CN116230237B - 一种基于roi病灶特征的肺癌影响评价方法和系统 - Google Patents
一种基于roi病灶特征的肺癌影响评价方法和系统 Download PDFInfo
- Publication number
- CN116230237B CN116230237B CN202310501218.4A CN202310501218A CN116230237B CN 116230237 B CN116230237 B CN 116230237B CN 202310501218 A CN202310501218 A CN 202310501218A CN 116230237 B CN116230237 B CN 116230237B
- Authority
- CN
- China
- Prior art keywords
- data
- queue
- focus
- prospective
- retrospective
- 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
Links
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
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30061—Lung
-
- 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)
- Public Health (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- General Physics & Mathematics (AREA)
- Epidemiology (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Pathology (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Multimedia (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明请求保护一种基于ROI病灶特征的肺癌影响评价方法和系统,采用了回顾性和前瞻性相结合的发明设计,利用回顾性数据库建立预后预测模型,使用前瞻性数据库进行模型的验证和优化,可确保构建的模型的泛化能力和临床推广价值,设计方案创新,同时,除了影像建模预测手术治疗反应外,还深入分析病理组学与患者手术治疗后DFS的相关性,从而从分子层面及临床队列数据初步筛选和探讨影响肺癌患者接受新辅助免疫治疗疗效的机制。本发明可以有效地对肺癌图像的ROI区域准确识别划分,高效地筛选手术治疗优势人群,辅助临床决策。
Description
技术领域
本发明属于智慧医疗和图像处理领域,具体的,涉及一种基于ROI病灶特征的肺癌影响评价方法和系统。
背景技术
肺癌是全球癌症相关死亡的首要原因,其中非小细胞肺癌(non-smal cell lungcancer,NSCLC)约占所有肺癌的85%。手术切除肿瘤仍然是I期到Ⅲa期非小细胞肺癌的首选治疗方式,但术后预后迥异。临床需要对患者术后的预后情况精准评估进行复发或死亡风险分层,以指导临床制定个性化治疗和随访方案,辅助临床决策。术前准确的诊断、评估和预后预测是获得精准治疗决策的基础。目前,临床上评价NSCLC预后主要基于癌症联合会(American Joint Committeeon CancerAJCC)建立的TNM 分期系统(T:肿瘤:N:淋巴结:M:远处转移);然而临床实践发现肿瘤完全切除后,即使相同分期,NSCLC患者的预后也存在较大差导:因此临床破需结准的预后评估方法,随着人工智能技术广涉应用干医学用像领域影像组学和病理组学技术应运而生并且为解决上述问题提供了新思路。
目前影像组学和病理组学已经分别在肺癌的诊断与鉴别诊断、分级分期、预后预测和疗效评估等发明领域都取得了优异的发明成果并且形成了较为成熟的技术架构,融合影像组学和病理组学技术构建预测早期可手术切除肺癌的病理分级和预测预后的模型不仅可以从多维度、实时、无创地反映肿瘤的异质性,并且可以为临床医生精准诊疗方案的制定提供重要依据目前尚未见报道。
因此本发明拟基于肺癌患者术前胸部增强CT图像,利用影像组学技术,提取肺癌病灶CT的影像定量特征,结合术后数字病理图像,融合影像组学和病理组学的方法,提取IA-I期肺癌患者木前胸部增强CT影像组学特征与病理全玻片电子扫描病理组学特征,筛选出与肺癌术前分期和术后2年生存风险相关的影像组学与病理组学特征,结合临床指标建立肺癌分期和术后2年生存风险预后模型,探索肺癌术后预后精准预测的新生物学指标和标志物,筛选手术治疗优势人群,辅助临床决策。
发明内容
根据本发明第一方面,本发明请求保护一种基于ROI病灶特征的肺癌影响评价方法,其特征在于,包括:
基于回顾性发明队列的病理切片数据得到回顾风险因子数据;
通过前瞻性发明队列的病理切片数据与所述回顾风险因子数据,得到前瞻病灶ROI;
对所述前瞻病灶ROI进行前瞻性队列评价,获得所述前瞻性发明队列的评价结果;
其中,所述回顾性发明队列与所述前瞻性发明队列分别为标签提取队列与感兴趣区分割队列;
其中,所述回顾性发明队列的病理切片数据与所述前瞻性发明队列的病理切片数据,均是基于待评价队列数据得到的。
进一步地,所述方法还包括:
基于所述前瞻性发明队列的病理切片数据得到前瞻风险因子数据;
通过所述回顾性发明队列的病理切片数据与所述前瞻风险因子数据,得到回顾病灶ROI;
对所述回顾病灶ROI进行回顾性队列评价,获得所述回顾性发明队列的评价结果;
所述前瞻性发明队列为感兴趣区分割队列;
其中,所述基于回顾性发明队列的病理切片数据得到回顾风险因子数据,包括:
基于所述标签提取队列的病理切片数据得到第三风险因子数据;
通过所述第三风险因子数据,分别得到肺癌患者自身特征数据与其他肺癌患者特征数据;
重组所述肺癌患者自身特征数据与所述其他肺癌患者特征数据,得到所述回顾风险因子数据。
进一步地,所述得到前瞻病灶ROI,以及所述得到回顾病灶ROI,包括:
通过执行如下操作,得到所述回顾病灶ROI与所述前瞻病灶ROI,如下操作中i的初始取值为1,N为正整数:
基于病灶ROIIF1_i得到风险因子数据X1;
基于病灶ROIIF2_i得到风险因子数据X2;
通过所述病灶ROIIF1_i与所述风险因子数据X2,得到病灶ROIOF1_i;
通过所述病灶ROIIF2_i与所述风险因子数据X1,得到病灶ROIOF2_i;
判断i的取值是否等于N,
若否,将i的取值加1,并将病灶ROIOF1_(i-1)作为病灶ROIIF1_i,将病灶ROIOF2_(i-1)作为病灶ROIIF2_i,转到基于病灶ROIIF1_i得到风险因子数据X1的步骤,
若是,将病灶ROIOF1_i作为所述回顾病灶ROI,将病灶ROIOF2_i作为所述前瞻病灶ROI;
其中,当i的取值为1时,病灶ROIIF1_i为所述回顾性发明队列的病理切片数据,病灶ROIIF2_i为所述前瞻性发明队列的病理切片数据。
进一步地,所述回顾性发明队列为标签提取队列,所述前瞻性发明队列为感兴趣区分割队列;
其中,所述对所述回顾病灶ROI执行回顾性发明队列,包括:
使用检测框预测模型评价所述回顾病灶ROI,获得所述回顾病灶ROI的标签提取预测结果;
其中,所述对所述前瞻病灶ROI进行前瞻性队列评价,获得所述前瞻性发明队列的评价结果,包括:
使用LASSO回归模型评价所述前瞻病灶ROI,获得所述前瞻病灶ROI的LASSO回归结果,
其中,所述LASSO回归模型是利用检测组内相关系数训练得到的,所述检测组内相关系数通过标签提取标签数据对所述LASSO回归模型的输出进行约束,其中,所述标签提取标签数据用于训练所述检测框预测模型;
所述检测组内相关系数包括其他肺癌患者检测组内相关系数与肺癌患者自身检测组内相关系数,
其中,所述其他肺癌患者检测组内相关系数通过所述标签提取标签数据对所述LASSO回归模型输出的预测结果的其他肺癌患者数据进行约束,所述肺癌患者自身检测组内相关系数通过所述标签提取标签数据对所述LASSO回归模型输出的预测结果的肺癌患者自身数据进行约束;
所述通过前瞻性发明队列的病理切片数据与所述回顾风险因子数据,得到前瞻病灶ROI,包括:
通过使用卷积层评价所述前瞻性发明队列的病理切片数据与所述回顾风险因子数据,得到所述前瞻病灶ROI。
进一步地,所述基于所述标签提取队列的病理切片数据得到第三风险因子数据,包括:
通过使用卷积层评价所述标签提取队列的病理切片数据,得到所述第三风险因子数据;
所述通过所述第三风险因子数据,分别得到肺癌患者自身特征数据与其他肺癌患者特征数据,包括:
通过使用池化层评价所述第三风险因子数据,得到所述肺癌患者自身特征数据与所述其他肺癌患者特征数据。
根据本发明第二实施例,本发明请求保护一种基于ROI病灶特征的肺癌影响评价系统,包括:
风险因子构建模块,基于回顾性发明队列的病理切片数据得到回顾风险因子数据;
ROI决策模块,通过前瞻性发明队列的病理切片数据与所述回顾风险因子数据,得到前瞻病灶ROI;
评价模块,对所述前瞻病灶ROI进行前瞻性队列评价,获得所述前瞻性发明队列的评价结果;
其中,所述回顾性发明队列与所述前瞻性发明队列分别为标签提取队列与感兴趣区分割队列;
其中,所述回顾性发明队列的病理切片数据与所述前瞻性发明队列的病理切片数据,均是基于待评价队列数据得到的。
进一步地,所述方法还包括:
基于所述前瞻性发明队列的病理切片数据得到前瞻风险因子数据;
通过所述回顾性发明队列的病理切片数据与所述前瞻风险因子数据,得到回顾病灶ROI;
对所述回顾病灶ROI进行回顾性队列评价,获得所述回顾性发明队列的评价结果;
所述前瞻性发明队列为感兴趣区分割队列;
其中,所述基于回顾性发明队列的病理切片数据得到回顾风险因子数据,包括:
基于所述标签提取队列的病理切片数据得到第三风险因子数据;
通过所述第三风险因子数据,分别得到肺癌患者自身特征数据与其他肺癌患者特征数据;
重组所述肺癌患者自身特征数据与所述其他肺癌患者特征数据,得到所述回顾风险因子数据。
进一步地,所述得到前瞻病灶ROI,以及所述得到回顾病灶ROI,包括:
通过执行如下操作,得到所述回顾病灶ROI与所述前瞻病灶ROI,如下操作中i的初始取值为1,N为正整数:
基于病灶ROIIF1_i得到风险因子数据X1;
基于病灶ROIIF2_i得到风险因子数据X2;
通过所述病灶ROIIF1_i与所述风险因子数据X2,得到病灶ROIOF1_i;
通过所述病灶ROIIF2_i与所述风险因子数据X1,得到病灶ROIOF2_i;
判断i的取值是否等于N,
若否,将i的取值加1,并将病灶ROIOF1_(i-1)作为病灶ROIIF1_i,将病灶ROIOF2_(i-1)作为病灶ROIIF2_i,转到基于病灶ROIIF1_i得到风险因子数据X1的步骤,
若是,将病灶ROIOF1_i作为所述回顾病灶ROI,将病灶ROIOF2_i作为所述前瞻病灶ROI;
其中,当i的取值为1时,病灶ROIIF1_i为所述回顾性发明队列的病理切片数据,病灶ROIIF2_i为所述前瞻性发明队列的病理切片数据。
进一步地,所述回顾性发明队列为标签提取队列,所述前瞻性发明队列为感兴趣区分割队列;
其中,所述对所述回顾病灶ROI执行回顾性发明队列,包括:
使用检测框预测模型评价所述回顾病灶ROI,获得所述回顾病灶ROI的标签提取预测结果;
其中,所述对所述前瞻病灶ROI进行前瞻性队列评价,获得所述前瞻性发明队列的评价结果,包括:
使用LASSO回归模型评价所述前瞻病灶ROI,获得所述前瞻病灶ROI的LASSO回归结果,
其中,所述LASSO回归模型是利用检测组内相关系数训练得到的,所述检测组内相关系数通过标签提取标签数据对所述LASSO回归模型的输出进行约束,其中,所述标签提取标签数据用于训练所述检测框预测模型;
所述检测组内相关系数包括其他肺癌患者检测组内相关系数与肺癌患者自身检测组内相关系数,
其中,所述其他肺癌患者检测组内相关系数通过所述标签提取标签数据对所述LASSO回归模型输出的预测结果的其他肺癌患者数据进行约束,所述肺癌患者自身检测组内相关系数通过所述标签提取标签数据对所述LASSO回归模型输出的预测结果的肺癌患者自身数据进行约束;
所述通过前瞻性发明队列的病理切片数据与所述回顾风险因子数据,得到前瞻病灶ROI,包括:
通过使用卷积层评价所述前瞻性发明队列的病理切片数据与所述回顾风险因子数据,得到所述前瞻病灶ROI。
进一步地,所述基于所述标签提取队列的病理切片数据得到第三风险因子数据,包括:
通过使用卷积层评价所述标签提取队列的病理切片数据,得到所述第三风险因子数据;
所述通过所述第三风险因子数据,分别得到肺癌患者自身特征数据与其他肺癌患者特征数据,包括:
通过使用池化层评价所述第三风险因子数据,得到所述肺癌患者自身特征数据与所述其他肺癌患者特征数据。
本发明请求保护一种基于ROI病灶特征的肺癌影响评价方法和系统,采用了回顾性和前瞻性相结合的发明设计,利用回顾性数据库建立预后预测模型,使用前瞻性数据库进行模型的验证和优化,可确保构建的模型的泛化能力和临床推广价值,设计方案创新,同时,除了影像建模预测手术治疗反应外,还深入分析病理组学与患者手术治疗后 DFS 的相关性,从而从分子层面及临床队列数据初步筛选和探讨影响肺癌患者接受新辅助免疫治疗疗效的机制。本发明可以有效地对肺癌图像的ROI区域准确识别划分,高效地筛选手术治疗优势人群,辅助临床决策。
附图说明
图1为本发明所涉及的一种基于ROI病灶特征的肺癌影响评价方法的工作流程图;
图2为本发明所涉及的一种基于ROI病灶特征的肺癌影响评价方法的第二工作流程图;
图3为本发明所涉及的一种基于ROI病灶特征的肺癌影响评价系统的结构模块图。
具体实施方式
CT像中蕴含大量数字化信息,但是常规方法难以获得与肺癌手术治疗疗效相关的影像学标签,如何提取与治疗预后高度相关的影像组学标签是一个挑战性的问题,也是本实施例拟解决的关键技术问题之一。本发明拟发明病灶自动分割方法、海量特征提取方法和特征筛选方法,实现定量特征的提取和关键影像组学标签的构建。
本发明旨在建立一个以影像组学技术及病理组学技术为基础的肺癌手术治疗疗效预测模型,协助制定临床决策。目前临床上缺乏无创的准确评估肺癌治疗疗效的工具,胸部CT是肺癌诊断、治疗效果监测最常用的检查方法,但在组织基因状态、疾病 预后预测方面,常规CT图像也难以胜任。为此,实施例拟利用影像组学技术定量提取海量影像学特征,筛选关键标签,并整合临床、病理、免疫微环境等信息建模预测,实现多维度数据的充分融合
根据本发明第一实施例,参照附图1,本发明请求保护一种基于ROI病灶特征的肺癌影响评价方法,包括:
基于回顾性发明队列的病理切片数据得到回顾风险因子数据;
通过前瞻性发明队列的病理切片数据与所述回顾风险因子数据,得到前瞻病灶ROI;
对所述前瞻病灶ROI进行前瞻性队列评价,获得所述前瞻性发明队列的评价结果;
其中,所述回顾性发明队列与所述前瞻性发明队列分别为标签提取队列与感兴趣区分割队列;
其中,所述回顾性发明队列的病理切片数据与所述前瞻性发明队列的病理切片数据,均是基于待评价队列数据得到的。
其中,在本实施例中,采用回顾性病例构建预测模型,再在前瞻性队列中验证。
首先基于IA-11期NSCLC患者的回顾性资料,包括术前2周以内的胸部增强CT影像、术后数字病理切片数据、临床信息和随访信息,构建针对NSCLO术后预后预测的模型;
再基于前瞻性队列验证:阐释影响IA-III期NSCLC患者术前分期和术后2年存风险的机制。通过本实施例的实施,搭建一个基于临床、影像、病理、基因的预测平台,辅助指导临床决策。包括以下几个方面:
本实施例纳入所有IA-11期的可行手术治疗的NSCLC患者(1)关键影像组学标签筛选
本实施例主要包括病灶分割、特征提取和标签筛选三个步骤。
病灶精准分割:获取CT影像之后,需要对肺癌病灶进行精准的分割,为之后的特征提取提供感兴趣区域(ROI),本实施例设计一种稳定性高、可重复性好的NSCLC病灶的自动分割算法。本实施例拟使用全卷积神经网络FCN(fully convolutionalnetwork)进行病灶的精确分割。该方法使用卷积层和最大池化层堆叠的方式对病灶区域进行特征学习:然后使用去卷积和上采样对卷积特征进行复原,最终直接生成分割好的病灶图像。该方法可从海量病灶图像中学习鉴别肿瘤像素与正常组织像素的特征,对病灶分割进行端到端的建模。通过使用去卷积和上采样的方式,该方法可达到实时病灶分割效果,进行单个肿瘤的精确分割可在1秒内完成。
图像特征提取:针对自动分割出的IA-1I期期NSCLC病灶提取三类影像特征:手工设定特征、深度学习特征和经验特征。手工设定特征包括:尺寸、强化程度、纹理和小波变换特征等四种设计特征,其中纹理特征已被证实与预后有一定的相关性:深度学习特征利用回顾性数据集和LDC肺癌公开数据集进行深度学习分割模型的训练,自动提取与疗效预后高度相关的深层特征:经验特征是临床影像科医师提出的与NSCLO靶向治疗预后相关的经验特征,本实施例将这类特征进行量化,并利用计算机程序进行提取。影像组学标签筛选:获得海量图像特征之后,本实施例拟根据患者的基因状态构建图像特征筛选模型,筛选出与患者基因状态高度相关的图像特征,并利用这些特征构建一组影像组学标签。本实施例拟利用Lasso Cox回归从海量影像特征中筛选出具有预测价值的影像组学标签;病理组学的工作流程主要分为病理切片的扫描与存储、图像预处理、感兴趣区标记、模型构建、模型的验证与优化五个步骤
进一步地,参照附图2,所述方法还包括:
基于所述前瞻性发明队列的病理切片数据得到前瞻风险因子数据;
通过所述回顾性发明队列的病理切片数据与所述前瞻风险因子数据,得到回顾病灶ROI;
对所述回顾病灶ROI进行回顾性队列评价,获得所述回顾性发明队列的评价结果;
所述前瞻性发明队列为感兴趣区分割队列;
其中,所述基于回顾性发明队列的病理切片数据得到回顾风险因子数据,包括:
基于所述标签提取队列的病理切片数据得到第三风险因子数据;
通过所述第三风险因子数据,分别得到肺癌患者自身特征数据与其他肺癌患者特征数据;
重组所述肺癌患者自身特征数据与所述其他肺癌患者特征数据,得到所述回顾风险因子数据。
其中,在该实施例中,由于CT图像和数字病理切片属于不同尺度的特征数据,特别是影像组学及病理组学数据均包含高维海量特征,因此为了构建最优的多尺度的预测模型,本发明采用LASSO回归算法构建预测模型,其中模型的输入参数通过交叉验证优化,最后以多次五折交叉验证下平均准确率为评价标准筛选出最优的预测模型为了进一步验证和评估预测模型的效能,本发明利用独立的验证集数据对模型进行验证和优化。①回顾性发明队列的构建队列是发明的基础,本实施例首先构建回顾性发明队列。纳入病理确诊、且按照NCCN指南分期为1A-111期的NSCLC患者。所有患者均接受病灶外科手术切除术。制定数据收集规范,统一CT扫描参数,收集所有患者的临床信息、手术治疗前2周以内的胸部CT影像数据、数字病理切片数据、随访信息等。②前瞻性发明队列的构建,以2023年6月为前瞻性发明起点,所有所采集的信息同回顾性队列,且主要用于对模型的验证。所有患者均经过组织病理学诊断,确定为1A-111期的NSCLC患者。以手术治疗前2周以内的胸部CT影像数据、数字病理切片数据为分析标准。制定前瞻性数据收集的规范,统一CT扫描的设备电压,扫描层厚等参数,规范数据的临床信息(包含所有筛选出的风险因子)和数字病理切片数据信息,并按照相同流程随访至少2年用前瞻性队列数据验证前述模型的准确性,并根据结果进行模型的优化改进。
进一步地,所述得到前瞻病灶ROI,以及所述得到回顾病灶ROI,包括:
通过执行如下操作,得到所述回顾病灶ROI与所述前瞻病灶ROI,如下操作中i的初始取值为1,N为正整数:
基于病灶ROIIF1_i得到风险因子数据X1;
基于病灶ROIIF2_i得到风险因子数据X2;
通过所述病灶ROIIF1_i与所述风险因子数据X2,得到病灶ROIOF1_i;
通过所述病灶ROIIF2_i与所述风险因子数据X1,得到病灶ROIOF2_i;
判断i的取值是否等于N,
若否,将i的取值加1,并将病灶ROIOF1_(i-1)作为病灶ROIIF1_i,将病灶ROIOF2_(i-1)作为病灶ROIIF2_i,转到基于病灶ROIIF1_i得到风险因子数据X1的步骤,
若是,将病灶ROIOF1_i作为所述回顾病灶ROI,将病灶ROIOF2_i作为所述前瞻病灶ROI;
其中,当i的取值为1时,病灶ROIIF1_i为所述回顾性发明队列的病理切片数据,病灶ROIIF2_i为所述前瞻性发明队列的病理切片数据。
其中,在该实施例中,纳入标准:(a)手术切除后病理确诊为NSCLC的患者:(b)基于第八版TNM分期的临床1A-111期肺腺癌;(c)手术治疗前患者行诊断性的增强CT检查;(d)可随访到生存信息。排出标准;(a)CT检查至手术时超过3个月;(b)多原发肺癌;(c)增强CT图像显示病变不清楚,具有明显噪声和伪影的CT图像病例:(d)病理数据不完整。
在缺乏临床病理信息的情况下负责对肿瘤感兴趣区域(Regionsofinterest,ROI)勾画,在肺窗设置相同(窗宽:1500HU,窗位:-600HU)的情况下,在每个层面沿结节的边界进行手工分割。先随机挑选30例进行观察者间差异分析。观察者间差异分析提示结节勾画可重重性高。因此,剩下的结节由其中一位胸外科医师负责全部勾画,随后由另外一位医师负责审查全部ROI。所有分割工作是在由柏视医疗科技有限公司研发的在线平台(PV-iCurveversion:PVmed Contouring A)上进行的。
对比肺癌患者术前薄层增强CT图像的对比显示,此图像共包含三期,分别是动脉期、静脉期和延迟期,在静脉期大部分的肺癌肿瘤区域强化较明显,与周围组织、器官的分界相对清晰,因此本发明选取患者胸部增强CT静脉期图像来完成感兴趣区的轮廓确定和勾画之后进行影像组学特征的提取。首先从影像科的PACS系统中搜索肺癌患者病例的术前胸部增强CT静脉期图像,以医学数字成像DICOM 格式导出并保存,再对肿瘤区域进行勾画,利用ITK-SNAP图像处理软件在胃腺癌肿瘤每个横切面层面图像上手工绘制感兴趣区域病灶,以获得感兴趣区。
再确认感兴趣区:当对于边界的确定或区域意见不一时,则由协商确定感兴趣区区域和位置。
影像组学感兴趣区的人工勾画需要对观察者之间和观察者内部进行一致性评价,需要评估观察者内部及观察者之间的差异,这些差异可能会对影像组学特征建模的效能或者特征的选择造成总要影响。因此从入组的所有肺癌患者病例中随机选择30名纳入一致性评价。这30份病例分别分别独立地对胸部增强CT静脉期图像中的肺癌肿瘤感兴趣区域进行轮廓确定和勾画。ROI全部确定后需要经过两周的洗脱期。之后按照同样的轮廓确定标准对这30例患者的CT数据进行重新独立的进行全手动分割和确定ROI利用两次勾画获得的数据可以获得观察者内部和观察者之间的组内相关系数(Intra-observer andInter-observerCorrelation CoefficientsICC),这些步骤构成了图像勾画的一致性评价。
病理区域识别与分割图像预处理:数字病理切片每张可以达到数以百万计的像素,如果直接使用做图像的勾画,可能需要花费大量的时间和精力,并且如此大量的像素也会给计算机算力带来巨大的挑战和困难,因此在进行感兴趣勾画前需要对图像的背景区域进行处理,减少勾画时间和计算量,因此本实施例使用基于阈值的分割自动检测背景区域,去除背景影响,减少勾画和计算时间。
感兴趣区标记:针对每张肺癌的数字病理切片,粗标记约1/10肿瘤区域作为肿瘤数据集,协同确认局部肿瘤区域,如未达成一致则另由医师进行判断,最终基于ImageScope软件手动勾画肿瘤区域感兴趣区图像处理:如图片中心区域(128x128像素)位于标记区域,则视该图片为肿瘤区域:本实施例对每张分制图片进行90度旋转左右翻转,对比色度、亮度、饱和度,裁剪时随机抖动处理,扩增模型训练样本。
进一步地,所述回顾性发明队列为标签提取队列,所述前瞻性发明队列为感兴趣区分割队列;
其中,所述对所述回顾病灶ROI执行回顾性发明队列,包括:
使用检测框预测模型评价所述回顾病灶ROI,获得所述回顾病灶ROI的标签提取预测结果;
其中,所述对所述前瞻病灶ROI进行前瞻性队列评价,获得所述前瞻性发明队列的评价结果,包括:
使用LASSO回归模型评价所述前瞻病灶ROI,获得所述前瞻病灶ROI的LASSO回归结果,
其中,所述LASSO回归模型是利用检测组内相关系数训练得到的,所述检测组内相关系数通过标签提取标签数据对所述LASSO回归模型的输出进行约束,其中,所述标签提取标签数据用于训练所述检测框预测模型;
所述检测组内相关系数包括其他肺癌患者检测组内相关系数与肺癌患者自身检测组内相关系数,
其中,所述其他肺癌患者检测组内相关系数通过所述标签提取标签数据对所述LASSO回归模型输出的预测结果的其他肺癌患者数据进行约束,所述肺癌患者自身检测组内相关系数通过所述标签提取标签数据对所述LASSO回归模型输出的预测结果的肺癌患者自身数据进行约束;
所述通过前瞻性发明队列的病理切片数据与所述回顾风险因子数据,得到前瞻病灶ROI,包括:
通过使用卷积层评价所述前瞻性发明队列的病理切片数据与所述回顾风险因子数据,得到所述前瞻病灶ROI。
进一步地,所述基于所述标签提取队列的病理切片数据得到第三风险因子数据,包括:
通过使用卷积层评价所述标签提取队列的病理切片数据,得到所述第三风险因子数据;
所述通过所述第三风险因子数据,分别得到肺癌患者自身特征数据与其他肺癌患者特征数据,包括:
通过使用池化层评价所述第三风险因子数据,得到所述肺癌患者自身特征数据与所述其他肺癌患者特征数据。
其中,在该实施例中,肿瘤区域细胞特征提取与筛选:本实施例究采用 DefiniensDeveloper XD 软件,该软件是一个全面的工具箱,适用于从快速原型设计到部署自动图像分析的完整过程。它使用图像特征作为信息源,来测量图像对象的特征。
图像对象具有光谱、形状和分层等属性,这些特定属性被称为特征。首先将肿瘤区域图像输入Definiens Developer XD 软件,在处理肿瘤组织病理学图像的背景下,像素被定义为图像对象。
图层K被称为图像通道,例如,组织学图像都是RGB格式,图层被定义为红色、绿色和蓝色通道。子对象是图像对象中的子结构,在图像处理中定义为细胞核。数字病理特征与影像组学特征类似,在特征提取完成后,也需要对特征进行降维和筛选,防止过拟合的同时获得更为相关的特征。实施例中采用LASSO 回归方法对特征进行选择,然后融合选择出的特征构建数字病理模型,具体过程与影像组学模型构建方法相同。
根据本发明第二实施例,参照附图3,本发明请求保护一种基于ROI病灶特征的肺癌影响评价系统,包括:
风险因子构建模块,基于回顾性发明队列的病理切片数据得到回顾风险因子数据;
ROI决策模块,通过前瞻性发明队列的病理切片数据与所述回顾风险因子数据,得到前瞻病灶ROI;
评价模块,对所述前瞻病灶ROI进行前瞻性队列评价,获得所述前瞻性发明队列的评价结果;
其中,所述回顾性发明队列与所述前瞻性发明队列分别为标签提取队列与感兴趣区分割队列;
其中,所述回顾性发明队列的病理切片数据与所述前瞻性发明队列的病理切片数据,均是基于待评价队列数据得到的。
进一步地,所述系统还包括:
基于所述前瞻性发明队列的病理切片数据得到前瞻风险因子数据;
通过所述回顾性发明队列的病理切片数据与所述前瞻风险因子数据,得到回顾病灶ROI;
对所述回顾病灶ROI进行回顾性队列评价,获得所述回顾性发明队列的评价结果;
所述前瞻性发明队列为感兴趣区分割队列;
其中,所述基于回顾性发明队列的病理切片数据得到回顾风险因子数据,包括:
基于所述标签提取队列的病理切片数据得到第三风险因子数据;
通过所述第三风险因子数据,分别得到肺癌患者自身特征数据与其他肺癌患者特征数据;
重组所述肺癌患者自身特征数据与所述其他肺癌患者特征数据,得到所述回顾风险因子数据。
进一步地,所述得到前瞻病灶ROI,以及所述得到回顾病灶ROI,包括:
通过执行如下操作,得到所述回顾病灶ROI与所述前瞻病灶ROI,如下操作中i的初始取值为1,N为正整数:
基于病灶ROIIF1_i得到风险因子数据X1;
基于病灶ROIIF2_i得到风险因子数据X2;
通过所述病灶ROIIF1_i与所述风险因子数据X2,得到病灶ROIOF1_i;
通过所述病灶ROIIF2_i与所述风险因子数据X1,得到病灶ROIOF2_i;
判断i的取值是否等于N,
若否,将i的取值加1,并将病灶ROIOF1_(i-1)作为病灶ROIIF1_i,将病灶ROIOF2_(i-1)作为病灶ROIIF2_i,转到基于病灶ROIIF1_i得到风险因子数据X1的步骤,
若是,将病灶ROIOF1_i作为所述回顾病灶ROI,将病灶ROIOF2_i作为所述前瞻病灶ROI;
其中,当i的取值为1时,病灶ROIIF1_i为所述回顾性发明队列的病理切片数据,病灶ROIIF2_i为所述前瞻性发明队列的病理切片数据。
进一步地,所述回顾性发明队列为标签提取队列,所述前瞻性发明队列为感兴趣区分割队列;
其中,所述对所述回顾病灶ROI执行回顾性发明队列,包括:
使用检测框预测模型评价所述回顾病灶ROI,获得所述回顾病灶ROI的标签提取预测结果;
其中,所述对所述前瞻病灶ROI进行前瞻性队列评价,获得所述前瞻性发明队列的评价结果,包括:
使用LASSO回归模型评价所述前瞻病灶ROI,获得所述前瞻病灶ROI的LASSO回归结果,
其中,所述LASSO回归模型是利用检测组内相关系数训练得到的,所述检测组内相关系数通过标签提取标签数据对所述LASSO回归模型的输出进行约束,其中,所述标签提取标签数据用于训练所述检测框预测模型;
所述检测组内相关系数包括其他肺癌患者检测组内相关系数与肺癌患者自身检测组内相关系数,
其中,所述其他肺癌患者检测组内相关系数通过所述标签提取标签数据对所述LASSO回归模型输出的预测结果的其他肺癌患者数据进行约束,所述肺癌患者自身检测组内相关系数通过所述标签提取标签数据对所述LASSO回归模型输出的预测结果的肺癌患者自身数据进行约束;
所述通过前瞻性发明队列的病理切片数据与所述回顾风险因子数据,得到前瞻病灶ROI,包括:
通过使用卷积层评价所述前瞻性发明队列的病理切片数据与所述回顾风险因子数据,得到所述前瞻病灶ROI。
进一步地,所述基于所述标签提取队列的病理切片数据得到第三风险因子数据,包括:
通过使用卷积层评价所述标签提取队列的病理切片数据,得到所述第三风险因子数据;
所述通过所述第三风险因子数据,分别得到肺癌患者自身特征数据与其他肺癌患者特征数据,包括:
通过使用池化层评价所述第三风险因子数据,得到所述肺癌患者自身特征数据与所述其他肺癌患者特征数据。
本领域技术人员能够理解,本公开所披露的内容可以出现多种变型和改进。例如,以上所描述的各种设备或组件可以通过硬件实现,也可以通过软件、固件、或者三者中的一些或全部的组合实现。
本公开中使用了流程图用来说明通过本公开的实施例的方法的步骤。应当理解的是,前面或后面的步骤不一定按照顺序来精确的进行。相反,可以按照倒序或同时评价各种步骤。同时,也可以将其他操作添加到这些过程中。
本领域普通技术人员可以理解上述方法中的全部或部分的步骤可通过计算机程序来指令相关硬件完成,程序可以存储于计算机可读存储介质中,如只读存储器、磁盘或光盘等。可选地,上述实施例的全部或部分步骤也可以使用一个或多个集成电路来实现。相应地,上述实施例中的各模块/单元可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。本公开并不限制于任何特定形式的硬件和软件的结合。
除非另有定义,这里使用的所有术语具有与本公开所属领域的普通技术人员共同理解的相同含义。还应当理解,诸如在通常字典里定义的那些术语应当被解释为具有与它们在相关技术的上下文中的含义相一致的含义,而不应用理想化或极度形式化的意义来解释,除非这里明确地这样定义。
以上是对本公开的说明,而不应被认为是对其的限制。尽管描述了本公开的若干示例性实施例,但本领域技术人员将容易地理解,在不背离本公开的新颖教学和优点的前提下可以对示例性实施例进行许多修改。因此,所有这些修改都意图包含在权利要求书所限定的本公开范围内。应当理解,上面是对本公开的说明,而不应被认为是限于所公开的特定实施例,并且对所公开的实施例以及其他实施例的修改意图包含在所附权利要求书的范围内。本公开由权利要求书及其等效物限定。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
Claims (4)
1.一种基于ROI病灶特征的肺癌影响评价方法,其特征在于,包括:
基于回顾性发明队列的病理切片数据得到回顾风险因子数据;
通过前瞻性发明队列的病理切片数据与所述回顾风险因子数据,得到前瞻病灶ROI;
对所述前瞻病灶ROI进行前瞻性队列评价,获得所述前瞻性发明队列的评价结果;
其中,所述回顾性发明队列与所述前瞻性发明队列分别为标签提取队列与感兴趣区分割队列;
其中,所述回顾性发明队列的病理切片数据与所述前瞻性发明队列的病理切片数据,均是基于待评价队列数据得到的;
所述方法还包括:
基于所述前瞻性发明队列的病理切片数据得到前瞻风险因子数据;
通过所述回顾性发明队列的病理切片数据与所述前瞻风险因子数据,得到回顾病灶ROI;
对所述回顾病灶ROI进行回顾性队列评价,获得所述回顾性发明队列的评价结果;
所述前瞻性发明队列为感兴趣区分割队列;
其中,所述基于回顾性发明队列的病理切片数据得到回顾风险因子数据,包括:
基于所述标签提取队列的病理切片数据得到第三风险因子数据;
通过所述第三风险因子数据,分别得到肺癌患者自身特征数据与其他肺癌患者特征数据;
重组所述肺癌患者自身特征数据与所述其他肺癌患者特征数据,得到所述回顾风险因子数据;
所述得到前瞻病灶ROI,以及所述得到回顾病灶ROI,包括:
通过执行如下操作,得到所述回顾病灶ROI与所述前瞻病灶ROI,如下操作中i的初始取值为1,N为正整数:
基于病灶ROIIF1_i得到风险因子数据X1;
基于病灶ROIIF2_i得到风险因子数据X2;
通过所述病灶ROIIF1_i与所述风险因子数据X2,得到病灶ROIOF1_i;
通过所述病灶ROIIF2_i与所述风险因子数据X1,得到病灶ROIOF2_i;
判断i的取值是否等于N,
若否,将i的取值加1,并将病灶ROIOF1_(i-1)作为病灶ROIIF1_i,将病灶ROIOF2_(i-1)作为病灶ROIIF2_i,转到基于病灶ROIIF1_i得到风险因子数据X1的步骤,
若是,将病灶ROIOF1_i作为所述回顾病灶ROI,将病灶ROIOF2_i作为所述前瞻病灶ROI;
其中,当i的取值为1时,病灶ROIIF1_i为所述回顾性发明队列的病理切片数据,病灶ROIIF2_i为所述前瞻性发明队列的病理切片数据;
所述回顾性发明队列为标签提取队列,所述前瞻性发明队列为感兴趣区分割队列;
其中,所述对所述回顾病灶ROI执行回顾性发明队列,包括:
使用检测框预测模型评价所述回顾病灶ROI,获得所述回顾病灶ROI的标签提取预测结果;
其中,所述对所述前瞻病灶ROI进行前瞻性队列评价,获得所述前瞻性发明队列的评价结果,包括:
使用LASSO回归模型评价所述前瞻病灶ROI,获得所述前瞻病灶ROI的LASSO回归结果,
其中,所述LASSO回归模型是利用检测组内相关系数训练得到的,所述检测组内相关系数通过标签提取标签数据对所述LASSO回归模型的输出进行约束,其中,所述标签提取标签数据用于训练所述检测框预测模型;
所述检测组内相关系数包括其他肺癌患者检测组内相关系数与肺癌患者自身检测组内相关系数,
其中,所述其他肺癌患者检测组内相关系数通过所述标签提取标签数据对所述LASSO回归模型输出的预测结果的其他肺癌患者数据进行约束,所述肺癌患者自身检测组内相关系数通过所述标签提取标签数据对所述LASSO回归模型输出的预测结果的肺癌患者自身数据进行约束;
所述通过前瞻性发明队列的病理切片数据与所述回顾风险因子数据,得到前瞻病灶ROI,包括:
通过使用卷积层评价所述前瞻性发明队列的病理切片数据与所述回顾风险因子数据,得到所述前瞻病灶ROI。
2.如权利要求1所述的一种基于ROI病灶特征的肺癌影响评价方法,其特征在于,所述基于所述标签提取队列的病理切片数据得到第三风险因子数据,包括:
通过使用卷积层评价所述标签提取队列的病理切片数据,得到所述第三风险因子数据;
所述通过所述第三风险因子数据,分别得到肺癌患者自身特征数据与其他肺癌患者特征数据,包括:
通过使用池化层评价所述第三风险因子数据,得到所述肺癌患者自身特征数据与所述其他肺癌患者特征数据。
3.一种基于ROI病灶特征的肺癌影响评价系统,其特征在于,包括:
风险因子构建模块,基于回顾性发明队列的病理切片数据得到回顾风险因子数据;
ROI决策模块,通过前瞻性发明队列的病理切片数据与所述回顾风险因子数据,得到前瞻病灶ROI;
评价模块,对所述前瞻病灶ROI进行前瞻性队列评价,获得所述前瞻性发明队列的评价结果;
其中,所述回顾性发明队列与所述前瞻性发明队列分别为标签提取队列与感兴趣区分割队列;
其中,所述回顾性发明队列的病理切片数据与所述前瞻性发明队列的病理切片数据,均是基于待评价队列数据得到的;
所述系统还包括:
基于所述前瞻性发明队列的病理切片数据得到前瞻风险因子数据;
通过所述回顾性发明队列的病理切片数据与所述前瞻风险因子数据,得到回顾病灶ROI;
对所述回顾病灶ROI进行回顾性队列评价,获得所述回顾性发明队列的评价结果;
所述前瞻性发明队列为感兴趣区分割队列;
其中,所述基于回顾性发明队列的病理切片数据得到回顾风险因子数据,包括:
基于所述标签提取队列的病理切片数据得到第三风险因子数据;
通过所述第三风险因子数据,分别得到肺癌患者自身特征数据与其他肺癌患者特征数据;
重组所述肺癌患者自身特征数据与所述其他肺癌患者特征数据,得到所述回顾风险因子数据;
所述得到前瞻病灶ROI,以及所述得到回顾病灶ROI,包括:
通过执行如下操作,得到所述回顾病灶ROI与所述前瞻病灶ROI,如下操作中i的初始取值为1,N为正整数:
基于病灶ROIIF1_i得到风险因子数据X1;
基于病灶ROIIF2_i得到风险因子数据X2;
通过所述病灶ROIIF1_i与所述风险因子数据X2,得到病灶ROIOF1_i;
通过所述病灶ROIIF2_i与所述风险因子数据X1,得到病灶ROIOF2_i;
判断i的取值是否等于N,
若否,将i的取值加1,并将病灶ROIOF1_(i-1)作为病灶ROIIF1_i,将病灶ROIOF2_(i-1)作为病灶ROIIF2_i,转到基于病灶ROIIF1_i得到风险因子数据X1的步骤,
若是,将病灶ROIOF1_i作为所述回顾病灶ROI,将病灶ROIOF2_i作为所述前瞻病灶ROI;
其中,当i的取值为1时,病灶ROIIF1_i为所述回顾性发明队列的病理切片数据,病灶ROIIF2_i为所述前瞻性发明队列的病理切片数据;
所述回顾性发明队列为标签提取队列,所述前瞻性发明队列为感兴趣区分割队列;
其中,所述对所述回顾病灶ROI执行回顾性发明队列,包括:
使用检测框预测模型评价所述回顾病灶ROI,获得所述回顾病灶ROI的标签提取预测结果;
其中,所述对所述前瞻病灶ROI进行前瞻性队列评价,获得所述前瞻性发明队列的评价结果,包括:
使用LASSO回归模型评价所述前瞻病灶ROI,获得所述前瞻病灶ROI的LASSO回归结果,
其中,所述LASSO回归模型是利用检测组内相关系数训练得到的,所述检测组内相关系数通过标签提取标签数据对所述LASSO回归模型的输出进行约束,其中,所述标签提取标签数据用于训练所述检测框预测模型;
所述检测组内相关系数包括其他肺癌患者检测组内相关系数与肺癌患者自身检测组内相关系数,
其中,所述其他肺癌患者检测组内相关系数通过所述标签提取标签数据对所述LASSO回归模型输出的预测结果的其他肺癌患者数据进行约束,所述肺癌患者自身检测组内相关系数通过所述标签提取标签数据对所述LASSO回归模型输出的预测结果的肺癌患者自身数据进行约束;
所述通过前瞻性发明队列的病理切片数据与所述回顾风险因子数据,得到前瞻病灶ROI,包括:
通过使用卷积层评价所述前瞻性发明队列的病理切片数据与所述回顾风险因子数据,得到所述前瞻病灶ROI。
4.如权利要求3所述的一种基于ROI病灶特征的肺癌影响评价系统,其特征在于,所述基于所述标签提取队列的病理切片数据得到第三风险因子数据,包括:
通过使用卷积层评价所述标签提取队列的病理切片数据,得到所述第三风险因子数据;
所述通过所述第三风险因子数据,分别得到肺癌患者自身特征数据与其他肺癌患者特征数据,包括:
通过使用池化层评价所述第三风险因子数据,得到所述肺癌患者自身特征数据与所述其他肺癌患者特征数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310501218.4A CN116230237B (zh) | 2023-05-06 | 2023-05-06 | 一种基于roi病灶特征的肺癌影响评价方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310501218.4A CN116230237B (zh) | 2023-05-06 | 2023-05-06 | 一种基于roi病灶特征的肺癌影响评价方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116230237A CN116230237A (zh) | 2023-06-06 |
CN116230237B true CN116230237B (zh) | 2023-07-21 |
Family
ID=86569828
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310501218.4A Active CN116230237B (zh) | 2023-05-06 | 2023-05-06 | 一种基于roi病灶特征的肺癌影响评价方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116230237B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109583447A (zh) * | 2018-12-11 | 2019-04-05 | 山东省肿瘤防治研究院(山东省肿瘤医院) | 一种影像组学分析模型构建方法及分析方法 |
CN111862085A (zh) * | 2020-08-03 | 2020-10-30 | 徐州市肿瘤医院 | 一种周围型nsclc的隐匿性n2淋巴结转移的预测方法及系统 |
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 |
CN113755594A (zh) * | 2021-09-26 | 2021-12-07 | 中国医学科学院肿瘤医院 | 一种预测小细胞肺癌辅助化疗获益和识别化疗耐药治疗靶点的系统和应用 |
CN114121225A (zh) * | 2021-11-19 | 2022-03-01 | 冯朝燕 | Mri影像预测前列腺癌根治术后生化复发风险方法 |
CN115274118A (zh) * | 2022-08-24 | 2022-11-01 | 冯朝燕 | 一种构建睾丸肿瘤诊断和术后复发风险预测模型的方法 |
CN115497623A (zh) * | 2022-09-27 | 2022-12-20 | 山东第一医科大学(山东省医学科学院) | 一种基于影像、病理和基因多组学的肺癌预后预测系统 |
CN115881296A (zh) * | 2023-02-09 | 2023-03-31 | 杭州市第一人民医院 | 一种甲状腺乳头状癌(ptc)风险辅助分层系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021118918A1 (en) * | 2019-12-09 | 2021-06-17 | H. Lee Moffitt Cancer Center And Research Institute Inc. | Radiomics-based treatment decision support for lung cancer |
-
2023
- 2023-05-06 CN CN202310501218.4A patent/CN116230237B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109583447A (zh) * | 2018-12-11 | 2019-04-05 | 山东省肿瘤防治研究院(山东省肿瘤医院) | 一种影像组学分析模型构建方法及分析方法 |
CN111862085A (zh) * | 2020-08-03 | 2020-10-30 | 徐州市肿瘤医院 | 一种周围型nsclc的隐匿性n2淋巴结转移的预测方法及系统 |
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 |
CN113755594A (zh) * | 2021-09-26 | 2021-12-07 | 中国医学科学院肿瘤医院 | 一种预测小细胞肺癌辅助化疗获益和识别化疗耐药治疗靶点的系统和应用 |
CN114121225A (zh) * | 2021-11-19 | 2022-03-01 | 冯朝燕 | Mri影像预测前列腺癌根治术后生化复发风险方法 |
CN115274118A (zh) * | 2022-08-24 | 2022-11-01 | 冯朝燕 | 一种构建睾丸肿瘤诊断和术后复发风险预测模型的方法 |
CN115497623A (zh) * | 2022-09-27 | 2022-12-20 | 山东第一医科大学(山东省医学科学院) | 一种基于影像、病理和基因多组学的肺癌预后预测系统 |
CN115881296A (zh) * | 2023-02-09 | 2023-03-31 | 杭州市第一人民医院 | 一种甲状腺乳头状癌(ptc)风险辅助分层系统 |
Non-Patent Citations (2)
Title |
---|
基于薄层CT的三维影像组学在预测亚厘米磨玻璃样肺腺癌浸润程度的价值;谭明瑜;赵伟;马伟玲;孙英丽;;放射学实践(第08期);第18-24页 * |
影像组学在肺癌中的应用研究进展;胡玉川;张欣;崔光彬;;放射学实践(第12期);第33-35页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116230237A (zh) | 2023-06-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Santos et al. | Artificial intelligence, machine learning, computer-aided diagnosis, and radiomics: advances in imaging towards to precision medicine | |
Fuhrman et al. | A review of explainable and interpretable AI with applications in COVID‐19 imaging | |
CN111127466B (zh) | 医学图像检测方法、装置、设备及存储介质 | |
CN109583440B (zh) | 结合影像识别与报告编辑的医学影像辅助诊断方法及系统 | |
Wang et al. | Shape–intensity prior level set combining probabilistic atlas and probability map constrains for automatic liver segmentation from abdominal CT images | |
US8335359B2 (en) | Systems, apparatus and processes for automated medical image segmentation | |
EP2027566B1 (en) | Automatic recognition of preneoplastic anomalies in anatomic structures based on an improved region-growing segmentation, and computer program therefor | |
US20080008367A1 (en) | Hybrid segmentation of anatomical structure | |
Xu et al. | Using transfer learning on whole slide images to predict tumor mutational burden in bladder cancer patients | |
Hsiao et al. | A deep learning-based precision and automatic kidney segmentation system using efficient feature pyramid networks in computed tomography images | |
CN116230237B (zh) | 一种基于roi病灶特征的肺癌影响评价方法和系统 | |
Pan et al. | Detecting the early infarct core on non-contrast CT images with a deep learning residual network | |
Feng et al. | Deep learning for chest radiology: a review | |
Dabass et al. | A hybrid U-Net model with attention and advanced convolutional learning modules for simultaneous gland segmentation and cancer grade prediction in colorectal histopathological images | |
Tenali et al. | Oral Cancer Detection using Deep Learning Techniques | |
Jing et al. | A comprehensive survey of intestine histopathological image analysis using machine vision approaches | |
yahia Ibrahim et al. | An enhancement technique to diagnose colon and lung cancer by using double CLAHE and deep learning | |
CN116504406A (zh) | 基于影像组合病理的肺癌术后风险模型构建方法和系统 | |
CN116883994A (zh) | 基于自监督学习识别非小细胞肺癌周组织病理类型的方法、装置及存储介质 | |
Dickson et al. | A Dual Channel Multiscale Convolution U-Net Methodfor Liver Tumor Segmentation from Abdomen CT Images | |
Mousavi Moghaddam et al. | Lung parenchyma segmentation from CT images with a fully automatic method | |
Joshua et al. | Lung Cancer Classification with Improvised Three Parameter Logistic Type Distribution Model. | |
Yao et al. | Automatic segmentation of colonic polyps in CT colonography based on knowledge-guided deformable models | |
Danala et al. | Comparison of computer-aided diagnosis schemes optimized using radiomics and deep transfer learning methods. Bioengineering (Basel) 2022; 9 (6): 256 | |
Gheysari et al. | Lung ct image segmentation using reinforcement learning |
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 |