动卷积核块来提取整个原始图像的特征；通过卷积提取特征后，根据提取的特征输出肿瘤的二值图像；然后根据二值图像对原始图像进行分割，得到所需的肿瘤区域图像；对于肿瘤的二值图像还需要进一步的后处理，以去除图像中的杂点噪声。
在本发明一实施例中，所述对经特征提取、分割生成的ROI图像进行标准处理，即：首先，找到经特征提取、分割生成的ROI图像每个方向上的最外层像素；然后，将4个像素向外扩展5个像素，生成一个包含整个肿瘤的标准矩形轮廓；最后，将生成的轮廓进行裁剪，得到裁剪图像。
在本发明一实施例中，所述预测模块为分别采用含有3层、4层和5层卷积层的神经网络以及原始图像大小分别为64*64、128*128和256*256的肿瘤图像，得到的9种模型。
在本发明一实施例中，所述输入预测模型得到预测结果，即：计算每个病例每个切片的治疗结果的概率值，并将概率值与权重分配算法结合，计算出每个病例的总体概率值。
在本发明一实施例中，所述将概率值与权重分配算法结合，计算出每个病例的总体概率值的计算公式如下：
Figure BDA0003644571550000021
其中，Si表示每个切片的预测得分即概率值，j表示每个病例的切片数，Wi表示每个切片的权重。
本发明还提供了一种基于多模型权重分配网络的直肠癌病理完全反应预测系统，包括：预处理模块、分割模块、后处理模块和预测模块；
所述预处理模块用于对原始图像进行切片以及数据增强；
所述分割模块用于对预处理模块输出的图像进行肿瘤的分割，输出肿瘤二值图像；
所述后处理模块用于对输出肿瘤二值图像进行噪点去除；
所述预测模块用于将后处理模块输出的图像定位至原始图像中并截取出来进行预测，并输出结果。
在本发明一实施例中，所述分割模块采用的网络结构为U-Net。
在本发明一实施例中，所述预测模块采用的是卷积神经网络。
相较于现有技术，本发明具有以下有益效果：
1、模型总体框架采用两级网络结构(分割和预测)，分别进行肿瘤区域的定位和肿瘤的病理完全反应预测，减轻放射科医生手工勾画肿瘤区域的负担以及对病理完全反应的预测提供参考。
2、采用权重分配法对一个病例的若干切片进行预测比以往的采取多数投票和采取平均值的方法更具合理性，且性能得到了提高。
3、通过使用不同卷积层提取的特征进行预测，提取到的特征全面且有层次，在每种情况下择取最优模型，最终集成为一个综合模型，性能要优于任一9种模型。
附图说明
图1为本发明总体框架。
图2为本发明实例所用的9种模型。
图3为本发明采用的权重分配法结构示意图。
图4为本发明所提出预测模型的ROC曲线图。
图5为本发明采用的综合模型。
具体实施方式
下面结合附图，对本发明的技术方案进行具体说明。
本发明提供了一种基于多模型权重分配网络的直肠癌病理完全反应预测方法，包括如下步骤：
原始图像预处理；
特征提取、分割；
对经特征提取、分割生成的ROI图像进行标准处理，输入预测模型得到预测结果。
本发明还提供了一种基于多模型权重分配网络的直肠癌病理完全反应预测系统，包括：预处理模块、分割模块、后处理模块和预测模块；
所述预处理模块用于对原始图像进行切片以及数据增强；
所述分割模块用于对预处理模块输出的图像进行肿瘤的分割，输出肿瘤二值图像；
所述后处理模块用于对输出肿瘤二值图像进行噪点去除；
所述预测模块用于将后处理模块输出的图像定位至原始图像中并截取出来进行预测，并输出结果。
以下为本发明具体实例。
本发明一种多模型融合的权重分配网络的直肠癌病理完全反应预测方法。该方法集分割和预测网络为一体实现自动分割直肠癌肿瘤区域并且预测直肠癌患者新辅助治疗后治疗反应。模型总体框架如图1。
首先将原始图像进行预处理，图像预处理包括对垂直轴图像的切片和数据增强。原始的nrrd格式的MRI图像是由三维切片组成的。将原始的nrrd格式的MRI图像进行切片，如果在软组织中有高强度的区域，就会导致直肠区域的对比度下降。因此，为了减少高强度的伪影数量，使用了一种对比度限制的自适应直方图均衡(CLAHE)方法来改进下一步分析的对比度。为了防止过拟合，采用了旋转和水平翻转等多种数据增强方法来改变输入图像，为模型训练建立额外的资源。在数据增强后，数据集被扩展到其原始大小的4倍。
经过预处理后，需要在神经网络上提取特征，然后进行分割。在神经网络中使用卷积核直接提取MRI图像的特征，并通过滑动卷积核块来提取整个图像的特征。通过卷积提取特征后，网络根据提取的特征输出肿瘤的二值图像。然后根据二值图像对原始图像进行分割，得到下一步所需的肿瘤区域图像。这一步骤中，对于网络输出的二值图像还需要进一步的后处理，以去除图像中一些不必要的杂点噪声。
预测网络的输入是利用原始MRI图像从分割网络中自动生成的ROI图像，即上一步的输出图像。为了保持预测网络输入图像的一致性，对上一步的感兴趣区域(RegionofInterest,ROI)，即肿瘤区域进行了标准处理。首先，找到对二值化的ROI的每个方向上的最外层像素。然后，将4个像素向外扩展5个像素，生成一个包含整个肿瘤的标准矩形轮廓。最后，将生成的轮廓的裁剪图像输入预测网络。预测模型是计算每个切片的治疗结果的概率值，并将概率值与权重分配算法结合，计算出每个病例的总体概率值。
此外，本发明还分析了使用不同尺寸的肿瘤区域图像和不同卷积层数的神经网络提取到的特征对pCR预测性能的影响，以得出最适合的模型。具体为分别采用自己搭建的含有3层、4层和5层卷积层的神经网络以及图像大小分别为64*64、128*128和256*256的肿瘤图像，这样可以得到9种模型，如图2。
本发明的特点及采取的主要算法：
1、权重分配法
考虑到每张切片所包含的肿瘤区域大小，肿瘤覆盖率等因素的不同，本发明推测在合并每个图像切片值时应对总体概率值进行加权。我们提出了两种实验方法。第一种是定量投票方法，它根据具有阳性预测值的切片(>0.5)的计数是否大于预测切片的一半来预测治疗结果。第二个是权重分配算法。本发明推测包含有更多肿瘤区域的切片可以为预后预测提供更多有价值的信息。每个切片的权重是通过二值图像中的ROI像素计数与所有切片中的ROI像素计数之和的比值来计算的。预测网络首先得到每个切片的预测值，然后将这些预测值与相应的权值相乘，最后每个切片相加得到最终的预测分数，计算方法如下：
Figure BDA0003644571550000051
其中，Si表示每个切片的预测得分，j表示每个病例的切片数，Wi表示每个切片的权重。权重分配法结构如图3。
2、多模型集成
为了优化生成的模型，以便更准确地进行预测，本发明通过控制图像的大小和卷积层的数量，进行了9组模型的实验，如图4。结果发现，当卷积层数为3层、4层和5个卷积层，切片大小分别为256×256、128×128和64×64时表现最好。因此，本发明选择这三种模型，用投票的方法构建一个综合模型(CNN加权综合模型)，如图5，以获得最终的预测结果。CNN加权集成模型在pCR预测中的AUC为0.897，最终在本发明中选择其用于治疗结果预测。
3、结果分析
表1显示了所提出的数量投票法以及采取了权重分配法后的性能指标对比，进行四折交叉验证后基础模型平均准确平均率0.643，特异性为0.663，敏感性达到0.600，而采用权重分配法后各项指标分别提高了13.8％、11.3％和14.7％，准确率、特异性和敏感性分别达到了0.732、0.738和0.688。图5显示出该基础模型和采用权重分配法后的ROC曲线图和AUC面积。
表1：投票法和权重分配法性能比较
Figure BDA0003644571550000052
从表2可以看出，在输入预测网络的切片大小为64*64时，随着卷积网络层数的增加，准确率是处于上升状态的，从0.750到0.821再到0.857。在切片大小为128*128时，准确率随着卷积层数的增加先上升后下降，在4层卷积层时达到了最高的0.857。在切片大小为256*256时呈现出与128*128相反的准确率走向，随着卷积层的增加先下降后上升，在3层卷积层时就已经获得了最高的0.857的准确率。在特异性和敏感性两个指标上也有相同的趋势。
表2：所提出预测模型的各项性能最优指标
Figure BDA0003644571550000053
Figure BDA0003644571550000061
本发明方法具有如下优点：
优点1：
模型总体框架采用两级网络结构(分割和预测)，分别进行肿瘤区域的定位和肿瘤的病理完全反应预测，减轻放射科医生手工勾画肿瘤区域的负担以及对病理完全反应的预测提供参考。
优点2：
采用权重分配法对一个病例的若干切片进行预测比以往的采取多数投票和采取平均值的方法更具合理性，且性能得到了提高。
优点3：
通过使用不同卷积层提取的特征进行预测，提取到的特征全面且有层次，在每种情况下择取最优模型，最终集成为一个综合模型，性能要优于任一9种模型。
以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作用未超出本发明技术方案的范围时，均属于本发明的保护范围。

Claims (10)

1.一种基于多模型权重分配网络的直肠癌病理完全反应预测方法，其特征在于，包括如下步骤：
原始图像预处理；
特征提取、分割；
对经特征提取、分割生成的ROI图像进行标准处理，输入预测模型得到预测结果。
2.根据权利要求1所述的基于多模型权重分配网络的直肠癌病理完全反应预测方法，其特征在于，所述原始图像预处理包括对垂直轴图像的切片和数据增强，即将原始的nrrd格式的MRI图像进行切片，为减少高强度的伪影数量，使用一种对比度限制的自适应直方图均衡方法来改进对比度，为防止过拟合，采用包括旋转、水平翻转的数据增强方法来改变输入图像，在数据增强后，数据集被扩展到其原始大小的4倍。
3.根据权利要求1所述的基于多模型权重分配网络的直肠癌病理完全反应预测方法，其特征在于，所述特征提取、分割，即在神经网络中使用卷积核直接提取原始图像的特征，并通过滑动卷积核块来提取整个原始图像的特征；通过卷积提取特征后，根据提取的特征输出肿瘤的二值图像；然后根据二值图像对原始图像进行分割，得到所需的肿瘤区域图像；对于肿瘤的二值图像还需要进一步的后处理，以去除图像中的杂点噪声。
4.根据权利要求1所述的基于多模型权重分配网络的直肠癌病理完全反应预测方法，其特征在于，所述对经特征提取、分割生成的ROI图像进行标准处理，即：首先，找到经特征提取、分割生成的ROI图像每个方向上的最外层像素；然后，将4个像素向外扩展5个像素，生成一个包含整个肿瘤的标准矩形轮廓；最后，将生成的轮廓进行裁剪，得到裁剪图像。
5.根据权利要求1所述的基于多模型权重分配网络的直肠癌病理完全反应预测方法，其特征在于，所述预测模块为分别采用含有3层、4层和5层卷积层的神经网络以及原始图像大小分别为64*64、128*128和256*256的肿瘤图像，得到的9种模型。
6.根据权利要求1所述的基于多模型权重分配网络的直肠癌病理完全反应预测方法，其特征在于，所述输入预测模型得到预测结果，即：计算每个病例每个切片的治疗结果的概率值，并将概率值与权重分配算法结合，计算出每个病例的总体概率值。
7.根据权利要求6所述的基于多模型权重分配网络的直肠癌病理完全反应预测方法，其特征在于，所述将概率值与权重分配算法结合，计算出每个病例的总体概率值的计算公式如下：
Figure FDA0003644571540000011
其中，Si表示每个切片的预测得分即概率值，j表示每个病例的切片数，Wi表示每个切片的权重。
8.一种基于多模型权重分配网络的直肠癌病理完全反应预测系统，其特征在于，包括：预处理模块、分割模块、后处理模块和预测模块；
所述预处理模块用于对原始图像进行切片以及数据增强；
所述分割模块用于对预处理模块输出的图像进行肿瘤的分割，输出肿瘤二值图像；
所述后处理模块用于对输出肿瘤二值图像进行噪点去除；
所述预测模块用于将后处理模块输出的图像定位至原始图像中并截取出来进行预测，并输出结果。
9.根据权利要求8所述的基于多模型权重分配网络的直肠癌病理完全反应预测系统，其特征在于，所述分割模块采用的网络结构为U-Net。
10.根据权利要求8所述的基于多模型权重分配网络的直肠癌病理完全反应预测系统，其特征在于，所述预测模块采用的是卷积神经网络。
CN202210526774.2A 2022-05-16 2022-05-16 基于多模型权重分配网络的直肠癌病理完全反应预测方法 Pending CN114863123A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210526774.2A CN114863123A (zh) 2022-05-16 2022-05-16 基于多模型权重分配网络的直肠癌病理完全反应预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210526774.2A CN114863123A (zh) 2022-05-16 2022-05-16 基于多模型权重分配网络的直肠癌病理完全反应预测方法

Publications (1)

Publication Number Publication Date
CN114863123A true CN114863123A (zh) 2022-08-05

Family

ID=82638108

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210526774.2A Pending CN114863123A (zh) 2022-05-16 2022-05-16 基于多模型权重分配网络的直肠癌病理完全反应预测方法

Country Status (1)

Country Link
CN (1) CN114863123A (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110838100A (zh) * 2019-10-11 2020-02-25 浙江大学 一种基于滑动窗口的结肠镜病理切片筛查与分割系统
US20210110913A1 (en) * 2019-10-11 2021-04-15 International Business Machines Corporation Disease detection from weakly annotated volumetric medical images using convolutional long short-term memory and multiple instance learning
CN112785617A (zh) * 2021-02-23 2021-05-11 青岛科技大学 残差UNet直肠癌肿瘤磁共振图像自动分割方法
CN113053497A (zh) * 2021-03-08 2021-06-29 北京邮电大学 一种优化组织学病理图像智能分析性能的后处理方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110838100A (zh) * 2019-10-11 2020-02-25 浙江大学 一种基于滑动窗口的结肠镜病理切片筛查与分割系统
US20210110913A1 (en) * 2019-10-11 2021-04-15 International Business Machines Corporation Disease detection from weakly annotated volumetric medical images using convolutional long short-term memory and multiple instance learning
CN112785617A (zh) * 2021-02-23 2021-05-11 青岛科技大学 残差UNet直肠癌肿瘤磁共振图像自动分割方法
CN113053497A (zh) * 2021-03-08 2021-06-29 北京邮电大学 一种优化组织学病理图像智能分析性能的后处理方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李兰兰 等: "基于权重分配的直肠癌病理完全反应预测算法", 计算机仿真, vol. 41, no. 4, 30 April 2024 (2024-04-30), pages 314 - 319 *

Similar Documents

Publication Publication Date Title
Zhang et al. Light-Weight Hybrid Convolutional Network for Liver Tumor Segmentation.
CN112488234B (zh) 一种基于注意力池化的端到端组织病理图像分类方法
CN110889853B (zh) 基于残差-注意力深度神经网络的肿瘤分割方法
CN111798462B (zh) 一种基于ct图像的鼻咽癌放疗靶区自动勾画方法
CN110084318B (zh) 一种结合卷积神经网络和梯度提升树的图像识别方法
CN112116605A (zh) 一种基于集成深度卷积神经网络的胰腺ct图像分割方法
CN113592794B (zh) 基于混合注意力机制的2d卷积神经网络的脊椎图分割方法
CN110675411A (zh) 基于深度学习的宫颈鳞状上皮内病变识别算法
CN113538435B (zh) 一种基于深度学习的胰腺癌病理图像分类方法及系统
CN113935951A (zh) 一种三通道级联SEU-Nets肝肿瘤分割方法
Jiang et al. Breast cancer detection and classification in mammogram using a three-stage deep learning framework based on PAA algorithm
CN111784713A (zh) 一种引入注意力机制的u形心脏分割方法
CN110033448B (zh) 一种aga临床图像的ai辅助雄秃汉密尔顿分级预测分析方法
CN112052854A (zh) 一种实现自适应对比度增强的医疗图像可逆信息隐藏方法
CN114863123A (zh) 基于多模型权重分配网络的直肠癌病理完全反应预测方法
Kalhor et al. Assessment of histogram-based medical image contrast enhancement techniques; an implementation
CN110992309A (zh) 基于深层信息传递网络的眼底图像分割方法
CN114445426B (zh) 内窥镜图像中息肉区域的分割方法、装置及相关组件
CN113192076B (zh) 联合分类预测和多尺度特征提取的mri脑肿瘤图像分割方法
CN113744210A (zh) 基于多尺度注意力U-net网络的心脏分割方法
CN115311491A (zh) 一种基于课程学习及空间注意力的骨折假阳性筛除方法
CN112529911B (zh) 一种胰腺图像分割模型的训练方法、图像分割方法和装置
Qiu et al. Segmentation of Multiple Myeloma Cells Using Feature Selection Pyramid Network and Semantic Cascade Mask RCNN
CN113139930A (zh) 甲状腺切片图像分类方法、装置、计算机设备和存储介质
CN114677403B (zh) 基于深度学习注意力机制的肝脏肿瘤图像分割方法

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