CN115312189A - 一种乳腺癌新辅助化疗疗效预测模型的构建方法 - Google Patents

一种乳腺癌新辅助化疗疗效预测模型的构建方法 Download PDF

Info

Publication number
CN115312189A
CN115312189A CN202210988553.7A CN202210988553A CN115312189A CN 115312189 A CN115312189 A CN 115312189A CN 202210988553 A CN202210988553 A CN 202210988553A CN 115312189 A CN115312189 A CN 115312189A
Authority
CN
China
Prior art keywords
model
breast cancer
image
constructing
conv
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
CN202210988553.7A
Other languages
English (en)
Inventor
范明
刘鑫
厉力华
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 CN202210988553.7A priority Critical patent/CN115312189A/zh
Publication of CN115312189A publication Critical patent/CN115312189A/zh
Pending legal-status Critical Current

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
    • G16H50/20—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
    • 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
    • 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
    • G06V10/273—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 removing elements interfering with the pattern to be recognised
    • 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
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Databases & Information Systems (AREA)
  • Public Health (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Epidemiology (AREA)
  • Pathology (AREA)
  • Primary Health Care (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种乳腺癌新辅助化疗疗效预测模型的构建方法，包括对乳腺癌患者的DCE‑MRI三维影像进行预处理；沿三维影像的空间方向提取切片间像素的统计学信息，得到映射模式图；将映射模式图划分为训练集和测试集，对训练集进行数据增强，测试集对模型分类能力做评估；以ResNet50网络作为主干网络，加入CBAM注意力模块，构建模型步骤。通过该模型可以实现乳腺癌新辅助化疗疗效的准确预测，降低人为分析的出错率，可以给医生提供更有效的辅助诊断结果，有助于患者接受更优化的治疗方案，提高患者术后的生存质量，同时提高预测效率。

Description

一种乳腺癌新辅助化疗疗效预测模型的构建方法
技术领域
本发明属于智能医学影像领域，具体涉及一种乳腺癌新辅助化疗疗效预测模型的构建方法。
背景技术
新辅助化疗被广泛使用于治疗局部晚期乳腺肿瘤，其目的是缩小肿瘤体积，使原本无法实施手术的患者有机会进行手术，使原本无法获得保乳机会的患者在接受新辅助化疗后获得保乳治疗机会。然而不同个体之间存在差异性，肿瘤异质性等原因，实施新辅助化疗后的效果也不尽相同。
因此，若在进行新辅助化疗之前对疗效做到准确的评估，可以给医生提供更有效的辅助诊断结果，提高患者术后的生存质量。然而，目前并没有关于相关的研究或报道。
发明内容
为了解决上述不足，本发明提出一种乳腺癌新辅助化疗疗效预测模型的构建方法，通过对动态增强磁共振成像(DCE-MRI)三维影像沿空间方向做不同统计学特征的映射，并对不同时间扫描序列的映射图像做拼接得到三通道映射模式图，该种映射模式的图像对比度较高，用以反映组织的密度差异，利用深度学习卷积神经网络提取图像特征，达到预测乳腺癌新辅助化疗疗效的目的。
本发明解决其技术问题所采用的技术方案是：
一种乳腺癌新辅助化疗疗效预测模型的构建方法，包括以下步骤：
步骤1：获取乳腺癌患者的DCE-MRI三维影像，对DCE-MRI三维影像进行预处理；
步骤2：沿三维影像的空间方向提取切片间像素最大值信息、中位数信息，偏度信息、峰度信息、差值信息、75％分位数信息和90％分位数信息，得到包含不同统计学信息的映射模式图；
步骤3：将映射模式图划分为训练集和测试集，对训练集进行数据增强，测试集对模型分类能力做评估；
步骤4：以ResNet50网络作为主干网络，加入CBAM注意力模块，构建新辅助化疗疗效预测模型。
优选的，预处理包括：筛选掉影像扫描质量不佳影像和无病理报告影像，以及对影像做N4偏置场矫正、重采样、灰度值归一化和无效背景删除。
优选的，N4偏置场矫正使用最大类间方差法。
优选的，无效背景删除的具体操作为：获取肿瘤出现、消失位置，手动裁剪掉胸腔位置肌肉、乳腺周围皮肤，保持影像图像分辨率不变条件下将影像矩阵变为224×224。
优选的，采用最大密度投影方法对影像提取不同统计学信息。
优选的，对训练集进行数据增强的操作为：先对影像做正向和逆向45°、135°旋转，再对旋转后影像做左右翻转。
优选的，步骤4中，模型构建的具体操作为：
输入影像格式为(3,224,224)，在Conv_1经过7×7的卷积后得到输出格式为(64,112,112)的特征图，在经过BN层和ReLu激活函数后保持格式不变输入到3×3的maxpool，得到输出格式为(64,56,56)的特征图后进入Conv_2；
从Conv_2到Conv_5使用四个残差结构，经过Conv_2卷积后输出(256,56,56)的特征图，Conv_3卷积后输出(512,28,28)的特征图，Conv_4卷积后输出(1024,14,14)的特征图，Conv_5卷积后输出(2048,7,7)的特征图；
微调方法冻结第一个残差结构，之后的残差结构正常学习参数；
选用optim.Adadelta优化器nn.CrossEntropyLoss()损失函数为训练策略，学习率初始值为0.0001；
输入经过预处理的映射模式图，batch-size选择16，使用shuffle打乱数据，学习200轮保存数据和参数；
冻结第二个残差结构，第三个残差结构，第四个残差结构，前两个残差结构，重复以上步骤得到最好的数据结果。
优选的，残差结构采用Bottleneck残差结构，Bottleneck残差结构包括两种残差模块Bottleneck1和Bottleneck2，经过Bottleneck1残差块后，输出特征矩阵长度和宽度变为原来一半，通道数变为输入通道数的两倍；Bottleneck2是经过1×1的卷积核将通道数变为原来四分之一，最后一个1×1卷积核将通道数恢复为输入时通道数；
优选的，CBAM注意力模块包括通道注意力模块和空间注意力模块，通道注意力模块为：将输入的特征图经过AvgPool平均池化和MaxPool最大池化，然后分别经过MLP后输出的特征进行相加操作后经过Sigmoid函数激活；空间注意力模块为：使用AvgPool平均池化和MaxPool最大池化对通道压缩到一维，然后将提取到的特征图合并为一个二通道的特征图，再用大小为7×7的卷积核压缩为1×H×W后使用Sigmoid函数对其激活。
本发明的有益效果：
本发明以乳腺癌患者的DCE-MRI三维影像为基础，提取特征，获得映射模式图，再使用ResNet50模型，加入注意力机制，通过模型的训练自动学习映射模式图影像特征，构建新辅助化疗疗效预测模型，通过该模型实现乳腺癌新辅助化疗疗效的准确预测，降低人为分析的出错率，可以给医生提供更有效的辅助诊断结果，有助于患者接受更优化的治疗方案，提高患者术后的生存质量，同时提高预测效率。
本发明的预测模型能更加客观地分析病变与正常组织的差异，从而找到更适合新辅助化疗疗效预测的影像标志物。
附图说明
图1是本发明模型的构建流程图；
图2是本发明提供的映射模式图示意图；
图3是本发明提供的结合注意力机制的ResNet50网络模型示意图；
图4是本发明提供的通道注意力模块的结构图；
图5是本发明提供的空间注意力模块的结构图。
具体实施方式
下面对本发明涉及的结构或这些所使用的技术术语做进一步的说明。这些说明仅仅是采用举例的方式进行说明本发明的方式是如何实现的，并不能对本发明构成任何的限制。
动态增强磁共振成像(dynamic contrast enhanced MRI，简写DCE-MRI)作为一种非侵入式方法，依赖于病变、组织的微循环改变情况，通过连续的、快速的成像序列，获得能够反映在注入对比剂之前、之中、之后各个时期组织强化情况的一系列连续动态增强过程的图像，再通过相应计算机软件处理、分析所获得的图像信息，可以获得能够反映组织微循环功能的各种参数。
如图1-5所示，一种乳腺癌新辅助化疗疗效预测模型的构建方法，包括以下步骤：
步骤1：影像预处理阶段：
获取乳腺癌患者的DCE-MRI三维影像，对DCE-MRI三维影像进行预处理，筛选掉影像扫描质量不佳影像和无病理报告影像，以及对影像做N4偏置场矫正、重采样、灰度值归一化和无效背景删除。
其中，本发明回顾性收集242例乳腺癌新辅助化疗前患者影像数据，部分影像无最终化疗后的病理报告疗效评价数据，部分影像成像模糊、边界不清、肿瘤不明显，筛选掉以上影像扫描质量不佳影像和无病理报告影像，最终用于研究的影像数据共208例。
其中，N4偏置场矫正是由于磁场的变化，DCE-MRI扫描的影像出现强度不均匀现象，影像可视化时会出现更明亮或者更暗淡，这种信号强度的变化是由扫描设备带来的干扰因素，可能会对最终分类效果产生影像。N4偏置场矫正使用最大类间方差法，遍历计算所有像素值类内方差，最小类内方差对应阈值即为最优阈值。
其中，采集的影像数据来自不同扫描机型，不同机型之间影像采集协议不同，比如空间分辨率，切片厚度，翻转角，回波时间等成像参数存在差异，可能会对实参产生影响，使用重采样对影像体素统一。
其中，无效背景删除是指乳腺边缘皮肤和胸腔裁剪，保留病灶一侧腺体区域。具体操作为：获取肿瘤出现、消失位置，手动裁剪掉胸腔位置肌肉、乳腺周围皮肤，保持影像图像分辨率不变条件下将影像矩阵变为224×224。
步骤2：构建映射模式图阶段：
最大密度投影技术利用投影技术获得二维图像，即计算沿着影像切片方向提取到的最大像素值映射到二维影像中。最大密度投影技术能准确显示肿瘤边界信息、形态特征、更好反映病灶和血管之间关系，本实施例使用最大密度投影保存切片间空间信息能力，结合不同时间扫描序列影像，将不同序列得到的最大密度投影影像配节组合成[3,224,224]的最大密度投影映射模式图。
最大密度投影是沿影像的空间方向提取切片间最大值统计学信息，利用最大密度影投影类似方法可以提取包含不同统计学信息的影像数据，这里提取常见的统计学信息如中位数信息，偏度信息，峰度信息，差值信息，75％分位数信息，90％分位数信息，得到包含不同统计学信息的映射模式图。映射模式图结合三维影像和不同时间序列的统计学特征相较于传统提取单一切片影像特征的方式更有效。
步骤3：划分数据集阶段：
将映射模式图划分为训练集和测试集，所用数据样本量不充足，要对训练集进行数据增强，测试集对模型分类能力做评估。
根据步骤1筛选并通过Miller&Payne分级系统将患者分为有效组93例和无效组115例。首先将训练集跟测试集按照3:2的比例随机划分，其中训练集126例，测试集82例。其中训练集有效组56例，无效组70例，测试集有效组37例，无效组45例。为保证训练集数据平衡性，对影像做正向和逆向45°、135°旋转，再对旋转后影像做左右翻转，测试集数据保持不变，在扩充时对样本数量少的类别进行过采样。扩充后训练集中有效组630例样本，无效组630例样本。
步骤4：构建模型阶段：
对步骤3得到的训练集对ResNet50-CBAM网络进行训练，利用测试集数据对训练好的ResNet50-CBAM网络进行测试。ResNet50-CBAM网络以ResNet50作为主干网络，加入CBAM注意力模块构建新辅助化疗预测模型。
1)主干网络选用ResNet50，根据乳腺癌新辅助化疗分类任务是2分类任务，所以将输出维度由模型原有1000维变为2维。网络包括一个卷积层和四个残差结构，使用ImageNet数据集作源域，结合迁移学习方法对模型做微调。训练集样本不足，神经网络不能充分学习影像数据中特征，通过迁移学习引入ImageNet的预训练权重，可以抑制过拟合现象，提升网络泛化能力。
具体是：
输入影像格式为(3，224，224)，在Conv_1经过7×7的卷积后得到输出格式为(64，112，112)的特征图，在经过BN层和ReLu激活函数后保持格式不变输入到3×3的maxpool，得到输出格式为(64,56,56)的特征图后进入Conv_2；
从Conv_2到Conv_5使用Bottleneck残差结构。Bottleneck残差结构包括两种残差模块Bottleneck1和Bottleneck2，经过Bottleneck1残差块后，输出特征矩阵长度和宽度变为原来一半，通道数变为输入通道数的两倍。Bottleneck2则是经过1×1的卷积核将通道数变为原来四分之一，最后一个1×1卷积核将通道数恢复为输入时通道数；
经过Conv_2卷积后输出(256,56,56)的特征图，Conv_3卷积后输出(512,28,28)的特征图，Conv_4卷积后输出(1024,14,14)的特征图，Conv_5卷积后输出(2048,7,7)的特征图；
微调方法冻结第一个残差结构，之后的残差结构正常学习参数；
选用optim.Adadelta优化器nn.CrossEntropyLoss()损失函数为训练策略，学习率初始值为0.0001；
输入经过预处理的映射模式图，batch-size选择16，使用shuffle打乱数据，学习200轮保存数据和参数；
冻结第二个残差结构，第三个残差结构，第四个残差结构，前两个残差结构……，重复以上步骤得到最好的数据结果，最好模型是冻结前两个残差结构做微调后的结果。
2)在ResNet50网络中引入注意力机制模块。
在人类的感知系统里，注意力可以帮助人选择性的关注有用的信息，注意力机制模拟人的感知特性，使模型更加聚焦于有效信息的表达，减弱无效信息的干扰。注意力机制特征有选择的提升有效特征的权重并降低无效特征权重。
本实施例在ResNet50网络中每个残差块后加入CBAM注意力模块，如表1。
表1 ResNet50-CBAM网络结构
Figure BDA0003802946980000061
CBAM注意力模块包括通道注意力模块和空间注意力模块；
Mc(F)＝σ(MLP(AvgPool(F))+MLP(MaxPool(F)))；
其中σ表示Sigmoid激活函数。
通道注意力模块如图4所示，将输入的特征图经过AvgPool平均池化和MaxPool最大池化，然后分别经过MLP后输出的特征进行相加操作后经过Sigmoid函数激活。通道注意力模块有助于筛选出有意义的特征，告诉网络模型原图那一部分特征有用；
Ms(F)＝σ(f7×7([AvgPool(F)；MaxPool(F)]))；
其中σ表示Sigmoid激活函数，f7×7表示卷积核为7×7的卷积操作。
空间注意力模块如图5所示，使用AvgPool平均池化和MaxPool最大池化对通道压缩到一维，然后将提取到的特征图合并为一个二通道的特征图，再用大小为7×7的卷积核压缩为1×H×W后使用Sigmoid函数对其激活。空间注意力模块告诉网络应该注意原图那个区域特征，以获得关注点更多细节信息。
疗效预测：通过该模型输出(2048，7，7)的特征图，经过GlobalAvgPool后将特征向量拉为(1，2048)，GlobalAvgPool尽可能的保留更多的分类特征同时提高分类效率；使用nn.linear()函数设计三层全连接，由2048逐级降维到2分类。
疗效评估：使用模型训练得到的预测值并将其与真实值作比较，真实值是通过病理报告中化疗有无疗效获取的，将真实值和预测值计算出混淆矩阵，使用混淆矩阵计算用于评估模型的准确率、敏感性、特异性等评价指标。准确率是所有样本中被正确分类的比例，敏感性是所有有化疗疗效的真实标签中被预测为有疗效的概率，特异性是所有无化疗疗效的真实标签中预测结果为无化疗疗效的概率。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (9)

1.一种乳腺癌新辅助化疗疗效预测模型的构建方法，其特征在于：包括以下步骤：
步骤1：获取乳腺癌患者的DCE-MRI三维影像，对DCE-MRI三维影像进行预处理；
步骤2：沿三维影像的空间方向提取切片间像素最大值信息、中位数信息，偏度信息、峰度信息、差值信息、75％分位数信息和90％分位数信息，得到包含不同统计学信息的映射模式图；
步骤3：将映射模式图划分为训练集和测试集，对训练集进行数据增强，测试集对模型分类能力做评估；
步骤4：以ResNet50网络作为主干网络，加入CBAM注意力模块，构建新辅助化疗疗效预测模型。
2.如权利要求1所述的一种乳腺癌新辅助化疗疗效预测模型的构建方法，其特征在于：预处理包括：筛选掉影像扫描质量不佳影像和无病理报告影像，以及对影像做N4偏置场矫正、重采样、灰度值归一化和无效背景删除。
3.如权利要求2所述的一种乳腺癌新辅助化疗疗效预测模型的构建方法，其特征在于：N4偏置场矫正使用最大类间方差法。
4.如权利要求2所述的一种乳腺癌新辅助化疗疗效预测模型的构建方法，其特征在于：无效背景删除的具体操作为：获取肿瘤出现、消失位置，手动裁剪掉胸腔位置肌肉、乳腺周围皮肤，保持影像图像分辨率不变条件下将影像矩阵变为224×224。
5.如权利要求1所述的一种乳腺癌新辅助化疗疗效预测模型的构建方法，其特征在于：采用最大密度投影方法对影像提取不同统计学信息。
6.如权利要求1所述的一种乳腺癌新辅助化疗疗效预测模型的构建方法，其特征在于：对训练集进行数据增强的具体操作为：先对影像做正向和逆向45°、135°旋转，再对旋转后影像做左右翻转。
7.如权利要求1所述的一种乳腺癌新辅助化疗疗效预测模型的构建方法，其特征在于：步骤4中，模型构建的具体操作为：
输入影像格式为(3,224,224)，在Conv_1经过7×7的卷积后得到输出格式为(64,112,112)的特征图，在经过BN层和ReLu激活函数后保持格式不变输入到3×3的maxpool，得到输出格式为(64,56,56)的特征图后进入Conv_2；
从Conv_2到Conv_5使用四个残差结构，经过Conv_2卷积后输出(256,56,56)的特征图，Conv_3卷积后输出(512,28,28)的特征图，Conv_4卷积后输出(1024,14,14)的特征图，Conv_5卷积后输出(2048,7,7)的特征图；
微调方法冻结第一个残差结构，之后的残差结构正常学习参数；
选用optim.Adadelta优化器nn.CrossEntropyLoss()损失函数为训练策略，学习率初始值为0.0001；
输入经过预处理的映射模式图，batch-size选择16，使用shuffle打乱数据，学习200轮保存数据和参数；
冻结第二个残差结构，第三个残差结构，第四个残差结构，前两个残差结构，重复以上步骤得到最好的数据结果。
8.如权利要求7所述的一种乳腺癌新辅助化疗疗效预测模型的构建方法，其特征在于：残差结构采用Bottleneck残差结构，Bottleneck残差结构包括两种残差模块Bottleneck1和Bottleneck2，经过Bottleneck1残差块后，输出特征矩阵长度和宽度变为原来一半，通道数变为输入通道数的两倍；Bottleneck2是经过1×1的卷积核将通道数变为原来四分之一，最后一个1×1卷积核将通道数恢复为输入时通道数。
9.如权利要求1所述的一种乳腺癌新辅助化疗疗效预测模型的构建方法，其特征在于：CBAM注意力模块包括通道注意力模块和空间注意力模块，通道注意力模块为：将输入的特征图经过AvgPool平均池化和MaxPool最大池化，然后分别经过MLP后输出的特征进行相加操作后经过Sigmoid函数激活；空间注意力模块为：使用AvgPool平均池化和MaxPool最大池化对通道压缩到一维，然后将提取到的特征图合并为一个二通道的特征图，再用大小为7×7的卷积核压缩为1×H×W后使用Sigmoid函数对其激活。
CN202210988553.7A 2022-08-17 2022-08-17 一种乳腺癌新辅助化疗疗效预测模型的构建方法 Pending CN115312189A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210988553.7A CN115312189A (zh) 2022-08-17 2022-08-17 一种乳腺癌新辅助化疗疗效预测模型的构建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210988553.7A CN115312189A (zh) 2022-08-17 2022-08-17 一种乳腺癌新辅助化疗疗效预测模型的构建方法

Publications (1)

Publication Number Publication Date
CN115312189A true CN115312189A (zh) 2022-11-08

Family

ID=83862492

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210988553.7A Pending CN115312189A (zh) 2022-08-17 2022-08-17 一种乳腺癌新辅助化疗疗效预测模型的构建方法

Country Status (1)

Country Link
CN (1) CN115312189A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116504399A (zh) * 2023-03-16 2023-07-28 重庆大学附属肿瘤医院 一种基于纵向DCE-MRI的乳腺癌新辅助化疗pCR预测方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116504399A (zh) * 2023-03-16 2023-07-28 重庆大学附属肿瘤医院 一种基于纵向DCE-MRI的乳腺癌新辅助化疗pCR预测方法

Similar Documents

Publication Publication Date Title
CN111539930B (zh) 基于深度学习的动态超声乳腺结节实时分割与识别的方法
US20220230310A1 (en) Three-dimensional object segmentation of medical images localized with object detection
CN111445481A (zh) 一种基于尺度融合的腹部ct多器官的分割方法
CN100470560C (zh) 图像像素编码方法和图像处理方法
CN109859233A (zh) 图像处理、图像处理模型的训练方法及系统
CN111429474B (zh) 基于混合卷积的乳腺dce-mri图像病灶分割模型建立及分割方法
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
CN115496771A (zh) 一种基于脑部三维mri图像设计的脑肿瘤分割方法
Koundal et al. Challenges and future directions in neutrosophic set-based medical image analysis
CN104217437A (zh) 前列腺kvct图像的病变区域分割方法
Aslam et al. Liver-tumor detection using CNN ResUNet
CN114398979A (zh) 一种基于特征解耦的超声图像甲状腺结节分类方法
CN113989551A (zh) 一种基于改进ResNet网络的阿尔茨海默病分类方法
CN115312189A (zh) 一种乳腺癌新辅助化疗疗效预测模型的构建方法
CN106709925A (zh) 医学图像中椎块的定位方法及其装置
Ervural et al. A Comparison of Various Fusion Methods for CT and MR Liver Images
CN114494952B (zh) 一种基于感知损失的乳腺mri影像时间序列生成方法
CN116309754A (zh) 一种基于局部-全局信息协作的大脑医学图像配准方法及系统
Muthiah et al. Fusion of MRI and PET images using deep learning neural networks
Liu et al. Automatic segmentation of intracranial hematoma and volume measurement
CN112967295B (zh) 一种基于残差网络和注意力机制的图像处理方法及系统
CN113288188B (zh) 基于分组注意力残差网络的锥束x射线发光断层成像方法
CN114372985A (zh) 适应多中心图像的糖尿病视网膜病变病灶分割方法及系统
Ali et al. PCNN for detection of masses in digital mammogram
CN115147378B (zh) 一种ct图像分析提取方法

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