CN117174257B - 医疗影像的处理装置、电子设备及计算机可读存储介质 - Google Patents
医疗影像的处理装置、电子设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN117174257B CN117174257B CN202311454360.4A CN202311454360A CN117174257B CN 117174257 B CN117174257 B CN 117174257B CN 202311454360 A CN202311454360 A CN 202311454360A CN 117174257 B CN117174257 B CN 117174257B
- Authority
- CN
- China
- Prior art keywords
- image
- histology
- module
- medical
- training
- 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
- 238000012545 processing Methods 0.000 title claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 95
- 238000003745 diagnosis Methods 0.000 claims abstract description 92
- 238000003759 clinical diagnosis Methods 0.000 claims abstract description 38
- 238000003062 neural network model Methods 0.000 claims abstract description 27
- 238000000605 extraction Methods 0.000 claims description 102
- 238000012216 screening Methods 0.000 claims description 35
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 6
- 230000008030 elimination Effects 0.000 claims description 6
- 238000003379 elimination reaction Methods 0.000 claims description 6
- 230000036541 health Effects 0.000 claims description 5
- 239000000126 substance Substances 0.000 claims description 5
- 238000003066 decision tree Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 3
- 238000002059 diagnostic imaging Methods 0.000 claims description 2
- 238000000034 method Methods 0.000 abstract description 20
- 238000005516 engineering process Methods 0.000 abstract description 6
- 238000013528 artificial neural network Methods 0.000 description 19
- 206010028980 Neoplasm Diseases 0.000 description 9
- 238000002790 cross-validation Methods 0.000 description 9
- 239000000284 extract Substances 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000002591 computed tomography Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 238000004806 packaging method and process Methods 0.000 description 2
- 238000001959 radiotherapy Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
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
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本申请公开了一种医疗影像的处理装置、电子设备及计算机可读存储介质。该装置包括：接收单元，用于接收用户端发送的目标医疗影像以及临床诊断需求，并从模型库中获取用于处理临床诊断需求的医疗预测模型，其中，医疗预测模型通过目标样本数据训练得到，目标样本数据由临床诊断需求关联的影像组学特征和历史医疗影像组成；预测单元，用于将目标医疗影像输入医疗预测模型中，得到预测结果；生成单元，用于将预测结果确定为目标医疗影像的诊断结果，根据诊断结果生成诊断信息，将诊断信息发送至用户端。通过本申请，解决了相关技术中由于医学影像的样本数量较少，导致训练得到的神经网络模型预测准确性较低的问题。
Description
技术领域
本申请涉及医疗科技领域及其他相关技术领域，具体而言，涉及一种医疗影像的处理装置、电子设备及计算机可读存储介质。
背景技术
常见的医学影像（例如3D图像、4D图像）具有高维度以及小样本的特点，其中，在疗效预测任务等分类任务上，由于医学影像具有高维度的特点，使得在训练神经网络模型时需要为神经网络设置较多的参数，但是神经网络的参数越多，相应地需要更多的训练样本来拟合模型，然而，现在医学影像的小样本的特点便成为了模型训练的制约因素。
针对相关技术中由于医学影像的样本数量较少，导致训练得到的神经网络模型预测准确性较低的技术问题，目前尚未提出有效的解决方案。
发明内容
本申请提供一种医疗影像的处理装置、电子设备及计算机可读存储介质，以解决相关技术中由于医学影像的样本数量较少，导致训练得到的神经网络模型预测准确性较低的技术问题。
根据本申请的一方面，提供了一种医疗影像的处理装置。该装置包括：接收单元，用于接收目标用户通过用户端发送的目标医疗影像以及临床诊断需求，并从模型库中获取用于处理临床诊断需求的医疗预测模型，其中，医疗预测模型通过目标样本数据训练得到，目标样本数据由临床诊断需求关联的影像组学特征和历史医疗影像组成，模型库中包括多个预测模型；预测单元，用于将目标医疗影像输入医疗预测模型中，得到预测结果；生成单元，用于将预测结果确定为目标医疗影像的诊断结果，并根据诊断结果生成诊断信息，将诊断信息发送至用户端，其中，诊断结果表征目标用户的健康状况，诊断信息用于指导临床诊断。
可选地，医疗预测模型通过以下单元训练得到：第一获取单元，用于获取多个历史医疗影像，以及每个历史医疗影像的诊断结果；第一训练单元，用于将多个历史医疗影像以及每个历史医疗影像的诊断结果作为第一样本数据，并通过第一样本数据对初始神经网络模型进行训练，得到医疗预测模型，其中，医疗预测模型中包括第一浅层特征提取子模块、第二浅层特征提取子模块、深层特征提取模块和输出模块，第一浅层特征提取子模块由历史医疗影像的影像组学特征作为样本数据训练得到。
可选地，第一浅层特征提取子模块用于提取历史医疗影像的目标影像组学特征，得到第一输出值，第二浅层特征提取子模块用于提取历史医疗影像的目标特征，得到第二输出值，将第一输出值与第二输出值按照通道维度进行拼接，作为深层特征提取模块的输入值，其中，所述目标影像组学特征包含于所述目标特征中。
可选地，第一浅层特征提取子模块通过以下单元训练得到：第二获取单元，用于获取M个历史医疗影像，并计算每个历史医疗影像的影像组学特征，得到M个影像组学特征集合；筛选单元，用于通过预设筛选条件依次对每个影像组学特征集合中的影像组学特征进行特征筛选，得到M个筛选后的目标影像组学特征集合，其中，M个筛选后的目标影像组学特征集合中的特征为符合预设筛选条件的目标影像组学特征；第二训练单元，用于将M个历史医疗影像以及每个历史医疗影像的筛选后的目标影像组学特征集合确定为第二样本数据，并使用第二样本数据对初始浅层特征提取子模块进行训练，得到第一浅层特征提取子模块。
可选地，第二训练单元包括：第二获取模块，用于从第二样本数据中获取作为训练集的历史医疗影像，并将历史医疗影像输入初始神经网络模型中，获取初始浅层特征提取子模块的第三输出值；第一计算模块，用于将第三输出值输入预设神经网络模型中，得到N个预测特征，并计算N个预测特征与历史医疗影像的筛选后的目标影像组学特征集合之间的误差，并根据误差确定初始浅层特征提取子模块的训练结果。
可选地，第一计算模块包括：第一训练子模块，用于在误差小于等于预设值的情况下，完成第一浅层特征提取子模块的训练；判断子模块，用于在误差大于预设值的情况下，确定初始浅层特征提取子模块的训练次数，并判断训练次数是否大于预设次数；调整子模块，用于在训练次数小于等于预设次数的情况下，调整初始浅层特征提取子模块中的模型参数，并继续执行使用第二样本数据对初始浅层特征提取子模块进行训练，得到第一浅层特征提取子模块的步骤；第二训练子模块，用于在训练次数大于预设次数的情况下，完成第一浅层特征提取子模块的训练。
可选地，筛选单元包括：第二计算模块，用于对于任意影像组学特征集合，计算影像组学特征集合中的每个影像组学特征与预设特征之间的相关度，并根据相关度对影像组学特征集合进行筛选，得到第一影像组学特征集合；第三计算模块，用于通过递归特征消除算法和交叉验证算法计算第一影像组学特征集合中的每个影像组学特征的第一权值，并根据第一权值对第一影像组学特征集合进行筛选，得到第二影像组学特征集合；第四计算模块，用于通过预设决策树模型计算第二影像组学特征集合中的每个影像组学特征的第二权值，并根据第二权值对第二影像组学特征集合进行筛选，得到筛选后的目标影像组学特征集合。
可选地，生成单元包括：第一组合模块，用于在诊断结果表征目标用户需要治疗的情况下，从数据库中获取与诊断结果相关的医疗信息，将医疗信息与诊断结果组合为诊断信息，并将诊断信息发送至用户端；第二组合模块，用于在诊断结果表征目标用户不需要治疗的情况下，将诊断结果和提示信息组合为诊断信息，并将诊断信息发送至用户端，其中，提示信息表征目标用户不需要治疗。
根据本申请的另一个方面，还提供了一种计算机可读存储介质，其中，计算机可读存储介质中存储有计算机程序，其中，在计算机程序运行时控制计算机可读存储介质所在设备控制上述的医疗影像的处理装置。
根据本申请的另一方面，还提供了一种电子设备，其中，包括一个或多个处理器和存储器，存储器用于存储一个或多个程序，其中，当一个或多个程序被一个或多个处理器执行时，使得一个或多个处理器控制上述的医疗影像的处理装置。
通过本申请，采用以下装置：接收单元，用于接收目标用户通过用户端发送的目标医疗影像以及临床诊断需求，并从模型库中获取用于处理临床诊断需求的医疗预测模型，其中，医疗预测模型通过目标样本数据训练得到，目标样本数据由临床诊断需求关联的影像组学特征和历史医疗影像组成，模型库中包括多个预测模型；预测单元，用于将目标医疗影像输入医疗预测模型中，得到预测结果；生成单元，用于将预测结果确定为目标医疗影像的诊断结果，并根据诊断结果生成诊断信息，将诊断信息发送至用户端，其中，诊断结果表征目标用户的健康状况，诊断信息用于指导临床诊断。解决了相关技术中由于医学影像的样本数量较少，导致训练得到的神经网络模型预测准确性较低的技术问题。通过接收用户临床诊断需求，并根据临床诊断需求在模型库中获取到与临床诊断需求相关联的医疗预测模型进行预测，其中，与临床诊断需求相关联的医疗预测模型由临床诊断需求关联的影像组学特征和历史医疗影像作为样本训练得到，从而可以在通过医疗预测模型进行诊断的时候，医疗预测模型可以从输入的目标医疗影像中获取到与该诊断需求相关的影像组学特征，并根据影像组学特征对目标医疗影像中的内容进行分析预测，得到预测结果，并根据预测结果生成诊断信息，进而达到了在小样本训练的情况下，仍能保证医疗预测模型的预测准确率，进而提高生成的诊断信息的准确率的效果。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是根据本申请实施例提供的医疗影像的处理装置的示意图；
图2是根据本申请实施例提供的初始神经网络模型的示意图；
图3是根据本申请实施例提供的另一种可选的神经网络模型的示意图。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
需要说明的是，本公开所涉及的相关信息（包括但不限于用户设备信息、用户个人信息等）和数据（包括但不限于用于展示的数据、分析的数据等），均为经用户授权或者经过各方充分授权的信息和数据。例如，本系统和相关用户或机构间设置有接口，在获取相关信息之前，需要通过接口向前述的用户或机构发送获取请求，并在接收到前述的用户或机构反馈的同意信息后，获取相关信息。
需要说明的是，本公开所确定的医疗影像的处理装置、电子设备及计算机可读存储介质可用于医疗科技领域，也可用于除医疗科技领域之外的任意领域，本公开所确定的医疗影像的处理装置、电子设备及计算机可读存储介质的应用领域不做限定。
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），均为经用户授权或者经过各方充分授权的信息和数据，并且相关数据的收集、使用和处理需要遵守相关规定和标准，并提供有相应的操作入口，供用户选择授权或者拒绝。
实施例1
基于本申请背景技术中所描述的内容，由于医学影像具有高维度和小样本的特点，因此，在其他领域或在医学领域的其他任务上取得了极大成功的深度神经网络算法未能有效地应用于医学影像的分类任务中。
相较于通用的传统机器学习模型，深度神经网络模型可以根据数据特点、任务特点设计出专门的网络结构与优化方法，因此深度神经网络能够更有针对性并且更有效地解决预测问题，同时深度神经网络还具有较高的可拓展性等优点。但是，由于深度神经网络需要大量的样本来训练模型，而能够提供的医学影像相关训练样本数量却很少（因为直接将医学影像用作了训练样本，而医学影像又具有小样本的特点）。具体来说，深度神经网络一个重要的组成部分是提取特征的算子（例如卷积神经网络中的卷积核），大量卷积核作用于输入图像可以相应地提取不同的特征（例如，图像中的纹理特征、形状特征等等），而在模型训练前，卷积神经网络的这些卷积核所提取的特征一般是随机并且无效的，因此其需要依赖大量的样本来进行训练，通过不断地优化卷积核参数，最后才能够提取出有效的特征。由此可见，直接基于小样本医学影像数据训练深度神经网络模型，可以预见的是最后训练所得的深度神经网络模型的预测效果很难符合预期要求。
为了解决上述现有技术中的问题，根据本申请实施例，提供了一种医疗影像的处理装置，图1是根据本申请实施例提供的医疗影像的处理装置的示意图。如图1所示，该装置包括：接收单元101，预测单元102，生成单元103。
其中，接收单元101，用于接收目标用户通过用户端发送的目标医疗影像以及临床诊断需求，并从模型库中获取用于处理临床诊断需求的医疗预测模型，其中，医疗预测模型通过目标样本数据训练得到，目标样本数据由临床诊断需求关联的影像组学特征和历史医疗影像组成，模型库中包括多个预测模型。
具体的，目标用户可以为：需要依据医疗影像进行诊断的患者，临床诊断需求可以为：依据医疗影像诊断患者的疾病类型、治疗方案、治疗疗效等诊断需求，例如，目标用户发送的目标医疗影像为某部位的CT（Computed Tomography 电子计算机断层扫描）影像，临床诊断需求为通过CT影像确定是否存在肿瘤，在存在肿瘤的情况下，确定该肿瘤的相关信息，例如生长程度，边界情况等信息，从而通过影像分析结果对治疗进行指导。
进一步的，为了针对性的对目标医疗影像进行分析，在获取到临床诊断需求后，需要获取与临床诊断需求相关的医疗预测模型，从而保证获取到的医疗预测模型能够具有针对性的对目标医疗影像进行分析。
例如，临床诊断需求为通过CT影像确定肿瘤类型的情况下，需要获取与肿瘤分析相关的医疗预测模型。
需要说明的是，在对获取到的医疗预测模型进行训练的时候，不仅需要使用与临床诊断需求关联的历史医疗影像作为样本进行训练，同时还需要使用与临床诊断需求关联的影像组学特征作为样本进行训练，从而可以保证医疗预测模型在进行影像分析的时候，可以在特征选取阶段将影像组学特征进行选取，并根据影像组学特征对影像进行分析，从而提高模型对目标医疗影像的预测准确度。
预测单元102，用于将目标医疗影像输入医疗预测模型中，得到预测结果。
具体的，在完成对医疗预测模型的选取后，可以将目标医疗影像输入医疗预测模型中，从而得到与目标医疗影像相关联的预测结果。
例如，目标医疗影像为某部位中的肿瘤的CT影像，医疗预测模型为对肿瘤类型进行分类的预测模型，则将目标医疗影像输入医疗预测模型中之后，医疗预测模型会对目标医疗影像中的内容进行分析，从而预测目标医疗影像中的肿瘤的类型。
生成单元103，用于将预测结果确定为目标医疗影像的诊断结果，并根据诊断结果生成诊断信息，将诊断信息发送至用户端，其中，诊断结果表征目标用户的健康状况，诊断信息用于指导临床诊断。
具体的，在获取到预测结果后，可以将预测结果确定为诊断结果，并根据诊断结果获取与诊断结果中的内容相关联的信息，生成诊断信息，并将诊断信息发送至用户端，从而可以达到通过模型准确的为用户提供医疗诊断服务的效果。
需要说明的是，获取与诊断结果中的内容相关联的诊断信息的方法可以为在医疗领域的知识库中进行搜索，或是由相关医疗工作人员仅进行填写。
本申请实施例提供的医疗影像的处理装置，通过接收单元101接收目标用户通过用户端发送的目标医疗影像以及临床诊断需求，并从模型库中获取用于处理临床诊断需求的医疗预测模型，其中，医疗预测模型通过目标样本数据训练得到，目标样本数据由临床诊断需求关联的影像组学特征和历史医疗影像组成，模型库中包括多个预测模型；预测单元102将目标医疗影像输入医疗预测模型中，得到预测结果；生成单元103将预测结果确定为目标医疗影像的诊断结果，并根据诊断结果生成诊断信息，将诊断信息发送至用户端，其中，诊断结果表征目标用户的健康状况，诊断信息用于指导临床诊断。解决了相关技术中由于医学影像的样本数量较少，导致训练得到的神经网络模型预测准确性较低的技术问题，通过接收用户临床诊断需求，并根据临床诊断需求在模型库中获取到与临床诊断需求相关联的医疗预测模型进行预测，其中，与临床诊断需求相关联的医疗预测模型由临床诊断需求关联的影像组学特征和历史医疗影像作为样本训练得到，从而可以在通过医疗预测模型进行诊断的时候，医疗预测模型可以从输入的目标医疗影像中获取到与该诊断需求相关的影像组学特征，并根据影像组学特征对目标医疗影像中的内容进行分析预测，得到预测结果，并根据预测结果生成诊断信息，进而达到了在小样本训练的情况下，仍能保证医疗预测模型的预测准确率，进而提高生成的诊断信息的准确率的效果。
可选地，在本申请实施例提供的医疗影像的处理装置中，医疗预测模型通过以下单元训练得到：第一获取单元，用于获取多个历史医疗影像，以及每个历史医疗影像的诊断结果；第一训练单元，用于将多个历史医疗影像以及每个历史医疗影像的诊断结果作为第一样本数据，并通过第一样本数据对初始神经网络模型进行训练，得到医疗预测模型，其中，医疗预测模型中包括第一浅层特征提取子模块、第二浅层特征提取子模块、深层特征提取模块和输出模块，第一浅层特征提取子模块由历史医疗影像的影像组学特征作为样本数据训练得到。
具体的，图2是根据本申请实施例提供的初始神经网络模型的示意图，如图2所示，初始神经网络模型中包括浅层特征提取模块、深层特征提取模块和输出模块，其中，由于神经网络的浅层特征提取模块的感受野较小，提取的特征通常是一些细粒度的细节信息，例如图像局部的颜色、纹理、边缘、棱角等，并且随着网络层数的增加，深层特征提取模块感受野逐渐增大，会将浅层的细节信息进行融合、具象化，并将其转化成更加抽象的语义信息，例如图像所属的类别等，因此，神经网络的浅层特征与影像组学特征具有较高的相似度，即纹理、边缘、形状等信息，因此，在对模型进行训练的时候，可以将浅层特征提取模块分为第一浅层特征提取子模块、第二浅层特征提取子模块，也即图2中的模块1和模块2，并分别使用不同的训练样本进行训练。
进一步的，在对模型进行训练的时候，可以通过历史医疗影像的影像组学特征对第一浅层特征提取子模块进行训练，使得第一浅层特征提取子模块可以在对医疗影像进行特征提取的时候，能够提取到影像组学特征，第二浅层特征提取子模块正常对医疗影像进行特征提取，从而使得第一浅层特征提取子模块和第二浅层特征提取子模块提取到不同特征，从而在对模型进行训练的时候，保证影像组学特征的参与量，引导神经网络的浅层特征提取模块学习对应的影像组学特征，影像组学特征再与其他的神经网络特征融合，一同输入到下一个神经网络特征提取模块。此方法可以有效地将影像组学信息传递给神经网络，对比于常规的只在输出端将最终的分类信息传给神经网络的方法，能够提供更多的有效信息，大大降低了神经网络训练对样本量的需求，加速了网络的拟合。
可选地，在本申请实施例提供的医疗影像的处理装置中，第一浅层特征提取子模块用于提取历史医疗影像的目标影像组学特征，得到第一输出值，第二浅层特征提取子模块用于提取历史医疗影像的目标特征，得到第二输出值，将第一输出值与第二输出值按照通道维度进行拼接，作为深层特征提取模块的输入值，其中，所述目标影像组学特征包含于所述目标特征中。
具体的，在医疗预测模型中，第一浅层特征提取子模块对影像组学特征进行提取得到的第一输出值，也即模型中的中间量，和第二浅层特征提取子模块对常规特征进行提取，得到的第二输出值，将第一输出值和第二输出值均作为模型的中间量输入到下一个神经网络特征提取模块，从而保证特征提取模块提取到的信息中包含有影像组学特征，从而降低了小样本训练的不准确性。
如图2所示，将影像组学特征对应的特征提取模块（图2中的模块2）输出定义为fradiomics，将其平行的浅层特征提取模块（图2中的模块1）输出定义为f1，fradiomics的特征维度是CradiomicsDHW，f1的特征维度是C1DHW（其中C表示通道数，D、H、W分别表示深度、高度、宽度），我们通过通道维度的拼接将f1与fradiomics结合起来，作为下一层的输入特征，拼接后的特征维度是(C1+Cradiomics)DHW。
需要说明的是，第一浅层特征提取子模块用于提取筛选后的目标影像组学特征，第二浅层特征提取子模块用户提取全部特征，其中，全部特征中包括目标影像组学特征，第一浅层特征提取子模块的作用为在第二浅层特征提取子模块不能很好的获取到目标影像组学特征的情况下，进行目标影像组学特征的提取，从而使得后续对影像进行分析的结果更加准确。
可选地，在本申请实施例提供的医疗影像的处理装置中，第一浅层特征提取子模块通过以下单元训练得到：第二获取单元，用于获取M个历史医疗影像，并计算每个历史医疗影像的影像组学特征，得到M个影像组学特征集合；筛选单元，用于通过预设筛选条件依次对每个影像组学特征集合中的影像组学特征进行特征筛选，得到M个筛选后的目标影像组学特征集合，其中，M个筛选后的目标影像组学特征集合中的目标影像组学特征为符合预设筛选条件的特征；第二训练单元，用于将M个历史医疗影像以及每个历史医疗影像的筛选后的目标影像组学特征集合确定为第二样本数据，并使用第二样本数据对初始浅层特征提取子模块进行训练，得到第一浅层特征提取子模块。
具体的，为了使第一浅层特征提取子模块能够准确的在影像中提取到影像组学特征，需要先对初始浅层特征提取子模块进行训练，得到第一浅层特征提取子模块，在对初始浅层特征提取子模块进行训练的时候，需要获取M个历史医疗影像，并使用常规计算方法计算每个历史医疗影像的影像组学特征，得到M个影像组学特征集合，其中，由于每个影像组学特征集合中包括上千个影像组学特征，因此，需要通过预设筛选条件依次对每个影像组学特征集合中的影像组学特征进行特征筛选，得到M个筛选后的目标影像组学特征集合，其中，每个筛选后的目标影像组学特征集合中包括多个通过筛选的影像组学特征，从而选取影像组学特征集合中对于预测结果的影响度较大的影像组学特征，进而可以使用多个历史医疗影像，以及每个历史医疗影像对应的筛选后的影像组学特征作为训练样本训练得到能够识别筛选后的影像组学特征的第一浅层特征提取子模块。
可选地，在本申请实施例提供的医疗影像的处理装置中，第二训练单元包括：第二获取模块，用于从第二样本数据中获取作为训练集的历史医疗影像，并将历史医疗影像输入初始神经网络模型中，获取初始浅层特征提取子模块的第三输出值；第一计算模块，用于将第三输出值输入预设神经网络模型中，得到N个预测特征，并计算N个预测特征与历史医疗影像的筛选后的目标影像组学特征集合之间的误差，并根据误差确定初始浅层特征提取子模块的训练结果。
具体的，在使用第二样本数据对初始浅层特征提取子模块进行训练的时候，首先需要在初始浅层特征提取子模块之后接入一个预设神经网络模型，图3是根据本申请实施例提供的另一种可选的神经网络模型的示意图，如图3所示，将样本数据中的历史影像输入模型中，并将初始浅层特征提取子模块的输出结果输入预设神经网络模型中，得到预测特征，并将预测特征与真实的特征进行对比，从而根据对比结果确定初始浅层特征提取子模块的训练结果。
例如，如图3所示，在影像组学输出部分，将初始浅层特征提取子模块的输出值fradiomics的特征输入前向预设神经网络模型，通过前向预设神经网络输出n个值，这个过程定义为ypred=fc(fradiomics)，其中fc( )表示前向神经网络，ypred表示网络预测的n个影像组学特征值。我们再用ylabel表示真实的n个影像组学特征值，也即样本数据中该历史影像对应的筛选后的目标影像组学特征集合，并通过平均绝对误差（MAE，Mean Absolute Error）损失函数最小化模型计算预测值ypred与真实特征值ylabel的差异，根据计算出的误差值确定初始浅层特征提取子模块的特征提取准确度，并使用特征提取准确度确定训练效果，达到了用影像组学特征引导神经网络的浅层特征提取器训练的目的。其中MAE的公式如公式1所示，其中，i为n个影像组学特征值中的第i个值：
（1）
可选地，在本申请实施例提供的医疗影像的处理装置中，第一计算模块包括：第一训练子模块，用于在误差小于等于预设值的情况下，完成第一浅层特征提取子模块的训练；判断子模块，用于在误差大于预设值的情况下，确定初始浅层特征提取子模块的训练次数，并判断训练次数是否大于预设次数；调整子模块，用于在训练次数小于等于预设次数的情况下，调整初始浅层特征提取子模块中的模型参数，并继续执行使用第二样本数据对初始浅层特征提取子模块进行训练，得到第一浅层特征提取子模块的步骤；第二训练子模块，用于在训练次数大于预设次数的情况下，完成第一浅层特征提取子模块的训练。
具体的，在确定第一浅层特征提取子模块是否完成训练的时候，首先需要根据计算得到的误差值，也即平均绝对误差（MAE）损失函数最小化模型计算得到的误差值确定模块是否完成训练，在误差小于等于预设值的情况下，表征完成第一浅层特征提取子模块的训练，在误差大于预设值的情况下，由于在对第一浅层特征提取子模块进行训练的时候，同时也对医疗预测模型进行训练，而随着训练次数的增多，医疗预测模型同样会自适应地根据输出端的分类信息持续调整参数，从而对各层级的特征提取器进行优化，因此第一浅层特征提取子模块影像组学特征的作用会逐渐降低。
因此，在初始浅层特征提取子模块的训练次数大于预设次数的情况下，完成对初始浅层特征提取子模块的训练，使得后期医疗预测模型可以更好地自适应调整参数，不再过度受到预设的影像组学特征的约束。
可选地，在本申请实施例提供的医疗影像的处理装置中，筛选单元包括：第二计算模块，用于对于任意影像组学特征集合，计算影像组学特征集合中的每个影像组学特征与预设特征之间的相关度，并根据相关度对影像组学特征集合进行筛选，得到第一影像组学特征集合；第三计算模块，用于通过递归特征消除算法和交叉验证算法计算第一影像组学特征集合中的每个影像组学特征的第一权值，并根据第一权值对第一影像组学特征集合进行筛选，得到第二影像组学特征集合；第四计算模块，用于通过预设决策树模型计算第二影像组学特征集合中的每个影像组学特征的第二权值，并根据第二权值对第二影像组学特征集合进行筛选，得到筛选后的目标影像组学特征集合。
具体的，为了能够筛选得到对于诊断结果的预测结果的影响度较大的影像组学特征，因此，需要采用多步筛选方法对大量的影像组学特征进行筛选，例如，筛选出影响度在前10%或前5%的特征，结合过滤法、包装法、嵌入法筛选出最有效的影像组学特征，从而可以将筛选后的影像组学特征作为样本数据对模型进行训练。
首先，可以通过过滤法筛选特性，例如mRMR算法（Max-Relevance and Min-Redundancy，最大相关-最小冗余算法）（也可以是其他算法），对1000+个影像组学特征进行筛选，选取与分类变量拥有最高相关度，同时互相关性最小的前10%个变量，得到第一次筛选后的剩余特征，例如由1000+的特征筛选得到100+的特征；
进一步的，可以通过包装法进一步筛选特性，例如RFECV算法（交叉验证递归特征消除算法）（也可以是其他算法），通过递归特征消除算法（RFE， Recursive FeatureElimination）和交叉验证（CV，Cross-Validation）来评估特征的重要性。首先，RFECV使用完整的100多个特征运行RFE算法，从中选择一个特征开始逐步移除最不重要的特征，直到剩下一个特征。在每个迭代中，使用交叉验证将模型训练在训练集上，并在验证集上评估模型性能。这样可以得到每个特征数量下的性能评分。接着，RFECV通过对每个特征数量的性能评分进行平均，找到在交叉验证中平均得分最高的特征子集，从而对影像组学特征进行进一步筛选，例如由1000+的特征筛选得到40+的特征。
最后，可以使用保留的40多个特征训练包括随机森林，XGBoost（可扩展的提升树）、LightGBM（）算法在内的模型，此类算法基于集成学习和决策树的原理，评估特征在模型中的贡献程度，从而确定这40多个特征的重要性权重。
采用十折交叉验证的方法，重复以上三个筛选步骤，每一折交叉验证都会得到三个模型对于不同特征重要性的权重。结合统计三个模型十折交叉验证的结果，会得到大于40个特征（每折交叉验证筛选出的子集不一样，这里得到的是交集的数目）以及各特征重要性进行排序，根据需要保留最重要的n个特征。变量n的值按需要确定，可以是16、32、48等等，从而完成对影像组学特征的筛选操作。
可选地，在本申请实施例提供的医疗影像的处理装置中，生成单元包括：第一组合模块，用于在诊断结果表征目标用户需要治疗的情况下，从数据库中获取与诊断结果相关的医疗信息，将医疗信息与诊断结果组合为诊断信息，并将诊断信息发送至用户端；第二组合模块，用于在诊断结果表征目标用户不需要治疗的情况下，将诊断结果和提示信息组合为诊断信息，并将诊断信息发送至用户端，其中，提示信息表征目标用户不需要治疗。
具体的，在医疗预测模型输出的诊断结果为需要治疗的情况下，例如，A影像中的肿瘤为恶性肿瘤，需要使用特定的治疗方案进行治疗，此时，可以根据影像从数据库或知识库中获取相关的诊断信息，例如需要后续进行的治疗内容，推荐医院等信息，从而帮助用户进一步了解诊断结果，同时可以为后续治疗提供医学领域的帮助。
在诊断结果为无需进行治疗的情况下，可以直接将诊断信息发送至用户端，从而告知用户诊断结果并且告知用户无需进行治疗，保证用户可以获取到诊断结果的同时，可以根据诊断结果进行进一步的诊断操作，从而提高用户的诊断体验和诊断效果。
实施例2
根据本申请实施例的另一方面，还提供了一种计算机可读存储介质，计算机可读存储介质中存储有计算机程序，其中，在计算机程序运行时控制计算机可读存储介质所在设备控制上述实施例1中的放疗计划的检测装置。
实施例3
根据本申请实施例的另一方面，还提供了一种电子设备，电子设备包括一个或多个处理器和存储器，存储器用于存储一个或多个程序，其中，当一个或多个程序被一个或多个处理器执行时，使得一个或多个处理器控制上述实施例1中的放疗计划的检测装置。
上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
在本申请的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可为个人计算机、服务器或者网络设备等）执行本申请各个实施例的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上仅是本申请的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。
Claims (8)
1.一种医疗影像的处理装置，其特征在于，包括：
接收单元，用于接收目标用户通过用户端发送的目标医疗影像以及临床诊断需求，并从模型库中获取用于处理所述临床诊断需求对应的医疗预测模型，其中，所述医疗预测模型通过目标样本数据训练得到，所述目标样本数据由所述临床诊断需求关联的影像组学特征和历史医疗影像组成，所述模型库中包括多个预测模型，所述医疗预测模型中包括第一浅层特征提取子模块、第二浅层特征提取子模块、深层特征提取模块和输出模块，所述第一浅层特征提取子模块由M个历史医疗影像以及每个历史医疗影像的筛选后的目标影像组学特征集合训练得到，在对第一浅层特征提取子模块进行训练的时候，同时也对医疗预测模型进行训练；
筛选单元，用于通过预设筛选条件依次对每个影像组学特征集合中的影像组学特征进行特征筛选，得到M个筛选后的目标影像组学特征集合，其中，所述M个筛选后的目标影像组学特征集合中的目标影像组学特征为符合所述预设筛选条件的特征，每个影像组学特征集合通过计算每个历史医疗影像的影像组学特征得到；
所述筛选单元包括：第二计算模块，用于对于任意影像组学特征集合，计算所述影像组学特征集合中的每个影像组学特征与预设特征之间的相关度，并根据所述相关度对所述影像组学特征集合进行筛选，得到第一影像组学特征集合；第三计算模块，用于通过递归特征消除算法和交叉验证算法计算所述第一影像组学特征集合中的每个影像组学特征的第一权值，并根据所述第一权值对所述第一影像组学特征集合进行筛选，得到第二影像组学特征集合；第四计算模块，用于通过预设决策树模型计算所述第二影像组学特征集合中的每个影像组学特征的第二权值，并根据所述第二权值对所述第二影像组学特征集合进行筛选，得到所述筛选后的目标影像组学特征集合；
所述第一浅层特征提取子模块用于提取所述历史医疗影像的目标影像组学特征，得到第一输出值，所述第二浅层特征提取子模块用于提取所述历史医疗影像的目标特征，得到第二输出值，将所述第一输出值与所述第二输出值按照通道维度进行拼接，作为所述深层特征提取模块的输入值，其中，所述目标影像组学特征包含于所述目标特征中；
预测单元，用于将所述目标医疗影像输入所述医疗预测模型中，得到预测结果；
生成单元，用于将所述预测结果确定为所述目标医疗影像的诊断结果，并根据所述诊断结果生成诊断信息，将所述诊断信息发送至所述用户端，其中，所述诊断结果表征所述目标用户的健康状况，所述诊断信息用于指导临床诊断。
2.根据权利要求1所述的装置，其特征在于，所述医疗预测模型通过以下单元训练得到：
第一获取单元，用于获取多个历史医疗影像，以及每个历史医疗影像的诊断结果；
第一训练单元，用于将所述多个历史医疗影像以及每个历史医疗影像的诊断结果作为第一样本数据，并通过所述第一样本数据对初始神经网络模型进行训练，得到所述医疗预测模型，其中，所述医疗预测模型中包括第一浅层特征提取子模块、第二浅层特征提取子模块、深层特征提取模块和输出模块，所述第一浅层特征提取子模块由所述历史医疗影像的影像组学特征作为样本数据训练得到。
3.根据权利要求2所述的装置，其特征在于，所述第一浅层特征提取子模块通过以下单元训练得到：
第二获取单元，用于获取M个历史医疗影像，并计算每个历史医疗影像的影像组学特征，得到M个影像组学特征集合；
第二训练单元，用于将所述M个历史医疗影像以及每个历史医疗影像的筛选后的目标影像组学特征集合确定为第二样本数据，并使用所述第二样本数据对初始浅层特征提取子模块进行训练，得到所述第一浅层特征提取子模块。
4.根据权利要求3所述的装置，其特征在于，所述第二训练单元包括：
第二获取模块，用于从所述第二样本数据中获取作为训练集的历史医疗影像，并将所述历史医疗影像输入所述初始神经网络模型中，获取所述初始浅层特征提取子模块的第三输出值；
第一计算模块，用于将所述第三输出值输入预设神经网络模型中，得到N个预测特征，并计算所述N个预测特征与所述历史医疗影像的筛选后的目标影像组学特征集合之间的误差，并根据所述误差确定所述初始浅层特征提取子模块的训练结果。
5.根据权利要求4所述的装置，其特征在于，所述第一计算模块包括：
第一训练子模块，用于在所述误差小于等于预设值的情况下，完成所述第一浅层特征提取子模块的训练；
判断子模块，用于在所述误差大于所述预设值的情况下，确定所述初始浅层特征提取子模块的训练次数，并判断所述训练次数是否大于预设次数；
调整子模块，用于在所述训练次数小于等于所述预设次数的情况下，调整所述初始浅层特征提取子模块中的模型参数，并继续执行所述使用所述第二样本数据对初始浅层特征提取子模块进行训练，得到所述第一浅层特征提取子模块的步骤；
第二训练子模块，用于在所述训练次数大于所述预设次数的情况下，完成所述第一浅层特征提取子模块的训练。
6.根据权利要求1所述的装置，其特征在于，所述生成单元包括：
第一组合模块，用于在所述诊断结果表征所述目标用户需要治疗的情况下，从数据库中获取与所述诊断结果相关的医疗信息，将所述医疗信息与所述诊断结果组合为所述诊断信息，并将所述诊断信息发送至所述用户端；
第二组合模块，用于在所述诊断结果表征所述目标用户不需要治疗的情况下，将所述诊断结果和提示信息组合为所述诊断信息，并将所述诊断信息发送至所述用户端，其中，所述提示信息表征所述目标用户不需要治疗。
7.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备控制权利要求1至6中任意一项所述的医疗影像的处理装置。
8.一种电子设备，其特征在于，包括一个或多个处理器和存储器，所述存储器用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器控制权利要求1至6中任意一项所述的医疗影像的处理装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311454360.4A CN117174257B (zh) | 2023-11-03 | 2023-11-03 | 医疗影像的处理装置、电子设备及计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311454360.4A CN117174257B (zh) | 2023-11-03 | 2023-11-03 | 医疗影像的处理装置、电子设备及计算机可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117174257A CN117174257A (zh) | 2023-12-05 |
| CN117174257B true CN117174257B (zh) | 2024-02-27 |
Family
ID=88939826
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311454360.4A Active CN117174257B (zh) | 2023-11-03 | 2023-11-03 | 医疗影像的处理装置、电子设备及计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117174257B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117672499A (zh) * | 2023-12-08 | 2024-03-08 | 广州方舟信息科技有限公司 | 基于影像数据的诊疗方法、装置、电子设备和存储介质 |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106156793A (zh) * | 2016-06-27 | 2016-11-23 | 西北工业大学 | 结合深层特征提取和浅层特征提取的医学图像分类方法 |
| CN106372390A (zh) * | 2016-08-25 | 2017-02-01 | 姹ゅ钩 | 一种基于深度卷积神经网络的预防肺癌自助健康云服务系统 |
| KR101977067B1 (ko) * | 2018-08-24 | 2019-05-10 | 주식회사 뷰노 | 심층 신경망 기반 특징 추출을 통하여 진단 맵을 재구축하는 방법 및 이를 이용한 장치 |
| CN111709946A (zh) * | 2020-07-27 | 2020-09-25 | 南方医科大学南方医院 | 一种影像数据分析方法、装置、终端设备及存储介质 |
| CN111915596A (zh) * | 2020-08-07 | 2020-11-10 | 杭州深睿博联科技有限公司 | 一种肺结节良恶性预测方法及装置 |
| CN112633404A (zh) * | 2020-12-30 | 2021-04-09 | 复旦大学 | 基于DenseNet的COVID-19患者的CT影像分类方法及装置 |
| WO2021114636A1 (zh) * | 2020-05-29 | 2021-06-17 | 平安科技（深圳）有限公司 | 基于多模态数据的病灶分类方法、装置、设备及存储介质 |
| CN114373095A (zh) * | 2021-12-09 | 2022-04-19 | 山东师范大学 | 基于影像信息的阿尔茨海默病分类系统及方法 |
| CN114549469A (zh) * | 2022-02-21 | 2022-05-27 | 中国石油大学(华东) | 一种基于置信度校准的深层神经网络医疗图像诊断方法 |
| CN114723723A (zh) * | 2022-04-18 | 2022-07-08 | 上海联影智能医疗科技有限公司 | 医学影像处理方法、计算机设备和存储介质 |
| WO2022203660A1 (en) * | 2021-03-24 | 2022-09-29 | Taipei Medical University | Method and system for diagnosing nodules in mammals with radiomics features and semantic imaging descriptive features |
| CN115375684A (zh) * | 2022-10-24 | 2022-11-22 | 南京邮电大学 | 一种基于机器学习的肺结核图像辅助诊断系统 |
| KR20220164361A (ko) * | 2021-06-04 | 2022-12-13 | 에이치앤비지노믹스 주식회사 | Dxa 스캔 이미지 및 임상 공변량에 기초하여 학습된 딥러닝 모델을 이용한 골다공증 위험도 예측 방법 및 장치 |
| CN116542937A (zh) * | 2023-05-09 | 2023-08-04 | 南京工业大学 | 一种基于临床医学、深度学习神经网络和影像组学判别肺部肿瘤浸润性的方法 |
-
2023
- 2023-11-03 CN CN202311454360.4A patent/CN117174257B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106156793A (zh) * | 2016-06-27 | 2016-11-23 | 西北工业大学 | 结合深层特征提取和浅层特征提取的医学图像分类方法 |
| CN106372390A (zh) * | 2016-08-25 | 2017-02-01 | 姹ゅ钩 | 一种基于深度卷积神经网络的预防肺癌自助健康云服务系统 |
| KR101977067B1 (ko) * | 2018-08-24 | 2019-05-10 | 주식회사 뷰노 | 심층 신경망 기반 특징 추출을 통하여 진단 맵을 재구축하는 방법 및 이를 이용한 장치 |
| WO2021114636A1 (zh) * | 2020-05-29 | 2021-06-17 | 平安科技（深圳）有限公司 | 基于多模态数据的病灶分类方法、装置、设备及存储介质 |
| CN111709946A (zh) * | 2020-07-27 | 2020-09-25 | 南方医科大学南方医院 | 一种影像数据分析方法、装置、终端设备及存储介质 |
| CN111915596A (zh) * | 2020-08-07 | 2020-11-10 | 杭州深睿博联科技有限公司 | 一种肺结节良恶性预测方法及装置 |
| CN112633404A (zh) * | 2020-12-30 | 2021-04-09 | 复旦大学 | 基于DenseNet的COVID-19患者的CT影像分类方法及装置 |
| WO2022203660A1 (en) * | 2021-03-24 | 2022-09-29 | Taipei Medical University | Method and system for diagnosing nodules in mammals with radiomics features and semantic imaging descriptive features |
| KR20220164361A (ko) * | 2021-06-04 | 2022-12-13 | 에이치앤비지노믹스 주식회사 | Dxa 스캔 이미지 및 임상 공변량에 기초하여 학습된 딥러닝 모델을 이용한 골다공증 위험도 예측 방법 및 장치 |
| CN114373095A (zh) * | 2021-12-09 | 2022-04-19 | 山东师范大学 | 基于影像信息的阿尔茨海默病分类系统及方法 |
| CN114549469A (zh) * | 2022-02-21 | 2022-05-27 | 中国石油大学(华东) | 一种基于置信度校准的深层神经网络医疗图像诊断方法 |
| CN114723723A (zh) * | 2022-04-18 | 2022-07-08 | 上海联影智能医疗科技有限公司 | 医学影像处理方法、计算机设备和存储介质 |
| CN115375684A (zh) * | 2022-10-24 | 2022-11-22 | 南京邮电大学 | 一种基于机器学习的肺结核图像辅助诊断系统 |
| CN116542937A (zh) * | 2023-05-09 | 2023-08-04 | 南京工业大学 | 一种基于临床医学、深度学习神经网络和影像组学判别肺部肿瘤浸润性的方法 |
Non-Patent Citations (3)
| Title |
|---|
| 人工智能在肺部肿瘤影像诊断中的研究进展;李倩 等;《中国肿瘤临床》;第47卷(第2期);全文 * |
| 基于磁共振动态增强的影像组学及深度学习在肺癌脊柱转移鉴别诊断中的应用;陈永晔;张恩龙;张家慧;苏敏英;郎宁;袁慧书;;临床放射学杂志(第01期);全文 * |
| 改进卷积神经网络在腺癌病理图像分类中的应用;史文旭;江金洪;鲍胜利;;科学技术与工程(第35期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117174257A (zh) | 2023-12-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11922348B2 (en) | Generating final abnormality data for medical scans based on utilizing a set of sub-models | |
| US11631175B2 (en) | AI-based heat map generating system and methods for use therewith | |
| US12032658B2 (en) | Method and system for improving cancer detection using deep learning | |
| Chen et al. | Computer‐aided grading of gliomas combining automatic segmentation and radiomics | |
| CN109791804B (zh) | 对cad系统个性化以提供cad系统推荐的置信水平指示的方法和部件 | |
| JP7204007B2 (ja) | 画像データ中の病変部の境界の識別 | |
| CN117174257B (zh) | 医疗影像的处理装置、电子设备及计算机可读存储介质 | |
| US20210220670A1 (en) | Systems and Methods for Accelerated Online Adaptive Radiation Therapy | |
| US20240161035A1 (en) | Multi-model medical scan analysis system and methods for use therewith | |
| US20230112591A1 (en) | Machine learning based medical data checker | |
| CN116452851A (zh) | 病症分类模型的训练方法、装置、终端及可读存储介质 | |
| WO2022086332A1 (en) | Method of processing medical images by an analysis system for enabling radiomics signature analysis | |
| Wijerathna et al. | Brain Tumor Detection Using Image Processing | |
| Claudia | Computational methods to boost radiomics | |
| D'Amico | Computational methods to boost radiomics | |
| Dubljevic | Tensor Radiomics: Applications of Multi-Quantized Features to Oncologic PET/CT Images | |
| CN118380112A (zh) | 基于人工智能的肿瘤影像分析方法及系统 | |
| CN118352020A (zh) | 基于大数据和人工智能的药物推荐方法及系统 | |
| CN118229598A (zh) | 基于多模态深度学习的心衰核磁图像识别方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |