CN115937130A - 基于双能CT预测卵巢癌Ki-67表达的图像处理方法 - Google Patents
基于双能CT预测卵巢癌Ki-67表达的图像处理方法 Download PDFInfo
- Publication number
- CN115937130A CN115937130A CN202211534830.3A CN202211534830A CN115937130A CN 115937130 A CN115937130 A CN 115937130A CN 202211534830 A CN202211534830 A CN 202211534830A CN 115937130 A CN115937130 A CN 115937130A
- Authority
- CN
- China
- Prior art keywords
- ovarian cancer
- beta
- representing
- characteristic
- omics
- 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.)
- Withdrawn
Links
- 206010033128 Ovarian cancer Diseases 0.000 title claims abstract description 156
- 206010061535 Ovarian neoplasm Diseases 0.000 title claims abstract description 155
- 238000003672 processing method Methods 0.000 title claims abstract description 15
- 230000003902 lesion Effects 0.000 claims abstract description 46
- ZCYVEMRRCGMTRW-UHFFFAOYSA-N 7553-56-2 Chemical compound [I] ZCYVEMRRCGMTRW-UHFFFAOYSA-N 0.000 claims abstract description 39
- 229910052740 iodine Inorganic materials 0.000 claims abstract description 39
- 239000011630 iodine Substances 0.000 claims abstract description 39
- 239000000126 substance Substances 0.000 claims abstract description 32
- 238000000034 method Methods 0.000 claims abstract description 20
- 239000011159 matrix material Substances 0.000 claims description 70
- 238000000354 decomposition reaction Methods 0.000 claims description 20
- 206010028980 Neoplasm Diseases 0.000 claims description 14
- 238000003384 imaging method Methods 0.000 claims description 13
- 239000000463 material Substances 0.000 claims description 10
- ODINCKMPIJJUCX-UHFFFAOYSA-N Calcium oxide Chemical compound [Ca]=O ODINCKMPIJJUCX-UHFFFAOYSA-N 0.000 claims description 6
- 229910052731 fluorine Inorganic materials 0.000 claims description 6
- 125000001153 fluoro group Chemical group F* 0.000 claims description 6
- 201000011510 cancer Diseases 0.000 claims description 5
- 230000036210 malignancy Effects 0.000 claims description 5
- 238000010586 diagram Methods 0.000 claims description 4
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims description 3
- 230000009977 dual effect Effects 0.000 claims description 2
- 235000012054 meals Nutrition 0.000 claims 1
- RRRXPPIDPYTNJG-UHFFFAOYSA-N perfluorooctanesulfonamide Chemical compound NS(=O)(=O)C(F)(F)C(F)(F)C(F)(F)C(F)(F)C(F)(F)C(F)(F)C(F)(F)C(F)(F)F RRRXPPIDPYTNJG-UHFFFAOYSA-N 0.000 claims 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 abstract description 6
- 201000010099 disease Diseases 0.000 abstract description 5
- 238000003759 clinical diagnosis Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 12
- 238000012549 training Methods 0.000 description 6
- 108090000623 proteins and genes Proteins 0.000 description 5
- 238000002512 chemotherapy Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 238000007477 logistic regression Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000010200 validation analysis Methods 0.000 description 4
- 238000004393 prognosis Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 238000011226 adjuvant chemotherapy Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000036770 blood supply Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 239000002872 contrast media Substances 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 239000003550 marker Substances 0.000 description 2
- BASFCYQUMIYNBI-UHFFFAOYSA-N platinum Chemical compound [Pt] BASFCYQUMIYNBI-UHFFFAOYSA-N 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 210000004881 tumor cell Anatomy 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 206010027476 Metastases Diseases 0.000 description 1
- LYPFDBRUNKHDGX-SOGSVHMOSA-N N1C2=CC=C1\C(=C1\C=CC(=N1)\C(=C1\C=C/C(/N1)=C(/C1=N/C(/CC1)=C2/C1=CC(O)=CC=C1)C1=CC(O)=CC=C1)\C1=CC(O)=CC=C1)C1=CC(O)=CC=C1 Chemical compound N1C2=CC=C1\C(=C1\C=CC(=N1)\C(=C1\C=C/C(/N1)=C(/C1=N/C(/CC1)=C2/C1=CC(O)=CC=C1)C1=CC(O)=CC=C1)\C1=CC(O)=CC=C1)C1=CC(O)=CC=C1 LYPFDBRUNKHDGX-SOGSVHMOSA-N 0.000 description 1
- 208000007571 Ovarian Epithelial Carcinoma Diseases 0.000 description 1
- 239000000427 antigen Substances 0.000 description 1
- 102000036639 antigens Human genes 0.000 description 1
- 108091007433 antigens Proteins 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000004791 biological behavior Effects 0.000 description 1
- 239000000091 biomarker candidate Substances 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000022131 cell cycle Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000034994 death Effects 0.000 description 1
- 231100000517 death Toxicity 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000002597 diffusion-weighted imaging Methods 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000002124 endocrine Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 201000010255 female reproductive organ cancer Diseases 0.000 description 1
- 230000035876 healing Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000003211 malignant effect Effects 0.000 description 1
- 230000009401 metastasis Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002611 ovarian Effects 0.000 description 1
- 210000001672 ovary Anatomy 0.000 description 1
- 229910052697 platinum Inorganic materials 0.000 description 1
- 238000010837 poor prognosis Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 239000000092 prognostic biomarker Substances 0.000 description 1
- 230000035755 proliferation Effects 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 239000000941 radioactive substance Substances 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000013517 stratification Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 229960002197 temoporfin Drugs 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- 238000007794 visualization technique Methods 0.000 description 1
Images
Classifications
-
- 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
- Apparatus For Radiation Diagnosis (AREA)
Abstract
一种基于双能CT预测卵巢癌Ki‑67表达的图像处理方法，包括：对基于双能CT的Ki‑67表达的碘基物质分解图中的卵巢癌病变区域进行勾画，获得卵巢癌病灶的三维图像；获取卵巢癌病灶的三维图像的影像组学特征，获取所述卵巢癌病灶的三维图像的影像组学特征的代表性特征；获取卵巢癌的Ki‑67的量化分值。本发明通过对基于Ki‑67的双能CT碘基物质分解图，获得卵巢癌病灶的三维图像；提取图像中的影像组学特征，确定卵巢癌病灶的三维图像的影像组学特征的代表性特征，并对卵巢癌病灶的三维图像的影像组学特征的代表性特征进行评分，获取卵巢癌的Ki‑67的量化分值，对卵巢癌病灶进行评估，能够为临床对病情的确诊提供依据。
Description
技术领域
本发明涉及技术领域，尤其涉及一种基于双能CT预测卵巢癌Ki-67表达的图像处理方法。
背景技术
卵巢癌是女性生殖系统恶性程度最高的肿瘤，由于早期常无临床症状，因此常常诊断时患者已处于晚期。2015年中国估计有52,100例新诊断病例和22,500例死亡，并且死亡率在过去十年中仍在增加。Ki-67蛋白(抗原)的表达和细胞的密切增殖有关，只有在细胞周期的活跃期可以被检测到，通过Ki-67阳性肿瘤细胞比例(标记指数)能够精确获得肿瘤的生长特征、对药物的敏感性及患者的疾病进程，因此临床常常对肿瘤细胞的Ki-67进行检测。
能谱CT的碘基物质值(IC)可以更准确的反映肿瘤内血管化以及与血供相关的信息。双能量CT能够提供101个单能量图像，并具备强大的能谱后处理功能，其中基物质成像是将高低两组电压扫描的X线衰减图像表达为两种物质(物质对)的密度图，对应的每一个体素反映了相应的物质密度信息，可进行物质分离并精准定量。目前已有MR的多种功能序列(如常规弥散加权成像(DWI)、体素内不相干运动成像(IVIM)、扩散峰度成像(DKI)等)应用于评估卵巢癌的Ki-67评估，但是在CT方面的研究相对较少。
鉴于Ki-67在卵巢癌中高Ki-67指数与组织分化程度、临床分期及不良预后相关，因此亟需一种能够有效的处理基于双能CT碘基物质分解的术前卵巢癌Ki-67表达的影像组学特征的方法，对后续决定治疗手段提供支撑。
发明内容
本发明提供一种基于双能CT预测卵巢癌Ki-67表达的特征图像方法，以克服上述技术问题。
为了实现上述目的，本发明的技术方案是：
一种基于双能CT预测卵巢癌Ki-67表达的图像处理方法，包括如下步骤：
S1：对基于双能CT的Ki-67表达的碘基物质分解图中的卵巢癌病变区域进行勾画，获得卵巢癌病灶的三维图像；
S2：根据所述卵巢癌病灶的三维图像，获取卵巢癌病灶的三维图像的影像组学特征，所述卵巢癌病灶的三维图像的影像组学特征包括：一阶统计特征、形状特征、灰度共生矩阵特征、灰度游程长度矩阵特征、灰度尺寸区域矩阵特征、领域灰度差矩阵特征和灰度相关矩阵特征；
S3：根据所述卵巢癌病灶的三维图像的影像组学特征，获取所述卵巢癌病灶的三维图像的影像组学特征的代表性特征；
所述卵巢癌病灶的三维图像的影像组学特征的代表性特征包括：一阶统计特征代表特征FOS、形状特征代表特征SP、灰度共生矩阵特征代表特征GLCM、灰度游程长度矩阵特征代表特征GLRLM、灰度尺寸区域矩阵特征代表特征GLSZM、领域灰度差矩阵特征代表特征NGTDM和灰度相关矩阵特征代表特征GLDM；
S4：对所述卵巢癌病灶的三维图像的影像组学特征的代表性特征进行评分，获取卵巢癌的Ki-67的量化分值；以获取所述卵巢癌病灶的三维图像的影像组学特征的代表性特征的贡献度值。
进一步的，所述双能CT碘基物质分解图为碘水密度图。
进一步的，所述S3中获取所述卵巢癌病灶的三维图像的影像组学特征的代表性特征的步骤如下：
S31：根据所述卵巢癌病灶的三维图像的影像组学特征，获取筛选后的的代表性特征：
式中：n为卵巢癌病灶的三维图像样本图像的个数；β为卵巢癌病灶的三维图像样的具有统计学意义的组学特征的权重；||β||1为其L1(w)范数，即‖β‖1＝|β1|+|β2|+…+|βp|；lnl为对数似然函数；x(i)为第i个样本图像即双能CT碘基物质分解图的特征组；y(i)为第i个样本图像即双能CT碘基物质分解图的类别；i为样本图像的编号；λ为联系惩罚项与损失数的权重参数；p代表具有统计学意义的组学特征的数量；βp代表第p个具有统计学意义的组学特征的权重；
S32：将所述筛选后的代表性特征进行整合，获得卵巢癌病灶的三维图像的影像组学特征的代表性特征；
式中，β10代表FOS的常数项，即FOS的偏置；β1m代表FOS的第m个具有统计学意义的组学特征的权重；x1m代表FOS的第m个具有统计学意义的影像组学特征；m为卵巢癌病灶的三维图像样本图像中具有统计学意义的组学特征的权重的数量，也是卵巢癌病灶的三维图像样本图像中具有统计学意义的组学特征的数量；β20代表SP的常数项，即SP的偏置；β2m代表SP的第m个具有统计学意义的组学特征的权重；x2m代表SP的第m个具有统计学意义的影像组学特征；β30代表GLCM的常数项，即GLCM的偏置；β3m代表GLCM的第m个具有统计学意义的组学特征的权重；x3m代表GLCM的第m个具有统计学意义的影像组学特征；β40代表GLRLM的常数项，即GLRLM的偏置；β4m代表GLRLM的第m个具有统计学意义的组学特征的权重；x4m代表GLRLM的第m个具有统计学意义的影像组学特征；β50代表GLSZM的常数项，即GLSZM的偏置；β5m代表GLSZM的第m个具有统计学意义的组学特征的权重；x5m代表GLSZM的第m个具有统计学意义的影像组学特征；β60代表NGTDM的常数项，即NGTDM的偏置；β6m代表NGTDM的第m个具有统计学意义的组学特征的权重；x6m代表NGTDM的第m个具有统计学意义的影像组学特征；β70代表GLDM的常数项，即GLDM的偏置；β7m代表GLDM的第m个具有统计学意义的组学特征的权重；x7m代表GLDM的第m个具有统计学意义的影像组学特征；
S33：对所述卵巢癌病灶的三维图像的影像组学特征的代表性特征进行建模，获取模型的损失函数：
其中，n为卵巢癌病灶的三维图像样本图像的个数；β为具有统计学意义的组学特征的权重；
为其L2(w)范数，即
lnl为对数似然函数，x(i)为第i个样本图像即双能CT碘基物质分解图的特征组；y(i)为第i个样本图像即双能CT碘基物质分解图的类别；λ为联系惩罚项与损失数的权重参数；βFOS为一阶统计特征代表特征的权重；βSP为形状特征代表特征的权重；βGLCM为灰度共生矩阵特征代表特征的权重；βGLRLM为灰度游程长度矩阵特征代表特征的权重；βGLSZM为灰度尺寸区域矩阵特征代表特征的权重；βNGTDM为领域灰度差矩阵特征代表特征的权重；βGLDM为灰度相关矩阵特征代表特征的权重。
进一步的，所述S4中，对所述卵巢癌病灶的三维图像的影像组学特征的代表性特征进行评分的方法如下:
式中，Radiomicsscore表示卵巢癌病灶的三维图像的影像组学特征的代表性特征评分；
表示临床卵巢癌恶性概率公式；·表示内积运算符号，p代表该三维图像的卵巢癌的Ki-67的表达结果；x表示具有统计学意义的代表性特征组；
卵巢癌的Ki-67无表达的概率值：
β·x＝β0+βFOSxFOS+βSPxSP+βGLCMxGLCM+βGLRLMxGLRLM+βGLSZMxGLSZM+βNGTDMxNGTDM+βGLDMxGLDM(8)
式中，β0表示偏置；xFOS为一阶统计特征代表特征；xSP为形状特征代表特征；xGLCM为灰度共生矩阵特征代表特征；xGLRLM为灰度游程长度矩阵特征代表特征；xGLSZM为灰度尺寸区域矩阵特征代表特征；xNGTDM为领域灰度差矩阵特征代表特征；xGLDM为灰度相关矩阵特征代表特征；
P(y＝1|x)是卵巢癌的Ki-67有表达的概率值；P(y＝0|x)是卵巢癌的Ki-67无表达的概率值；
其中，P(y＝1|x)＝1-P(y＝0|x) (9)。
进一步的，获取所述卵巢癌病灶的三维图像的影像组学特征的代表性特征的贡献度值如下：
其中，Ct表示碘基图的贡献度值；βt表示第t个代表性特征的权重，其中，当t＝1时，βt为βFOS；当t＝2时，βt为βSP，当t＝3时，βt为βGLCM，当t＝4时，βt为βGLRLM，当t＝5时，βt为βGLSZM，当t＝6时，βt为βNGTDM，当t＝7时，βt为βGLDM。
有益效果：本发明的一种基于双能CT预测卵巢癌Ki-67表达的图像处理方法，通过对基于Ki-67的双能CT碘基物质分解图，获得卵巢癌病灶的三维图像；提取图像中的影像组学特征，确定卵巢癌病灶的三维图像的影像组学特征的代表性特征，并对卵巢癌病灶的三维图像的影像组学特征的代表性特征进行评分，获取卵巢癌的Ki-67的量化分值，对卵巢癌病灶进行评估，能够为临床对病情的确诊提供依据。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的基于双能CT预测卵巢癌Ki-67表达的图像处理流程图；
图2为本发明的卵巢癌病灶的三维图像的影像组学特征代表性特征权重可视化图；
图3为本发明的预测卵巢癌Ki-67表达的ROC曲线；
图4为本发明的实施例中的卵巢癌病灶的三维图像的影像组学图像代表性特征构建流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
Ki-67是预测上皮性卵巢癌发生发展及愈后的有价值标记物，其表达程度不但可以反映肿瘤的生物学行为，还与卵巢癌的恶性程度、侵袭性、转移以及化疗敏感性相关。
影像组学方法通过高通量的定量特征提取，实现了肿瘤异质性的无创分析，提升了影像学检查准确性。既往研究大多是关注ADC值直方图对于Ki-67的预估能力，部分研究也集中在肿瘤对于放射性物质摄取不同进而预估卵巢Ki-67表达情况，对于利用双能CT的IC值去预测术前卵巢癌的Ki-67水平尚未见明确报道。本申请探讨了一种基于增强动脉期双能CT的IC值预测卵巢癌的Ki-67表达水平的影像组学特征处理方法，该方法将高通量的影像组学特征与Ki-67表达水信息相关联，有望为后续决定治疗手段提供支撑，以选择卵巢癌治疗方式及预后评估提供一种基于影像组学特征的非侵袭性的、精准定量的可视化方法。
本实施例提供了一种基于双能CT预测卵巢癌Ki-67表达的图像处理方法，具体的为一种基于双能CT碘基物质分解术前预测卵巢癌Ki-67表达的影像组学特征处理方法，包括如下步骤，如附图1所示：
S1：对基于双能CT的Ki-67表达的碘基物质分解图中的卵巢癌病变区域进行勾画，获得卵巢癌病灶的三维图像；
具体的，本实施例中，卵巢癌病变区域是医生根据临床经验，对双能CT的Ki-67表达的碘基物质分解图中的病灶进行勾勒出来的，为了减少个人的主观性，一般会引入2-3个有5-10年经验的医生共同决定。其中的双能CT是以瞬时双能量为核心技术的能谱CT，通过80keV和140keV高、低两种能量X线高速切换，能够测量出物质X线衰减系数，并进一步将这种衰减转化为能够产生同样衰减的两种物质的密度，该物质称为基物质，这一过程称为物质组成分析与物质的分离。利用基物质图像可以进行基物质定量分析，其中水和碘是常用的组合，包含医学中常见物质的范围(从软组织到含碘对比剂)，通过物质密度图像分析更加直观。
优选地，所述双能CT碘基物质分解图为碘水密度图。
具体的，其中碘基物质值(iodine concentration，IC)可以为我们提供肿瘤内的碘对比剂浓度，进而更准确的反映肿瘤内血管化以及与血供相关的信息。由于肿瘤与邻近结构间有脂肪间隙，脂肪间隙内无碘剂，据碘水密度图找到病灶主体，沿着碘水图高密度区进行勾画。
S2：根据所述卵巢癌病灶的三维图像，获取卵巢癌病灶的三维图像的影像组学特征，所述卵巢癌病灶的三维图像的影像组学特征包括：一阶统计特征、形状特征、灰度共生矩阵特征、灰度游程长度矩阵特征、灰度尺寸区域矩阵特征、领域灰度差矩阵特征和灰度相关矩阵特征；如图4所示。
具体的，本实施例是基于pyradiomics开源平台，提取7类影像组学特征，包括一阶统计特征(First Order Statistics，19features)、形状特征(Shape-based，26features)、灰度共生矩阵特征(Gray Level Cooccurence Matrix，24features)、灰度游程长度矩阵特征(Gray Level Run Length Matrix，16features)、灰度尺寸区域矩阵特征(Gray LevelSize Zone Matrix，16features)、领域灰度差矩阵特征(Neighbouring Gray ToneDifference Matrix，5features)和灰度相关矩阵特征(Gray Level Dependence Matrix，14features)等共7类组学特征。获取的方法为现有技术，不属于本申请所研究的部分，这里不进行详细描述。
S3：根据所述卵巢癌病灶的三维图像的影像组学特征，获取所述卵巢癌病灶的三维图像的影像组学特征的代表性特征；
具体的，本实施例中的上述7类卵巢癌病灶的三维图像的影像组学特征均来自卵巢癌病灶的三维图像的内部信息，并将七大类影像组学特征分别通过L2正则化Logistic算法，将每一类卵巢癌病灶的三维图像的影像组学特征集成为一个代表性特征，能够解决卵巢癌病灶的三维图像的特征由于在建模时受限而被剔除的问题，同时通过代表性特征的表达，挖掘影像组学特征种类对疾病的影响力。具体的为通过特征权重来评估每个特征对于卵巢癌疾病的预测能力及影响力。
具体的，7个组学特征的类别是官方通过定义进行分类的，计算方法满足IBSI标准(Image biomarker standardisation initiative)，公式公开在pyradiomics，计算方式属于现有技术。Pyradiomics开源平台可以直接获取公式，通过人工将pyradiomics的公式在Python、MATLAB等环境实现。
所述卵巢癌病灶的三维图像的影像组学特征的代表性特征包括：一阶统计特征代表特征FOS、形状特征代表特征SP、灰度共生矩阵特征代表特征GLCM、灰度游程长度矩阵特征代表特征GLRLM、灰度尺寸区域矩阵特征代表特征GLSZM、领域灰度差矩阵特征代表特征NGTDM和灰度相关矩阵特征代表特征GLDM；
优选地，所述S3中获取所述卵巢癌病灶的三维图像的影像组学特征的代表性特征的步骤如下：
S31：根据所述卵巢癌病灶的三维图像的影像组学特征，对所述卵巢癌病灶的三维图像的影像组学特征进行筛选，获取筛选后的特征：
具体的，针对每一类卵巢癌病灶的三维图像的影像组学特征进行整合，获得每一类卵巢癌病灶的三维图像的影像组学特征的代表性特征。对每一类特征进行初步筛选如下：
式中：n为卵巢癌病灶的三维图像样本图像的个数；β为卵巢癌病灶的三维图像样的具有统计学意义的组学特征的权重；||β||1为其L1(w)范数，即‖β‖1＝|β1|+|β2|+…+|βp|；lnl为对数似然函数；x(i)为第i个样本图像即双能CT碘基物质分解图的特征组；y(i)为第i个样本图像即双能CT碘基物质分解图的类别；i为样本图像的编号，即基于双能CT的Ki-67表达的碘基物质分解图的编号；λ为联系惩罚项与损失数的权重参数，λ的不同取值将产生不同的损失值；p代表具有统计学意义的组学特征的数量；βp代表第p个具有统计学意义的组学特征的权重；
S32：将所述筛选后的特征进行整合，提取剩余的特征及对应的系数，获得卵巢癌病灶的三维图像的影像组学特征的代表性特征如下；
式中，β10代表FOS的常数项，即FOS的偏置；β1m代表FOS的第m个具有统计学意义的组学特征的权重；x1m代表FOS的第m个具有统计学意义的影像组学特征；m为卵巢癌病灶的三维图像样本图像中具有统计学意义的组学特征的权重的数量，也是卵巢癌病灶的三维图像样本图像中具有统计学意义的组学特征的数量；β20代表SP的常数项，即SP的偏置；β2m代表SP的第m个具有统计学意义的组学特征的权重；x2m代表SP的第m个具有统计学意义的影像组学特征；β30代表GLCM的常数项，即GLCM的偏置；β3m代表GLCM的第m个具有统计学意义的组学特征的权重；x3m代表GLCM的第m个具有统计学意义的影像组学特征；β40代表GLRLM的常数项，即GLRLM的偏置；β4m代表GLRLM的第m个具有统计学意义的组学特征的权重；x4m代表GLRLM的第m个具有统计学意义的影像组学特征；β50代表GLSZM的常数项，即GLSZM的偏置；β5m代表GLSZM的第m个具有统计学意义的组学特征的权重；x5m代表GLSZM的第m个具有统计学意义的影像组学特征；β60代表NGTDM的常数项，即NGTDM的偏置；β6m代表NGTDM的第m个具有统计学意义的组学特征的权重；x6m代表NGTDM的第m个具有统计学意义的影像组学特征；β70代表GLDM的常数项，即GLDM的偏置；β7m代表GLDM的第m个具有统计学意义的组学特征的权重；x7m代表GLDM的第m个具有统计学意义的影像组学特征；其中每个代表性特征中包括若干个影像组学特征。
S33：根据所述卵巢癌病灶的三维图像的影像组学特征的代表性特征，对所述卵巢癌病灶的三维图像的影像组学特征的代表性特征进行建模，获取模型的损失函数：
具体的，本实施例中，将代表性特征进行建模，参与的统计机器学习模型是Logistics回归模型，基于Logistics回归模型添加L2(w)的参数惩罚项以优化算法，得到的损失函数为：当损失函数达到最小值时，即代表Logistics回归模型已收敛。具体的在基于Logistics回归模型在参数估计的时候，在损失函数后添加惩罚项以优化算法的拟合优度；
其中，L2(w)为表性特征的损伤函数；n为卵巢癌病灶的三维图像样本图像的个数；β为具有统计学意义的组学特征的权重；
为其L2(w)范数，即
lnl为对数似然函数，x(i)为第i个样本图像即双能CT碘基物质分解图的特征组；y(i)为第i个样本图像即双能CT碘基物质分解图的类别；λ为联系惩罚项与损失数的权重参数；λ的不同取值将产生不同的损失值；
βFOS为一阶统计特征代表特征的权重；βSP为形状特征代表特征的权重；βGLCM为灰度共生矩阵特征代表特征的权重；βGLRLM为灰度游程长度矩阵特征代表特征的权重；βGLSZM为灰度尺寸区域矩阵特征代表特征的权重；βNGTDM为领域灰度差矩阵特征代表特征的权重；βGLDM为灰度相关矩阵特征代表特征的权重。
当L2(w)达到最小值时，卵巢癌病灶的三维图像的影像组学特征及其系数的线性关系构成一个新的变量，该变量作为所述卵巢癌病灶的三维图像的影像组学特征的代表性特征。
S4：对所述卵巢癌病灶的三维图像的影像组学特征的代表性特征进行评分，获取卵巢癌的Ki-67的量化分值；以获取所述卵巢癌病灶的三维图像的影像组学特征的代表性特征的贡献度值，以对后续决定治疗手段提供支撑。
优选地，所述S4中，对所述卵巢癌病灶的三维图像的影像组学特征的代表性特征进行评分的方法如下:
具体的，对所述卵巢癌病灶的三维图像的影像组学特征的代表性特征，构建L2正则化Logistic回归模型，对每一个代表性特征进行量化评分，具体的公式为：
具体的，在本实施例中，根据临床肿瘤恶性概率公式(6)做对数变换得到影像组学评分；根据所述影像组学评分，即卵巢癌的Ki-67表达的量化分值，得到每一类代表性特征的权重，其中，卵巢癌的Ki-67表达的量化分值具有进一步指导临床，以对后续决定治疗手段提供支撑。
具体地，确定影像组学评分与每一类代表性特征的权重的对应关系如下：
式中，Radiomicsscore表示卵巢癌病灶的三维图像的影像组学特征的代表性特征评分，y表示因变量；
表示临床卵巢癌恶性概率公式；·表示内积运算符号，p代表该三维图像的卵巢癌的Ki-67的表达结果；x表示具有统计学意义的代表性特征组；
于是得到具体地，通过其中y＝1的概率指的是卵巢癌的Ki-67有表达的概率值：
卵巢癌的Ki-67无表达的概率值：
式中，β0表示偏置；xFOS为一阶统计特征代表特征；xSP为形状特征代表特征；xGLCM为灰度共生矩阵特征代表特征；xGLRLM为灰度游程长度矩阵特征代表特征；xGLSZM为灰度尺寸区域矩阵特征代表特征；xNGTDM为领域灰度差矩阵特征代表特征；xGLDM为灰度相关矩阵特征代表特征；
P(y＝1|x)是卵巢癌的Ki-67有表达的概率值；P(y＝0|x)是卵巢癌的Ki-67无表达的概率值。
其中，P(y＝1|x)＝1-P(y＝0|x) (9)。
具体的，卵巢癌的基因ki-67的结构包括有表达与无表达两个结果，其中y是表达与否的量化形式，y取1表示卵巢癌的基因ki-67有表达，y＝0表示无表达。
获取所述卵巢癌病灶的三维图像的影像组学特征的贡献度如下：
其中，Ct表示碘基图的贡献度值，为一个百分数，通过用Ct的大小来评价该类影像组学特征在预测卵巢癌Ki67表达的贡献度，假设第t个贡献度高，说明该类特征对鉴别卵巢良恶性有高度作用；为后续的研究打下基础和铺垫；βt表示第t个代表性特征的权重，本实施例有7个代表性特征，其中，当t＝1时，βt为βFOS；当t＝2时，βt为βSP，当t＝3时，βt为βGLCM，当t＝4时，βt为βGLRLM，当t＝5时，βt为βGLSZM，当t＝6时，βt为βNGTDM，当t＝7时，βt为βGLDM。
通过所述卵巢癌病灶的三维图像的影像组学特征的代表性特征的权重的大小(即当L3(w)达到最小时，其系数就是权重)，评估每一类组学特征在疾病的贡献度。
本实施例中的每一类特征的贡献度定义为：
FOS：一阶统计量通过常用和基本指标描述了由掩码定义的图像区域内体素强度的分布；
SP：ROI(感兴趣区域(region of interest，ROI))的二维或三维尺寸和形状的描述符；
GLCM：描述了受掩码约束的图像区域的二阶联合概率函数；
GLRLM：量化灰度长度，具有相同灰度值的连续像素的像素数长度；
GLSZM：量化图像中的灰度；
NGTDM：量化了灰度值与其在距离δ内的邻居的平均灰度值之间的差异；
GLDM：量化图像中的灰度依赖；
本发明提供了了一种基于双能CT预测卵巢癌Ki-67表达的特征处理方法，ki-67降低和新辅助化疗后ki-67降低是与良好预后相关的独立因素，表明ki-67是新辅助化疗给药的晚期卵巢癌患者预后的精确生物标志物候选者；这是一项显示Ki-67表达与化疗反应、TFI对铂类化疗的持续时间以及低级别浆液性卵巢癌手术结果之间关联的研究。进一步的前瞻性试验应使用Ki-67作为分层因素来探索化疗和内分泌策略的效果。高Ki-67表达与较差的总生存期显著相关，可作为卵巢癌患者的预后生物标志物。Ki-67是LGSOC亚组中有价值的预后标志物。
本发明的卵巢癌病灶的三维图像的影像组学特征的代表性特征能够体现每一个特征独自的贡献度。FOS为一阶统计特征，系数很高，可独立研究FOS。并且在组学特征的解释性上做了进一步研究和探讨卵巢癌KI-67表达水平的双能CT影像与影像组学特征类别的相关性与权重比较。为影像组学特征的临床解释奠定了基础，同时在算法的优化上做出了一定的贡献。
如表1所述，训练组和验证组是将总数据集按照分层随机抽样方式，以7:3的比例分成训练组和验证组。病例分为两组，即训练组和验证组，验证组是评估模型的效能。将训练组进行单一值剔除、降维、建模，将得到的模型用来诊断训练集、验证集，并计算相应的评价指标。
在图2中，从左到右依次对应右边的从上到下特征。这是本申请中，卵巢癌Ki-67预测模型中影像组学特征类别的重要性排序，纵坐标是系数大小，系数越大，重要性或者说贡献度越大。反应本申请中的卵巢癌Ki-67的突变与影像组学哪些特征更相关。
ROC曲线全称为受试者工作特征曲线(receiver operating characteristiccurve)，它是根据一系列不同的二分类方式(分界值或决定阈)，以真阳性率(敏感性)为纵坐标，假阳性率(1-特异性)为横坐标绘制的曲线。AUC(Area Under Curve)被定义为ROC曲线下的面积。我们往往使用AUC值作为模型的评价标准是因为很多时候ROC曲线并不能清晰的说明哪个分类器的效果更好，而作为一个数值，对应AUC更大的分类器效果更好。图3为展示了本申请在卵巢癌Ki-67的表达水平的效能评估，通过采用ROC方法来进行，其中训练集和验证集的AUC为0.875、0.872，说明一定程度上本申请是有效可行、具有一定的临床指导意义。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (5)
1.一种基于双能CT预测卵巢癌Ki-67表达的图像处理方法，其特征在于，包括如下步骤：
S1：对基于双能CT的Ki-67表达的碘基物质分解图中的卵巢癌病变区域进行勾画，获得卵巢癌病灶的三维图像；
S2：根据所述卵巢癌病灶的三维图像，获取卵巢癌病灶的三维图像的影像组学特征，所述卵巢癌病灶的三维图像的影像组学特征包括：一阶统计特征、形状特征、灰度共生矩阵特征、灰度游程长度矩阵特征、灰度尺寸区域矩阵特征、领域灰度差矩阵特征和灰度相关矩阵特征；
S3：根据所述卵巢癌病灶的三维图像的影像组学特征，获取所述卵巢癌病灶的三维图像的影像组学特征的代表性特征；
所述卵巢癌病灶的三维图像的影像组学特征的代表性特征包括：一阶统计特征代表特征FOS、形状特征代表特征SP、灰度共生矩阵特征代表特征GLCM、灰度游程长度矩阵特征代表特征GLRLM、灰度尺寸区域矩阵特征代表特征GLSZM、领域灰度差矩阵特征代表特征NGTDM和灰度相关矩阵特征代表特征GLDM；
S4：对所述卵巢癌病灶的三维图像的影像组学特征的代表性特征进行评分，获取卵巢癌的Ki-67的量化分值；以获取所述卵巢癌病灶的三维图像的影像组学特征的代表性特征的贡献度值。
2.根据权利要求1所述的一种基于双能CT预测卵巢癌Ki-67表达的图像处理方法，其特征在于，所述双能CT碘基物质分解图为碘水密度图。
3.根据权利要求1所述的一种基于双能CT预测卵巢癌Ki-67表达的图像处理方法，其特征在于，所述S3中获取所述卵巢癌病灶的三维图像的影像组学特征的代表性特征的步骤如下：
S31：根据所述卵巢癌病灶的三维图像的影像组学特征，获取筛选后的的代表性特征：
式中：n为卵巢癌病灶的三维图像样本图像的个数；β为卵巢癌病灶的三维图像样的具有统计学意义的组学特征的权重；||β||1为其L1(w)范数，即‖β‖1＝|β1|+|β2|+…+|βp|；ln l为对数似然函数；x(i)为第i个样本图像即双能CT碘基物质分解图的特征组；y(i)为第i个样本图像即双能CT碘基物质分解图的类别；i为样本图像的编号；λ为联系惩罚项与损失数的权重参数；p代表具有统计学意义的组学特征的数量；βp代表第p个具有统计学意义的组学特征的权重；
S32：将所述筛选后的代表性特征进行整合，获得卵巢癌病灶的三维图像的影像组学特征的代表性特征；
式中，β10代表FOS的常数项，即FOS的偏置；β1m代表FOS的第m个具有统计学意义的组学特征的权重；x1m代表FOS的第m个具有统计学意义的影像组学特征；m为卵巢癌病灶的三维图像样本图像中具有统计学意义的组学特征的权重的数量，也是卵巢癌病灶的三维图像样本图像中具有统计学意义的组学特征的数量；β20代表SP的常数项，即SP的偏置；β2m代表SP的第m个具有统计学意义的组学特征的权重；x2m代表SP的第m个具有统计学意义的影像组学特征；β30代表GLCM的常数项，即GLCM的偏置；β3m代表GLCM的第m个具有统计学意义的组学特征的权重；x3m代表GLCM的第m个具有统计学意义的影像组学特征；β40代表GLRLM的常数项，即GLRLM的偏置；β4m代表GLRLM的第m个具有统计学意义的组学特征的权重；x4m代表GLRLM的第m个具有统计学意义的影像组学特征；β50代表GLSZM的常数项，即GLSZM的偏置；β5m代表GLSZM的第m个具有统计学意义的组学特征的权重；x5m代表GLSZM的第m个具有统计学意义的影像组学特征；β60代表NGTDM的常数项，即NGTDM的偏置；β6m代表NGTDM的第m个具有统计学意义的组学特征的权重；x6m代表NGTDM的第m个具有统计学意义的影像组学特征；β70代表GLDM的常数项，即GLDM的偏置；β7m代表GLDM的第m个具有统计学意义的组学特征的权重；x7m代表GLDM的第m个具有统计学意义的影像组学特征；
S33：对所述卵巢癌病灶的三维图像的影像组学特征的代表性特征进行建模，获取模型的损失函数：
其中，n为卵巢癌病灶的三维图像样本图像的个数；β为具有统计学意义的组学特征的权重；
为其L2(w)范数，即
ln l为对数似然函数，x(i)为第i个样本图像即双能CT碘基物质分解图的特征组；y(i)为第i个样本图像即双能CT碘基物质分解图的类别；λ为联系惩罚项与损失数的权重参数；βFOS为一阶统计特征代表特征的权重；βSP为形状特征代表特征的权重；βGLCM为灰度共生矩阵特征代表特征的权重；βGLRLM为灰度游程长度矩阵特征代表特征的权重；βGLSZM为灰度尺寸区域矩阵特征代表特征的权重；βNGTDM为领域灰度差矩阵特征代表特征的权重；βGLDM为灰度相关矩阵特征代表特征的权重。
4.根据权利要求3所述的一种基于双能CT预测卵巢癌Ki-67表达的图像处理方法，其特征在于，所述S4中，对所述卵巢癌病灶的三维图像的影像组学特征的代表性特征进行评分的方法如下:
式中，Radiomicsscore表示卵巢癌病灶的三维图像的影像组学特征的代表性特征评分；
表示临床卵巢癌恶性概率公式；·表示内积运算符号，p代表该三维图像的卵巢癌的Ki-67的表达结果；x表示具有统计学意义的代表性特征组；
卵巢癌的Ki-67无表达的概率值：
β·x＝β0+βFOSxFOS+βSPxSP+βGLCMxGLCM+βGLRLMxGLRLM+βGLSZMxGLSZM+βNGTDMxNGTDM+βGLDMxGLDM (8)
式中，β0表示偏置；xFOS为一阶统计特征代表特征；xSP为形状特征代表特征；xGLCM为灰度共生矩阵特征代表特征；xGLRLM为灰度游程长度矩阵特征代表特征；xGLSZM为灰度尺寸区域矩阵特征代表特征；xNGTDM为领域灰度差矩阵特征代表特征；xGLDM为灰度相关矩阵特征代表特征；
P(y＝1|x)是卵巢癌的Ki-67有表达的概率值；P(y＝0|x)是卵巢癌的Ki-67无表达的概率值；
其中，P(y＝1|x)＝1-P(y＝0|x) (9)。
5.根据权利要求4所述的一种基于双能CT预测卵巢癌Ki-67表达的图像处理方法，其特征在于，获取所述卵巢癌病灶的三维图像的影像组学特征的代表性特征的贡献度值如下：
其中，Ct表示碘基图的贡献度值；βt表示第t个代表性特征的权重，其中，当t＝1时，βt为βFOS；当t＝2时，βt为βSP，当t＝3时，βt为βGLCM，当t＝4时，βt为βGLRLM，当t＝5时，βt为βGLSZM，当t＝6时，βt为βNGTDM，当t＝7时，βt为βGLDM。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211534830.3A CN115937130A (zh) | 2022-11-29 | 2022-11-29 | 基于双能CT预测卵巢癌Ki-67表达的图像处理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211534830.3A CN115937130A (zh) | 2022-11-29 | 2022-11-29 | 基于双能CT预测卵巢癌Ki-67表达的图像处理方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115937130A true CN115937130A (zh) | 2023-04-07 |
Family
ID=86653730
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211534830.3A Withdrawn CN115937130A (zh) | 2022-11-29 | 2022-11-29 | 基于双能CT预测卵巢癌Ki-67表达的图像处理方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115937130A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116230215A (zh) * | 2023-05-08 | 2023-06-06 | 中国医学科学院北京协和医院 | 一种卵巢透明细胞癌预测的设备、系统及可存储介质 |
| CN117409004A (zh) * | 2023-12-14 | 2024-01-16 | 自贡市第一人民医院 | 一种基于医疗影像分析的肺部康复智能辅助系统 |
-
2022
- 2022-11-29 CN CN202211534830.3A patent/CN115937130A/zh not_active Withdrawn
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116230215A (zh) * | 2023-05-08 | 2023-06-06 | 中国医学科学院北京协和医院 | 一种卵巢透明细胞癌预测的设备、系统及可存储介质 |
| CN116230215B (zh) * | 2023-05-08 | 2023-08-18 | 中国医学科学院北京协和医院 | 一种卵巢透明细胞癌预测的设备、系统及可存储介质 |
| CN117409004A (zh) * | 2023-12-14 | 2024-01-16 | 自贡市第一人民医院 | 一种基于医疗影像分析的肺部康复智能辅助系统 |
| CN117409004B (zh) * | 2023-12-14 | 2024-03-15 | 自贡市第一人民医院 | 一种基于医疗影像分析的肺部康复智能辅助系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Hatuwal et al. | Lung cancer detection using convolutional neural network on histopathological images | |
| Sechopoulos et al. | Artificial intelligence for breast cancer detection in mammography and digital breast tomosynthesis: State of the art | |
| Kasinathan et al. | Automated 3-D lung tumor detection and classification by an active contour model and CNN classifier | |
| Sahiner et al. | Effect of CAD on radiologists' detection of lung nodules on thoracic CT scans: analysis of an observer performance study by nodule size | |
| CN115937130A (zh) | 基于双能CT预测卵巢癌Ki-67表达的图像处理方法 | |
| Luo et al. | Radiomic features from computed tomography to differentiate invasive pulmonary adenocarcinomas from non-invasive pulmonary adenocarcinomas appearing as part-solid ground-glass nodules | |
| Zheng et al. | Computer-aided detection: the effect of training databases on detection of subtle breast masses | |
| An et al. | CT texture analysis in histological classification of epithelial ovarian carcinoma | |
| US20180053297A1 (en) | Methods and Apparatuses for Detection of Abnormalities in Low-Contrast Images | |
| Huang et al. | Accurate and feasible deep learning based semi-automatic segmentation in CT for radiomics analysis in pancreatic neuroendocrine neoplasms | |
| Yang et al. | Evaluation of human epidermal growth factor receptor 2 status of breast cancer using preoperative multidetector computed tomography with deep learning and handcrafted radiomics features | |
| Abbaspour et al. | Endorectal ultrasound radiomics in locally advanced rectal cancer patients: despeckling and radiotherapy response prediction using machine learning | |
| CN114066882A (zh) | 一种基于深度影像组学的肺腺癌Ki67表达水平无创检测方法及装置 | |
| Han et al. | Effect of radiomics from different virtual monochromatic images in dual-energy spectral CT on the WHO/ISUP classification of clear cell renal cell carcinoma | |
| CN115205213A (zh) | 一种体内泌尿系结石成分预测系统 | |
| VK | An intelligent brain tumor segmentation using improved Deep Learning Model Based on Cascade Regression method | |
| Zargar et al. | Using VGG16 Algorithms for classification of lung cancer in CT scans Image | |
| Li et al. | Application of CT images in the diagnosis of lung cancer based on finite mixed model | |
| Tomassini et al. | Cloud-YLung for non-small cell lung cancer histology classification from 3D computed tomography whole-lung scans | |
| Zhang et al. | Potential rapid intraoperative cancer diagnosis using dynamic full-field optical coherence tomography and deep learning: A prospective cohort study in breast cancer patients | |
| Wang et al. | S2FLNet: Hepatic steatosis detection network with body shape | |
| CN114445374A (zh) | 一种基于扩散峰度成像mk图的图像特征处理方法及系统 | |
| Kawata et al. | Computer-aided CT image features improving the malignant risk prediction in pulmonary nodules suspicious for lung cancer | |
| Abdalla et al. | A computer-aided diagnosis system for classification of lung tumors | |
| CN110930401A (zh) | 一种能谱ct增强碘水图影像组学术前预测肾透明细胞癌who/isup分级方法 |
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 | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20230407 |
|
| WW01 | Invention patent application withdrawn after publication |