CN115359040A - 预测待测对象的组织样本属性的方法、设备和介质 - Google Patents

预测待测对象的组织样本属性的方法、设备和介质 Download PDF

Info

Publication number
CN115359040A
CN115359040A CN202211172570.XA CN202211172570A CN115359040A CN 115359040 A CN115359040 A CN 115359040A CN 202211172570 A CN202211172570 A CN 202211172570A CN 115359040 A CN115359040 A CN 115359040A
Authority
CN
China
Prior art keywords
image
tissue sample
convolution
subject
prediction
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.)
Granted
Application number
CN202211172570.XA
Other languages
English (en)
Other versions
CN115359040B (zh
Inventor
王凯
王铭辉
柳文进
张玉满
李行
俞海阳
邝丽珍
秦洪
许甜
庞菲
姚超
陈晓庆
施国邦
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.)
Shanghai Zhiben Medical Laboratory Co ltd
Origimed Technology Shanghai Co ltd
Original Assignee
Shanghai Zhiben Medical Laboratory Co ltd
Origimed Technology Shanghai Co ltd
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 Shanghai Zhiben Medical Laboratory Co ltd, Origimed Technology Shanghai Co ltd filed Critical Shanghai Zhiben Medical Laboratory Co ltd
Priority to CN202211172570.XA priority Critical patent/CN115359040B/zh
Publication of CN115359040A publication Critical patent/CN115359040A/zh
Application granted granted Critical
Publication of CN115359040B publication Critical patent/CN115359040B/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
    • 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
    • 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
    • G06V10/40—Extraction of image or video features
    • G06V10/54—Extraction of image or video features relating to texture
    • 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
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Quality & Reliability (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Investigating Or Analysing Biological Materials (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种预测待测对象的组织样本属性的方法、设备和存储介质。该方法包括：获取关于待测对象的组织样本的样本图像；提取样本图像中的多个目标区域，以便生成与目标区域相关联的多个图像区块，将分别与不同目标区域相关联的两个图像区块进行拼接，以便生成多个拼接图像；经由预测模型，提取所述每个拼接图像中的空间和纹理特征，以便生成多个图像特征数据；以及针对多个图像特征数据中的每个图像特征数据进行相似度计算，以便生成多个关于不同目标区域的相似度表征数据，以用于确定关于待测对象的组织样本属性的预测结果。本发明能够快速而精准地预测关于待测对象的组织样本属性。

Description

预测待测对象的组织样本属性的方法、设备和介质
技术领域
本发明总体上涉及生物信息处理，并且具体地，涉及用于预测待测对象的组织样本属性的方法、设备和介质。
背景技术
癌症（例如而不限于肺癌）是复杂且异质的疾病，不仅在生化水平（基因，蛋白质和代谢物）上，而且在组织、生物体和群体水平上存在基因组和表型差异。以肺癌为例，有研究数据表明，高达15%的肺癌患者表现出两个或多个病变。因而，区分待测对象（例如，患者）的组织样本（例如，关于病变的组织样本）的属性，例如，区分多个病变属于转移性关系还是多发性原发关系，对于临床而言具有重要的意义。
传统的预测待测对象的组织样本属性的方法主要包括两种，第一种主要依赖于病理学家针对待测对象的临床表现或关于病变的组织样本的病理图像进行分析，以便识别临床和组织学特征，进而区分多个病变属于转移性关系还是多发性原发关系。第二种主要是依据生物信息，例如基于不同病变的下一代测序（NGS）数据，比较不同病变之间的共享突变数量和突变频率，以便区分多个病变属于转移性关系还是多发性原发关系。对于依赖于病理学家的第一种预测方法而言，因为病理学家的稀缺性以及病理分析经验存在个体差异，因此存在较为耗时、判断结果存在主观个体偏差等问题，难以满足临床需求。对于依赖于突变数量和突变频率数据等生信数据比较的第二种方法而言，不仅存在高昂的成本和样品要求的问题，而且会因为缺乏可靠的判断标准而使得预测结果不够准确。
综上，传统的预测待测对象的组织样本属性的方法存在的不足之处在于：难以快速而精准地预测关于待测对象的组织样本属性。
发明内容
本发明提供一种用于预测待测对象的组织样本属性的方法、计算设备和计算机存储介质，能够快速而精准地预测关于待测对象的组织样本属性。
根据本发明的第一方面，提供了一种用于预测待测对象的组织样本属性的方法。该方法包括：获取关于待测对象的组织样本的样本图像；提取样本图像中的多个目标区域，以便生成与目标区域相关联的多个图像区块，所述目标区域与病变区域相关联；在多个图像区块中，将分别与不同目标区域相关联的两个图像区块进行拼接，以便生成多个拼接图像；基于多个拼接图像中的每个拼接图像，经由预测模型，提取所述每个拼接图像中的空间和纹理特征，以便生成多个图像特征数据，所述预测模型由神经网络模型所构建并且经由多样本训练；以及针对多个图像特征数据中的每个图像特征数据进行相似度计算，以便生成多个关于不同目标区域的相似度表征数据，以用于确定关于待测对象的组织样本属性的预测结果。
根据本发明的第二方面，还提供了一种计算设备，该设备包括：存储器，被配置为存储一个或多个计算机程序；以及处理器，耦合至存储器并且被配置为执行一个或多个程序使装置执行本发明的第一方面的方法。
根据本发明的第三方面，还提供了一种非瞬态计算机可读存储介质。该非瞬态计算机可读存储介质上存储有机器可执行指令，该机器可执行指令在被执行时使机器执行本发明的第一方面的方法。
在一些实施例中，预测模型的训练方法包括：确定关于待测对象的组织样本属性的预测结果是否满足预定条件；响应于确定关于待测对象的组织样本属性的预测结果不满足预定条件，针对偶数位置的卷积层，基于第一算法更新用于卷积运算的卷积核参数；以及针对奇数位置的卷积层，基于第二算法更新用于卷积运算的卷积核参数，所述第一算法不同于第二算法。
在一些实施例中，预测模型的训练方法还包括：响应于确定关于待测对象的组织样本属性的预测结果满足预定条件，停止更新所述卷积核参数。
在一些实施例中，基于第一算法更新用于卷积运算的卷积核参数包括：基于预测模型的循环迭代次数、卷积层位置、随机数和正弦函数，生成第一系数；以及基于第一系数，更新用于偶数位置的卷积层的卷积计算的卷积核参数。
在一些实施例中，基于第二算法更新用于卷积运算的卷积核参数包括：基于预测模型的循环迭代次数、卷积层位置调整值、随机数和余弦函数，生成第二系数；以及基于第二系数，更新用于奇数位置的卷积层的卷积计算的卷积核参数。
在一些实施例中，确定关于待测对象的组织样本属性的预测结果包括：将所生成的多个关于不同目标区域的相似度表征数据分别与预定阈值范围相比较，以便基于比较结果生成多个候选属性数据；以及基于多个候选属性数据，确定关于待测对象的组织样本属性的预测结果。
在一些实施例中，样本图像为关于待测对象的肺部多节结样本的图像，基于多个候选属性数据确定关于待测对象的组织样本属性的预测结果包括：将多个候选属性数据进行排序，以便确定多个候选属性数据的中位值；以及基于所述中位值，确定关于待测对象的组织样本属性的预测结果，所述预测结果指示待测对象的多结节之间是转移性关系还是多发性原发关系。
在一些实施例中，所述预测模型是基于残差网络模型ResNet50而构建的。
在一些实施例中，生成多个与目标区域相关联的图像区块包括以下任一项：提取样本图像中的多个目标区域，以便将关于每一个目标区域的图像划分成与所述目标区域的子区域相关联的多个图像区块；或者提取样本图像中的多个目标区域，以便将关于每一个目标区域的图像确定为与所述目标区域相关联的一个图像区块，以用于生成与多个目标区域分别相关联的多个图像区块。
提供发明内容部分是为了以简化的形式来介绍对概念的选择，它们在下文的具体实施方式中将被进一步描述。发明内容部分无意标识本发明的关键特征或主要特征，也无意限制本发明的范围。
附图说明
图1示出了根据本发明的实施例的用于实施预测待测对象的组织样本属性的方法的系统的示意图。
图2示出了根据本发明的实施例的用于预测待测对象的组织样本属性的方法的流程图。
图3示出了根据本发明的实施例的用于预测模型的训练的方法的流程图。
图4示出了根据本发明的实施例的用于确定关于待测对象的组织样本属性的预测结果的方法的流程图。
图5示意性示出了适于用来实现本发明实施例的电子设备的框图。
在各个附图中，相同或对应的标号表示相同或对应的部分。
具体实施方式
下面将参照附图更详细地描述本发明的优选实施例。虽然附图中显示了本发明的优选实施例，然而应该理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了使本发明更加透彻和完整，并且能够将本发明的范围完整地传达给本领域的技术人员。
在本文中使用的术语“包括”及其变形表示开放性包括，即“包括但不限于”。除非特别申明，术语“或”表示“和/或”。术语“基于”表示“至少部分地基于”。术语“一个示例实施例”和“一个实施例”表示“至少一个示例实施例”。术语“另一实施例”表示“至少一个另外的实施例”。术语“第一”、“第二”等等可以指代不同的或相同的对象。
如前文所描述，传统的、主要依赖于病理学家的病理图像分析来确定待测对象的组织样本属性的方法存在较为耗时、判断结果存在主观个体偏差等问题，难以满足临床需求。传统的、主要依赖于比较不同病变之间的共享突变数量和突变频率来确定待测对象的组织样本属性的方法，会因为缺乏可靠的判断标准而使得判断结果不准确。因而，传统的预测待测对象的组织样本属性的方法难以快速而精准结果预测关于待测对象的组织样本属性。
为了至少部分地解决上述问题以及其他潜在问题中的一个或者多个，本发明的示例实施例提出了一种用于预测待测对象的组织样本属性的方案。在该方案中，通过提取所获取的组织样本图像中的、与病变区域相关联的多个目标区域，以便生成与目标区域相关联的多个图像区块，然后将与不同目标区域相关联的两个图像区块两两进行拼接，本发明可以获得关于不同病变区域的图像区块所组成的拼接图像。通过经多样本训练的预测模型提取每个拼接图像的空间和纹理特征，以便生成多个图像特征数据，本发明可以将患者不同病变处的组织特点转换为高维的数学向量特征，进而能够准确表征不同病变处的组织特点并且便于进行不同病变的比较。另外，通过针对多个图像特征数据中的每个图像特征数据进行相似度计算，以便生成多个关于不同目标区域的相似度表征数据，以用于确定关于待测对象的组织样本属性的预测结果，本发明可以基于能够准确表征不同病变处的组织特点的图像特征数据进行比较进而生成关于不同病变区域的相似度表征数据，从而准确地预测关于待测对象的组织样本属性。因而，本发明能够快速而精准地预测关于待测对象的组织样本属性。
图1示出了根据本发明的实施例的用于实施预测待测对象的组织样本属性的方法的系统100的示意图。如图1所示，系统100包括：计算设备110、服务器130、网络140。在一些实施例中，计算设备110、服务器130经由网络140进行数据交互。
关于服务器130，其例如用于提供关于待测对象的组织样本的样本图像。服务器130例如是用于提供关于待测对象的临床信息的设备。临床信息中例如包括：关于待测对象的组织样本的样本图像，关于待测对象的用药信息等等。
关于计算设备110，其例如用于预测待测对象的组织样本属性。具体而言，计算设备110可以自服务器130获取关于待测对象的组织样本的样本图像；提取样本图像中的多个目标区域，以便生成与目标区域相关联的多个图像区块；以及在多个图像区块中，将分别与不同目标区域相关联的两个图像区块进行拼接，以便生成多个拼接图像。计算设备110还可以基于多个拼接图像中的每个拼接图像，经由预测模型，提取所述每个拼接图像中的空间和纹理特征，以便生成多个图像特征数据；以及针对多个图像特征数据中的每个图像特征数据进行相似度计算，以便生成多个关于不同目标区域的相似度表征数据，以用于确定关于待测对象的组织样本属性的预测结果。
在一些实施例中，计算设备110可以具有一个或多个处理单元，包括诸如GPU、FPGA和ASIC等的专用处理单元以及诸如CPU的通用处理单元。另外，在每个计算设备上也可以运行着一个或多个虚拟机。计算设备110例如包括：样本图像获取单元112、图像区块生成单元114、拼接图像生成单元116、多个图像特征数据生成单元118、组织样本属性预测结果确定单元120。上述样本图像获取单元112、图像区块生成单元114、拼接图像生成单元116、多个图像特征数据生成单元118、相似度表征数据生成单元120可以配置在一个或者多个计算设备110上。
关于样本图像获取单元112，其用于获取关于待测对象的组织样本的样本图像。
关于图像区块生成单元114，其用于提取样本图像中的多个目标区域，以便生成与目标区域相关联的多个图像区块，所述目标区域与病变区域相关联。
关于拼接图像生成单元116，其用于在多个图像区块中，将分别与不同目标区域相关联的两个图像区块进行拼接，以便生成多个拼接图像。
关于多个图像特征数据生成单元118，其用于基于多个拼接图像中的每个拼接图像，经由预测模型，提取所述每个拼接图像中的空间和纹理特征，以便生成多个图像特征数据，所述预测模型由神经网络模型所构建并且经由多样本训练。
关于相似度表征数据生成单元120，其用于针对多个图像特征数据中的每个图像特征数据进行相似度计算，以便生成多个关于不同目标区域的相似度表征数据，以用于确定关于待测对象的组织样本属性的预测结果。
以下将结合图2描述根据本发明的实施例的用于预测待测对象的组织样本属性的方法。图2示出了根据本发明的实施例的用于预测待测对象的组织样本属性的方法200的流程图。应当理解，方法200例如可以在图5所描述的电子设备500处执行。也可以在图1所描述的计算设备110处执行。应当理解，方法200还可以包括未示出的附加动作和/或可以省略所示出的动作，本发明的范围在此方面不受限制。
在步骤202处，计算设备110获取关于待测对象的组织样本的样本图像。例如，计算设备110自服务器130处获取关于待测对象的组织样本的样本图像。
关于待测对象，其例如而不限于是肿瘤患者，应当理解，待测对象也可以是特定组织存在两个或多个病变或结节的患者。在一些实施例中，待测对象例如而不限于是肺癌患者。
关于待测对象的组织样本，其例如是包括多处病变区域的肿瘤组织样本。在一些实施例中，关于待测对象的组织样本例如是肺癌患者的包括多结节的组织样本。
关于样本图像，其例如是关于待测对象的含有多处病变区域的组织样本的图像。在一些实施例中，样本图像为关于待测对象的肺部多节结样本的图像。
在步骤204处，计算设备110提取样本图像中的多个目标区域，以便生成与目标区域相关联的多个图像区块，所述目标区域与病变区域相关联。例如，计算设备110提取样本图像中的多个病变区域（例如是结节区域），以便生成与病变区域（例如是结节区域）相关联的多个图像区块。例如，计算设备110将样本图像中的所有结节区域提取出来，并且将所有的结节区域图像切成224*224*3规格（即，3个通道，图片尺寸为224*224）的多个图像区块。应当理解，图像区块也可以是其他尺寸。
在一些实施例中，关于生成与目标区域相关联的多个图像区块的方法，其例如包括：计算设备110提取样本图像中的多个目标区域，以便将关于每一个目标区域的图像划分成与所述目标区域的子区域相关联的多个图像区块。例如，计算设备110将每一个提取出的结节区域图像划分成多个分别指示结节区域的不同子区域的图像区块。
在另一些实施例中，关于生成与目标区域相关联的多个图像区块的方法，其例如包括：计算设备110提取样本图像中的多个目标区域，以便将关于每一个目标区域的图像确定为与所述目标区域相关联的一个图像区块，以用于生成与多个目标区域分别相关联的多个图像区块。例如，计算设备110将每一个提取出的结节区域图像作为一个与目标区域相关联的图像区块。
在步骤206处，计算设备110在多个图像区块中，将分别与不同目标区域相关联的两个图像区块进行拼接，以便生成多个拼接图像。例如，计算设备110将每个待测对象的、分属两个不同的结节区域的图像区块两两之间进行拼接，例如生成了n*m个224*448*3规格（即，3个通道，图片尺寸为224*448）的拼接图像。
在一些实施例中，生成多个拼接图像的方法例如包括：计算设备110将指示不同结节区域的图像区块两两进行拼接，使得所形成的拼接图像包括的两个结节区域的图像区块分别指示两个不同的结节。通过使得每个拼接图像由不同结节区域的图像区块拼接而成，本发明不仅能够使得每个预测模型的输入图像包括不同结节区域的全局特征，而且有利于降低拼接图像的数量，进而减少预测模型的计算量，提高预测速度。
在另一些实施例中，生成多个拼接图像的方法例如包括：计算设备110将指示不同结节区域的子区域的图像区块两两进行拼接，使得所形成的拼接图像包括的两个结节子区域的图像区块分别指示两个不同的结节的局部。通过使得每个拼接图像由分属不同结节区域的子区域的图像区块拼接而成，本发明不仅能够获得更多数量的、关于结节局部特征的拼接图像，以便输入预测模型，而且有利于使得预测模型学习到更为丰富的局部空间和纹理特征，进而提高预测结果的准确度。
在步骤208处，计算设备110基于多个拼接图像中的每个拼接图像，经由预测模型，提取所述每个拼接图像中的空间和纹理特征，以便生成多个图像特征数据，所述预测模型由神经网络模型所构建并且经由多样本训练。
关于预测模型的输入数据，其例如是经由步骤206拼接的多个拼接图像中的每一个拼接图像，例如，前文提及的n*m个224*448*3的拼接图像中的每一个拼接图像。应当理解，每一个拼接图像输入预测模型，以便生成一个图像特征数据。n*m个拼接图像经由预测模型输出n*m个图像特征数据。
关于预测模型的训练样本，本发明例如使用多例临床病理专家确定并标注的肺部多节结病理图像经由步骤204和206生成多个拼接图像，以用于作为预测模型的训练样本。在一些实施例中，本发明例如使用临床病理专家确定并且经由后期临床疗效信息验证的属性数据作为肺部多节结病理图像的拼接图像样本的标签。通过采用上述手段，本发明能够通过提高训练样本的准确性而进一步提高预测模型的预测结果的准确性。
关于预测模型，其例如是基于神经网络模型构建。在一些实施例中，预测模型基于残差网络（Residual Networks，ResNets）所构建。例如，预测模型基于ResNet50网络模型、CNN等网络模型所构建。以基于ResNet50网络模型作为主干网络用于提取特征为例，其包括卷积层、最大池化层（max pool）、4个残差块（ResidualBlock)、平均池化层和全连接。具体而言，预测模型的第一层为卷积层（conv）。卷积层（conv）例如而不限于是卷积核大小为7*7，卷积核个数（即该卷积层输出的通道数）为64，指卷积核的步长为2，padding为3。卷积层（conv）之后为最大池化层（max pool）。该最大池化层（max pool）例如而不限于是：7*7 maxpool，步长（stride）为2。每个残差块例如包括3个Bottleneck。每个Bottleneck包含卷积块（Conv Block）和识别块（Identity Block）。
关于预测模型的输出结果，其例如是针对每一个输入预测模型的拼接图像而生成的一个用于表征拼接图像的空间和纹理特征的图像特征数据。针对分别输入预测模型的多个拼接图像，生成多个图像特征数据。例如，基于n*m个224*448*3的拼接图像，预测模型输出n*m个图像特征数据。应当理解，通过基于残差网络等深度学习算法模型所构建的预测模型来提取拼接图像中不同病变区域的图像区块中的病理图像特征（例如包括：肿瘤细胞的空间与纹理特征，以及肿瘤细胞和非肿瘤细胞之间的空间与纹理特征），进而将把患者不同病变（例如结节）处的组织特点转换为一个高维的数学向量特征，以便于把患者不同病变的向量特征互相比较。通过采用上述手段，本发明所生成的图像特征数据能够准确地表征不同病变处的组织特点，并且便于不同病变的比较。
在步骤210处，计算设备110针对多个图像特征数据中的每个图像特征数据进行相似度计算，以便生成多个关于不同目标区域的相似度表征数据，以用于确定关于待测对象的组织样本属性的预测结果。
针对每个图像特征数据进行相似度计算的方法可以包括多种。例如，计算设备110利用余弦距离、欧氏距离或者杰卡德相似性度量的相似度计算方法，计算每个图像特征数据的关于不同目标区域的相似度表征数据。应当理解，余弦距离使用两个向量夹角的余弦值作为衡量两个对象间差异的大小。相比欧氏距离，余弦距离更加注重两个向量在方向上的差异。通过针对用于表征患者不同病变（例如结节）处的组织特点的图像特征数据（其为高维的数学向量特征）进行相似度计算，即，把患者不同病变的向量特征互相比较，进而生成关于不同目标区域（即，病变区域）的相似度表征数据。
关于确定关于待测对象的组织样本属性预测结果的方法，其例如包括：计算设备110将所生成的多个关于不同目标区域的相似度表征数据分别与预定阈值范围相比较，以便基于比较结果生成多个候选属性数据；以及基于多个候选属性数据，确定关于待测对象的组织样本属性的预测结果。下文将结合图4说明用于确定关于待测对象的组织样本属性预测结果的方法400，在此，不再赘述。
为了验证预测模型的预测结果的准确性。本发明使用300例患者的经由临床病理专家确认并标注的肺部多节结病理图像生成由同一例患者的不同结节图像区块而拼接而成的多个拼接图像，以便用于验证最终生成的关于待测对象的组织样本属性的预测结果（例如是关于MPLC和IPM属性分类）的准确性。其中，30例患者的多节结病理图像可以用于确定分类阈值以及微调模型。应当理解，关于确定待测对象的多结节之间是转移性关系还是多发性原发关系，因缺乏金标准而难于认定，而上述30例患者是经由临床病理专家确认，并且经由临床疗效信息确认关于MPLC和IPM的准确性，因此可以用于确定分类阈值，以及用于微调模型。基于该30例患者的病理图像所生成的拼接图像输入预测模型并最终生成的组织样本属性的预测结果被用作与临床病理专家的确认结果和临床疗效信息相匹配。基于另外的270例患者的病理图像所生成的拼接图像所最终生成的组织样本属性的预测结果被用作与临床病理专家的确认结果相匹配。匹配结果表明，本发明所预测关于待测对象的组织样本属性的预测结果高度准确。
在上述方案中，通过提取所获取的组织样本图像中的、与病变区域相关联的多个目标区域，以便生成与目标区域相关联的多个图像区块，然后将与不同目标区域相关联的两个图像区块两两进行拼接，本发明可以获得关于不同病变区域的图像区块所组成的拼接图像。通过经多样本训练的预测模型提取每个拼接图像的空间和纹理特征，以便生成多个图像特征数据，本发明可以将患者不同病变处的组织特点转换为高维的数学向量特征，进而能够准确表征不同病变处的组织特点并且便于进行不同病变的比较。另外，通过针对多个图像特征数据中的每个图像特征数据进行相似度计算，以便生成多个关于不同目标区域的相似度表征数据，以用于确定关于待测对象的组织样本属性的预测结果，本发明可以基于能够准确表征不同病变处的组织特点的图像特征数据进行比较进而生成关于不同病变区域的相似度表征数据，从而准确地预测关于待测对象的组织样本属性。因而，本发明能够快速而精准地预测关于待测对象的组织样本属性。
以下将结合图3描述根据本发明的实施例的用于训练预测模型的方法300。图3示出了根据本发明的实施例的用于预测模型的训练的方法300的流程图。应当理解，方法300例如可以在图5所描述的电子设备500处执行。也可以在图1所描述的计算设备110处执行。应当理解，方法300还可以包括未示出的附加动作和/或可以省略所示出的动作，本发明的范围在此方面不受限制。
在步骤302处，计算设备110确定关于待测对象的组织样本属性的预测结果是否满足预定条件。
关于预定条件，其例如是，关于待测对象的组织样本属性的预测结果与临床病理专家的确认结果和临床疗效信息相匹配的占比大于或者等于预定阈值。如果关于待测对象的组织样本属性的预测结果满足预定条件，则表明预测模型的预测准确率达到预期标准。如果关于待测对象的组织样本属性的预测结果不满足预定条件，则表明预测模型的预测准确率未达到预期标准。
在步骤304处，如果计算设备110确定关于待测对象的组织样本属性的预测结果不满足预定条件，针对偶数位置的卷积层，基于第一算法更新用于卷积运算的卷积核参数。
关于偶数位置的卷积层，其例如为卷积层排序序号为偶数的卷积层。
例如，如果计算设备110确定关于目标区域相似度的多个预测结果与临床病理专家的确认结果和临床疗效信息相匹配的占比小于预定阈值，基于第一算法生成第一系数以用于更新用于偶数位置的卷积层的卷积计算的卷积核参数。具体而言，计算设备110基于预测模型的循环迭代次数、卷积层位置、随机数和正弦函数，生成第一系数；以及基于第一系数，更新用于偶数位置的卷积层的卷积计算的卷积核参数。
以下结合公式（1）示例性说明第一算法：
Figure 290051DEST_PATH_IMAGE002
（1）
在上述公式（1）中，
Figure 394142DEST_PATH_IMAGE004
代表卷积层位置。
Figure 111562DEST_PATH_IMAGE006
代表用于卷积层的卷积计算的卷积核参数。
Figure 241192DEST_PATH_IMAGE008
代表预测模型的循环迭代次数。循环迭代次数的初始值为1。
Figure DEST_PATH_IMAGE009
代表[1, 10] 之间的随机数。
Figure DEST_PATH_IMAGE011
代表第一系数。具体而言，针对每一次卷积计算，
Figure 901237DEST_PATH_IMAGE009
在[1,10] 之间取一随机数，然后基于循环迭代次数
Figure DEST_PATH_IMAGE007
、卷积层位置
Figure 130224DEST_PATH_IMAGE012
、所取的随机数
Figure 318629DEST_PATH_IMAGE009
和正弦函数，生成第一系数；然后将第一系数与前一次卷积计算的卷积核参数相乘，以便基于相乘结果生成更新后的用于当前次卷积计算的卷积核参数。应当理解，一个卷积核中的多个卷积核参数可以相同，也可以不同。
在步骤306处，计算设备110针对奇数位置的卷积层，基于第二算法更新用于卷积运算的卷积核参数，所述第一算法不同于第二算法。
关于奇数位置的卷积层，其例如为卷积层排序序号为奇数的卷积层。
例如，如果确定关于目标区域相似度的多个预测结果与临床病理专家的确认结果和临床疗效信息相匹配的占比小于预定阈值，计算设备110还基于第二算法生成第二系数以用于更新用于奇数位置的卷积层的卷积计算的卷积核参数。具体而言，计算设备110基于预测模型的循环迭代次数、卷积层位置调整值、随机数和余弦函数，生成第二系数；以及基于第二系数，更新用于奇数位置的卷积层的卷积计算的卷积核参数。
以下结合公式（2）示例性说明第二算法：
Figure 251950DEST_PATH_IMAGE014
（2）
在上述公式（2）中，
Figure 842200DEST_PATH_IMAGE016
代表卷积层位置调整值。
Figure DEST_PATH_IMAGE005
代表卷积计算时的卷积核参数。
Figure DEST_PATH_IMAGE017
代表预测模型的循环迭代次数。
Figure 694618DEST_PATH_IMAGE019
代表第二系数。
Figure 386631DEST_PATH_IMAGE009
代表 [1,10] 之间的随机数。卷积层位置调整值
Figure DEST_PATH_IMAGE015
例如是经由以下公式（3）而生成：
Figure 313523DEST_PATH_IMAGE021
（3）
在上述公式（3）中，
Figure 774591DEST_PATH_IMAGE015
代表卷积层位置调整值。
Figure 125807DEST_PATH_IMAGE022
代表卷积层位置。
应当理解，针对每一次卷积计算，
Figure DEST_PATH_IMAGE023
在[1, 10] 之间取一随机数，如
Figure 288804DEST_PATH_IMAGE024
为偶数，则
Figure 501611DEST_PATH_IMAGE025
为正数，根据公式（1）和（2）可知，第一系数或第二系数为大于1，表明使得用于当前次卷积计算的卷积核参数相对于用于前一次卷积计算的卷积核参数增加。如
Figure 613923DEST_PATH_IMAGE009
为奇数，则
Figure 870461DEST_PATH_IMAGE025
为-1，根据公式（1）和（2）可知，第一系数或第二系数为小于1。表明使得用于当前次卷积计算的卷积核参数相对于用于前一次卷积计算的卷积核参数减少。公式（1）中的
Figure 68224DEST_PATH_IMAGE027
代表对用于前一次卷积计算的卷积核参数增加或者减少的程度。公式（2）中的
Figure 881459DEST_PATH_IMAGE028
代表对用于前一次卷积计算的卷积核参数增加或者减少的程度。通过采用上述手段，可以在不同次卷积计算时按照不同方向和不同程度调整卷积核参数，有利于快速并稳定地找到最为合适的卷积核参数。
在步骤308处，如果计算设备110确定关于待测对象的组织样本属性的预测结果满足预定条件，停止更新所述卷积核参数。例如，如果计算设备110确定关于目标区域相似度的多个预测结果的与临床病理专家所确认结果和临床疗效信息相匹配的占比大于或者等于预定阈值，则停止更新用于卷积计算的卷积核参数。
通过采用上述手段，本发明可以提高预测模型迭代的稳定性，以利于快速找到预测模型的最佳参数。
以下将结合图4描述根据本发明的实施例的用于确定关于待测对象的组织样本属性的预测结果的方法400。图4示出了根据本发明的实施例的用于确定关于待测对象的组织样本属性的预测结果的方法400的流程图。应当理解，方法400例如可以在图5所描述的电子设备500处执行。也可以在图1所描述的计算设备110处执行。应当理解，方法4500还可以包括未示出的附加动作和/或可以省略所示出的动作，本发明的范围在此方面不受限制。
在步骤402处，计算设备110将所生成的多个关于不同目标区域的相似度表征数据分别与预定阈值范围相比较，以便基于比较结果生成多个候选属性数据。
例如，以样本图像为关于待测对象的肺部多节结样本的图像为例，如果关于不同目标区域（例如关于不同结节区域）的当前相似度表征数据属于预定阈值范围，其指示不同结节区域图像区块之间的空间和纹理特征比较相近，则计算设备110确定当前候选属性数据指示不同结节之间互相是转移性关系（例如， IPM, IntraPulmonary Metastasis）。如果关于不同目标区域（例如关于不同结节区域）的当前相似度表征数据不属于预定阈值范围，其指示不同结节区域图像区块之间的空间和纹理特征比较远，则计算设备110确定当前候选属性数据指示不同结节之间互相是多发性原发关系（例如，MPLC：Multiple PrimaryLung Cancer）。依次类推，计算设备110依次确定与多个相似度表征数据所分别对应的多个候选属性数据的分别指示多结节之间是转移性关系还是多发性原发关系。
在步骤404处，计算设备110将多个候选属性数据进行排序，以便确定多个候选属性数据的中位值。
顺序排列的多个候选属性数据中居于中间位置的候选属性数据为中位值。如果多个候选属性数据为偶数个，可以取最中间的两个位置的候选属性数据的平均数作为中位值。应当理解，候选属性数据的中位值是以它在所有候选属性数据中所处的位置确定的代表值，不受分布数列的极大或极小值影响，因而有利于提高中位值对多个候选属性数据的分布数列的代表性，同时确定方法较为便捷。
在步骤406处，计算设备110基于所述中位值，确定关于待测对象的组织样本属性的预测结果，所述预测结果指示待测对象的多结节之间是转移性关系还是多发性原发关系。
例如，如果多个候选属性数据的中位值指示多结节之间是转移性关系，则计算设备110确定关于待测对象的组织样本属性的预测结果指示多结节之间是转移性关系；如果多个候选属性数据的中位值指示多结节之间是多发性原发关系，则计算设备110确定关于待测对象的组织样本属性的预测结果指示多结节之间是多发性原发关系。应当理解，所确定的关于待测对象的组织样本属性的预测结果并非是关于待测对象的诊断结果。针对待测对象的诊断结果还需要依赖于其他多方面数据。
通过采用上述手段，本发明可以基于多个候选属性数据的代表性候选属性数据便捷而准确地确定关于待测对象的组织样本属性。
图5示意性示出了适于用来实现本发明实施例的电子设备500的步骤图。电子设备500可以是用于实现执行图2至图4所示的方法200至400的设备。如图5所示，电子设备500包括中央处理单元（CPU）501，其可以根据存储在只读存储器（ROM）502中的计算机程序指令或者从存储单元508加载到随机访问存储器（RAM）503中的计算机程序指令，来执行各种适当的动作和处理。在RAM中，还可存储电子设备500操作所需的各种程序和数据。CPU、ROM以及RAM通过总线504彼此相连。输入/输出（I/O）接口505也连接至总线504。
电子设备500中的多个部件连接至I/O接口，包括：输入单元506、输出单元507、存储单元508，中央处理单元（CPU）执行上文所描述的各个方法和处理，例如执行方法200至400。例如，在一些实施例中，方法200至400可被实现为计算机软件程序，其被存储于机器可读介质，例如存储单元508。在一些实施例中，计算机程序的部分或者全部可以经由ROM和/或通信单元509而被载入和/或安装到电子设备500上。当计算机程序加载到RAM并由CPU501执行时，可以执行上文描述的方法200至400的一个或多个操作。备选地，在其他实施例中，CPU可以通过其他任何适当的方式（例如，借助于固件）而被配置为执行方法200至400的一个或多个动作。
需要进一步说明的是，本发明可以是方法、装置、系统和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于执行本发明的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是但不限于电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子（非穷举的列表）包括：便携式计算机盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、静态随机存取存储器（SRAM）、便携式压缩盘只读存储器（CD-ROM）、数字多功能盘（DVD）、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波（例如，通过光纤电缆的光脉冲）、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本发明操作的计算机程序指令可以是汇编指令、指令集架构（ISA）指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，该编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列（FPGA）或可编程逻辑阵列（PLA），该电子电路可以执行计算机可读程序指令，从而实现本发明的各个方面。
这里参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和/或步骤图描述了本发明的各个方面。应当理解，流程图和/或步骤图的每个方步骤以及流程图和/或步骤图中各方步骤的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给语音交互装置中的处理器、通用计算机、专用计算机或其它可编程数据处理装置的处理单元，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理单元执行时，产生了实现流程图和/或步骤图中的一个或多个方步骤中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或步骤图中的一个或多个方步骤中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或步骤图中的一个或多个方步骤中规定的功能/动作。
附图中的流程图和步骤图显示了根据本发明的多个实施例的设备、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或步骤图中的每个方步骤可以代表一个模块、程序段或指令的一部分，该模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方步骤中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方步骤实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，步骤图和/或流程图中的每个方步骤、以及步骤图和/或流程图中的方步骤的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本发明的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
以上仅为本发明的可选实施例，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等效替换、改进等，均应包含在本发明的保护范围之内。

Claims (11)

1.一种用于预测待测对象的组织样本属性的方法，包括：
获取关于待测对象的组织样本的样本图像；
提取样本图像中的多个目标区域，以便生成与目标区域相关联的多个图像区块，所述目标区域与病变区域相关联；
在多个图像区块中，将分别与不同目标区域相关联的两个图像区块进行拼接，以便生成多个拼接图像；
基于多个拼接图像中的每个拼接图像，经由预测模型，提取所述每个拼接图像中的空间和纹理特征，以便生成多个图像特征数据，所述预测模型由神经网络模型所构建并且经由多样本训练；以及
针对多个图像特征数据中的每个图像特征数据进行相似度计算，以便生成多个关于不同目标区域的相似度表征数据，以用于确定关于待测对象的组织样本属性的预测结果。
2.根据权利要求1所述的方法，其中预测模型的训练方法包括：
确定关于待测对象的组织样本属性的预测结果是否满足预定条件；
响应于确定关于待测对象的组织样本属性的预测结果不满足预定条件，针对偶数位置的卷积层，基于第一算法更新用于卷积运算的卷积核参数；以及
针对奇数位置的卷积层，基于第二算法更新用于卷积运算的卷积核参数，所述第一算法不同于第二算法。
3.根据权利要求2所述的方法，其中预测模型的训练方法还包括：
响应于确定关于待测对象的组织样本属性的预测结果满足预定条件，停止更新所述卷积核参数。
4.根据权利要求2所述的方法，其中基于第一算法更新用于卷积运算的卷积核参数包括：
基于预测模型的循环迭代次数、卷积层位置、随机数和正弦函数，生成第一系数；以及
基于第一系数，更新用于偶数位置的卷积层的卷积计算的卷积核参数。
5.根据权利要求2所述的方法，其中基于第二算法更新用于卷积运算的卷积核参数包括：
基于预测模型的循环迭代次数、卷积层位置调整值、随机数和余弦函数，生成第二系数；以及
基于第二系数，更新用于奇数位置的卷积层的卷积计算的卷积核参数。
6.根据权利要求1所述的方法，其中确定关于待测对象的组织样本属性的预测结果包括：
将所生成的多个关于不同目标区域的相似度表征数据分别与预定阈值范围相比较，以便基于比较结果生成多个候选属性数据；以及
基于多个候选属性数据，确定关于待测对象的组织样本属性的预测结果。
7.根据权利要求6所述的方法，其中样本图像为关于待测对象的肺部多节结样本的图像，基于多个候选属性数据确定关于待测对象的组织样本属性的预测结果包括：
将多个候选属性数据进行排序，以便确定多个候选属性数据的中位值；以及
基于所述中位值，确定关于待测对象的组织样本属性的预测结果，所述预测结果指示待测对象的多结节之间是转移性关系还是多发性原发关系。
8.根据权利要求1所述的方法，其中所述预测模型是基于残差网络模型ResNet50而构建的。
9.根据权利要求1所述的方法，其中生成多个与目标区域相关联的图像区块包括以下任一项：
提取样本图像中的多个目标区域，以便将关于每一个目标区域的图像划分成与所述目标区域的子区域相关联的多个图像区块；或者
提取样本图像中的多个目标区域，以便将关于每一个目标区域的图像确定为与所述目标区域相关联的一个图像区块，以用于生成与多个目标区域分别相关联的多个图像区块。
10.一种计算设备，包括：
至少一个处理单元；
至少一个存储器，所述至少一个存储器被耦合到所述至少一个处理单元并且存储用于由所述至少一个处理单元执行的指令，所述指令当由所述至少一个处理单元执行时，使得所述设备执行根据权利要求1至9任一项所述的方法的步骤。
11.一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被机器执行时实现根据权利要求1至9中任一项所述的方法。
CN202211172570.XA 2022-09-26 2022-09-26 预测待测对象的组织样本属性的方法、设备和介质 Active CN115359040B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211172570.XA CN115359040B (zh) 2022-09-26 2022-09-26 预测待测对象的组织样本属性的方法、设备和介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211172570.XA CN115359040B (zh) 2022-09-26 2022-09-26 预测待测对象的组织样本属性的方法、设备和介质

Publications (2)

Publication Number Publication Date
CN115359040A true CN115359040A (zh) 2022-11-18
CN115359040B CN115359040B (zh) 2023-08-15

Family

ID=84008920

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211172570.XA Active CN115359040B (zh) 2022-09-26 2022-09-26 预测待测对象的组织样本属性的方法、设备和介质

Country Status (1)

Country Link
CN (1) CN115359040B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200410672A1 (en) * 2018-01-18 2020-12-31 Koninklijke Philips N.V. Medical analysis method for predicting metastases in a test tissue sample
CN112926612A (zh) * 2019-12-06 2021-06-08 中移(成都)信息通信科技有限公司 病理图像分类模型训练方法、病理图像分类方法及装置
CN112930573A (zh) * 2019-09-02 2021-06-08 北京哲源科技有限责任公司 疾病类型自动确定方法及电子设备
CN113096757A (zh) * 2021-04-29 2021-07-09 中国科学院深圳先进技术研究院 一种基于双区域影像组学的食管鳞癌生存预测方法和系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200410672A1 (en) * 2018-01-18 2020-12-31 Koninklijke Philips N.V. Medical analysis method for predicting metastases in a test tissue sample
CN112930573A (zh) * 2019-09-02 2021-06-08 北京哲源科技有限责任公司 疾病类型自动确定方法及电子设备
US20220292363A1 (en) * 2019-09-02 2022-09-15 Phil Rivers Technology, Ltd. Method for automatically determining disease type and electronic apparatus
CN112926612A (zh) * 2019-12-06 2021-06-08 中移(成都)信息通信科技有限公司 病理图像分类模型训练方法、病理图像分类方法及装置
CN113096757A (zh) * 2021-04-29 2021-07-09 中国科学院深圳先进技术研究院 一种基于双区域影像组学的食管鳞癌生存预测方法和系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
苗光;李朝锋;: "二维和三维卷积神经网络相结合的CT图像肺结节检测方法", 激光与光电子学进展, no. 05 *

Also Published As

Publication number Publication date
CN115359040B (zh) 2023-08-15

Similar Documents

Publication Publication Date Title
Usman et al. Volumetric lung nodule segmentation using adaptive roi with multi-view residual learning
US11593943B2 (en) RECIST assessment of tumour progression
CN111126574B (zh) 基于内镜图像对机器学习模型进行训练的方法、装置和存储介质
CN108256479B (zh) 人脸跟踪方法和装置
US20180260531A1 (en) Training random decision trees for sensor data processing
JP2022524878A (ja) 画像解析方法、装置、プログラム
US11544851B2 (en) Systems and methods for mesothelioma feature detection and enhanced prognosis or response to treatment
Demir DeepBreastNet: A novel and robust approach for automated breast cancer detection from histopathological images
US11942189B2 (en) Drug efficacy prediction for treatment of genetic disease
Larrazabal et al. Orthogonal ensemble networks for biomedical image segmentation
CN111091010A (zh) 相似度确定、网络训练、查找方法及装置和存储介质
Sirjani et al. Automatic cardiac evaluations using a deep video object segmentation network
KR102330263B1 (ko) 인공신경망을 이용한 핵 영역 검출 방법 및 그 장치
CN112420125A (zh) 分子属性预测方法、装置、智能设备和终端
CN115438804A (zh) 预测模型训练方法、装置、设备以及图像预测方法
US20240054639A1 (en) Quantification of conditions on biomedical images across staining modalities using a multi-task deep learning framework
CN111275699A (zh) 医学图像的处理方法、装置、设备及存储介质
CN117392138B (zh) 舌象图像处理方法、存储介质及电子设备
CN113724185B (zh) 用于图像分类的模型处理方法、装置及存储介质
CN116113986A (zh) 用于病理器官分割的用户交互快速标注的用户引导域自适应
Murugesan et al. Neighbor-aware calibration of segmentation networks with penalty-based constraints
CN115359040B (zh) 预测待测对象的组织样本属性的方法、设备和介质
CN111968030B (zh) 信息生成方法、装置、电子设备和计算机可读介质
RS CoC-ResNet-classification of colorectal cancer on histopathologic images using residual networks
Khan et al. A convex selective segmentation model based on a piece-wise constant metric-guided edge detector function

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