TWI723312B - 電腦輔助直腸癌治療反應預測系統、方法及電腦程式產品 - Google Patents
電腦輔助直腸癌治療反應預測系統、方法及電腦程式產品 Download PDFInfo
- Publication number
- TWI723312B TWI723312B TW107147715A TW107147715A TWI723312B TW I723312 B TWI723312 B TW I723312B TW 107147715 A TW107147715 A TW 107147715A TW 107147715 A TW107147715 A TW 107147715A TW I723312 B TWI723312 B TW I723312B
- Authority
- TW
- Taiwan
- Prior art keywords
- random forest
- forest model
- variable parameter
- decision tree
- feature
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- 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
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Epidemiology (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Image Analysis (AREA)
Abstract
一種電腦輔助直腸癌治療反應預測系統,用以預測直腸癌患者在治療後達成病理完成反應(pathological complete response,pCR)的機率,包括:具有至少一個二元決策樹模型的隨機森林模型。每個二元決策樹模型具有至少一特徵節點,每個特徵節點根據一特徵門檻值產生二分支,其中每個分支接續另一特徵節點或對應一初步pCR預測機率。該隨機森林模型整合每個二元決策樹模型所產生的該初步pCR預測機率,進而產生一最終pCR預測機率。
Description
本發明屬於電腦輔助預測技術領域,特別是直腸癌影像的電腦輔助治療反應預測技術領域。
手術前的前導性化療(Neoadjuvant Chemoradiotherapy,NCRT)是直腸癌患者的基本治療方式。每個患者對於NCRT的反應可能不同:依照統計,大約有15%至27%的患者可達到病理完全反應(Pathological complete response,pCR),約有54%至75%的患者僅達到部分病理反應(Partial response),而其餘患者則無病理反應。由於達到pCR對於患者的後續治療十分有利,但亦可能會造成患者身體之諸多不適,因此預測腫瘤對於NCRT的反應對於患者療程安排上有極大的效益。然而目前仍缺乏精準的預測技術來達到上述目的。
因此,目前仍需要一種電腦輔助預測技術,能夠預測直腸癌患者在進行NCRT後能達到pCR的機率。
本發明提出一種電腦輔助直腸癌治療反應預測技術,是以隨機森林技術為基礎,並配合大量直腸癌的影像組學來對隨機森林的二元決策樹模型訓練,當訓練完成後,隨機森林模型即可準確預測患者在治療後達到pCR的機率。
根據本發明的一觀點,茲提出一種電腦輔助直腸癌治療反應預測系統,用以預測直腸癌患者在治療後達成pCR的機率。該系統包含隨機森林模型。隨機森林模型包含至少一個二元決策樹模型。每個二元決策樹模型具有至少一特徵節點。特徵節點對應一特徵門檻值,並根據特徵門檻值而產生兩個分支,每個分支可接續一特徵節點或對應一初步pCR預測機率。其中,每個決策樹模型根據特徵節點來分析患者的直腸腫瘤影像的複數個影像組學特徵,進而產生患者的初步pCR預測機率,隨機森林模型整合每個二元決策樹模型所產生的初步pCR預測機率,進而產生最終pCR預測機率。
根據本發明的另一觀點,是提供一種電腦輔助直腸癌治療反應預測方法,用以預測一直腸癌患者在治療後達成pCR的機率,該方法是透過電腦輔助直腸癌治療反應預測系統來執行,其中電腦輔助直腸癌治療反應預測系統包含一隨機森林模型,且隨機森林模型包含至少一個二元決策樹模型,每個二元決策樹模型包含對應一特徵門檻值的特徵節點,每個特徵節點具有二分支,其中每個分支接續另一特徵節點或對應一初步pCR預測機率,該方法包含步驟:藉由二元決策樹模型,根據特徵節點來分析患者的直腸腫瘤影像的複數個影像組學特徵,進而產生患者的初步pCR預測機率;以及藉由該隨機森林模型整合每個二元決策樹模型所產生的初步pCR預測機率,進而產生最終pCR預測機率。
根據本發明又另一觀點,是提供一種電腦程式產品,儲存於一非暫態電腦可讀取媒體之中,用以使電腦輔助直腸癌治療反應預測系統進行運作,該電腦程式產品包含:一指令,使直腸癌電腦輔助直腸癌治療反應預測系統的隨機森林模型取得患者的直腸腫瘤影像的特徵,其中該隨機森林模型包含至少一二元決策樹模型,每個二元決策樹模型包含對應一特徵門檻值的至少一特徵節點,且每個特徵節點具有二分支,其中每個分支接續另一特徵節點或對應對應一初步pCR預測機率;一指令,使隨機森林模型的二元決策樹模型根據特徵節點來分析該等特徵,進而產生患者的初步pCR預測機率;以及一指令,使隨機森林模型整合每個二元決策樹模型所產生的初步pCR預測機率,進而產生一最終pCR預測機率。
1:直腸癌電腦輔助預測系統
12:影像取得模組
14:隨機森林模型
18:特徵取得模組
20:二元決策樹模型
22:特徵節點
23:分支
24:特徵門檻值
26:初步pCR預測機率
28:最終pCR預測機率
23:卷積神經網路模組
S31~S34:步驟
S41~S45:步驟
圖1(A)是本發明一實施例的電腦輔助直腸癌治療反應預測系統的系統架構圖;圖1(B)是本發明一實施例的隨機森林模型的二元決策樹模型的結構示意圖;圖2是本發明一實施例的隨機森林模型(已完成訓練)的架構示意圖;圖3是本發明一實施例的電腦輔助直腸癌治療反應預測方法的基本步驟流程圖;圖4是本發明一實施例的隨機森林模型的建立方法的步驟流程圖;圖5是本發明一實施例的候選隨機森林群組的預測能力的統計歸納示意圖;圖6是本發明一實施例的實驗數據示意圖。
以下說明書將提供本發明的多個實施例。可理解的是,這些實施例並非用以限制。本發明的各實施例的特徵可加以修飾、置換、組合、分離及設計以應用於其他實施例。
圖1(A)是本發明一實施例的電腦輔助直腸癌治療反應預測系統1的系統架構圖,圖1(B)是本發明一實施例的隨機森林模型14的二元決策樹模型20的結構示意圖,請同時參考圖1(A)及1(B)。如圖1(A)所示,電腦輔助直腸癌治療反應預測系統1包含一隨機森林模型14,而在一實施例中,電腦輔助直腸癌治療反應預測系統1更可包含一影像取得模組12。影像取得模組12用以取得來自外部的影像資料,亦即使用者(例如醫師)可透過影像取得模組12將影像資料輸入至電腦輔助直腸癌治療反應預測系統1中。此處所指的「影像資料」可以是一直腸癌患者的直腸腫瘤影像,例如直腸腫瘤的正電子發射計算機斷層掃描(PET/CT)影像,並且「影像資料」包含了複數個直腸腫瘤影像特徵,例如影像組學特徵(radiomics),在一實施例中,「影像資料」可以是指PET影像的代謝腫瘤體積(Metabolic Tumor Volume,MTV)範圍,但不限於此;為方便說明,後續段落皆以影像資料是PET影像的MTV範圍之範例來說明。如圖1(B)所示,隨機森林模型14包含了至少一個二元決策樹模型20,而每個二元決策樹模型20包含至少一特徵節點22。每個特徵節點22對應至少一特徵門檻值24,特徵節點22具有兩個分支23,其中每個分支23可接續另一特徵節點22或對應一初步pCR預測機率26,且至少一分支23可對應該初步pCR預測機率26。當影像取得模組12取得影像資料時,每個二元決策樹模型20將根據特徵節點22的特徵門檻值24來分析影像資料的影像組
學特徵,進而產生患者的初步pCR預測機率26。隨機森林模型14可整合每個二元決策樹模型20所產生的初步pCR預測機率26,進而產生一最終pCR預測機率28。此外,在一實施例中,電腦輔助直腸癌治療反應預測系統1可更包含一特徵取得模組18,用以從影像資料中取得影像組學特徵。藉此,電腦輔助直腸癌治療反應預測系統1可預測患者在接受治療(例如NCRT)後達到pCR的機率。
電腦輔助直腸癌治療反應預測系統1可以是一影像處理裝置,其可透過任何具有微處理器的裝置來實現,例如桌上型電腦、筆記型電腦、智慧型行動裝置、伺服器或雲端主機等類似裝置。在一實施例中,電腦輔助直腸癌治療反應預測系統1可具備網路通訊功能,以將資料透過網路進行傳輸,其中網路通訊可以是有線網路或無線網路,因此電腦輔助直腸癌治療反應預測系統1亦可透過網路來取得影像資料。在一實施例中,電腦輔助直腸癌治療反應預測系統1可由微處理器中執行一電腦程式產品30來實現其功能,其中電腦程式產品30可具有複數個指令,該等指令可使處理器執行特殊運作,進而使處理器實現如隨機森林模型14、二元決策樹模型20或特徵取得模組18的功能。在一實施例中,電腦程式產品30可儲存於一非暫態電腦可讀取媒體(例如記憶體)之中,但不限於此。在一實施例中,電腦程式產品30亦可預先儲存於網路伺服器中,以供使用者下載。
在一實施例中,影像取得模組12可以是用以取得外部資料的一實體連接埠,例如當電腦輔助直腸癌治療反應預測系統1是由電腦實現時,影像取得模組12可以是電腦上USB介面、各種傳輸線接頭等,但並非限定。此外,影像取得模組12亦可與無線通訊晶片整合,因此能以無線傳輸的方式接收資料。
本發明的隨機森林模型14是一種分析影像特徵的人工智慧模型,其是由二元決策樹模型20所組成。每個二元決策樹模型20可透過分析大量的影像資料來訓練,並從大量的影像資料中找出與達成pCR關聯度較高的影像組學特徵,並且根據該等影像組學特徵建立出該等特徵的分析路徑,意即二元決策樹模型20可經由訓練而決定特徵節點為何、特徵節點對應的特徵門檻值為何、特徵節點之間如何連接等。二元決策樹模型20可由程式碼來實現。在一實施例中,在訓練之前,二元決策樹模型20的初步模型(即未訓練的架構)可預先被建構出來,例如將基本參數設定好,而電腦輔助直腸癌治療反應預測系統1可透過電腦程式產品30中的指令使二元決策樹模型20進行訓練,進而建構出二元決策樹模型20的最終特徵路徑(即建構出特徵節點22的分支23、特徵門檻值24及初步pCR預測機率26等)。當多個二元決策樹模型20被訓練完成後,電腦輔助直腸癌治療反應預測系統1的處理器可透過電腦程式產品30中的指令將該等二元決策樹模型20整合為隨機森林模型14。需注意的是,為區分訓練前與訓練後的二元決策樹模型20,下文中對於未訓練的二元決策樹模型20將以「初步模型」來稱之。在一實施例中,初步模型可經歷一訓練階段來進行訓練,藉此建立出特徵路徑,並且可經歷一測試階段來測試特徵路徑的準確度。
圖2是本發明一實施例的隨機森林模型14(已完成訓練)的架構示意圖,請同時參考圖1(A)及1(B)。為了要準確預測NCRT後的pCR機率,本發明的隨機森林模型14的二元決策樹模型20的數量可視為「第一變數參數」,而每個二元決策樹模型20所具有的特徵節點22的數量可視為「第二變數參數」,藉由第一變數參數及第二變數參數的調整,可找出最適合的隨機森林模型14的基本架構。在一實施例中,第一變數參數的最佳值可視為一臨界值(定義為第一臨界
值),且第一臨界值定義為當二元決策樹模型20的數量在未超出第一臨界值時(例如小於或等於第一臨界值時),隨機森林模型14的預測能力將隨著二元決策樹模型20的數量的增加而提升,而當二元決策樹模型20的數量超過第一臨界值時(例如大於第一臨界值時),隨機森林模型14的預測能力將會趨緩。在一實施例中,第二變數參數的最佳值亦可視為一個臨界值(定義為第二臨界值),且第二臨界值定義為當特徵節點的數量未超出第二臨界值時(例如小於或等於第二臨界值時),隨機森林模型14的預測能力將隨著每個二元決策樹模型20的特徵節點數量的增加而提升,而當特徵節點數量超出第二臨界值時(例如大於第二臨界值),隨機森林模型14的預測能力將會下滑。換言之,當第一變數參數等於第一臨界值且第二變數參數等於第二臨界值時,隨機森林模型14將具備最佳可重現性的預測能力。在圖2的實施例中,每個二元決策樹模型20所具有的特徵節點22的數量是7個,而隨機森林模型14所具有的二元決策樹模型20的數量是6個,但本發明不限於此。
如圖2所示,隨機森林模型14由二元決策樹模型20-1~20-6所組成,其中每個二元決策樹模型20-1~20-6皆具有相同數量的特徵節點22,但特徵節點22的內容、特徵節點22的分支23的內容及每個特徵節點22所對應的特徵門檻值24可不相同。此外每個二元決策樹模型20-1~20-6的特徵路徑的架構亦可不同(亦即各特徵節點22之間的連接方式可不相同)。以下以二元決策樹模型20-1來進行其架構的細部說明,而其它二元決策樹模型的架構可由此推知。
在本實施例中,二元決策樹模型20-1具有7個特徵節點22,各自代表一個影像組學特徵,其中該等特徵節點22分別是ContrastG特徵(門檻值.006)、LRE特徵(門檻值1.346)、information measure of correlation 1特徵(門檻值-0.355)、LRE
特徵(門檻值1.275)、DiversityD4特徵(門檻值95.727)、DiversityD2特徵(門檻值58.5)及LGRE特徵(門檻值.143)。每個特徵節點22對應的特徵門檻值24則是該影像組學特徵的臨界值。每個特徵節點22各自具有二分支,其中每個分支的內容可以是對應初步pCR預測機率或接續另一個特徵節點22。
如圖2所示,以特徵節點為ContrastG特徵來舉例,其特徵門檻值為0.006,其分支分別是LPE特徵及information measure of correlation 1特徵,其中LPE特徵及information measure of correlation 1特徵是以ContrastG特徵的特徵門檻值來區分。在一實施例中,當一影像資料被輸入至二元決策樹模型20-1之中,二元決策樹模型20-1會分析該影像資料中的ContrastG特徵為“小於0.006”或“大於或等於0.006”,當該影像資料中的ContrastG特徵為“小於0.006”,則二元決策樹模型20-1會對影像資料進行第二特徵節點的特徵門檻值的分析,反之當該影像資料中的ContrastG特徵為“大於或等於0.006”,則二元決策樹模型20-1會對影像資料進行第三特徵節點的特徵門檻值的分析。依此類推,可知二元決策樹模型20-1的運作方式。
又如圖2所示,以特徵節點為DiversityD4特徵來舉例,其特徵門檻值為95.727,其分支分別是對應“pCR的預測機率為0.125”之輸出及“pCR的預測機率為0.14”之輸出,其中“pCR的預測機率為0.125”之結果對應至“小於特徵門檻值245”。在一實施例中,當二元決策樹模型20-1利用DiversityD4特徵的特徵門檻值分析該影像資料時,若影像資料中的DiversityD4特徵為“小於95.727”,則二元決策樹模型20-1會輸出“pCR的預測機率為0.125”之結果,即表示患者的pCR預測機率為12.5%;反之假如該影像資料中的DiversityD4特徵為“大於或等於
95.727”,則二元決策樹模型20-1會輸出“pCR的機率為0.14”之結果,即表示患者的pCR預測機率為14%。依此類推,可知二元決策樹模型20-1的運作方式。
由上述二範例,該領域技術人士可清楚了解二元決策樹模型20-1的運作細節,並且亦可依此類推至其它二元決策樹模型的運作方式。
由於PET影像的影像組學特徵數量龐大,為了要使隨機森林模型14能夠準確預測pCR的機率,且為避免二元決策樹模型20的訓練過於發散,預先將一些與達成pCR有關的影像組學特徵設定為候選特徵將可以提升系統1的運作效率。在一實施例中,多個影像組學特徵可被預先設定為候選特徵,並記錄於系統1的儲存區域(例如但不限定為記憶體)之中,而二元決策樹模型20在訓練時可自動從這些候選特徵中挑選出最適合的特徵作為特徵節點,藉此建立出特徵路徑。在一實施例中,對於一PET影像而言,共有68個影像組學特徵被設定為基本候選特徵。
此外,該等影像組學特徵的類型包含了從PET影像的MTV範圍中擷取出的複數個典型PET相關特徵、機率性特徵及紋理性特徵。以下將說明「PET相關特徵」、「機率性特徵」及「紋理性特徵」的細節。
關於PET相關特徵,在一實施例中,典型PET相關特徵可用於描述MTV中每個體積像素的SUV值或反映出MTV範圍的活性(activity)。在一實施例中,典型PET相關特徵可包含:SUVmax、Mean、Median、Variance、Std.Dev.、Skewness、Kurtosis、25th percentile、75th percentile、Peak、MTV、TLGmax、TLGmean、TLGpeak以及上述特徵之集合,且不限於此。
關於機率性特徵,在一實施例中,為了要計算出機率性特徵,MTV範圍中的每個體積像素的SUV值將被以寬度為0.001g/ml的固定級距(bin)來
進行離散化(Discretize),而離散化後的每個SUV值的出現機率將會被計算,並可用於推導出熵(entropy)、能量(energy)及/或多樣性(Diversity)。在一實施例中,機率性特徵可包含:Entropy、Energy、DiversityD2、DiversityD3及DiversityD4,且不限於此。
關於紋理性特徵,在一實施例中,為了要計算出紋理性特徵,MTV範圍中的每個體積像素的SUV值將被以固定20個級距數量來進行離散化。在一實施例中,紋理性特徵可包含4個主要紋理性特徵,分別為GLCM(Gray-level co-occurrence matrix)、NGLDM(Neighboring gray-level dependence matrix)、GLRLM(Gray-level run-length matrix)及GLSZM(Gray-level size zone matrix),該等主要紋理性特徵可用以描述MTV範圍中的SUV值的異質性(heterogeneity)。進一步地,在一實施例中,GLCM可包含:Autocorrelation、ContrastG、Correlation、Cluster prominence、Cluster shade、Dissimilarity、Energy、Entropy、Homogeneitym、Homogeneityp、Maximum probability、Sum of squares variance、Sum average、Sum variance、Sum entropy、Difference variance、Difference entropy、Information measure of correlation 1、Information measure of correlation 2、Inverse difference normalized及Inverse difference moment normalized等特徵,且不限於此。在一實施例中,NGLDM可包含:Coarseness、ContrastN、Busyness、Complexity及Strength等特徵,且不限於此。在一實施例中,GLRLM可包含:SRE(short-run emphasis)、LRE(long-run emphasis)、GLNUr(gray-level nonuniformity for run;)、RP(run percentage)、RLNU(run-length nonuniformity)、LGRE(low gray-level run emphasis;)、HGRE(high gray-level run emphasis)、SRLGE(short-run low gray-level emphasis)、SRHGE(short-run high gray-level emphasis)、LRLGE(long-run low gray-level emphasis)及LRHGE(long-run high gray-level emphasis)等特徵,且不限於此。在一實施例中,
GLSZM可包含:SZE(short-zone emphasis)、LZE(long-zone emphasis)、GLNUz(gray-level nonuniformity for zone)、ZP(zone percentage)、ZLNU(zone length nonuniformity)、LGZE(low gray-level zone emphasis)、HGZE(high gray-level zone emphasis)、SZLGE(short-zone low gray-level emphasis)、SZHGE(short-zone high gray-level emphasis)、LZLGE(long-zone low gray-level emphasis)及LZHGE(long-zone high gray-level emphasis)等特徵,且不限於此。
藉此,共68個影像組學特徵被設定為候選特徵,而每個二元決策樹模型20會從該等68個影像組學特徵中選取出特徵做為特徵節點。此外,在一實施例中,這些特徵亦可依照對於pCR的預測能力而進一步被篩選(將於後續段落中說明)。
接著將說明電腦輔助直腸癌治療反應預測系統1的基本運作方式。圖3是本發明一實施例的電腦輔助直腸癌治療反應預測方法的基本步驟流程圖,該方法是由圖1(A)及1(B)的電腦輔助直腸癌治療反應預測系統1執行,其中隨機森林模型14屬於已訓練完成的狀態。如圖3所示,首先步驟S31被執行,影像取得模組12取得一直腸癌患者的一影像資料(直腸腫瘤影像)。之後,步驟S32被執行,隨機森林模型14取得影像資料,並開始分析該影像資料。之後,步驟S33被執行,每個二元決策樹模型20根據特徵節點22的特徵門檻值24來分析該影像資料的影像組學特徵,進而產生初步pCR預測機率26。之後,步驟S34被執行,隨機森林模型14整合每個二元決策樹模型20所產生的初步pCR預測機率26,進而產生該患者的最終pCR預測機率28。
關於步驟S31,在一實施例中,系統的使用者(例如醫師)可透過影像取得模組12將患者的影像資料輸入至電腦輔助直腸癌治療反應預測系統1中。在一實施例中,「影像資料」是指患者在攝取示蹤劑(例如18F-FDG)後,患
者的直腸腫瘤對示蹤劑呈現異常代謝反應的PET影像的MTV範圍,其中,影像資料可具有複數個體積像素(voxel),且每個體積像素的像素值是指葡萄糖的標準代謝值(Standardized uptake value,以下簡稱SUV值)。在一實施例中,影像資料可包含68個影像組學特徵,其中包含了複數個典型PET相關特徵、機率性特徵及紋理性特徵,但不限於此。在一實施例中,影像資料的該等影像組學特徵可以在步驟S32或S33執行時,由二元決策樹模型20自行找出;但在另一實施例中,該等68個影像組學特徵亦可透過其它方式在不同時點取得,例如可透過特徵取得模組18以例如邊緣偵測等方法來取得,其中特徵取得模組18的運作可以透過系統1的處理器執行電腦程式產品30而實現。
關於步驟S32至步驟S33,如同前述段落的記載,每個二元決策樹模型20皆會對該患者的影像資料(直腸腫瘤影像的影像組學特徵)進行分析,並透過特徵路徑找出最終的分支及分支所對應的初步pCR預測機率,藉此各自產生該患者的多個初步pCR預測機率26。
關於步驟S34,在一實施例中,隨機森林模型14所進行的「整合」是指將每個初步pCR預測機率26加總,再將加總結果除以二元決策樹模型20的數量;換言之,隨機森林模型14所產生的一個最終pCR預測機率28是該等初步pCR預測機率26的平均值。在另一實施例中,本發明亦可採用其它的方式來產生最終pCR預測機率28。
由此可知,當隨機森林模型14建立完成後,只要將患者的直腸腫瘤的PET影像輸入至直腸癌電腦輔助預測系統1中,隨機森林模型14即可計算出該患者的pCR預測機率。藉此,可使得患者的醫療品質大幅提升。
此外,為了使隨機森林模型14能夠執行步驟S31至S34,隨機森林模型14必須先透過二元決策樹模型20的訓練來建立。以下將詳細說明隨機森林模型14的建立過程。
圖4是本發明一實施例的隨機森林模型14的建立方法的步驟流程圖,其中該等步驟可由電腦輔助直腸癌治療反應預測系統1的處理器執行電腦程式產品20中的指令而實現,並請同時參考圖1(A)至圖4。首先,步驟S41被執行,電腦輔助直腸癌治療反應預測系統1取得複數個樣本影像資料,並從每個樣本影像資料中擷取出特定數量的影像組學特徵。之後,步驟S42被執行,電腦輔助直腸癌治療反應預測系統1設定決策樹模型二元決策樹模型20的特徵節點的選擇規則。之後,步驟S43被執行,電腦輔助直腸癌治療反應預測系統1根據不同的一第一變數參數及一第二變數參數而建立出複數個候選隨機森林模型群組。之後,步驟S44被執行,電腦輔助直腸癌治療反應預測系統1依照一預測條件來決定該第一變數參數及該第二變數參數的最佳值。之後,步驟S45被執行,電腦輔助直腸癌治療反應預測系統1對具有該第一變數參數及該第二變數參數的最佳值的候選隨機森林模型群組中的所有隨機森林模型進行評估,並找出具有最佳預測效果的隨機森林模型。
關於步驟S41,此步驟是藉由系統1的處理器來找出每個樣本影像資料中的預設68個候選特徵(關於“候選特徵的預設”則可於此步驟前先預設於系統1中),此處「樣本影像資料」是指多個直腸癌患者的直腸腫瘤的PET影像的資料,例如MTV範圍,且這些直腸癌患者在NCRT後的pCR結果亦會被系統1得知。在一實施例中,樣本影像資料的數量是設定為169個,亦即共有169個患者的PET影像的MTV範圍會被輸入至直腸癌電腦輔助預測系統1之中,但並非限定。
在一實施例中,當樣本影像資料被取得後,直腸癌電腦輔助預測系統1的處理器會從每個樣本影像資料中找出預設好的68個影像組學特徵,其中直腸癌電腦輔助預測系統1的處理器可使用各種方式來找出該等影像組學特徵,例如邊緣偵測(edge detector)、直方圖偏差(histogram deviation)、紋理分割平均距離(texture segment average distance)及灰階共生矩陣(gray-level co-occurrence matrix,GLCM)等技術,且不限於此。在某些實施例中,此步驟亦改為在二元決策樹模型20建立特徵路徑時執行。
關於步驟S42,此步驟是藉由系統1的處理器來設定二元決策樹模型20的特徵節點的選擇規則。在一實施例中,「特徵節點的選擇」是設定為在每次進行選擇時,從候選特徵中隨機取出特定數量的特徵,並將隨機選取出的特徵中具有最佳分割純度的特徵設定為特徵節點。在一實施例中,「特定數量」是設定為“對候選特徵的總數的平方根,且無條件進位成正整數”,例如若候選特徵的總數為68(sqrt(68)=9),則每次進行選擇時,將隨機選取出9個特徵來進行選擇,但不限於此。
此外,在一實施例中,步驟S42執行之前可預先執行一篩選步驟,即系統1先對該等候選特徵進行篩選以縮小候選特徵的數量。在一實施例中,此步驟是處理器利用ROC曲線分析來評估每個候選特徵對於pCR的評估效果。在一實施例中,經由ROC曲線分析後,68個影像組學特徵中會有42個影像組學特徵能有效地依照pCR的結果來區分腫瘤之間的差異性,因此候選特徵節點的數量可從68個減少為42個,其中典型PET相關特徵、機率性特徵及紋理性特徵分別為2、5及35個;換言之,在此實施例中,每次進行特徵節點的選擇時,將隨機取出7個影像組學特徵(sqrt(42)=7)來進行選擇。上述記載僅是舉例,非本發明的限定。
關於步驟S43,此步驟是藉由系統1的處理器調整參數條件(第一變數參數及第二變數參數)而建立大量的隨機森林模型14,其中每個參數條件皆會產生相同數量的隨機森林模組14,且在下文中,每個參數條件所產生的多個隨機森林模組14是定義為「候選隨機森林模型群組」,每個候選隨機森林模型群組中的隨機森林模組14是定義為「候選隨機森林模型」。此外,為方便說明,以下將隨機森林模型14的參數條件定義為RF(x1,y1),其中x1是第一變數參數,y1是第二變數參數。
在一實施例中,第一變數參數是預設為1至10,第二變數參數亦預設為1至10,直腸癌電腦輔助預測系統1會在RF(1,1)至RF(10,10)的參數條件下,各自建立相同數量的候選隨機森林模型。在一實施例中,對於每個參數條件(RF(1,1)至RF(10,10))而言,皆有500個候選隨機森林模型被建立,亦即每個參數條件會對應500候選隨機森林模型。
在建構一個隨機森林模型14(即一個候選隨機森林模型)時,電腦輔助直腸癌治療反應預測系統1會根據該等參數條件而設定好二元決策樹模型20(初步模型)的數量以及特徵節點的數量。在一實施例中,當訓練一個二元決策樹模型20的初步模型時,電腦輔助直腸癌治療反應預測系統1皆會從樣本影像資料中隨機且可重複地進行N次資料取樣(每次取樣1個樣本影像資料),並將取樣的資料作為訓練用資料,其中N為所有樣本影像資料的數量,舉例來說,假如所有樣本影像資料的數量為169個(即169個腫瘤影像),則系統1會從169個樣本影像資料中隨機且可重複地取樣169次,因此訓練用資料最終會具有169個被取樣資料,並且被取樣資料之間可能會有重複資料。上述記載僅是舉例,非本發明的限定。
在建立一個二元決策樹模型20的特徵路徑時,對於每個特徵節點的建立而言,系統1皆會從候選特徵中隨機選取出複數特徵,之後再根據訓練用資料當下的狀態來決定特徵節點的實際特徵以及所對應的特徵門檻值,藉此建立出特徵路徑;舉例來說,當候選特徵節點的數量為42個,且二元決策樹模型20被設定為具有10個特徵節點時(以前述步驟S42的實施例來舉例,並假設有169筆訓練資料),在建立每個特徵節點時,系統1皆會從42個候選特徵中隨機選取出7個特徵(sqrt(42)=7),且在建立二元決策樹模型20的第一個特徵節點時,7個隨機選出的特徵會依序評估,以取得每個特徵將169筆訓練資料分割為兩個群組的最佳門檻值,再挑選7種分割結果中的最佳分割結果,並將最佳分割結果所對應的特徵以及門檻值設定為第一個特徵節點。之後,假設169筆資料被分為N1與N2兩組資料,則針對N1資料再隨機選取出7個特徵,依前述方式找出最佳分割結果來設定為第二特徵節點之候選,同樣也針對N2資料隨機選取出7個特徵,同樣找出最佳分割結果來設定為第二特徵節點之候選,之後再比較兩個第二特徵節點之候選的分割結果,並挑選具有較佳分割結果的特徵與門檻值做為第二個特徵節點。假設資料N1的分割結果為第二特徵節點,並且被分割為N3與N4兩組資料時,則在依照前述方式分別針對資料N3與資料N4在挑選出兩個第三特徵節點之候選,同時將先前N2所設定的第二特徵節點之候選重新設定為第三特徵節點之候選,之後在三個第三特徵節點之候選中挑選出具有最佳分割效果的節點做為第三個特徵節點;依此類推,直到10個特徵節點皆被挑選出來為止。
在一實施例中,在根據當下資料狀態評估每個特徵的可能門檻值、挑選最佳分割門檻值以及比較不同特徵的最佳分割結果時,使用的評估函數可以引用現有各種數學公式或是自行定義,例如使用熵函數(Entropy function)
進行評估時,Entropy=-Σ p(i)log 2 p(i),式中p(i)是各組資料中發生pCR與否的機率,舉例來說,假設有50筆資料,其中20筆發生pCR,則該組資料的Entropy=-(0.6 * log2 0.6+0.4 * log2 0.4)=0.97;當某一個特徵值根據某個門檻值將資料分成2組,一組資料有30筆並含有15筆pCR,則此組資料Entropy=-(0.5 * log2 0.5+0.5 * log2 0.5)=1,而另一組資料有20筆其中含有5筆pCR,則此組資料Entropy=-(0.75 * log2 0.75+0.25 * log2 0.25)=0.81,則採用這個特徵與門檻值設定時,可將其效益定義為0.97-0.6*1-0.4*0.81=0.046,上述記載僅是舉例,非本發明的限定。
需注意的是,對於每個候選隨機森林模型而言,每個二元決策樹模型20所使用的訓練用資料皆是隨機選取,因此可產生大量具備異質性的特徵路徑。
關於步驟S44,此步驟是藉由系統1的處理器利用統計歸納的方式來找出符合預設條件的候選隨機森林群組(統計歸納的過程可由處理器執行電腦程式產品30的指令而實現)。在一實施例中,系統1是使用所有樣本影像資料做為測試用資料。在一實施例中,系統1是透過接收端操作特性曲線(receiver operating characteristic curve,ROC)技術來分析每個候選隨機森林群組對於pCR的預測能力。圖5是本發明一實施例的候選隨機森林群組的預測能力的統計歸納示意圖,其中X軸(以number of decision splits標註)是表示二元決策樹模型中的特徵節點的數量,Y軸(以Average AUC標註)是表示平均ROC曲線下面積(Area Under the Curve of ROC,AUC)之值,亦即預測能力,此外圖5中不同粗細的線條是表示候選隨機森林模型群組所具備的二元決策樹模型的數量(以Number of trees標註)。如圖5所示,關於二元決策樹模型的數量,隨機森林模型群組的pCR預測能力起初是隨著二元決策樹模型的數量增加而快速提升,但當二元決策樹模型的數量超過第一
臨界值(例如數量為6)時,隨機森林模型群組的pCR預測能力將會趨於緩和。此外,關於特徵節點的數量,隨機森林模型群組的pCR預測能力起初是隨著二元決策樹模型的特徵節點的數量增加而提升,但當特徵節點的數量超過第二臨界值(例如數量為7)時,隨機森林模型群組的pCR預測能力反而開始下降。藉此,系統1可設定出第一變數參數及第二變數參數的最佳值(即FR(6,7))。
在一實施例中,假如系統1無法從候選隨機森林模型群組的預測能力找出符合預設條件的結果時(亦即從統計歸納結果中找不到預測能力下降或趨緩的趨勢),表示目前候選隨機森林模型群組的整體數量不足,因此系統1會擴大第一變數參數及第二變數參數的預設範圍,例如第一變數參數及第二變數參數的最大值可由10增加至15,但本發明不限於此。
關於步驟S45,此步驟是用以從具備最佳參數的隨機森林模型群組中找出最適合的一個隨機森林模型,並將該隨機森林模型作為實際使用的模型。在一實施例中,系統1是以正向預測值(positive predictive value)來進行篩選以從該隨機森林模型群組中找出最適合的隨機森林模型,但不限於此。
圖6是本發明一實施例的實驗數據示意圖,其是以ROC曲線來呈現本發明的隨機森林模型14與傳統二元邏輯回歸(Binary logistic regression)模型對於預估pCR機率的準確度,其Y軸(以Sensitivity標註)為敏感度,X軸(以100-Specificity標註)為特異度,其中兩者是以相同的資料進行測試。如圖6所示,本發明的隨機森林模型14的ROC曲線(以Rnadom forest標註)的AUC約為0.9以上,而傳統二元邏輯回歸模型的ROC曲線(以Binary logistic regression標註)的AUC約為0.683,由此可知,本發明的隨機森林模型14擁有比傳統的二元邏輯回歸模型更好的預測能力。
在一實施例中,本發明的電腦輔助預測系統1、方法及電腦程式產品至少可由論文「Prediction of a Pathological Complete Response in Patients with Rectal Cancer after Neoadjuvant Chemoradiotherapy through Construction of a Random Forest using Radiomics Derived from Baseline[18F]-Fluorodeoxyglucose Positron Emission Tomography-Computed Tomography」所記載之內容來實現,且不限於此。
藉此,本發明所使用的隨機森林模型可建立完成,換言之,只要將患者在接受NCRT前的直腸腫瘤的影像組學特徵輸入至隨機森林模型中,隨機森林模型即可自動預測出該患者在接受NCRT後的pCR預測機率。藉由深度學習訓練過的二元決策樹模型所構成的隨機森林模型,本發明的直腸癌電腦輔助預測系統可透精準地預測出患者的醫療效果,可輔助患者尋求最好的醫療方式。
儘管本發明已透過上述實施例來說明,可理解的是,根據本發明的精神及本發明所主張的申請專利範圍,許多修飾及變化都是可能的。
S31~S34:步驟
Claims (5)
- 一種電腦輔助直腸癌治療反應預測系統,用以分析一直腸癌腫瘤正子影像(PET),進而預測一直腸癌患者在治療後達成病理完全反應(pCR)的機率,包含:一微處理器,執行一電腦程式產品,以實現一隨機森林模型,其中該隨機森林模型包含至少一二元決策樹模型,其中每個二元決策樹模型具有:至少一特徵節點,對應一特徵門檻值,並具有二分支,其中每個分支接續另一特徵節點或對應一初步pCR預測機率;其中,每個二元決策樹模型根據該至少一特徵節點來分析該直腸腫瘤正子影像的複數個影像組學(radiomics)特徵,進而產生該患者的該初步pCR預測機率,該隨機森林模型整合每個二元決策樹模型所產生的該初步pCR預測機率,進而產生一最終pCR預測機率;其中該隨機森林模型的建立包含步驟:根據一第一變數參數及一第二變數參數而建立出複數個候選隨機森林模型群組,每個候選隨機森林模型群組包含複數個候選隨機森林模型,其中該第一變數參數是設定為隨機森林模型所具有二元決策樹模型的數量,該第二變數參數是設定為每個二元決策樹模型所包含的特徵節點的數量,且相同候選隨機森林模型群組中的該等候選隨機森林模型皆對應相同的該第一變數參數及該第二變數參數,不同的候選隨機森林模型群組對應不同的該第一變數參數或該第二變數參數;以及依照一第一預設條件來決定該第一變數參數的最佳值,以及依照一第二預設條件來決定該第二變數參數的最佳值,並將具備該等最佳值的該候選隨機森林模型群組設定為一最佳候選隨機森林模型群組,其中該第一預設條件是當該第一變數參數增加,但該候選隨機森林模型群組的預測能力的提升效果卻趨緩的情況發生時,該第二預設 條件是當該第二變數參數增加,但該候選隨機森林模型群組的預測能力卻下降的情況發生時;其中該等影像組學特徵包含複數個典型PET相關特徵、機率性特徵及紋理性特徵,其中該PET相關特徵包含:SUVmax、Mean、Median、Variance、Std.Dev.、Skewness、Kurtosis、25th percentile、75th percentile、Peak、MTV、TLGmax、TLGmean、TLGpeak以及上述特徵之集合,該機率性特徵包含Entropy、Energy、DiversityD2、DiversityD3及DiversityD4。
- 如請求項1所述的電腦輔助直腸癌治療反應預測系統,其中該隨機森林模型的建立方式更包含步驟:對該最佳候選隨機森林模型群組中的該等候選隨機森林模型進行一預測能力評估;以及將預測能力最好的其中一候選隨機森林模型設定為實際使用的該隨機森林模型。
- 一種電腦輔助直腸癌治療反應預測方法,用以分析一直腸癌腫瘤正子影像(PET),進而預測一直腸癌患者在治療後達成pCR的機率,該方法是透過一電腦輔助直腸癌治療反應預測系統來執行,其中該電腦輔助直腸癌治療反應預測系統包含一隨機森林模型,且該隨機森林模型包含至少一二元決策樹模型,每個二元決策樹模型包含對應一特徵門檻值的至少一特徵節點,每個特徵節點具有二分支,其中每個分支接續另一特徵節點或對應一初步pCR預測機率,該方法包含步驟:藉由每個二元決策樹模型,根據該至少一特徵節點來分析該直腸腫瘤正子影像的複數個影像組學特徵,進而產生該患者的該初步pCR預測機率;以及藉由該隨機森林模型,整合每個二元決策樹模型所產生的該初步pCR預測機率,進而產生一最終pCR預測機率; 其中該隨機森林模型的建立方式包含步驟:根據一第一變數參數及一第二變數參數而建立出複數個候選隨機森林模型群組,每個候選隨機森林模型群組包含複數個候選隨機森林模型,其中該第一變數參數是設定為隨機森林模型所具有二元決策樹模型的數量,該第二變數參數是設定為每個二元決策樹模型所包含的特徵節點的數量,且相同候選隨機森林模型群組中的該等候選隨機森林模型皆對應相同的該第一變數參數及該第二變數參數,不同的候選隨機森林模型群組對應不同的該第一變數參數或該第二變數參數;以及依照一第一預設條件來決定該第一變數參數的最佳值,以及依照一第二預設條件來決定該第二變數參數的最佳值,並將具備該等最佳值的該候選隨機森林模型群組設定為一最佳候選隨機森林模型群組,其中該第一預設條件是當該第一變數參數增加,但該候選隨機森林模型群組的預測能力的提升效果卻趨緩的情況發生時,該第二預設條件是當該第二變數參數增加,但該候選隨機森林模型群組的預測能力卻下降的情況發生時;其中該等影像組學特徵包含複數個典型PET相關特徵、機率性特徵及紋理性特徵,其中該PET相關特徵包含:SUVmax、Mean、Median、Variance、Std.Dev.、Skewness、Kurtosis、25th percentile、75th percentile、Peak、MTV、TLGmax、TLGmean、TLGpeak以及上述特徵之集合,該機率性特徵包含Entropy、Energy、DiversityD2、DiversitvD3及DiversityD4。
- 如請求項3所述的電腦輔助直腸癌治療反應預測方法,其中該隨機森林模型的建立更包含步驟:對該最佳候選隨機森林模型群組中的該等候選隨機森林模型進行一預測能力評估;以及將預測能力最好的其中一候選隨機森林模型設定為實際使用的該隨機森林模型。
- 一種電腦程式產品,儲存於一非暫態電腦可讀取媒體之中,用以使一電腦輔助直腸癌治療反應預測系統運作,其中該電腦輔助直腸癌治療反應預測系統是用以分析一直腸癌腫瘤正子影像(PET),進而預測一直腸癌患者在治療後達成病理完全反應(pCR)的機率,該電腦程式產品包含:一指令,使該直腸癌電腦輔助預測系統的一隨機森林模型取得該直腸腫瘤正子影像的複數個影像組學特徵,其中該隨機森林模型包含至少一二元決策樹模型,每個二元決策樹模型包含對應一特徵門檻值的至少一特徵節點,且每個特徵節點具有二分支,其中每個分支接續另一特徵節點或對應一初步pCR預測機率;以及一指令,使每個二元決策樹模型根據該至少一特徵節點來分析該等特徵,進而產生該患者的該初步pCR預測機率;以及一指令,使該隨機森林模型整合每個二元決策樹模型所產生的該初步pCR預測機率,進而產生一最終pCR預測機率;其中該隨機森林模型的建立方式包含步驟:根據一第一變數參數及一第二變數參數而建立出複數個候選隨機森林模型群組,每個候選隨機森林模型群組包含複數個候選隨機森林模型,其中該第一變數參數是設定為隨機森林模型所具有二元決策樹模型的數量,該第二變數參數是設定為每個二元決策樹模型所包含的特徵節點的數量,且相同候選隨機森林模型群組中的該等候選隨機森林模型皆對應相同的該第一變數參數及該第二變數參數,不同的候選隨機森林模型群組對應不同的該第一變數參數或該第二變數參數;以及依照一第一預設條件來決定該第一變數參數的最佳值,以及依照一第二預設條件來決定該第二變數參數的最佳值,並將具備該等最佳值的該候選隨機森林模型群組設定為一最佳候選隨機森林模型群組,其中該第一預設條件是當該第一變數參數增加,但該候選隨機森林模型群組的預測能力的提升效果卻趨緩的情況發生時,該第二 預設條件是當該第二變數參數增加,但該候選隨機森林模型群組的預測能力卻下降的情況發生時;其中該等影像組學特徵包含複數個典型PET相關特徵、機率性特徵及紋理性特徵,其中該PET相關特徵包含:SUVmax、Mean、Median、Variance、Std.Dev.、Skewness、Kurtosis、25th percentile、75th percentile、Peak、MTV、TLGmax、TLGmean、TLGpeak以及上述特徵之集合,該機率性特徵包含Entropy、Energy、DiversityD2、DiversityD3及DiversityD4。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW107147715A TWI723312B (zh) | 2018-12-28 | 2018-12-28 | 電腦輔助直腸癌治療反應預測系統、方法及電腦程式產品 |
US16/509,567 US11164676B2 (en) | 2018-12-28 | 2019-07-12 | Computer-aided recognition system for treatment response of rectal cancer, and computer program product |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW107147715A TWI723312B (zh) | 2018-12-28 | 2018-12-28 | 電腦輔助直腸癌治療反應預測系統、方法及電腦程式產品 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW202027093A TW202027093A (zh) | 2020-07-16 |
TWI723312B true TWI723312B (zh) | 2021-04-01 |
Family
ID=71124090
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW107147715A TWI723312B (zh) | 2018-12-28 | 2018-12-28 | 電腦輔助直腸癌治療反應預測系統、方法及電腦程式產品 |
Country Status (2)
Country | Link |
---|---|
US (1) | US11164676B2 (zh) |
TW (1) | TWI723312B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102524555B1 (ko) * | 2020-12-30 | 2023-04-20 | 계명대학교 산학협력단 | Pet 영상의 파라미터를 이용한 폐암 고위험군 예측 방법 및 분석장치 |
CN113782191B (zh) * | 2021-09-26 | 2023-01-13 | 萱闱(北京)生物科技有限公司 | 结直肠病变类型预测装置、模型构建方法、介质和设备 |
CN117373688B (zh) * | 2023-11-07 | 2024-06-04 | 爱奥乐医疗器械(深圳)有限公司 | 慢性病数据处理方法、装置、电子设备和存储介质 |
CN117766147B (zh) * | 2024-02-21 | 2024-04-26 | 四川省肿瘤医院 | 基于磁共振引导加速器的直肠癌患者治疗效果预测方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106868105A (zh) * | 2015-09-16 | 2017-06-20 | 应诺美鑫有限公司 | 化疗方案选择 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9378551B2 (en) * | 2013-01-03 | 2016-06-28 | Siemens Aktiengesellschaft | Method and system for lesion candidate detection |
DE102014207802B3 (de) * | 2014-04-25 | 2015-10-29 | Bayerische Motoren Werke Aktiengesellschaft | Verfahren und System zum proaktiven Erkennen einer Aktion eines Verkehrsteilnehmers |
AR110378A1 (es) * | 2016-12-15 | 2019-03-20 | Univ College Cork National Univ Of Ireland Cork | Métodos para determinar el estado del cáncer colorrectal en una persona |
US11357398B2 (en) * | 2017-01-31 | 2022-06-14 | Nidek Co., Ltd. | Image processing device and non-transitory computer-readable recording medium |
GB2569333A (en) * | 2017-12-13 | 2019-06-19 | Univ Oxford Innovation Ltd | Diagnostic modelling method and apparatus |
RU2668699C1 (ru) * | 2018-05-21 | 2018-10-02 | федеральное государственное автономное образовательное учреждение высшего образования "Санкт-Петербургский политехнический университет Петра Великого" (ФГАОУ ВО "СПбПУ") | Интеллектуальный способ диагностики и обнаружения новообразований в легких |
JP7175682B2 (ja) * | 2018-09-06 | 2022-11-21 | キヤノンメディカルシステムズ株式会社 | 診断支援装置、診断支援システム、診断支援方法、及び診断支援プログラム |
EP3637432B1 (en) * | 2018-09-21 | 2022-03-23 | Tata Consultancy Services Limited | System and method for non-apnea sleep arousal detection |
-
2018
- 2018-12-28 TW TW107147715A patent/TWI723312B/zh active
-
2019
- 2019-07-12 US US16/509,567 patent/US11164676B2/en active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106868105A (zh) * | 2015-09-16 | 2017-06-20 | 应诺美鑫有限公司 | 化疗方案选择 |
Non-Patent Citations (8)
Title |
---|
Liting Shi等人,Radiomics for Response and Outcome Assessment for Non-Small Cell Lung Cancer,Technology in Cancer Research & Treatment,Volume 17: 1-14,2018/05/16 * |
Liting Shi等人,Radiomics for Response and Outcome Assessment for Non-Small Cell Lung Cancer,Technology in Cancer Research & Treatment,Volume 17: 1-14,2018/05/16。 |
WenWu_Both,機器學習-隨機森林演算法,2018/12/08,ITREAD01網站:https://www.itread01.com/content/1544239699.html * |
WenWu_Both,機器學習-隨機森林演算法,2018/12/08,ITREAD01網站:https://www.itread01.com/content/1544239699.html。 |
Zhenyu Liu等人,Radiomics Analysis for Evaluation of Pathological Complete Response to Neoadjuvant Chemoradiotherapy in Locally Advanced Rectal Cancer,Clinical Cancer Research,2017/09/22 * |
Zhenyu Liu等人,Radiomics Analysis for Evaluation of Pathological Complete Response to Neoadjuvant Chemoradiotherapy in Locally Advanced Rectal Cancer,Clinical Cancer Research,2017/09/22。 |
魏煒、劉振宇、王碩、田捷,影像組學技術研究進展及其在結直腸癌中的臨床應用,中國生物醫學工程學報,第37卷第5期,2018年10月,513~520頁 * |
魏煒、劉振宇、王碩、田捷,影像組學技術研究進展及其在結直腸癌中的臨床應用,中國生物醫學工程學報,第37卷第5期,2018年10月,513~520頁。 |
Also Published As
Publication number | Publication date |
---|---|
TW202027093A (zh) | 2020-07-16 |
US20200211712A1 (en) | 2020-07-02 |
US11164676B2 (en) | 2021-11-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI723312B (zh) | 電腦輔助直腸癌治療反應預測系統、方法及電腦程式產品 | |
US10706333B2 (en) | Medical image analysis method, medical image analysis system and storage medium | |
Ji et al. | Learning calibrated medical image segmentation via multi-rater agreement modeling | |
CN112037912B (zh) | 基于医疗知识图谱的分诊模型训练方法、装置及设备 | |
Fuhrman et al. | A review of explainable and interpretable AI with applications in COVID‐19 imaging | |
JP7058373B2 (ja) | 医療画像に対する病変の検出及び位置決め方法、装置、デバイス、及び記憶媒体 | |
US11615879B2 (en) | System and method for automated labeling and annotating unstructured medical datasets | |
US11367185B2 (en) | Deep learning-based medical image quality evaluation and virtual clinical trial | |
JP7246898B2 (ja) | データ解析処理装置及びデータ解析処理プログラム | |
Tang et al. | Cmu-net: a strong convmixer-based medical ultrasound image segmentation network | |
WO2023020366A1 (zh) | 一种医学图像信息计算方法、装置、边缘计算设备和存储介质 | |
Wankhade et al. | A novel hybrid deep learning method for early detection of lung cancer using neural networks | |
Zang et al. | Interpretable diabetic retinopathy diagnosis based on biomarker activation map | |
Rivas et al. | Hepatic Steatosis detection using the co-occurrence matrix in tomography and ultrasound images | |
CN111382756B (zh) | 影像电脑辅助直肠癌治疗反应预测系统及方法 | |
CN113705595A (zh) | 异常细胞转移程度的预测方法、装置和存储介质 | |
WO2020215682A1 (zh) | 眼底图像样本扩展方法、装置、电子设备及计算机非易失性可读存储介质 | |
Hu et al. | A multi-modal heterogeneous graph forest to predict lymph node metastasis of non-small cell lung cancer | |
US11963788B2 (en) | Graph-based prostate diagnosis network and method for using the same | |
CN112288006A (zh) | 一种图像处理模型构建方法、装置、设备及可读存储介质 | |
TWI726459B (zh) | 遷移學習輔助預測系統、方法及電腦程式產品 | |
CN112750528A (zh) | 预测肿瘤的特性参数的计算机辅助预测系统、方法及计算机程序产品 | |
Yang et al. | Lung Nodule Segmentation and Uncertain Region Prediction with an Uncertainty-Aware Attention Mechanism | |
Thool et al. | Artificial Intelligence in Medical Imaging Data Analytics using CT Images | |
Gtifa et al. | Automated brain tumour segmentation from multi‐modality magnetic resonance imaging data based on new particle swarm optimisation segmentation method |