[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN112562855B - 一种肝细胞癌术后早期复发风险预测方法、介质及终端设备 - Google Patents

一种肝细胞癌术后早期复发风险预测方法、介质及终端设备 Download PDF

Info

Publication number
CN112562855B
CN112562855B CN202011511024.5A CN202011511024A CN112562855B CN 112562855 B CN112562855 B CN 112562855B CN 202011511024 A CN202011511024 A CN 202011511024A CN 112562855 B CN112562855 B CN 112562855B
Authority
CN
China
Prior art keywords
image
predicted
feature vector
vector
candidate
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
CN202011511024.5A
Other languages
English (en)
Other versions
CN112562855A (zh
Inventor
黄炳升
吴大盛
王霁朏
冯仕庭
李子平
孙美丽
谢传淼
王铭宇
袁程朗
张洪源
黄增安
罗梓欣
邱峥轩
吴煜轩
易宸源
李毅
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.)
Shenzhen University
Original Assignee
Shenzhen 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 Shenzhen University filed Critical Shenzhen University
Priority to CN202011511024.5A priority Critical patent/CN112562855B/zh
Publication of CN112562855A publication Critical patent/CN112562855A/zh
Application granted granted Critical
Publication of CN112562855B publication Critical patent/CN112562855B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G16H50/30—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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06T7/11—Region-based segmentation
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • 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
    • G06T2207/30056—Liver; Hepatic
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Public Health (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Molecular Biology (AREA)
  • Pathology (AREA)
  • Quality & Reliability (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Image Analysis (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本申请公开了一种肝细胞癌术后早期复发风险预测方法，所述方法包括：获取待预测图像以及待预测图像对应的病理信息；基于预设的分割模型，确定所述待预测图像对应的特征向量；基于所述特征向量、病理信息及预设的预测模型，确定所述待预测图像对应的预测结果。本申请在获取到待预测图像以及病理信息后，通过分割模型确定该待预测图像对应的特征向量，通过预测模型对特征向量以及病理信息进行学习，以得到预测结果，这样降低肝细胞癌术后早期复发预测对医生经验的依赖，从而可以提高肝细胞癌术后早期复发预测的准确性。

Description

一种肝细胞癌术后早期复发风险预测方法、介质及终端设备
技术领域
本申请涉及生物医学工程技术领域，特别涉及一种肝细胞癌术后早期复发风险预测方法。
背景技术
肝细胞癌(hepatocellular carcinoma，HCC)是一种常见的恶性肿瘤，占全球肝癌总负担的70～85％，严重影响患者的生活和生命安全。HCC的治疗采用肿瘤手术切除和化疗，来尽可能地根除癌细胞，降低癌症复发率。然而，仍有相当比例的患者在术后复发。有研究表明，门静脉侵犯与肝内癌细胞转移是预测复发的两个最重要因素，但复发还受到慢性肝炎、肝硬化、肿瘤数量和肿瘤大小等因素影响，原因复杂。临床上对于肝内复发风险的判断，往往依赖于医生长期积累的对多种风险因素的经验判断，无法保证复发预测的准确性。
发明内容
本申请要解决的技术问题在于，针对现有技术的不足，提供一种肝细胞癌术后早期复发风险预测方法。
为了解决上述技术问题，本申请实施例第一方面提供了一种肝细胞癌术后早期复发风险预测方法，所述方法包括：
获取待预测图像以及待预测图像对应的病理信息；
基于预设的分割模型，确定所述待预测图像对应的特征向量；
基于所述特征向量、病理信息及预设的预测模型，确定所述待预测图像对应的预测结果。
所述的肝细胞癌术后早期复发风险预测方法，其中，所述待预测图像为门脉期CT图像，且待预测图像携带有肝细胞癌区域。
所述的肝细胞癌术后早期复发风险预测方法，其中，所述基于预设的分割模型，确定所述待预测图像对应的特征向量具体包括：
获取所述待预测图像对应的若干肿瘤切片图；
基于所述分割模型，确定各肿瘤切片图各自对应的候选特征向量；
基于获取到的所有候选特征向量，确定所述待预测图像对应的特征向量。
所述的肝细胞癌术后早期复发风险预测方法，其中，所述基于所述分割模型，确定各肿瘤切片图各自对应的候选特征向量具体包括：
对于每张肿瘤切片图，将该肿瘤切片图输入所述分割模型，通过所述分割模型确定该肿瘤切片图对应的候选特征图；
采用全局平均池化将该候选特征图转换为候选特征向量，以得到各肿瘤切片图各自对应的候选特征向量。
所述的肝细胞癌术后早期复发风险预测方法，其中，所述若干候选特征向量的向量维度相同；所述基于获取到的所有候选特征向量，确定所述待预测图像对应的特征向量具体包括：
在所有候选特征向量中选取一目标特征向量，将所有候选特征向量中除目标特征向量外的候选特征向量作为参考特征向量；
对于目标特征向量中的每个目标向量元素，在各参考特征向量中选取该目标向量元素对应的参考向量元素；
根据该目标向量元素及其对应的各参考向量元素，确定特征向量元素；
将确定得到的各特征向量元素构成的特征向量作为待预测图像对应的特征向量。
所述的肝细胞癌术后早期复发风险预测方法，其中，基于所述特征向量、病理信息及预设的预测模型，确定所述待预测图像对应的预测结果具体包括：
将所述特征向量和所述病理信息拼接，以得到输入向量；
将所述输入向量输入预设的预测模型，通过所述预测模型确定所述待预测图像对应的预测结果。
所述的肝细胞癌术后早期复发风险预测方法，其中，所述分割模型包括编码器和解码器；所述特征向量为基于所述编码器中的激活层的输出项确定的，其中，所述激活层与所述编码器中位于最后的卷积层相连接，且位于该卷积层之后。
所述的肝细胞癌术后早期复发风险预测方法，其中，所述病理信息包括人口学信息以及病理检查信息，并且所述病理信息以向量形式存储。
本申请实施例第二方面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存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如上任一所述的肝细胞癌术后早期复发风险预测方法中的步骤。
本申请实施例第三方面提供了一种终端设备，其包括：处理器、存储器及通信总线；所述存储器上存储有可被所述处理器执行的计算机可读程序；
所述通信总线实现处理器和存储器之间的连接通信；
所述处理器执行所述计算机可读程序时实现如上任一所述的肝细胞癌术后早期复发风险预测方法中的步骤。
有益效果：与现有技术相比，本申请提供了一种肝细胞癌术后早期复发风险预测方法，所述方法包括：获取待预测图像以及待预测图像对应的病理信息；基于预设的分割模型，确定所述待预测图像对应的特征向量；基于所述特征向量、病理信息及预设的预测模型，确定所述待预测图像对应的预测结果。本申请在获取到待预测图像以及病理信息后，通过分割模型确定该待预测图像对应的特征向量，通过预测模型对特征向量以及病理信息进行学习，以得到预测结果，这样降低肝细胞癌术后早期复发预测对医生经验的依赖，从而可以提高肝细胞癌术后早期复发预测的准确性。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员而言，在不符创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请提供的肝细胞癌术后早期复发风险预测方法的流程图。
图2为本申请提供的肝细胞癌术后早期复发风险预测方法中的分割模型的示意图。
图3为基于训练数据的预测模型的ROC曲线比较。
图4为基于验证数据的预测模型的ROC曲线比较。
图5为训练数据生存分析结果。
图6为验证数据生存分析结果。
图7为本申请提供的终端设备的结构原理图。
具体实施方式
本申请提供一种肝细胞癌术后早期复发风险预测方法，为使本申请的目的、技术方案及效果更加清楚、明确，以下参照附图并举实施例对本申请进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本申请的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语 (包括技术术语和科学术语)，具有与本申请所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样被特定定义，否则不会用理想化或过于正式的含义来解释。
发明人经过研究发现，肝细胞癌(hepatocellular carcinoma，HCC)是一种常见的恶性肿瘤，占全球肝癌总负担的70～85％，严重影响患者的生活和生命安全。HCC的治疗采用肿瘤手术切除和化疗，来尽可能地根除癌细胞，降低癌症复发率。然而，仍有相当比例的患者在术后复发。有研究表明，门静脉侵犯与肝内癌细胞转移是预测复发的两个最重要因素，但复发还受到慢性肝炎、肝硬化、肿瘤数量和肿瘤大小等因素影响，原因复杂。临床上对于肝内复发风险的判断，往往依赖于医生长期积累的对多种风险因素的经验判断，缺乏精确数据的指导。
医学影像学检查是HCC筛查、疗效监测及预后判断的重要手段。影像学图像所包含的信息可以反映病理、病理生理乃至基因组或蛋白组学的信息。对肿瘤大小、数量、边缘特征、卫星结节、肉眼可见血管侵犯等常用的复发相关指标可以在传统的影像学图像中准确测量与判断。微血管侵犯 (microvascular invasion，MVI)已被证实为HCC术后早期复发和总生存率差的独立危险因素，然而MVI及HCC病理分级只是影响HCC术后复发的因素之一，其他因素如肿瘤基因、肿瘤细胞功能、肝功能情况、肝纤维化程度等亦对HCC预后有较大影响。
计算机断层扫描(computed tomography，CT)是HCC诊断与术前规划中常使用的医学影像技术。目前，基于医学图像的肝脏病变预测工作主要由人类专家分析和解释医学图像来完成，并且仅是通过有限的图像特征分析预测预后，缺少肿瘤的基因组、蛋白组学等临床检验信息，从而使得预测效果欠佳。
为了解决上述问题，在本申请实施例中，获取待预测图像以及待预测图像对应的病理信息；基于预设的分割模型，确定所述待预测图像对应的特征向量；基于所述特征向量、病理信息及预设的预测模型，确定所述待预测图像对应的预测结果。本申请在获取到待预测图像以及病理信息后，通过分割模型确定该待预测图像对应的特征向量，通过预测模型对特征向量以及病理信息进行学习，以得到预测结果，这样降低肝细胞癌术后早期复发预测对医生经验的依赖，从而可以提高肝细胞癌术后早期复发预测的准确性。
下面结合附图，通过对实施例的描述，对申请内容作进一步说明。
本实施提供了一种肝细胞癌术后早期复发风险预测方法，如图1所示，所述方法包括：
S10、获取待预测图像以及待预测图像对应的病理信息。
具体地，所述待预测图像对应的患者与所述病理信息对应的患者相同，换句话说，所述获取待预测图像以及待预测图像对应的病理信息指的是获取患者的待预测图像以及该患者的病理信息，并将获取到的病理信息作为该待预测图像对应的病理信息。
所述待预测图像可以为通过配置有该肝细胞癌术后早期复发风险预测方法的终端设备采集得到，也可以是外部设备采集并发送给终端设备的，还可以是存储于终端设备本地的。所述待预测图像为CT图像，并且所述待预测图像携带有肝细胞癌区域，其中，所述CT图像可以为门脉期CT图像，也可以为动脉期CT图像等。在本实施例的一个具体实现方式中，所述CT 图像可以为门脉期CT图像，其中，CT图像的CT扫描层厚为1mm。
所述病理信息包括人口学信息以及病理检查信息并且所述病理信息以向量形式存储。所述人口学信息包括性别和年龄，所述病理检查信息包括 HBsAg(1+、0-)、HBV-DNA(IU/mL)(≥100，1；＜100，0)、AFP连续数值变量、等级变量(≥400，1；＜400,0)、Childgrade(A、B)等级变量、总胆红素(μmol/L)(连续数值变量，等级变量＜34.2，1；34.2-51.3，2；＞51.3，3)、白蛋白(g/l)(连续数值变量，等级变量≥35，1；28-35，2，＜28，3)、PT时间(s)(连续数值变量)、PT延长时间(s)(等级变量＜4， 1；4-6，2；＞6，3)、ALT(U/L)(连续数值变量，等级变量<40，0；≥40， 1)GGT(U/L)(连续数值变量，等级变量<50，0；≥50，1)。
S20、基于预设的分割模型，确定所述待预测图像对应的特征向量。
具体地，所述分割模型为经过训练的，用于定位待预测图像中的肿瘤区域。所述分割模型的输入项为待预测图像，所述分割模型的输出项为待预测图像中的肿瘤区域，其中，所述肿瘤区域为基于分割模型学习到的待预测图像对应的图像特征确定的。可以理解的是，所述分割模型会学习到该待预测图像的图像特征，在通过该图像特征对待预测图像进行定位，以得到该待预测图像对应的肿瘤区域。
在本实施例的一个实现方式中，由于所述CT图像包括若干携带有肿瘤区域的肿瘤切片层，从而在基于待预测图像确定特征向量是，需要获取待预测图像中的若干肿瘤切片层，并分别对各肿瘤切片层进行学习以得到各肿瘤切片层各自对应的候选特征图。相应的，所述基于预设的分割模型，确定所述待预测图像对应的特征向量具体包括：
获取所述待预测图像对应的若干肿瘤切片图；
基于所述分割模型，确定各肿瘤切片图各自对应的候选特征向量；
基于获取到的所有候选特征向量，确定所述待预测图像对应的特征向量。
具体地，所述若干肿瘤切片图均包含于所述待预测图像内。若干肿瘤切片图可以包括待预测图像中的所有肿瘤切片层，即该待预测图像中的每个肿瘤切成层均包含于若干肿瘤切片图内；或者是，所述若干肿瘤切片图可以包括待预测图像中的部分肿瘤切片层，而待预测图像中存在部分肿瘤切片层未包含于若干肿瘤切片图中，例如，肿瘤切片的最顶层、肿瘤切片的最下层等未包含于若干肿瘤切片图中。在本实施例的一个实现方式中，所述若干肿瘤切片图可以包括待预测图像中的所有肿瘤切片层，换句话说，对于待预测图像中的每个肿瘤切片层，该肿瘤切片层均包括于若干肿瘤切片图内，并且对于若干肿瘤切片图中的每个肿瘤切片图，该肿瘤切片图均为该待预测图像中的一肿瘤切片层。
所述候选特征向量为基于分割模型以及肿瘤切片图确定的特征向量，用于反映该肿瘤切片图携带的肿瘤区域的特征信息。在一个实现方式中，所述基于所述分割模型，确定各肿瘤切片图各自对应的候选特征向量具体包括：
对于每张肿瘤切片图，将该肿瘤切片图输入所述分割模型，通过所述分割模型确定该肿瘤切片图对应的候选特征图；
采用全局平均池化将该候选特征图转换为候选特征向量，以得到各肿瘤切片图各自对应的候选特征向量。
具体地，所述肿瘤切片图为所述分割模型的输入项，所述候选特征图为所述分割模型学习到的肿瘤切片图的特征图。所述分割模型包括编码器和解码器；所述候选特征图为所述编码器中的激活层的输出项，其中，所述激活层与所述编码器中位于最后的卷积层相连接，且位于该卷积层之后。可以理解的是，所述候选特征图为所述编码器中最后一个卷积层的输出项通过激活层得到的，所述激活层可以配置有Relu激活函数，这样可以提高候选特征图携带的图像信息的抽象程度以及表征能力，从而可以提高基于候选特征图确定预测结果的准确性。
在本实施例的一个实现方式中，如图2所示，所述分割模型可以采用 U-Net结构，所述分割模型可以包括编码器和解码器，所述编码器包括若干下采样模块，所述解码器包括若干上采样模块，所述若干下采样模块与所述若干上采样模块一一对应，并且各下采样模块与其对应的上采样模块通过跳跃连接连通。所述下采样模块包括下采样层以及残差卷积块，所述下采样层与所述残差卷积块相连接，所述下采样层的输出项为残差卷积块的输入项。所述上采样模块包括上采样层以及残差卷积块，所述上采样层与所述残差卷积块相连接，所述上采样层的输出项为残差卷积块的输入项。所述残差卷积块包括第一卷积单元、第二卷积单元以及卷积层，所述第一卷积单元与所述第二卷积单元级联，所述第一卷积单元的输入项为残差卷积块的输入项，所述第二卷积单元的输入项为第一卷积单元的输出项；所述第一卷积层的输入项为残差卷积块的输入项，所述第二卷积单元的输出项与所述卷积层的输出项进行残差连接后作为残差卷积块的输出项。所述第一卷积单元和第二卷积单元均包括3*3卷积层以及激活函数层，其中，所述激活函数层可以配置有relu激活函数，卷积层可以为3*3卷积层。
在本实施例中，分割网络在训练时可以采用交叉熵作为损失函数，以 Adam作为优化器，基本学习率(learning rate，lr)为10-5。在验证图像集上采用dice相似性系数筛选获得最优分割模型，其中，Dice相似性系数的计算公式可以为：
Figure BDA0002846403590000091
其中，A表示训练图像对应的标注区域，B表示分割模型对应的预设模型预测的预测区域，其中，预设模型的模型结构与分割模型的模型结果相同，预设模型与分割模型的不同在于预设模型配置有初始模型参数，分割模型配置有经过训练的模型参数。
在获取到各肿瘤切片图各自对应的候选特征图后，可以使用全局平均池化将候选特征图转换为候选特征向量。例如，候选特征图的图像尺度为 32*32*512，候选特征图对应的候选特征向量的维度为1*512。此外，若干肿瘤切片图对应的若干候选特征向量中的各候选特征向量的向量维度相同，例如，若干候选特征图中的一个候选特征向量的维度为1*512，那么若干候选特征向量中的任一候选特征向量的维度均为1*512。
在本实施例的一个实现方式中，所述基于获取到的所有候选特征向量，确定所述待预测图像对应的特征向量具体包括：
在所有候选特征向量中选取一目标特征向量，将所有候选特征向量中除目标特征向量外的候选特征向量作为参考特征向量；
对于目标特征向量中的每个目标向量元素，在各参考特征向量中选取该目标向量元素对应的参考向量元素；
根据该目标向量元素及其对应的各参考向量元素，确定特征向量元素；
将确定得到的各特征向量元素构成的特征向量作为待预测图像对应的特征向量。
具体地，所述待预测图像对应的特征向量的维度与候选特征向量的维度相同，目标特征向量为若干候选特征向量中的任一候选特征向量，参考特征向量为若干候选特征向量中处目标特征向量的候选特征向量。换句话说，在获取到若干候选特征向量后，将若干候选特征向量划分为两个向量集合，两个向量集合中的第一向量集合包括一个候选特征向量，两个向量集合中的第二向量集合包括若干候选特征向量中除第一向量集合外的所有候选特征向量。例如，若干候选特征向量包括候选特征向量A、候选特征向量B以及候选特征向量C，候选特征向量A为目标特征向量，那么候选特征向量B和候选特征向量C均为参考特征向量。
所述参考向量元素指的是参考特征向量中元素位置与目标向量元素的元素位置相同的向量元素，并且对于目标特征向量中的任一目标向量元素，参考特征向量中均存在一个参考向量元素与该目标向量元素相对应，这是由于参考特征向量的维度与目标特征向量的维度相同，从而对于目标特征向量中的每个元素位置，参考特征向量中均存在一个参考元素位置与该元素位置相同。例如，目标特征向量为(a，b，c，d)，参考特征向量为(A， B，C，D)，那么目标向量元素a对应的参考向量元素为参考向量元素A，目标向量元素b对应的参考向量元素为参考向量元素B，目标向量元素c对应的参考向量元素为参考向量元素C，目标向量元素d对应的参考向量元素为参考向量元素D。
对于每个目标向量元素，在获取到该目标向量元素对应的所有参考向量元素后，确定该目标向量元素和其对应的所有参考向量元素的平均值，并将确定得到的平均值作为特征向量元素，并将该目标向量元素对应的元素位置作为该特征向量元素对应的元素位置。由此，在获取到各目标向量元素各自对应的特征向量元素后，将获取到的所有特征向量元素按照各自对应的元素位置进行排列，以得到待预测图像对应的特征向量。当然，在实际应用中，在基于目标向量元素及其对应的所有参考向量元素确定特征向量元素时，也可以选取目标向量元素及其对应的所有参考向量元素中的最大值，并将选取到最大值作为特征向量元素；或者是，选取目标向量元素及其对应的所有参考向量元素中的中值等，这里就不一一说明。
在本实施例的一个实现方式中，由于在CT图像的各肿瘤切片图中，存在部分肿瘤切片图未包含具有分辨力的信息(如，肿瘤最上下层切片)，使得肿瘤切片图存在冗余切片，而肿瘤切片图中包含分辨力的信息的切片数量大于未包含具有分辨力的信息的切片；从而在获取到各肿瘤切片图各自对应的候选特征向量后，可以对获取到若干候选特征向量进行过滤，以去除携带有肿瘤特征信息的候选特征向量，这样可以保留肿瘤切片图中包含分辨力的信息的肿瘤切片图对应的候选特征向量，而去除肿瘤切片图未包含具有分辨力的肿瘤切片图对应的候选特征向量。
基于此，所述基于获取到的所有候选特征向量，确定所述待预测图像对应的特征向量之前，所述方法包括：
对获取到的所有候选特征向量进行聚类分析，得到若干候选特征向量类；
选取若干候选特征向量类中图像数量最大的候选特征向量类作为目标特征图类；
将所述目标特征图类包括的候选特征向量作为所述待预测图像对应的候选特征向量。
具体地，所述聚类分析用于将候选特征向量划分为若干候选特征向量类，若干候选特征向量类中的每个候选特征向量类均包括若干候选特征向量中的至少一张候选特征向量，并且各候选特征向量类中任意两个候选特征向量类包括的候选特征向量互不相同。例如，若干候选特征向量类包括候选特征向量类A和候选特征向量类B，候选特征向量类A包括候选特征向量a和候选特征向量b，候选特征向量类B包括候选特征向量c和候选特征向量d，那么候选特征向量a、候选特征向量b、候选特征向量c和候选特征向量d互不相同。
在本实施例的一个实现方式中，所述对获取到的所有候选特征向量进行聚类分析具体可以采用K-means聚类算法对获取到的所有候选特征向量进行聚类分析，所述聚类分析过程具体可以为：将若干候选特征向量分为K 组候选特征向量组，在每个候选特征向量组中随机选取一个候选特征向量作为聚类中心，以得到K个聚类中心，然后计算每个候选特征向量与各聚类中心之间的欧式距离，把每个候选特征向量分配给距离它最近的聚类中心，并将聚类中心以及分配给该聚类中心的候选特征向量作为一个候选特征向量个类。此外，每分配一个候选特征向量，聚类的聚类中心会根据聚类中的候选特征向量被重新计算，并重复这个过程将不断重复直到满足某个终止条件。其中，终止条件可以是没有(或最小数目)候选特征向量被重新分配给不同的聚类，没有(或最小数目)聚类中心再发生变化，误差平方和局部最小等。在本实施例的一个具体实现中，所述聚类簇数为2，相应的，对若干候选特征向量进行聚类分析可以得到两个候选特征向量类。
在获取到若干候选特征向量类后，分别获取各候选特征向量类包括的候选特征向量的数量，并根据获取到的各候选特征向量类各自对应的数量来选取目标候选特征向量类，其中，目标候选特征向量类为若干候选特征向量类中包括候选特征向量的数量最大的候选特征向量类。在本实施例中，所述若干候选特征向量类为两个，分别为携带有肿瘤区域特征多的候选特征向量类和携带有肿瘤区域特征少的候选特征向量；所述目标候选特征向量类中的候选特征向量为携带有肿瘤区域特征多的候选特征向量，这样可以将若干候选特征向量中携带肿瘤区域特征少的候选特征向量去除，使得留下切片对肿瘤的表征在特征分布空间更加聚拢，以达到去除冗余切片特征并使每个病人聚合后的切片特征更加一致。这是由于在CT图像的各肿瘤切片图中，存在部分肿瘤切片图未包含具有分辨力的信息(如，肿瘤最上下层切片)，使得肿瘤切片图存在冗余切片，而肿瘤切片图中包含分辨力的信息的切片数量大于未包含具有分辨力的信息的切片，从而采用聚类分析并选取包含候选特征向量数量多的候选特征向量类，可以保留肿瘤切片图中包含分辨力的信息的肿瘤切片图对应的候选特征向量，而去除肿瘤切片图未包含具有分辨力的信息的候选特征向量。
S30、基于所述特征向量、病理信息及预设的预测模型，确定所述目标用户对应的预测结果。
具体地，所述预测模型为经过训练的网络模型，所述预测模型用于预测待预测图像对应的预测结果，其中，所述预测结果包括早期复发或者早期不复发。可以理解的是，所述待预测图像对应的预测结果为早期复发或者早期不复发，并且预测结果包括预测概率，当预测结果为早期复发时，预测概率为早期复发概率；当预测结果为早期不复发时，预测概率为早期不复发概率。本实施例中在对待预测图像进行复发预测时，采用基于分割模型确定的特征向量作为输入项，可以提高预测类别的准确性。此外，所述早期复发指的是术后预设时间内复合，早期不复发指的是术后预设时间内不复合，其中，预设时间为预先设置的，例如，2年等。
在本实施例的一个实现方式中，所述预测模型选择逻辑斯蒂回归模型作为复发预测模型，使用scikit-learn机器学习库中的逻辑斯回归算法进行构建，通过网格寻优策略确定分类器的参数。网格寻优参数范围为：
1)正则化强度：0.01,0.05,0.1,0.3,0.4,0.5,0.6,0.8,1.0,1.2；
2)最大迭代次数：100,150,200,400,500；
3)迭代优化停止的条件：1e-5,1e-4,1e-3,1e-2。
此外，所述预测模型使用留一法交叉验证来验证模型性能：随机挑选一例样本作为测试集，剩余样本用以训练模型，然后对测试集进行测试，预测测试集样本的肝癌复发概率。重复上述过程直至遍历所有的样本。使用AUC、特异度、敏感度、阳性预测值、阴性预测值对最终模型进行评估。不同期相数据、不同方法间的模型性能使用Delong检验进行分析。此外，在本本实施例中，使用模型集成的方法，模型集成的方法中采用集成模型，集成模型包括若干并行的预测网络模型，使用每个预测模型对验证数据进行预测，取各预测模型的预测结果的平均值，作为集成模型的预测结果。
在本实施例的一个实现方式中，可以将所述分割模型以及预测模型级联，并将级联得到级联模型作为分割模型，这样在获取到待预测图像以及待预测图像对应的病理信息后，可以通过该级联模型确定待预测图像对应的预测结果。当然，所述级联模型中可以包括转换模块以及聚类模块，所述转换模块用于将候选特征图转换为候选特征向量，聚类模块用于对获取到的所有候选特征向量进行聚类。换句话说，级联模型的输入项为待预测图像以及待预测图像对应的病理信息，级联模型的输出项为预测结果，并且所述级联模型可以执行本实施例提供的肝细胞癌术后早期复发风险预测方法的过程。
为了进一步说明本实施例提供的肝细胞癌术后早期复发风险预测方法，下面给出具体实验作为依据。
实验基于动脉期数据和门脉期数据分别构建的分割模型，两个分割模型的模型性能如表1所示。动脉期的分割结果为dsc＝0.488，门脉期的分割结果为dsc＝0.868，门脉期的分割结果要优于的动脉期(曼惠特尼u检验， p＝0.017)，这是因为门脉期的图像数据较为清晰，肿瘤边界更为明显，图像噪声少，因而模型能够提取的图像特征表达能力更佳。由此，本实施例中的分割模型为基于门脉期数据训练得到分割模型。
表1、深度分割模型性能
Figure BDA0002846403590000141
2)、预测模型
基于患者的深度分割特征，加入患者的病理信息(人口学信息以及病理检查)作为补充特征，构建了肝癌术后早期复发预测模型，并与临床肉眼影像模型作对比，其中，所述肉眼影像征象信息包括最大径mm连续数值变量，等级变量(＜3mm，3-5mm，＞5mm)、平扫密度density(0均匀，1 不均匀)、肿瘤内血管Intratumoral vessels(0无，1有)、肿瘤外周环形强化rim enhancement(0无，1有)、肿瘤周边肝实质强化peritumoral parenchymalenhancement(0无，1有)、包膜Tumor capsule(0无，1有)、肿瘤边缘Tumor margins(0光滑，1不光滑)、肝硬化Cirrhosis(0无，1 有)。
如图3和表2所示的训练数据的实验结果，深度分割特征的模型要优于肉眼影像模型，且加入临床信息作为补充后，模型的性能能达到 AUC＝0.782。如图4和表3所示，本实施例提供的预测模型在验证数据中的性能，在验证数据中，加入病理信息的预测模型可以达到AUC＝0.744的结果，体现出本实施例方法的优秀性能及泛化能力。
表2、复发预测模型在训练数据上的性能比较
Figure BDA0002846403590000142
Figure BDA0002846403590000151
表3、复发预测模型在验证数据上的性能比较
Figure BDA0002846403590000152
3)生存分析结果
以深度迁移模型的预测值为危险因子，ROC曲线上约登指数最高点为危险因子分层阈值，分别对两个中心的患者进行危险度分组，生存分析结果如图5和图6所示，K-M法中的log-rank检验都具有显著性差异(内部 p<0.001,外部p＝0.045)。结果表明本发明具有良好的早期复发预测能力。
基于上述肝细胞癌术后早期复发风险预测方法，本实施例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存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如上述实施例所述的肝细胞癌术后早期复发风险预测方法中的步骤。
基于上述肝细胞癌术后早期复发风险预测方法，本申请还提供了一种终端设备，如图7所示，其包括至少一个处理器(processor)20；显示屏 21；以及存储器(memory)22，还可以包括通信接口(Communications Interface)23和总线24。其中，处理器20、显示屏21、存储器22和通信接口23可以通过总线24完成相互间的通信。显示屏21设置为显示初始设置模式中预设的用户引导界面。通信接口23可以传输信息。处理器20 可以调用存储器22中的逻辑指令，以执行上述实施例中的方法。
此外，上述的存储器22中的逻辑指令可以通过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。
存储器22作为一种计算机可读存储介质，可设置为存储软件程序、计算机可执行程序，如本公开实施例中的方法对应的程序指令或模块。处理器20通过运行存储在存储器22中的软件程序、指令或模块，从而执行功能应用以及数据处理，即实现上述实施例中的方法。
存储器22可包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端设备的使用所创建的数据等。此外，存储器22可以包括高速随机存取存储器，还可以包括非易失性存储器。例如，U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等多种可以存储程序代码的介质，也可以是暂态存储介质。
此外，上述存储介质以及终端设备中的多条指令处理器加载并执行的具体过程在上述方法中已经详细说明，在这里就不再一一陈述。
最后应说明的是：以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。

Claims (7)

1.一种肝细胞癌术后早期复发风险预测方法，其特征在于，所述方法包括：
获取待预测图像以及待预测图像对应的病理信息；
基于预设的分割模型，确定所述待预测图像对应的特征向量；
基于所述特征向量、病理信息及预设的预测模型，确定所述待预测图像对应的预测结果；
所述基于预设的分割模型，确定所述待预测图像对应的特征向量具体包括：
获取所述待预测图像对应的若干肿瘤切片图；
基于所述分割模型，确定各肿瘤切片图各自对应的候选特征向量； 基于获取到的所有候选特征向量，确定所述待预测图像对应的特征向量；
所述基于所述分割模型，确定各肿瘤切片图各自对应的候选特征向量具体包括：
对于每张肿瘤切片图，将所述肿瘤切片图输入所述分割模型，通过所述分割模型确定所述肿瘤切片图对应的候选特征图；
采用全局平均池化将该候选特征图转换为候选特征向量，以得到各肿瘤切片图各自对应的候选特征向量；
所述肿瘤切片图为所述分割模型的输入项，所述候选特征图为所述分割模型学习到的肿瘤切片图的特征图；
所述分割模型包括编码器和解码器，所述编码器包括若干下采样模块，所述解码器包括若干上采样模块，所述若干下采样模块与所述若干上采样模块一一对应，并且各下采样模块与其对应的上采样模块通过跳跃连接连通；
所述下采样模块包括下采样层以及残差卷积块，所述下采样层与所述残差卷积块相连接，所述下采样层的输出项为残差卷积块的输入项；
所述上采样模块包括上采样层以及残差卷积块，所述上采样层与所述残差卷积块相连接，所述上采样层的输出项为残差卷积块的输入项；
所述残差卷积块包括第一卷积单元、第二卷积单元以及卷积层，所述第一卷积单元与所述第二卷积单元级联，所述第一卷积单元的输入项为残差卷积块的输入项，所述第二卷积单元的输入项为第一卷积单元的输出项；
所述第一卷积层的输入项为残差卷积块的输入项，所述第二卷积单元的输出项与所述卷积层的输出项进行残差连接后作为残差卷积块的输出项；
所述第一卷积单元和第二卷积单元均包括3*3卷积层以及激活函数层，其中，所述激活函数层配置有relu激活函数，卷积层可以为3*3卷积层；
所述候选特征图为所述编码器中的激活层的输出项，其中，所述激活层与所述编码器中位于最后的卷积层相连接，且位于所述卷积层之后。
2.根据权利要求 1 所述的肝细胞癌术后早期复发风险预测方法，其特征在于，所述待预测图像为门脉期CT 图像，且待预测图像携带有肝细胞癌区域。
3.根据权利要求 1 所述的肝细胞癌术后早期复发风险预测方法，其特征在于，若干候选特征向量的向量维度相同；所述基于获取到的所有候选特征向量，确定所述待预测图像对应的特征向量具体包括：
在所有候选特征向量中选取一目标特征向量，将所有候选特征向量中除目标特征向量外的候选特征向量作为参考特征向量；
对于目标特征向量中的每个目标向量元素，在各参考特征向量中选取该目标向量元素对应的参考向量元素；
根据该目标向量元素及其对应的各参考向量元素，确定特征向量元素； 将确定得到的各特征向量元素构成的特征向量作为待预测图像对应的特征向量。
4.根据权利要求 1 所述的肝细胞癌术后早期复发风险预测方法，其特征在于，基于所述特征向量、病理信息及预设的预测模型，确定所述待预测图像对应的预测结果具体包括：
将所述特征向量和所述病理信息拼接，以得到输入向量；
将所述输入向量输入预设的预测模型，通过所述预测模型确定所述待预测图像对应的预测结果。
5.根据权利要求 1 所述的肝细胞癌术后早期复发风险预测方法，其特征在于，所述病理信息包括人口学信息以及病理检查信息，并且所述病理信息以向量形式存储。
6.一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存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如权利要求 1-5任意一项所述的肝细胞癌术后早期复发风险预测方法中的步骤。
7.一种终端设备，其特征在于，包括：处理器、存储器及通信总线; 所述存储器上存储有可被所述处理器执行的计算机可读程序；
所述通信总线实现处理器和存储器之间的连接通信；
所述处理器执行所述计算机可读程序时实现如权利要求 1-5任意一项所述的肝细胞癌术后早期复发风险预测方法中的步骤。
CN202011511024.5A 2020-12-18 2020-12-18 一种肝细胞癌术后早期复发风险预测方法、介质及终端设备 Active CN112562855B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011511024.5A CN112562855B (zh) 2020-12-18 2020-12-18 一种肝细胞癌术后早期复发风险预测方法、介质及终端设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011511024.5A CN112562855B (zh) 2020-12-18 2020-12-18 一种肝细胞癌术后早期复发风险预测方法、介质及终端设备

Publications (2)

Publication Number Publication Date
CN112562855A CN112562855A (zh) 2021-03-26
CN112562855B true CN112562855B (zh) 2021-11-02

Family

ID=75030464

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011511024.5A Active CN112562855B (zh) 2020-12-18 2020-12-18 一种肝细胞癌术后早期复发风险预测方法、介质及终端设备

Country Status (1)

Country Link
CN (1) CN112562855B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113571194B (zh) * 2021-07-09 2022-05-13 清华大学 肝细胞癌远期预后预测的建模方法及装置
CN114267443B (zh) * 2021-11-08 2022-10-04 东莞市人民医院 基于深度学习的胰腺肿瘤纤维化程度预测方法及相关装置
CN115862875B (zh) * 2023-02-27 2024-02-09 四川大学华西医院 基于多类型特征融合的术后肺部并发症预测方法及系统

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109087703A (zh) * 2018-08-24 2018-12-25 南京大学 基于深度卷积神经网络的腹腔ct图像腹膜转移标记方法
CN109801272A (zh) * 2019-01-07 2019-05-24 华南师范大学 肝脏肿瘤自动分割定位方法、系统及存储介质
CN109902809A (zh) * 2019-03-01 2019-06-18 成都康乔电子有限责任公司 一种利用生成对抗网络辅助语义分割模型
CN110111892A (zh) * 2019-04-29 2019-08-09 杭州电子科技大学 一种nsclc患者术后短期复发转移风险评估系统
CN110298361A (zh) * 2019-05-22 2019-10-01 浙江省北大信息技术高等研究院 一种rgb-d图像的语义分割方法和系统
CN110969191A (zh) * 2019-11-07 2020-04-07 吉林大学 基于相似性保持度量学习方法的青光眼患病概率预测方法
CN110993106A (zh) * 2019-12-11 2020-04-10 深圳市华嘉生物智能科技有限公司 一种结合病理图像和临床信息的肝癌术后复发风险预测方法
CN111369565A (zh) * 2020-03-09 2020-07-03 麦克奥迪（厦门）医疗诊断系统有限公司 一种基于图卷积网络的数字病理图像的分割与分类方法
CN111462042A (zh) * 2020-03-03 2020-07-28 西北工业大学 癌症预后分析方法及系统
CN111951221A (zh) * 2020-07-13 2020-11-17 清影医疗科技（深圳）有限公司 一种基于深度神经网络的肾小球细胞图像识别方法
CN111986210A (zh) * 2020-07-29 2020-11-24 天津大学 一种医学影像小病灶分割方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10762635B2 (en) * 2017-06-14 2020-09-01 Tusimple, Inc. System and method for actively selecting and labeling images for semantic segmentation
CN111915571A (zh) * 2020-07-10 2020-11-10 云南电网有限责任公司带电作业分公司 融合残差网络与U-Net网络的图像变化检测方法、装置、存储介质及设备
CN112070772B (zh) * 2020-08-27 2024-01-12 闽江学院 基于UNet++和ResNet的血液白细胞图像分割方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109087703A (zh) * 2018-08-24 2018-12-25 南京大学 基于深度卷积神经网络的腹腔ct图像腹膜转移标记方法
CN109801272A (zh) * 2019-01-07 2019-05-24 华南师范大学 肝脏肿瘤自动分割定位方法、系统及存储介质
CN109902809A (zh) * 2019-03-01 2019-06-18 成都康乔电子有限责任公司 一种利用生成对抗网络辅助语义分割模型
CN110111892A (zh) * 2019-04-29 2019-08-09 杭州电子科技大学 一种nsclc患者术后短期复发转移风险评估系统
CN110298361A (zh) * 2019-05-22 2019-10-01 浙江省北大信息技术高等研究院 一种rgb-d图像的语义分割方法和系统
CN110969191A (zh) * 2019-11-07 2020-04-07 吉林大学 基于相似性保持度量学习方法的青光眼患病概率预测方法
CN110993106A (zh) * 2019-12-11 2020-04-10 深圳市华嘉生物智能科技有限公司 一种结合病理图像和临床信息的肝癌术后复发风险预测方法
CN111462042A (zh) * 2020-03-03 2020-07-28 西北工业大学 癌症预后分析方法及系统
CN111369565A (zh) * 2020-03-09 2020-07-03 麦克奥迪（厦门）医疗诊断系统有限公司 一种基于图卷积网络的数字病理图像的分割与分类方法
CN111951221A (zh) * 2020-07-13 2020-11-17 清影医疗科技（深圳）有限公司 一种基于深度神经网络的肾小球细胞图像识别方法
CN111986210A (zh) * 2020-07-29 2020-11-24 天津大学 一种医学影像小病灶分割方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Deep semantic segmentation feature-based radiomics for the classification tasks in medical image analysis;Bingsheng Huang 等;《 IEEE Journal of Biomedical and Health Informatics》;20201208;1-10 *
基于深度检测和分割网络的乳腺癌图像分析;李超;《万方数据》;20201102;1-176 *
基于电子计算机断层扫描图像的肝癌病灶自动分割方法研究进展;乐美琰 等;《生物医学工程学杂志》;20180625;第35卷(第3期);481-487,492 *

Also Published As

Publication number Publication date
CN112562855A (zh) 2021-03-26

Similar Documents

Publication Publication Date Title
Murugesan et al. A hybrid deep learning model for effective segmentation and classification of lung nodules from CT images
CN112562855B (zh) 一种肝细胞癌术后早期复发风险预测方法、介质及终端设备
Usman et al. Volumetric lung nodule segmentation using adaptive roi with multi-view residual learning
CN112768072B (zh) 基于影像组学定性算法构建癌症临床指标评估系统
CN111445946B (zh) 一种利用pet/ct图像推算肺癌基因分型的演算方法
CN114171197B (zh) 一种乳腺癌her2状态的预测方法及相关设备
CN112561869B (zh) 一种胰腺神经内分泌肿瘤术后复发风险预测方法
EP3864617A1 (en) Systems and methods for mesothelioma feature detection and enhanced prognosis or response to treatment
KR102431173B1 (ko) 진단 영상에서 심층신경망을 이용한 국소종양진행을 진단하기 위한 장치 및 국소종양진행 진단에 필요한 정보를 제공하는 방법
Chaudhury et al. Deep transfer learning for IDC breast cancer detection using fast AI technique and Sqeezenet architecture
CN115984622A (zh) 基于多模态和多示例学习分类方法、预测方法及相关装置
CN110992312B (zh) 医学图像处理方法、装置、存储介质及计算机设备
CN115631387B (zh) 基于图卷积神经网络的肺癌病理高危因素预测方法和装置
Hu et al. A deep learning model with radiomics analysis integration for glioblastoma post-resection survival prediction
KR20220060127A (ko) 딥러닝 기반 예후 예측 방법 및 그 장치
CN116051467B (zh) 基于多任务学习的膀胱癌肌层侵犯预测方法及相关装置
Hiremath et al. An integrated radiology-pathology machine learning classifier for outcome prediction following radical prostatectomy: Preliminary findings
CN115762796A (zh) 目标模型的获取方法、预后评估值确定方法、装置、设备及介质
Nicoletti et al. Virtual biopsy in prostate cancer: can machine learning distinguish low and high aggressive tumors on MRI?
CN113379770A (zh) 鼻咽癌mr图像分割网络的构建方法、图像分割方法及装置
CN112329876A (zh) 一种基于影像组学的结直肠癌预后预测方法及设备
Li et al. A deep-learning pipeline for the diagnosis and grading of common blinding ophthalmic diseases based on lesion-focused classification model
Ortiz et al. Novel methodology for detecting and localizing cancer area in histopathological images based on overlapping patches
EP4016448A1 (en) Image analysis method for improved clinical decision making
CN117219277A (zh) 深度学习放射组学研究乳腺肌肉指数对乳腺癌远处转移的影响

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