CN116228753B - 肿瘤预后评估方法、装置、计算机设备和存储介质 - Google Patents

肿瘤预后评估方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN116228753B
CN116228753B CN202310501317.2A CN202310501317A CN116228753B CN 116228753 B CN116228753 B CN 116228753B CN 202310501317 A CN202310501317 A CN 202310501317A CN 116228753 B CN116228753 B CN 116228753B
Authority
CN
China
Prior art keywords
tumor
image data
target area
dimensional image
prognosis evaluation
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.)
Active
Application number
CN202310501317.2A
Other languages
English (en)
Other versions
CN116228753A (zh
Inventor
宋尔卫
姚和瑞
余运芳
任炜
谭钰洁
何子凡
姚沁玥
汪进
陈李粮
单玲政
陈睿
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.)
Severson Guangzhou Medical Technology Service Co ltd
Sun Yat Sen Memorial Hospital Sun Yat Sen University
Original Assignee
Severson Guangzhou Medical Technology Service Co ltd
Sun Yat Sen Memorial Hospital Sun Yat Sen 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 Severson Guangzhou Medical Technology Service Co ltd, Sun Yat Sen Memorial Hospital Sun Yat Sen University filed Critical Severson Guangzhou Medical Technology Service Co ltd
Priority to CN202310501317.2A priority Critical patent/CN116228753B/zh
Publication of CN116228753A publication Critical patent/CN116228753A/zh
Application granted granted Critical
Publication of CN116228753B publication Critical patent/CN116228753B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • 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
    • 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
    • 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)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Quality & Reliability (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Radiology & Medical Imaging (AREA)
  • Data Mining & Analysis (AREA)
  • Pathology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Image Analysis (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本申请涉及一种肿瘤预后评估方法、装置、计算机设备和存储介质，该方法包括：获取目标对象的术前影像数据；所述术前影像数据包括若干影像序列；对各所述影像序列进行预处理，得到四维影像数据集合；分别获取所述四维影像数据集合中的各个四维影像数据对应的肿瘤靶区掩膜；根据各所述肿瘤靶区掩膜中符合预设条件的连通区域，形成所述四维影像数据集合对应的若干肿瘤靶区影像数据集合；基于各所述肿瘤靶区影像数据集合，确定所述目标对象的肿瘤预后评估结果。本申请不仅增加了肿瘤预后评估结果的评估维度，还有效提升了肿瘤预后评估结果的准确性。

Description

肿瘤预后评估方法、装置、计算机设备和存储介质
技术领域
本申请涉及数据处理技术领域，特别是涉及一种肿瘤预后评估方法、装置、计算机设备和存储介质。
背景技术
术后复发和肿瘤部位转移，是导致肿瘤患者死亡的主要原因。为了提高肿瘤患者的生存几率，在制定肿瘤患者的治疗方案之前，往往需要基于多种医学检测数据，对肿瘤患者的治疗预后效果进行评估。
目前，现有技术主要采用将结构化的医学检测表格数据，输入至CoxPH模型、随机森林生存模型等模型的方式，来评估肿瘤患者的治疗预后效果。然而，由于结构化的医学检测表格数据提供的参考信息维度较为单一，这使得基于现有技术获取的肿瘤预后评估结果，存在评估维度较少、准确性有待提高的问题。
发明内容
基于此，有必要针对上述技术问题，提供一种肿瘤预后评估方法、装置、计算机设备和存储介质。
第一方面，本申请提供了一种肿瘤预后评估方法，所述方法包括：
获取目标对象的术前影像数据；所述术前影像数据包括若干影像序列；
对各所述影像序列进行预处理，得到四维影像数据集合；
分别获取所述四维影像数据集合中的各个四维影像数据对应的肿瘤靶区掩膜；
根据各所述肿瘤靶区掩膜中符合预设条件的连通区域，形成所述四维影像数据集合对应的若干肿瘤靶区影像数据集合；
基于各所述肿瘤靶区影像数据集合，确定所述目标对象的肿瘤预后评估结果。
在其中一个实施例中，所述肿瘤预后评估结果包括肿瘤影像预后评估系数；所述基于各所述肿瘤靶区影像数据集合，确定所述目标对象的肿瘤预后评估结果，包括：
将各所述肿瘤靶区影像数据集合中的各个肿瘤靶区影像数据，输入至预训练好的第一深度生存模型，得到所述肿瘤影像预后评估系数。
在其中一个实施例中，所述方法还包括：获取所述目标对象的临床数据；将所述肿瘤影像预后评估系数和所述临床数据，输入至预训练好的第二深度生存模型，得到所述目标对象的肿瘤预后整体评估结果；所述肿瘤预后整体评估结果包括肿瘤预后整体评估系数和肿瘤复发主要影响因素。
在其中一个实施例中，所述分别获取所述四维影像数据集合中的各个四维影像数据对应的肿瘤靶区掩膜，包括：
将各所述四维影像数据输入至预训练好的肿瘤靶区分割模型，得到各所述四维影像数据对应的肿瘤靶区掩膜。
在其中一个实施例中，所述根据各所述肿瘤靶区掩膜中符合预设条件的连通区域，形成所述四维影像数据集合对应的若干肿瘤靶区影像数据集合，包括：
在各所述肿瘤靶区掩膜中，选取出对应像素数量大于或等于预设数值的若干目标连通区域；基于各所述目标连通区域，形成所述四维影像数据集合对应的若干肿瘤靶区影像数据集合。
在其中一个实施例中，所述对各所述影像序列进行预处理，得到四维影像数据集合，包括：
依次对各所述影像序列进行空间归一化处理和强度归一化处理，得到若干标准影像序列；将各所述标准影像序列在通道维度上进行合并，得到所述四维影像数据集合。
在其中一个实施例中，所述空间归一化处理包括坐标系配准和像素间距归一化；所述强度归一化处理包括偏置场校正处理、中值滤波去噪、以及强度缩放。
第二方面，本申请还提供了一种肿瘤预后评估装置，所述装置包括：
术前影像数据获取模块，用于获取目标对象的术前影像数据；所述术前影像数据包括若干影像序列；
四维影像集合获取模块，用于对各所述影像序列进行预处理，得到四维影像数据集合；
靶区掩膜获取模块，用于分别获取所述四维影像数据集合中的各个四维影像数据对应的肿瘤靶区掩膜；
靶区影像集合获取模块，用于根据各所述肿瘤靶区掩膜中符合预设条件的连通区域，形成所述四维影像数据集合对应的若干肿瘤靶区影像数据集合；
评估结果输出模块，用于基于各所述肿瘤靶区影像数据集合，确定所述目标对象的肿瘤预后评估结果。
第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。
第四方面，本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述方法的步骤。
第五方面，本申请还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述方法的步骤。
上述肿瘤预后评估方法、装置、计算机设备和存储介质，首先，获取目标对象的术前影像数据；前述术前影像数据包括若干影像序列。然后，对各影像序列进行预处理，得到四维影像数据集合。接着，分别获取四维影像数据集合中的各个四维影像数据对应的肿瘤靶区掩膜。之后，根据各肿瘤靶区掩膜中符合预设条件的连通区域，形成四维影像数据集合对应的若干肿瘤靶区影像数据集合。最后，基于各肿瘤靶区影像数据集合，确定目标对象的肿瘤预后评估结果。本申请基于深度学习技术，对目标对象的术前影像数据对应的若干影像序列与临床数据进行结合分析，实现了多模态获取目标对象的肿瘤预后评估结果，不仅增加了肿瘤预后评估结果的评估维度，还有效提升了肿瘤预后评估结果的准确性。
附图说明
图1为一个实施例中提供的一种肿瘤预后评估方法的流程示意图；
图2为一个实施例中获取肿瘤预后整体评估结果的具体方式的流程示意图；
图3为一个实施例中形成四维影像数据集合对应的若干肿瘤靶区影像数据集合的具体方式的流程示意图；
图4为一个实施例中获取四维影像数据集合的具体方式的流程示意图；
图5为一个实施例中提供的一种肿瘤预后评估装置的结构框图；
图6为一个实施例中提供的一种肿瘤预后评估方法在实际应用中的应用架构示意图；
图7为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请实施例提供的肿瘤预后评估方法，可以应用于终端或服务器执行。其中，数据存储系统可以存储服务器需要处理的数据；数据存储系统可以集成在服务器上，也可以放在云上或其他网络服务器上；终端可以但不限于是各种个人计算机、笔记本电脑、平板电脑；服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图1所示，提供了一种肿瘤预后评估方法，以该方法应用于服务器执行为例进行说明，包括以下步骤：
步骤S110，获取目标对象的术前影像数据；前述术前影像数据包括若干影像序列。
本步骤中，目标对象，可以是具备进行肿瘤手术需求的患者；目标对象的术前影像数据，可以是通过对具备进行肿瘤手术需求的患者进行术前影像检查，而获取得到的具备进行肿瘤手术需求的患者的术前影像数据；若干影像序列，可以是若干MRI影像序列，可以包括T1ce序列、T2序列、ADC序列等类型的三维（Three-Dimensional，3D）图像序列。
在实际应用中，若干影像序列的具体表现形式，可以是T1ce序列+T2序列、T1ce序列+T2序列+ADC序列等包含若干不同类型的MRI影像序列的组合。
步骤S120，对各影像序列进行预处理，得到四维影像数据集合。
本步骤中，各影像序列，是指具备进行肿瘤手术需求的患者的术前影像数据对应的各个影像序列，其具体表现形式，可以是具备进行肿瘤手术需求的患者的术前影像数据对应的各个MRI影像序列；四维影像数据集合，是指针对具备进行肿瘤手术需求的患者的术前影像数据对应的各个MRI影像序列，进行预处理，而获取得到的四维（Four-Dimensional，4D）影像数据的组合。
步骤S130，分别获取四维影像数据集合中的各个四维影像数据对应的肿瘤靶区掩膜。
本步骤中，四维影像数据集合，是指针对具备进行肿瘤手术需求的患者的术前影像数据对应的各个MRI影像序列，进行预处理，而获取得到的四维影像数据的组合；各个四维影像数据对应的肿瘤靶区掩膜，是指用于针对四维影像数据集合中的各个四维影像数据对应的肿瘤靶区进行定位的、四维影像数据集合中的各个四维影像数据对应的肿瘤靶区掩膜。
步骤S140，根据各肿瘤靶区掩膜中符合预设条件的连通区域，形成四维影像数据集合对应的若干肿瘤靶区影像数据集合。
本步骤中，各肿瘤靶区掩膜，即四维影像数据集合中的各个四维影像数据对应的肿瘤靶区掩膜，用于针对四维影像数据集合中的各个四维影像数据对应的肿瘤靶区进行定位；连通区域，是指各肿瘤靶区掩膜中具有相同像素值、且位置相邻的前景像素点组成的图像区域；预设条件，是指用于选取出各个肿瘤靶区掩膜中符合条件的连通区域的预设筛选条件；根据各肿瘤靶区掩膜中符合预设条件的连通区域，形成四维影像数据集合对应的若干肿瘤靶区影像数据集合的具体方式，可以是通过筛选出各个肿瘤靶区掩膜中符合预设条件的连通区域的方式，对各个肿瘤靶区掩膜进行后处理，并基于后处理后的各个肿瘤靶区掩膜，获取四维影像数据集合中的相应坐标对应的肿瘤靶区影像数据，进行形成各个连通区域分别对应的肿瘤靶区影像数据的组合。
在实际应用中，预设条件，可以基于各个肿瘤靶区掩膜中的连通区域对应的像素值进行设置，例如，设置用于选取出各个肿瘤靶区掩膜中对应像素值大于特定数值的连通区域；在各个肿瘤靶区影像数据集合为各个连通区域分别对应的肿瘤靶区影像数据的组合的前提下，肿瘤靶区影像数据集合的数量与连通区域的数量之间的对应关系，可以是一对一，即一个连通区域对应于一个肿瘤靶区影像数据集合，在此基础上，本申请提供的方法可以适用于针对不同类型的单发肿瘤或多发肿瘤进行预后评估。
步骤S150，基于各肿瘤靶区影像数据集合，确定目标对象的肿瘤预后评估结果。
本步骤中，各肿瘤靶区影像数据集合，是指根据各肿瘤靶区掩膜中符合预设条件的连通区域，获取得到的四维影像数据集合对应的若干肿瘤靶区影像数据的组合；目标对象的肿瘤预后评估结果，是指基于各个肿瘤靶区影像数据集合，确定得到的目标对象的肿瘤预后评估结果，其具体表现形式，可以是与各个肿瘤靶区影像数据集合相关联的、目标对象的肿瘤预后评估系数。
上述肿瘤预后评估方法中，首先，获取目标对象的术前影像数据；前述术前影像数据包括若干影像序列。然后，对各影像序列进行预处理，得到四维影像数据集合。接着，分别获取四维影像数据集合中的各个四维影像数据对应的肿瘤靶区掩膜。之后，根据各肿瘤靶区掩膜中符合预设条件的连通区域，形成四维影像数据集合对应的若干肿瘤靶区影像数据集合。最后，基于各肿瘤靶区影像数据集合，确定目标对象的肿瘤预后评估结果。本申请基于深度学习技术，对目标对象的术前影像数据对应的若干影像序列与临床数据进行结合分析，实现了多模态获取目标对象的肿瘤预后评估结果，不仅增加了肿瘤预后评估结果的评估维度，还有效提升了肿瘤预后评估结果的准确性。
对于获取肿瘤影像预后评估系数的具体方式，在一个实施例中，上述肿瘤预后评估结果包括肿瘤影像预后评估系数；上述步骤S150具体包括：
将各肿瘤靶区影像数据集合中的各个肿瘤靶区影像数据，输入至预训练好的第一深度生存模型，得到肿瘤影像预后评估系数。
其中，各肿瘤靶区影像数据集合，是指根据各肿瘤靶区掩膜中符合预设条件的连通区域，获取得到的四维影像数据集合对应的各个肿瘤靶区影像数据的组合；肿瘤影像预后评估系数，是指通过将各个肿瘤靶区影像数据集合中的各个肿瘤靶区影像数据，输入至预训练好的第一深度生存模型，而获取得到的肿瘤影像预后评估系数，该肿瘤影像预后评估系数可以用于表征基于目标对象的术前影像数据获取得到的肿瘤复发相对风险值。
在实际应用中，第一深度生存模型，可以是包含一个基于任意三维卷积神经网络的骨干网络、一个用于融合共享权重的骨干网络获取的特征的池化层、以及一个全连接层的任意深度生存模型；通过前述池化层进行的池化操作，既可以是最大池化操作或平均池化操作，也可以是带有注意力机制的池化操作；通过前述全连接层输出的数据长度可以为1，该数据可以是用于表征基于目标对象的术前影像数据获取得到的肿瘤复发相对风险值。
进一步的，在训练第一深度生存模型的过程中，可以采用数据增广的方式，以避免模型出现过拟合的现象；在训练第一深度生存模型的过程中，可以将病人的最后一次回访信息作为真值，且每一组回访信息（即生存数据）为包括两个值状态E和时间T的截尾数据（censored data）；在训练第一深度生存模型的过程中的损失函数，可以是损失函数Negative Log Partial Likelihood，为了确保该损失函数在计算时的风险集不为空，在进行训练时，每一批数据（即每一个batch）中应该至少包含两个存在事件发生的样本，在进行采样时，每一批数据（即每一个batch）从存在事件发生的样本集中，首先不重复抽样两个的样本，然后再从全体样本中，不重复抽样数量为batch_size（即每一batch的大小） - 2的样本。
更进一步的，用于在训练第一深度生存模型的过程中进行数据增广的具体方式，既可以包括随机裁剪、随机缩放、随机对比度、随机亮度、随机偏移、随机翻转、随机旋转、以及随机高斯噪声等常用的图像增广方式，也可以包括随机偏置磁场效应（在MRI图像中常见，通过在扫描中产生的极小的静态磁场改变样本中磁矩的分布，进而影响图像的灰度分布）、随机运动扩增（针对当图像采集期间受试者移动时产生的运动伪影进行仿真）、随机添加幽灵效应（Ghosting，在MRI图像中常见，具体表现为在图像的物理结构中出现多个重复的副本）、随机插入锐利高峰形状（模拟Spike效应，该效应在MRI图像中由扫描过程中的电磁干扰、数据采集问题或数字信号处理问题引起的高于正常数据范围的强烈瞬间信号引起）等用于针对MRI图像的增广方式。
上述实施例中通过将各肿瘤靶区影像数据集合中的各个肿瘤靶区影像数据，输入至预训练好的第一深度生存模型，以获取得到肿瘤影像预后评估系数的方式，不仅增加了肿瘤预后评估结果的评估维度，还有效提升了基于目标对象的术前影像数据获取肿瘤预后评估结果的效率。
对于获取肿瘤预后整体评估结果的具体方式，在一个实施例中，如图2所示，上述方法还包括：
步骤S210，获取目标对象的临床数据。
本步骤中，目标对象，可以是具备进行肿瘤手术需求的患者；目标对象的临床数据，可以是具备进行肿瘤手术需求的患者的临床数据，可以包括具备进行肿瘤手术需求的患者的TMN肿瘤分期信息、具备进行肿瘤手术需求的患者年龄、具备进行肿瘤手术需求的患者的肿瘤分子分型信息等类型的临床数据。
在实际应用中，目标对象的临床数据的具体表现形式，可以是具备进行肿瘤手术需求的患者的、表现为离散值或连续值形式的TMN肿瘤分期信息、患者年龄、肿瘤分子分型信息。
步骤S220，将肿瘤影像预后评估系数和临床数据，输入至预训练好的第二深度生存模型，得到目标对象的肿瘤预后整体评估结果；前述肿瘤预后整体评估结果包括肿瘤预后整体评估系数和肿瘤复发主要影响因素。
本步骤中，肿瘤影像预后评估系数，是指肿瘤影像预后评估系数，是指通过将各个肿瘤靶区影像数据集合中的各个肿瘤靶区影像数据，输入至预训练好的第一深度生存模型，而获取得到的肿瘤影像预后评估系数，该肿瘤影像预后评估系数可以用于表征基于目标对象的术前影像数据获取得到的肿瘤复发相对风险值；临床数据，即目标对象的临床数据，是指具备进行肿瘤手术需求的患者的临床数据；肿瘤预后整体评估系数，是指通过将肿瘤影像预后评估系数和临床数据，输入至预训练好的第二深度生存模型，获取得到目标对象的肿瘤预后整体评估系数，可以用于表征基于目标对象的肿瘤影像预后评估系数和临床数据获取得到的肿瘤复发整体相对风险值；肿瘤复发主要影响因素，是指通过将肿瘤影像预后评估系数和临床数据，输入至预训练好的第二深度生存模型，获取得到目标对象的肿瘤复发主要影响因素。
在实际应用中，第二深度生存模型，可以是基于一种自动特征选择和离线数据预处理的端到端深度神经网络、采用TabNet网络结构的深度生存模型，在此基础上，肿瘤复发主要影响因素，可以通过获取第二深度生存模型的中间层的特征重要性掩码（FeatureImportance Mask）中数值最大的因素的方式，来进行获取；采用TabNet网络结构的深度生存模型，其实质上是一种有别于传统机器学习模型的神经网络模型，且TabNet网络结构，通过采用一种全新的注意力机制，可以从原始的表格数据中，自动选择每一决策点上的重要特征，并高效地进行分类或回归操作，这改变了传统的机器学习模型需要在全局上进行特征选择的操作方式，且使得TabNet网络结构相较于传统的机器学习模型，具备更好的解释性和使用性能，能够高效实现自适应不同类型的任务与数据，进而有效减少针对输入模型的特征进行预处理、以及针对模型进行参数调优的工作量；具体而言，TabNet网络结构具备如下几种特性：
一是其能够处理未经额外预处理的原始表格数据，而传统的机器学习模型，则通常需要对原始数据进行一些预处理，例如特征选择、特征缩放、缺失值填充等，之后才能进行训练和预测，故TabNet网络结构，能够有效减少模型的构建时间与进行模型调优的工作量，且能够提升模型的可移植性和可扩展性；
二是其能够进行实例级别的特征选择，而传统的机器学习模型，则通常采用全局特征选择方法，即对整个数据集的所有特征进行选择，而无法适应每个实例的特征选择需求，故TabNet网络结构采用实例级的特征选择方法（即对每个样本的特征进行选择），能够使得模型更具有灵活性和可适应性，且具备全局和局部的解释性。此外，常用的神经网络，如MLP模型，则通常缺乏对预测结果的解释性，这使得该类型模型难以应用于辅助决策的场景，而TabNet网络结构，则可以提供全局和局部的解释性（即TabNet网络结构可以说明每个特征对预测结果的贡献程度），将该类型模型应用于医疗领域时，不仅能够帮助医疗工作者获取模型的运算结果，还能能够帮助他们了解产生该结果的具体原由（即TabNet网络结构所具备的局部解释性，可以用于提示医疗工作者某一患者需要重点关注的数个指标特征，而TabNet网络结构所具备的全局解释性，则可以提示医疗工作者对每位患者的特定个数的指标特征加以关注；
三是其包括一个基础网络和多个决策步骤，每个决策步骤都会选择一组最重要的特征，并将该特征传递给下一步骤来进行决策。在每一决策步骤中，TabNet网络结构，均会使用一个基于注意力机制的神经网络模块，来选择当前最重要的特征，进而有效提升模型的处理效率和可解释性；
四是其特征选择是基于soft feature selection算法来实现的，这使得TabNet网络结构不同于只能给每个特征分配一个固定的权重的传统的树模型，允许每个样本在特征选择时具有不同的权重。基于此，采用soft feature selection算法的TabNet网络结构，能够使得模型可以根据每个样本的特征重要性的不同，动态调整每一特征对应的权重，进而有效提高了模型的泛化性能和鲁棒性。
由此可见，TabNet网络结构，通过采用自注意力机制和实例级的特征选择方式，能够从原始的表格数据中，实现自动选择重要特征，是一种能够实现自动特征选择和离线数据预处理的端到端深度神经网络。
进一步的，在训练第二深度生存模型的过程中，可以直接将目标对象的历史临床数据和历史肿瘤影像预后评估系数，作为输入模型的训练样本，而无需进行额外的特征筛选，且可以将患者的最后一次回访信息，作为真值；在训练第二深度生存模型的过程中的损失函数，可以是损失函数Negative Log Partial Likelihood，为了确保该损失函数在计算时的风险集不为空，在进行训练时，每一批数据（即每一个batch）中应该至少包含两个存在事件发生的样本，在进行采样时，每一批数据（即每一个batch）从存在事件发生的样本集中，首先不重复抽样两个的样本，然后再从全体样本中，不重复抽样数量为batch_size（即每一batch的大小）-2的样本。
上述实施例中通过将肿瘤影像预后评估系数和临床数据，输入至预训练好的第二深度生存模型，以获取得到包括肿瘤预后整体评估系数和肿瘤复发主要影响因素的肿瘤预后整体评估结果的方式，实现了多模态、多阶段获取肿瘤预后评估结果，不仅在增加了肿瘤预后评估结果的评估维度前提下，丰富了肿瘤预后评估结果的数据内容，进而提高了肿瘤预后评估结果的可解释性和可溯源性，还有效确保了肿瘤预后评估结果的准确性。
对于获取各四维影像数据对应的肿瘤靶区掩膜的具体方式，在一个实施例中，上述步骤S130具体包括：
将各四维影像数据输入至预训练好的肿瘤靶区分割模型，得到各四维影像数据对应的肿瘤靶区掩膜。
其中，各四维影像数据，是指四维影像数据集合中的各个四维影像数据；各四维影像数据对应的肿瘤靶区掩膜，是指通过将各四维影像数据输入至预训练好的肿瘤靶区分割模型，而获取得到的用于各个四维影像数据对应的肿瘤靶区进行定位的、各个四维影像数据对应的肿瘤靶区掩膜。
在实际应用中，肿瘤靶区分割模型，既可以是通过将卷积和反卷积层进行组合，以使得高分辨率信息与低分辨率信息相互结合，进而得到精细分割结果的3D-Unet模型，也可以是通过卷积层、上采样和卷积层之间的拼接，来捕获局部信息和全局信息，进而得到准确分割结果的FCN模型，还可以是使用深度可分离卷积和全卷积网络技术的DeepLabV3模型，或者其他可以用于进行图像分割的、基于深度神经网络的分割模型。
进一步的，在训练肿瘤靶区分割模型的过程中，可以采用数据增广的方式，以避免模型出现过拟合的现象；在训练肿瘤靶区分割模型的过程中，既可以采用如下损失函数DiceLoss，也可以采用如下损失函数Tversky Loss，还可以采用其他可用于进行图像分割的损失函数：
DiceLoss = 1 - 2 * (Intersection) / (Union)；
其中，Intersection为预测掩膜与真实掩膜之间的交集；Union为预测掩膜与真实掩膜之间的并集。
Tversky Loss = 1 - (∑(p_i * y_i) + γ) / (∑p_i + ∑y_i - (∑p_i *y_i)+ γ；
其中，p_i为预测图像中第i个像素的值；y_i为真实图像中第i个像素的值；γ为用于调整损失函数的灵敏度的一个正数。
更进一步的，用于在训练肿瘤靶区分割模型的过程中进行数据增广的具体方式，既可以包括随机裁剪、随机缩放、随机对比度、随机亮度、随机偏移、随机翻转、随机旋转、以及随机高斯噪声等常用的图像增广方式，也可以包括随机偏置磁场效应（在MRI图像中常见，通过在扫描中产生的极小的静态磁场改变样本中磁矩的分布，进而影响图像的灰度分布）、随机运动扩增（针对当图像采集期间受试者移动时产生的运动伪影进行仿真）、随机添加幽灵效应（Ghosting，在MRI图像中常见，具体表现为在图像的物理结构中出现多个重复的副本）、随机插入锐利高峰形状（模拟Spike效应，该效应在MRI图像中由扫描过程中的电磁干扰、数据采集问题或数字信号处理问题引起的高于正常数据范围的强烈瞬间信号引起）等用于针对MRI图像的增广方式。
上述实施例中通过将各四维影像数据输入至预训练好的肿瘤靶区分割模型，以获取得到各四维影像数据对应的肿瘤靶区掩膜的方式，不仅确保了肿瘤预后评估结果的准确性，还有效提升了获取肿瘤预后评估结果的效率。
对于形成四维影像数据集合对应的若干肿瘤靶区影像数据集合的具体方式，在一个实施例中，如图3所示，上述步骤S140具体包括：
步骤S310，在各肿瘤靶区掩膜中，选取出对应像素数量大于或等于预设数值的若干目标连通区域。
本步骤中，各肿瘤靶区掩膜，是指用于针对四维影像数据集合中的各个四维影像数据对应的肿瘤靶区进行定位的、四维影像数据集合中的各个四维影像数据对应的肿瘤靶区掩膜；若干目标连通区域，是指从各个肿瘤靶区掩膜之间的连通区域中选取出的、对应像素数量大于或等于预设数值的若干目标连通区域。
在实际应用中，可以将用于选取出若干目标连通区域的预设数值，具体设置为50。
步骤S320，基于各目标连通区域，形成四维影像数据集合对应的若干肿瘤靶区影像数据集合。
本步骤中，各目标连通区域，是指从各个肿瘤靶区掩膜之间的连通区域中选取出的、对应像素数量大于或等于预设数值的各个连通区域；若干肿瘤靶区影像数据集合，是指通过在各肿瘤靶区掩膜中选取出对应像素数量大于或等于预设数值的若干目标连通区域的方式，获取得到的各个目标连通区域分别对应的肿瘤靶区影像数据的组合。
在实际应用中，目标连通区域的数量与肿瘤靶区影像数据集合的数量之间的对应关系，可以是一对一，即一个目标连通区域对应于一个肿瘤靶区影像数据集合。
上述实施例中通过基于各目标连通区域，形成四维影像数据集合对应的若干肿瘤靶区影像数据集合的方式，有效提升了获取肿瘤预后评估结果的效率。
对于获取四维影像数据集合的具体方式，在一个实施例中，如图4所示，上述步骤S120具体包括：
步骤S410，依次对各影像序列进行空间归一化处理和强度归一化处理，得到若干标准影像序列。
本步骤中，各影像序列，是指目标对象的术前影像数据对应的各个影像序列，其具体表现形式，可以是若干MRI影像序列；依次对各影像序列进行空间归一化处理，是指依次将目标对象的术前影像数据对应的各个影像序列，配准至同一公共模板中，使得各个影像序列均对齐至同一坐标系内、且具有同样的像素间距；强度归一化处理，是指依次对空间归一化处理后的各个影像序列，进行强度归一化处理；若干标准影像序列，是指通过依次对各个影像序列进行空间归一化处理和强度归一化处理，而获取得到的满足影像序列的预设处理需求的若干标准影像序列。
步骤S420，将各标准影像序列在通道维度上进行合并，得到四维影像数据集合。
本步骤中，各标准影像序列，是指通过依次对各个影像序列进行空间归一化处理和强度归一化处理，而获取得到的满足影像序列的预设处理需求的各个标准影像序列；四维影像数据集合，是指将各个标准影像序列在通道维度上进行合并，而获取得到的四维影像数据的组合，其具体表现形式，可以是包含长、宽、深、通道四个维度（即四维影像数据集合对应的四个维度为：长×宽×深×通道）的四维影像数据的组合。
在实际应用中，通道维度的数量与标准影像序列的数量之间，可以存在一一的对应关系，在此基础上，将各标准影像序列在通道维度上进行合并，得到四维影像数据集合的具体方式，可以是将同一目标对象的N个标准影像序列在通道维度上进行合并，以获取得到一个通道数量为N的四维影像数据的组合。
上述实施例中通过将各标准影像序列在通道维度上进行合并，得到四维影像数据集合的方式，不仅确保了获取肿瘤预后评估结果的过程中的数据准确性，进而保障了肿瘤预后评估结果的准确性。
在一个实施例中，上述空间归一化处理包括坐标系配准和像素间距归一化；上述强度归一化处理包括偏置场校正处理、中值滤波去噪、以及强度缩放。
其中，坐标系配准，是指针对目标对象的术前影像数据对应的各个影像序列进行坐标系配准，使得各个影像序列均对齐至同一坐标系内；像素间距归一化，是指针对坐标系配准后的各个影像序列进行像素间距归一化，使得各个影像序列均具有同样的像素间距；偏置场校正处理，是指针对空间归一化处理后的各个影像序列进行偏置场校正处理，以降低各个影像序列中的相同组织的亮度值的差异，进而降低针对处理后的各个影像序列进行组织分割的难度；中值滤波去噪，是指针对偏置场校正处理后的各个影像序列进行中值滤波去噪，以去除各个影像序列中的图像噪声；强度缩放，是指针对中值滤波去噪后的各个影像序列进行强度缩放，以使得各个影像对应的强度值均缩放至固定范围，进而确保强度缩放后的各个影像序列中的所有图像像素值，均处于相同的数值范围内。
具体而言，针对目标对象的术前影像数据对应的各个影像序列，进行包括坐标系配准和像素间距归一化的坐标系配准的具体原因，可以是由于各个影像序列在其对应的扫描时间、进行扫描时患者的所处位置、扫描视野、以及保存扫描数据时采用的图像分辨率等方面均存在一定的差异，而将多个影像序列进行结合分析时，需要观察不同的影像序列在同一部位上的表现差异，因此，需要通过对各个影像序列进行包括坐标系配准和像素间距归一化的坐标系配准的方式，以使得各个影像序列均对齐至同一坐标系内、且具有同样的像素间距，进而确保不同的影像序列之间相同的坐标对应的解剖位置保持基本一致。
上述实施例中通过依次对各影像序列进行包括坐标系配准和像素间距归一化的空间归一化处理、以及包括偏置场校正处理、中值滤波去噪和强度缩放强度归一化处理的方式，实现了在同一解剖位置上观察不同影像序列上的表现差异，有效确保了获取肿瘤预后评估结果的过程中的数据准确性，进而有效提升了肿瘤预后评估结果的准确性。
在一个实施例中，上述方法在实际应用中的应用架构方式，可以是如图6所示的形式。
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的肿瘤预后评估方法的肿瘤预后评估装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个肿瘤预后评估装置实施例中的具体限定可以参见上文中对于肿瘤预后评估方法的限定，在此不再赘述。
在一个实施例中，如图5所示，提供了一种肿瘤预后评估装置，该装置包括：
术前影像数据获取模块510，用于获取目标对象的术前影像数据；所述术前影像数据包括若干影像序列；
四维影像集合获取模块520，用于对各所述影像序列进行预处理，得到四维影像数据集合；
靶区掩膜获取模块530，用于分别获取所述四维影像数据集合中的各个四维影像数据对应的肿瘤靶区掩膜；
靶区影像集合获取模块540，用于根据各所述肿瘤靶区掩膜中符合预设条件的连通区域，形成所述四维影像数据集合对应的若干肿瘤靶区影像数据集合；
评估结果输出模块550，用于基于各所述肿瘤靶区影像数据集合，确定所述目标对象的肿瘤预后评估结果。
在其中一个实施例中，所述肿瘤预后评估结果包括肿瘤影像预后评估系数；评估结果输出模块550，具体用于将各所述肿瘤靶区影像数据集合中的各个肿瘤靶区影像数据，输入至预训练好的第一深度生存模型，得到所述肿瘤影像预后评估系数。
在其中一个实施例中，上述装置还包括：整体评估结果输出模块，用于获取所述目标对象的临床数据；将所述肿瘤影像预后评估系数和所述临床数据，输入至预训练好的第二深度生存模型，得到所述目标对象的肿瘤预后整体评估结果；所述肿瘤预后整体评估结果包括肿瘤预后整体评估系数和肿瘤复发主要影响因素。
在其中一个实施例中，靶区掩膜获取模块530，具体用于将各所述四维影像数据输入至预训练好的肿瘤靶区分割模型，得到各所述四维影像数据对应的肿瘤靶区掩膜。
在其中一个实施例中，靶区影像集合获取模块540，具体用于在各所述肿瘤靶区掩膜中，选取出对应像素数量大于或等于预设数值的若干目标连通区域；基于各所述目标连通区域，形成所述四维影像数据集合对应的若干肿瘤靶区影像数据集合。
在其中一个实施例中，四维影像集合获取模块520，具体用于依次对各所述影像序列进行空间归一化处理和强度归一化处理，得到若干标准影像序列；将各所述标准影像序列在通道维度上进行合并，得到所述四维影像数据集合。
在其中一个实施例中，在四维影像集合获取模块520中，所述空间归一化处理包括坐标系配准和像素间距归一化；所述强度归一化处理包括偏置场校正处理、中值滤波去噪、以及强度缩放。
上述肿瘤预后评估装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图7所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output，简称I/O）和通信接口。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储肿瘤预后评估相关数据等数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种肿瘤预后评估方法。
本领域技术人员可以理解，图7中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
需要说明的是，本申请所涉及的用户信息（包括但不限于用户设备信息、用户个人信息等）和数据（包括但不限于用于分析的数据、存储的数据、展示的数据等），均为经用户授权或者经过各方充分授权的信息和数据，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器（Read-OnlyMemory，ROM）、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器（ReRAM）、磁变存储器（Magnetoresistive Random Access Memory，MRAM）、铁电存储器（Ferroelectric Random Access Memory，FRAM）、相变存储器（Phase Change Memory，PCM）、石墨烯存储器等。易失性存储器可包括随机存取存储器（Random Access Memory，RAM）或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器（Static Random AccessMemory，SRAM）或动态随机存取存储器（Dynamic RandomAccess Memory，DRAM）等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。

Claims (8)

1.一种肿瘤预后评估方法，其特征在于，所述方法包括：
获取目标对象的术前影像数据；所述术前影像数据包括若干影像序列；
对各所述影像序列进行预处理，得到四维影像数据集合；
分别获取所述四维影像数据集合中的各个四维影像数据对应的肿瘤靶区掩膜；
根据各所述肿瘤靶区掩膜中符合预设条件的连通区域，形成所述四维影像数据集合对应的若干肿瘤靶区影像数据集合；
基于各所述肿瘤靶区影像数据集合，确定所述目标对象的肿瘤预后评估结果；所述肿瘤预后评估结果包括肿瘤影像预后评估系数；所述基于各所述肿瘤靶区影像数据集合，确定所述目标对象的肿瘤预后评估结果，包括：将各所述肿瘤靶区影像数据集合中的各个肿瘤靶区影像数据，输入至预训练好的第一深度生存模型，得到所述肿瘤影像预后评估系数；
获取所述目标对象的临床数据；
将所述肿瘤影像预后评估系数和所述临床数据，输入至预训练好的第二深度生存模型，得到所述目标对象的肿瘤预后整体评估结果；所述肿瘤预后整体评估结果包括肿瘤预后整体评估系数和肿瘤复发主要影响因素。
2.根据权利要求1所述的方法，其特征在于，所述分别获取所述四维影像数据集合中的各个四维影像数据对应的肿瘤靶区掩膜，包括：
将各所述四维影像数据输入至预训练好的肿瘤靶区分割模型，得到各所述四维影像数据对应的肿瘤靶区掩膜。
3.根据权利要求1至2中任一项所述的方法，其特征在于，所述根据各所述肿瘤靶区掩膜中符合预设条件的连通区域，形成所述四维影像数据集合对应的若干肿瘤靶区影像数据集合，包括：
在各所述肿瘤靶区掩膜中，选取出对应像素数量大于或等于预设数值的若干目标连通区域；
基于各所述目标连通区域，形成所述四维影像数据集合对应的若干肿瘤靶区影像数据集合。
4.根据权利要求1所述的方法，其特征在于，所述对各所述影像序列进行预处理，得到四维影像数据集合，包括：
依次对各所述影像序列进行空间归一化处理和强度归一化处理，得到若干标准影像序列；
将各所述标准影像序列在通道维度上进行合并，得到所述四维影像数据集合。
5.根据权利要求4所述的方法，其特征在于，所述空间归一化处理包括坐标系配准和像素间距归一化；所述强度归一化处理包括偏置场校正处理、中值滤波去噪、以及强度缩放。
6.一种肿瘤预后评估装置，其特征在于，所述装置包括：
术前影像数据获取模块，用于获取目标对象的术前影像数据；所述术前影像数据包括若干影像序列；
四维影像集合获取模块，用于对各所述影像序列进行预处理，得到四维影像数据集合；
靶区掩膜获取模块，用于分别获取所述四维影像数据集合中的各个四维影像数据对应的肿瘤靶区掩膜；
靶区影像集合获取模块，用于根据各所述肿瘤靶区掩膜中符合预设条件的连通区域，形成所述四维影像数据集合对应的若干肿瘤靶区影像数据集合；
评估结果输出模块，用于基于各所述肿瘤靶区影像数据集合，确定所述目标对象的肿瘤预后评估结果；所述肿瘤预后评估结果包括肿瘤影像预后评估系数；所述基于各所述肿瘤靶区影像数据集合，确定所述目标对象的肿瘤预后评估结果，包括：将各所述肿瘤靶区影像数据集合中的各个肿瘤靶区影像数据，输入至预训练好的第一深度生存模型，得到所述肿瘤影像预后评估系数；
整体评估结果输出模块，用于获取所述目标对象的临床数据；将所述肿瘤影像预后评估系数和所述临床数据，输入至预训练好的第二深度生存模型，得到所述目标对象的肿瘤预后整体评估结果；所述肿瘤预后整体评估结果包括肿瘤预后整体评估系数和肿瘤复发主要影响因素。
7.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述的方法的步骤。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。
CN202310501317.2A 2023-05-06 2023-05-06 肿瘤预后评估方法、装置、计算机设备和存储介质 Active CN116228753B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310501317.2A CN116228753B (zh) 2023-05-06 2023-05-06 肿瘤预后评估方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310501317.2A CN116228753B (zh) 2023-05-06 2023-05-06 肿瘤预后评估方法、装置、计算机设备和存储介质

Publications (2)

Publication Number Publication Date
CN116228753A CN116228753A (zh) 2023-06-06
CN116228753B true CN116228753B (zh) 2023-08-01

Family

ID=86571626

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310501317.2A Active CN116228753B (zh) 2023-05-06 2023-05-06 肿瘤预后评估方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN116228753B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117422722B (zh) * 2023-12-19 2024-03-29 北京智源人工智能研究院 基于adc图像的肿瘤预后特征评估的方法和装置

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112201346A (zh) * 2020-10-12 2021-01-08 哈尔滨工业大学（深圳） 癌症生存期预测方法、装置、计算设备及计算机可读存储介质

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106815481B (zh) * 2017-01-19 2020-07-17 中国科学院深圳先进技术研究院 一种基于影像组学的生存期预测方法及装置
CN112184658B (zh) * 2020-09-24 2023-11-24 上海健康医学院 用于非小细胞肺癌预后生存预测的方法、介质及电子设备
CN112690813B (zh) * 2021-01-12 2022-09-02 范宁 基于分形理论的肿瘤异质性分析方法、系统、终端及介质
US20230126877A1 (en) * 2021-10-25 2023-04-27 Dynam.Ai, Inc. Synthetic data generation and annotation for tumor diagnostics and treatment
CN115762788A (zh) * 2022-11-28 2023-03-07 山东大学第二医院 基于肿瘤细胞检测的肿瘤复发转移风险评估系统

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112201346A (zh) * 2020-10-12 2021-01-08 哈尔滨工业大学（深圳） 癌症生存期预测方法、装置、计算设备及计算机可读存储介质

Also Published As

Publication number Publication date
CN116228753A (zh) 2023-06-06

Similar Documents

Publication Publication Date Title
US10810735B2 (en) Method and apparatus for analyzing medical image
CN109978037B (zh) 图像处理方法、模型训练方法、装置、和存储介质
JP6635648B2 (ja) 医用画像処理装置、医用画像処理方法及び分類器トレーニング方法
CN108615237A (zh) 一种肺部图像处理方法及图像处理设备
CN116228753B (zh) 肿瘤预后评估方法、装置、计算机设备和存储介质
DE102019108733A1 (de) Schnelle mehrskalige Punktwolkenregistrierung mit einer hierarchischen Gauß-Mischung
CN112329871A (zh) 一种基于自校正卷积与通道注意力机制的肺结节检测方法
Wong et al. Segmentation of additive manufacturing defects using U-Net
CN113065593A (zh) 模型训练方法、装置、计算机设备和存储介质
Ar Rushood et al. Segmentation of x-ray images of rocks using deep learning
CN113313728B (zh) 一种颅内动脉分割方法及系统
CN111127487A (zh) 一种实时多组织医学图像的分割方法
CN112330787B (zh) 图像标注方法、装置、存储介质和电子设备
CN110517300A (zh) 基于局部结构算子的弹性图像配准算法
Gong et al. A superpixel segmentation algorithm based on differential evolution
Bhattacharjya et al. A genetic algorithm for intelligent imaging from quantum-limited data
CN114972026A (zh) 图像处理方法和存储介质
CN110489584B (zh) 基于密集连接的MobileNets模型的图像分类方法及系统
CN110570417B (zh) 肺结节分类装置及图像处理设备
CN114821140A (zh) 基于曼哈顿距离的图像聚类方法、终端设备及存储介质
Zhong et al. PMFSNet: Polarized Multi-scale Feature Self-attention Network For Lightweight Medical Image Segmentation
CN115272250B (zh) 确定病灶位置方法、装置、计算机设备和存储介质
US20220319158A1 (en) Cell nuclei classification with artifact area avoidance
Cerquides et al. Classification algorithms for biomedical volume datasets
US20230298326A1 (en) Image augmentation method, electronic device and readable storage medium

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