CN115497623A - 一种基于影像、病理和基因多组学的肺癌预后预测系统 - Google Patents

一种基于影像、病理和基因多组学的肺癌预后预测系统 Download PDF

Info

Publication number
CN115497623A
CN115497623A CN202211186592.1A CN202211186592A CN115497623A CN 115497623 A CN115497623 A CN 115497623A CN 202211186592 A CN202211186592 A CN 202211186592A CN 115497623 A CN115497623 A CN 115497623A
Authority
CN
China
Prior art keywords
features
prediction
image
lung cancer
pathology
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
CN202211186592.1A
Other languages
English (en)
Inventor
潘玉藤
石丽婷
邱建峰
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.)
Shandong First Medical University and Shandong Academy of Medical Sciences
Original Assignee
Shandong First Medical University and Shandong Academy of Medical Sciences
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 Shandong First Medical University and Shandong Academy of Medical Sciences filed Critical Shandong First Medical University and Shandong Academy of Medical Sciences
Priority to CN202211186592.1A priority Critical patent/CN115497623A/zh
Priority to PCT/CN2022/132945 priority patent/WO2024065987A1/zh
Publication of CN115497623A publication Critical patent/CN115497623A/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
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B20/00—ICT specially adapted for functional genomics or proteomics, e.g. genotype-phenotype associations
    • G16B20/30—Detection of binding sites or motifs
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B25/00—ICT specially adapted for hybridisation; ICT specially adapted for gene or protein expression
    • G16B25/10—Gene or protein expression profiling; Expression-ratio estimation or normalisation
    • 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
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • 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
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Epidemiology (AREA)
  • Genetics & Genomics (AREA)
  • Primary Health Care (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Evolutionary Biology (AREA)
  • Biotechnology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Databases & Information Systems (AREA)
  • Mathematical Physics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Artificial Intelligence (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Proteomics, Peptides & Aminoacids (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Image Analysis (AREA)

Abstract

本发明提出了一种基于影像、病理和基因的多组学肺癌预后预测系统，其特征在于，包括：获取模块：获取患者放疗前医学影响图、病理切片扫描图、基因测试数据和放射治疗辐射剂量分布数据并进行处理，作为特征数据集；预测模块：对特征数据集中的特征数据利用机器学习算法训练预测模型，得到训练好的预测模型用于肺癌预后预测。

Description

一种基于影像、病理和基因多组学的肺癌预后预测系统
技术领域
本发明属于肺癌预后预测相关技术领域，尤其涉及一种基于影像、病理和基因多组学的肺癌预后预测系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
肺癌是严重影响人类健康的重大恶性疾病之一，放射治疗是肺癌临床治疗的重要手段。然而由于肿瘤细胞分型、间质和免疫微环境的不同，以及肿瘤内部空间异质性差异，使得肺癌放疗的临床疗效评估不够准确，无法实现放疗计划基于疗效预测结果的动态逆向调整。
肿瘤异质性导致的放疗方案失败原因可能是多样的。肿瘤细胞类型、基因表达、线粒体能量代谢等可能导致放疗结果不理想。如果不能在放疗过程中及时追踪病灶在医学影像和病理切片上的差异，不对放疗计划进行针对性调整，将严重治疗效果。
现有的方案中对肺癌预后通常仅使用单一类型的数据进行预后预测，其存在预测不准确的问题。
发明内容
为克服上述现有技术的不足，本发明提出一种基于影像、病理和基因多组学的肺癌预后预测系统，融合影像、病理和基因等多组学信息，并纳入放疗辐射剂量的方法，通过多尺度多组学的数据类型对肺癌放疗患者放疗结果预后进行预测分析，提高了疾病诊断和资治疗精准度。
为实现上述目的，本发明的一个或多个实施例提供了如下技术方案：一种基于影像、病理和基因的多组学肺癌预后预测系统，包括：
数据获取模块：获取患者放疗前医学影响图、病理切片扫描图、基因测试数据和放射治疗辐射剂量分布数据并进行处理，作为特征数据集；
预测模块：对特征数据集中的特征数据利用机器学习算法训练预测模型，得到训练好的预测模型用于肺癌预后预测。
以上一个或多个技术方案存在以下有益效果：
本发明提供了基于深度学习，融合影像、病理和基因等多组学信息，并纳入放疗辐射剂量的方法，作为对肺癌放疗患者放疗结果预后预测分析。
本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1为本发明实施例一中流程示意图。
具体实施方式
应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。
在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
实施例一
本实施例公开了一种基于影像、病理和基因的多组学肺癌预后预测系统，包括：
数据获取模块：获取患者放疗前医学影响图、病理切片扫描图、基因测试数据和放射治疗辐射剂量分布数据并进行处理，作为历史数据集；
预测模块：对历史数据集中的数据利用机器学习算法训练预测模型，得到训练好的预测模型用于肺癌预后预测。
基于桌面开发系统软件化产品后，做为标准的桌面应用软件，支持医学影像、病理图像、辐射剂量分布以及基因数据的读取、浏览与ROI绘制。
集成AI多模态图像组学分析模型，实现放疗结果有效性评估及生存率预测等功能。
采用模块化的设计框架，包括用户界面模块、文件数据管理模块、放疗计划格式数据集读取与浏览模块、放疗计划格式数据ROI绘制与管理模块、病理图像读取与浏览模块、病理图像ROI绘制与管理模块、基因数据表单读取与浏览模块、疗效预测模型算法集成与结果显示模块、结构化报告生成与预览模块。
在数据获取模块中，在确定入组样本后，首先分析患者年龄、性别、组织学类型、是否吸烟和总体分期等临床特征。
影像组学宏观上体现肿瘤内部空间异质性，病理组学体现的微观上肿瘤细胞的大小、形态和肿瘤微环境。对于放疗前医学影像图提取影像组学特征，主要包括：形状特征、一阶统计学特征、高阶纹理特征、滤波变换特征以及深度影像学特征。
用IBEX工具等获取图像形状特征、轻度特征、纹理特征和高斯拉普拉斯滤波特征，形状特征描述了ROI的形状特征和3维尺寸，包括体积、质量(指定ROI内CT值的总和乘以体素尺寸)、表面积、球形度和圆度。强度特征包括直接从图像强度和强度直方图导出的一阶统计描述符。纹理特征是使用灰度共生矩阵(GLCM)、灰度游程长度矩阵(GLRLM)和邻域强度差矩阵(NIDM)计算的高阶统计描述符。纹理特征在不同的3维方向上计算，并在所有方向上平均作为最终特征值，以近似旋转不变系统。LoG过滤特征包括在将中等LoG过滤器应用于图像后提取的强度和纹理特征。
在影像组学特征提取之前，需要先对图像进行重新采样到1.3×1.3×5mm的体素大小和重新划分灰度范围，以减小因患者图像扫描和重建参数不同而造成的影像组学特征的差异。
对于病理切片扫描图，对放疗前肿瘤组织样本分别进行HE染色和免疫组化检测，分别采用人工计数和人工智能算法提取半定量化和定量化的病理图像特征。
对于基因测试数据，用bulk RNA测序方法，对入选患者放疗前的肿瘤组织样本进行基因检测，基于统计学方法，得到具有统计学意义(p≤0.05)的差异基因表达矩阵，即基因组学特征。
临床数据以及基因、病理和影像数据是患者个体化的检验数据，与临床的治疗无关。但辐射剂量分布数据作为肺癌疗效的一种潜在预测因子，是临床工作者给出的治疗方案。在pinnacle或eclipse等TPS治疗计划系统中，获取肺异质性校正计算轮廓体积的辐射剂量分布，在剂量-体积直方图中提取平均剂量等计量学因子。具体的剂量分布是指收集放疗前计划CT图像上患者的剂量分布信息，计划靶区体积(PTV)的剂量分布(Dmin、Dmax和Dmean等)和肺的剂量分布(平均肺部剂量、V5和V20等)。
本实施例中综合了辐射剂量分布，辐射剂量分布能够涵盖患者的几乎所有的医疗数据和临床指征，使用特征选择和预测方法对大量的数据进行清洗、筛选和建模，并使用算法已收集的多中心的组学数据进行模型验证。具体为通过已有的多中心数据，进行特征降维，筛选统计学上最高权重的前20％最佳预测因子作为组学特征，对于低权重预测因子予以忽略。
在本实施例中，利用10倍分层交叉验证消除了组学特征之间的冗余。在每一折中，计算放射组学特征之间的Spearman相关系数，其中|rs|>0.85表明相关性强。如果2个特征强相关，则剔除2组患者之间p值较大的特征；如果p值相同，则随机删除1。仅使用每个折叠的训练集中的数据执行，而忽略了测试集中的数据以避免引入偏差。那些在10折中至少保留2次的特征用于后续的特征选择和分类。
在预测模块中，基于多目标贝叶斯分类构建机器学习网络。具体的，使用循序选择用于分类预后良好组和预后较差组特征的最佳组合后向消除支持向量机(SBE-SVM)模型。
将数据获取模块中获取的数据特征均使用min-max归一化在–1到1的范围内归一化，以减少数据规模大波动引起的潜在偏差。
将所有患者随机分配到训练和测试集中(5:3比例)以实现模型的可靠估计表现。
训练集用于在10倍分层交叉验证中训练和优化模型。
使用顺序反向消除支持向量机(SBE-SVM)模型为治疗响应良好RP和治疗效应较差非PR组的分类选择了最佳特征组合。
SBE-SVM算法首先使用所有特征训练SVM分类模型，评估10倍分层CV中的分类损失。
所有特征被输入SBE-SVM后，SBE-SVM从特征集中依次移除每个特征，以确定分类损失是减少还是没有变化，如果损失减少或没有改变，则从最终的特征集中删除这些特征，最终筛选出最佳特征组合。
SBE-SVM不仅对特征进行了有效降维，而且算法简单具有良好的鲁棒性。使用具有5000个排列的排列检验来评估模型的统计显着性。测试集对于所有排列都是恒定的。
将训练集中患者的类别标签随机排列5000次，得到5000个版本的训练标签。对于每个版本，SBE-SVM分类器使用训练数据和置换标签进行训练和优化，然后用于预测测试集中数据的标签。置换检验的P值定义为获得高于或等于实际准确度的准确率的分类器数除以置换数(包括使用实际标签的分类器)。P<0.05的模型被认为具有统计学意义。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (10)

1.一种基于影像、病理和基因的多组学肺癌预后预测系统，其特征在于，包括：
获取模块：获取患者放疗前医学影像特征、病理切片扫描图、基因测试数据和放射治疗辐射剂量分布数据并进行处理，作为特征数据集；
预测模块：对特征数据集中的特征数据利用机器学习算法训练预测模型，得到训练好的预测模型用于肺癌预后预测。
2.如权利要求1所述的一种基于影像、病理和基因的多组学肺癌预后预测系统，其特征在于，在获取模块中，所述医学影像特征包括形状特征、一阶统计学特征、高阶纹理特征、滤波变换特征和深度影像学特征。
3.如权利要求2所述的一种基于影像、病理和基因的多组学肺癌预后预测系统，其特征在于，所述形状特征描述了ROI的形状特征和3维尺寸，包括体积、质量、表面积、球形度和圆度；所述高阶纹理特征为使用灰度共生矩阵、灰度游程长度矩阵和邻域强度差矩阵计算的高阶统计描述符；所述滤波变换特征是基于LoG应用于图像所提取的强度和纹理特征。
4.如权利要求1所述的一种基于影像、病理和基因的多组学肺癌预后预测系统，其特征在于，在获取模块中，基于病理切片扫描图，对放疗前肿瘤组织样本分别进行HE染色和免疫组化检测，分别采用人工计数和人工智能算法提取半定量化和定量化的病理图像特征。
5.如权利要求1所述的一种基于影像、病理和基因的多组学肺癌预后预测系统，其特征在于，在获取模块中，放射治疗辐射剂量分布包括计划靶区体积的剂量分布和肺的剂量分布。
6.如权利要求1所述的一种基于影像、病理和基因的多组学肺癌预后预测系统，其特征在于，在所述预测模块中，采用SBE-SVM分类器作为预测模型。
7.如权利要求1所述的一种基于影像、病理和基因的多组学肺癌预后预测系统，其特征在于，在预测模块中，在预测模型的训练过程利用分层交叉验证计算不同特征之间的相关性。
8.如权利要求1所述的一种基于影像、病理和基因的多组学肺癌预后预测系统，其特征在于，在获取模块中，对所获取的数据特征进行归一化处理。
9.如权利要求1所述的一种基于影像、病理和基因的多组学肺癌预后预测系统，其特征在于，在预测模块中，采用排列校验评估预测模型的统计显著性。
10.如权利要求1所述的一种基于影像、病理和基因的多组学肺癌预后预测系统，其特征在于，在获取模块中，对医学影像特征提取前，对医学影像图进行重新采样和重新划分灰度范围。
CN202211186592.1A 2022-09-27 2022-09-27 一种基于影像、病理和基因多组学的肺癌预后预测系统 Pending CN115497623A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202211186592.1A CN115497623A (zh) 2022-09-27 2022-09-27 一种基于影像、病理和基因多组学的肺癌预后预测系统
PCT/CN2022/132945 WO2024065987A1 (zh) 2022-09-27 2022-11-18 一种基于影像、病理和基因多组学的肺癌预后预测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211186592.1A CN115497623A (zh) 2022-09-27 2022-09-27 一种基于影像、病理和基因多组学的肺癌预后预测系统

Publications (1)

Publication Number Publication Date
CN115497623A true CN115497623A (zh) 2022-12-20

Family

ID=84473172

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211186592.1A Pending CN115497623A (zh) 2022-09-27 2022-09-27 一种基于影像、病理和基因多组学的肺癌预后预测系统

Country Status (2)

Country Link
CN (1) CN115497623A (zh)
WO (1) WO2024065987A1 (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116230237A (zh) * 2023-05-06 2023-06-06 四川省医学科学院·四川省人民医院 一种基于roi病灶特征的肺癌影响评价方法和系统
CN116580841A (zh) * 2023-07-12 2023-08-11 北京大学 基于多组学数据的疾病诊断设备、装置及存储介质
CN116682576A (zh) * 2023-08-02 2023-09-01 浙江大学 一种基于双层图卷积神经网络的肝癌病理预后系统及装置
CN116862861A (zh) * 2023-07-04 2023-10-10 浙江大学 一种基于多组学的胃癌治疗疗效的预测模型训练、预测方法及系统
CN116994770A (zh) * 2023-09-27 2023-11-03 四川省医学科学院·四川省人民医院 一种基于多维度分析的免疫人群确定方法和系统
CN117133466A (zh) * 2023-10-26 2023-11-28 中日友好医院(中日友好临床医学研究所) 基于转录组学和影像组学的生存预测方法及装置
CN117238484A (zh) * 2023-11-13 2023-12-15 福建自贸试验区厦门片区Manteia数据科技有限公司 智能化诊疗装置、电子设备及存储介质

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11610304B2 (en) * 2019-10-11 2023-03-21 Case Western Reserve University Predicting tumor prognoses based on a combination of radiomic and clinico-pathological features
CN112635063B (zh) * 2020-12-30 2022-05-24 华南理工大学 一种肺癌预后综合预测模型、构建方法及装置
CN112951406A (zh) * 2021-01-27 2021-06-11 安徽理工大学 一种基于ct影像组学的肺癌预后辅助评估方法及系统
CN112820403B (zh) * 2021-02-25 2024-03-29 中山大学 一种基于多组学数据预测癌症患者预后风险的深度学习方法
CN113610845B (zh) * 2021-09-09 2024-04-26 汕头大学医学院附属肿瘤医院 肿瘤局部控制预测模型的构建方法、预测方法及电子设备

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116230237B (zh) * 2023-05-06 2023-07-21 四川省医学科学院·四川省人民医院 一种基于roi病灶特征的肺癌影响评价方法和系统
CN116230237A (zh) * 2023-05-06 2023-06-06 四川省医学科学院·四川省人民医院 一种基于roi病灶特征的肺癌影响评价方法和系统
CN116862861A (zh) * 2023-07-04 2023-10-10 浙江大学 一种基于多组学的胃癌治疗疗效的预测模型训练、预测方法及系统
CN116862861B (zh) * 2023-07-04 2024-06-21 浙江大学 一种基于多组学的胃癌治疗疗效的预测模型训练、预测方法及系统
CN116580841B (zh) * 2023-07-12 2023-11-10 北京大学 基于多组学数据的疾病诊断设备、装置及存储介质
CN116580841A (zh) * 2023-07-12 2023-08-11 北京大学 基于多组学数据的疾病诊断设备、装置及存储介质
CN116682576A (zh) * 2023-08-02 2023-09-01 浙江大学 一种基于双层图卷积神经网络的肝癌病理预后系统及装置
CN116682576B (zh) * 2023-08-02 2023-12-19 浙江大学 一种基于双层图卷积神经网络的肝癌病理预后系统及装置
CN116994770B (zh) * 2023-09-27 2024-01-02 四川省医学科学院·四川省人民医院 一种基于多维度分析的免疫人群确定方法和系统
CN116994770A (zh) * 2023-09-27 2023-11-03 四川省医学科学院·四川省人民医院 一种基于多维度分析的免疫人群确定方法和系统
CN117133466A (zh) * 2023-10-26 2023-11-28 中日友好医院(中日友好临床医学研究所) 基于转录组学和影像组学的生存预测方法及装置
CN117133466B (zh) * 2023-10-26 2024-05-24 中日友好医院(中日友好临床医学研究所) 基于转录组学和影像组学的生存预测方法及装置
CN117238484A (zh) * 2023-11-13 2023-12-15 福建自贸试验区厦门片区Manteia数据科技有限公司 智能化诊疗装置、电子设备及存储介质
CN117238484B (zh) * 2023-11-13 2024-02-27 福建自贸试验区厦门片区Manteia数据科技有限公司 智能化诊疗装置、电子设备及存储介质

Also Published As

Publication number Publication date
WO2024065987A1 (zh) 2024-04-04

Similar Documents

Publication Publication Date Title
CN115497623A (zh) 一种基于影像、病理和基因多组学的肺癌预后预测系统
US10646156B1 (en) Adaptive image processing in assisted reproductive imaging modalities
Limkin et al. Promises and challenges for the implementation of computational medical imaging (radiomics) in oncology
Jiang et al. Medical image analysis with artificial neural networks
US20220301714A1 (en) Method for predicting lung cancer development based on artificial intelligence model, and analysis device therefor
CN109829488B (zh) 一种头颈部癌症局部复发预测装置
Xu et al. Using transfer learning on whole slide images to predict tumor mutational burden in bladder cancer patients
CN113269799A (zh) 一种基于深度学习的宫颈细胞分割方法
CN112819765A (zh) 一种肝脏图像处理方法
Xiao et al. MFMANet: Multi-feature Multi-attention Network for efficient subtype classification on non-small cell lung cancer CT images
Tian et al. Radiomics and its clinical application: artificial intelligence and medical big data
CN113764101B (zh) 基于cnn的乳腺癌新辅助化疗多模态超声诊断系统
Li et al. Automated classification of solitary pulmonary nodules using convolutional neural network based on transfer learning strategy
Hu et al. Automatic detection of melanins and sebums from skin images using a generative adversarial network
Guo et al. Classification and diagnosis of residual thyroid tissue in SPECT images based on fine-tuning deep convolutional neural network
CN117746042A (zh) 一种基于APA-UNet的肝脏肿瘤CT图像分割方法
CN115132275B (zh) 基于端到端三维卷积神经网络预测egfr基因突变状态方法
Chang et al. DARWIN: a highly flexible platform for imaging research in radiology
CN116778250A (zh) 基于迁移学习和cbam的冠脉病变分类方法
CN116189785A (zh) 基于空间转录组学数据特征提取的空间域识别方法
US20220375077A1 (en) Method for generating models to automatically classify medical or veterinary images derived from original images into at least one class of interest
Usharani et al. Lung Cancer Detection in CT Images Using Deep Learning Techniques: A Survey Review
Manju et al. Early diagnosis of lung tumors for extending patients’ life using deep neural networks
CN116862861B (zh) 一种基于多组学的胃癌治疗疗效的预测模型训练、预测方法及系统
Balaji Generative deep belief model for improved medical image segmentation

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