CN107582097A - 一种基于多模态超声组学的智能辅助决策*** - Google Patents
一种基于多模态超声组学的智能辅助决策*** Download PDFInfo
- Publication number
- CN107582097A CN107582097A CN201710587641.5A CN201710587641A CN107582097A CN 107582097 A CN107582097 A CN 107582097A CN 201710587641 A CN201710587641 A CN 201710587641A CN 107582097 A CN107582097 A CN 107582097A
- Authority
- CN
- China
- Prior art keywords
- ultrasound
- data
- ultrasonic
- group
- modal
- 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.)
- Pending
Links
- 238000002604 ultrasonography Methods 0.000 title claims abstract description 84
- 238000000034 method Methods 0.000 claims abstract description 39
- 201000010099 disease Diseases 0.000 claims abstract description 19
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 19
- 230000011218 segmentation Effects 0.000 claims abstract description 14
- 238000010801 machine learning Methods 0.000 claims abstract description 12
- 230000008081 blood perfusion Effects 0.000 claims abstract description 10
- 230000000694 effects Effects 0.000 claims abstract description 9
- 230000002452 interceptive effect Effects 0.000 claims abstract description 9
- 108090000623 proteins and genes Proteins 0.000 claims abstract description 8
- 238000011127 radiochemotherapy Methods 0.000 claims abstract description 8
- 230000035945 sensitivity Effects 0.000 claims abstract description 8
- 230000004083 survival effect Effects 0.000 claims abstract description 8
- 230000000877 morphologic effect Effects 0.000 claims abstract description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 25
- 238000004458 analytical method Methods 0.000 claims description 22
- 238000000605 extraction Methods 0.000 claims description 18
- 238000003384 imaging method Methods 0.000 claims description 14
- 210000001519 tissue Anatomy 0.000 claims description 13
- 206010028980 Neoplasm Diseases 0.000 claims description 11
- 230000010412 perfusion Effects 0.000 claims description 11
- 239000002671 adjuvant Substances 0.000 claims description 10
- 206010064571 Gene mutation Diseases 0.000 claims description 8
- 230000001575 pathological effect Effects 0.000 claims description 8
- 238000004393 prognosis Methods 0.000 claims description 8
- 238000003066 decision tree Methods 0.000 claims description 7
- 230000007170 pathology Effects 0.000 claims description 7
- 230000003068 static effect Effects 0.000 claims description 7
- 230000010354 integration Effects 0.000 claims description 6
- 230000013016 learning Effects 0.000 claims description 6
- 238000012417 linear regression Methods 0.000 claims description 6
- 238000007477 logistic regression Methods 0.000 claims description 5
- 238000007637 random forest analysis Methods 0.000 claims description 5
- 238000010008 shearing Methods 0.000 claims description 5
- 238000007418 data mining Methods 0.000 claims description 4
- 210000003754 fetus Anatomy 0.000 claims description 4
- 230000005089 fruit drop Effects 0.000 claims description 4
- 102000004169 proteins and genes Human genes 0.000 claims description 4
- 238000012706 support-vector machine Methods 0.000 claims description 4
- 238000010220 Pearson correlation analysis Methods 0.000 claims description 3
- 210000000577 adipose tissue Anatomy 0.000 claims description 3
- 210000000988 bone and bone Anatomy 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000010835 comparative analysis Methods 0.000 claims description 3
- 238000013211 curve analysis Methods 0.000 claims description 3
- 239000003814 drug Substances 0.000 claims description 3
- 238000003708 edge detection Methods 0.000 claims description 3
- 210000004392 genitalia Anatomy 0.000 claims description 3
- 210000002216 heart Anatomy 0.000 claims description 3
- 210000003734 kidney Anatomy 0.000 claims description 3
- 210000004185 liver Anatomy 0.000 claims description 3
- 210000005075 mammary gland Anatomy 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 210000004126 nerve fiber Anatomy 0.000 claims description 3
- 230000007935 neutral effect Effects 0.000 claims description 3
- 230000035935 pregnancy Effects 0.000 claims description 3
- 210000000952 spleen Anatomy 0.000 claims description 3
- 230000007480 spreading Effects 0.000 claims description 3
- 238000003892 spreading Methods 0.000 claims description 3
- 210000001685 thyroid gland Anatomy 0.000 claims description 3
- 210000004291 uterus Anatomy 0.000 claims description 3
- 238000010200 validation analysis Methods 0.000 claims description 3
- 230000017531 blood circulation Effects 0.000 claims description 2
- 238000004891 communication Methods 0.000 claims description 2
- 239000000284 extract Substances 0.000 claims description 2
- 210000000936 intestine Anatomy 0.000 claims description 2
- 210000002784 stomach Anatomy 0.000 claims description 2
- 241001269238 Data Species 0.000 claims 2
- 238000012352 Spearman correlation analysis Methods 0.000 claims 1
- 238000011002 quantification Methods 0.000 claims 1
- 238000004445 quantitative analysis Methods 0.000 description 9
- 201000001275 rectum cancer Diseases 0.000 description 8
- 230000003902 lesion Effects 0.000 description 4
- 206010038038 rectal cancer Diseases 0.000 description 4
- 210000000664 rectum Anatomy 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 208000015634 Rectal Neoplasms Diseases 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 208000007433 Lymphatic Metastasis Diseases 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013075 data extraction Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 210000001165 lymph node Anatomy 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000004451 qualitative analysis Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- HUTDUHSNJYTCAR-UHFFFAOYSA-N ancymidol Chemical compound C1=CC(OC)=CC=C1C(O)(C=1C=NC=NC=1)C1CC1 HUTDUHSNJYTCAR-UHFFFAOYSA-N 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 210000000748 cardiovascular system Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000002872 contrast media Substances 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000000686 essence Substances 0.000 description 1
- 230000002496 gastric effect Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 210000004907 gland Anatomy 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000000968 intestinal effect Effects 0.000 description 1
- 238000002386 leaching Methods 0.000 description 1
- 230000004060 metabolic process Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000010827 pathological analysis Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 208000020615 rectal carcinoma Diseases 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000013518 transcription Methods 0.000 description 1
- 230000035897 transcription Effects 0.000 description 1
- 230000002485 urinary effect Effects 0.000 description 1
- 210000001835 viscera Anatomy 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Landscapes
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本发明公开了一种基于多模态超声组学(ULTRASOMICS)的智能辅助决策***。首先采集仪器的不同信号来源的超声数据,采用交互式或者手动分割方法定位超声图像内感兴趣区,获取疾病的形态学、血流灌注和硬度学数据,构建多模态的超声特征数据库;结合相关临床信息、实验室检查信息、基因芯片信息,对超声组学数据进行挖掘,利用机器学习方法构建不同模型,预测复发及生存率,早期判断疗效和放化疗敏感性,分析与基因组学、蛋白组学、转录组学和代谢组学的相关性。本发明作为宏观的超声组学,为个体化精准医疗提供无创可重复的评估手段。
Description
技术领域
本发明涉及医学图像大数据和人工智能辅助决策领域,具体来说是一种基于多模态超声组学(ULTRASOMICS)的智能辅助决策***。
背景技术
超声成像是利用超声的声束扫描人体,通过对反射信号的接收、处理,以获得体内器官的图像。超声成像方法常用来判断脏器的位置、大小、形态,确定病灶的范围和物理性质,提供一些腺体组织的解剖图,鉴别胎儿的正常与异常,在眼科、妇产科及心血管***、消化***、泌尿***的应用十分广泛。
但是目前的超声检查过度依赖于临床医生的主观经验,甚至要结合患者的体征等才可以给出结论。这种主观性过强的辅助诊疗体系,带来的弊端包括:超声医生培养曲线过长、质量良莠不齐、区域性超声医疗水平差异等。随着计算机辅助量化分析的发展,超声图像已经可以转化为标准化的图像大数据,利用大数据云平台和人工智能的算法,建立超声组学的智能临床辅助决策***孕育而生。
发明内容
本发明的目的在于提供一种多模态超声图像大数据的智能挖掘方法,籍此提高医生的临床辅助决策水平的多模态超声组学(ULTRASOMICS)的智能辅助决策***。
为了克服上述现有技术中的缺陷,本发明采用如下技术方案:
一种基于多模态超声组学的智能辅助决策***,
步骤1,分别从超声仪器的不同信号来源,获取患者形态学、血流灌注学和硬度学的多模态超声数据;
(1)常规超声信号提取:将疾病超声信号以静态的Dicom类型文件进行存储,分析疾病的基础信号差异;
(2)超声射频信号提取:将超声信号以Raw Data类型文件进行存储,分析疾病的形态信号差异;
(3)超声剪切波信号提取:将超声剪切波成像信号以静态的Dicom类型文件进行存储,分析疾病的硬度质地差异;
(4)超声谐波信号提取:将超声造影谐波成像信号以动态的Dicom类型文件进行存储,分析疾病的时间灌注曲线差异;
步骤2,专家分析多模态超声图像的感兴趣区,利用交互式或人工方法分割图像,计算机辅助量化分析或专家分析提取相应的超声组学数据。根据结局指标、临床信息、实验数据对超声组学数据进行分析及挖掘,采用线性回归、机器学习等数据挖掘方法筛选高质量参数;
步骤3,利用传统预测模型或机器学习的分析方法建立智能辅助临床决策的***,预测复发及生存率,早期判断疗效和放化疗敏感性,分析病理特征、临床分期、基因突变等相关性,辅助临床决策。
进一步地,所述多模态超声为常规超声、形态学超声、剪切波弹性超声、动态灌注超声造影;超声图像来源可为二维超声、三维超声、二维及三维动态超声、四维超声的数据。
进一步地,超声组学数据包括射频信号(raw data)来源数据,医学数字成像和通信(Dicom)来源数据,静态图像(JPEG、TIFF、RAW、BMP、GIF、PNG等)和动态图像(AVI、WMV、MPEG、MKV、RM等)来源数据。
进一步地,所述感兴趣区为需观察的病变部位,包括肝脏、乳腺、甲状腺、肾脏、脾脏、心脏、胃肠组织、肌骨神经组织、生殖器及附件、孕期子宫及胎儿。
进一步地,所述步骤2中的所述交互式分割方法基于边界和基于区域的方法相结合,分别从用户标注出前景以及背景区域采集样本点,采用密集尺度不变特征变换描述局部灰度直方图作为样本点特征,使用Boosting算法学习,得出病灶区域判别模型。
进一步地,采用经典边缘检测算法,通过离线学习方法,得出病灶边缘判别模型;最后,运用***Bregman迭代算法,快速优化病灶区域判别模型和病灶边缘判别模型的组合模型,得到最优的分割结果。
进一步地,所述步骤2分别提取相应超声数据特征包括:a、病变部位的形态特征包括,基于一般图像变换和小波图像变换方法获取的空间阈或者矩阵特征,更详细地1)病变部位的灰度,如平均灰度值、灰度极差值、灰度积分、直方图、峰态、不对称性等;2)肿瘤形状,如径线、纵横比、周长、周长/长径等;3)纹理结构和/或灰度特征,如灰度标准差、灰度均数、扭曲度、熵;4)同时量化肿瘤与周围***、周围组织之间关系的特征参数;b、病变部位的硬度特征:平均硬度值、最大值、最小值、极差、标准差、均匀性、剪切波速度、硬度值积分、直方图、峰态、肿瘤与周围正常组织或脂肪组织的硬度比、速度比的测量扩展参数;c、病变部位的动态血流灌注特征:包括曲线下面积、平均通过时间、峰值时间、上升斜率、下降斜率、灌注指数、峰值强度和拟合优度。
进一步地,对超声组学的数据挖据方法包括超声组学数据预处理、超声组学特征工程及后续的无监督和有监督算法。其中传统统计学包括一般线性回归和广义线性回归;机器学习算法包括决策树、随机森林算法、逻辑回归、支持向量机、朴素贝叶斯、K最近邻算法、K均值算法、Adaboost算法、神经网络、马尔可夫等构建的模型。
进一步地,所述需要处理的数据包括:患者的临床基本信息、实验室检查数据、病理组织结果、基因及蛋白组学信息、患者临床预后随访数据等。
进一步地,超声组学和临床结局指标、基因组学数据进行比对方法包括:采用传统的逻辑回归法计算有效的高风险指标,并根据这些指标建立诺莫图nomogram,利用决策分析曲线Decision Curve Analysis比较预测复发或生存率的准确性;采用决策树、Adaboost或者随机森林的方法建立分类模型,并利用验证组的准确率、错误率或受试者工作曲线下面积比较判断疗效和放化疗敏感性;采用t检验、pearson相关性分析比较分析病理特征、临床分期、基因突变相关性,辅助临床决策。
本发明首先采用交互式分割方法定位感兴趣区内超声图像,完成目标图像分割;分别根据形态学、血流灌注和硬度学数据,构建多模态的超声特征数据库;根据临床、病理和影像数据库内相关临床信息、实验室检查信息、基因芯片信息和影像学信息,结合超声组学数据进行临床决策分析,预测复发及生存率,早期判断疗效和放化疗敏感性;并分析与基因组学、蛋白组学、转录组学和代谢组学的相关性;从而给病人完整的个体化精准医疗建议。
本发明的基于多模态超声组学的辅助临床决策***及方法,通过计算机辅助分析形态学、血流灌注和弹性超声图像的数据化,实现超声组学和临床预后、疗效敏感性的相关性分析,从而揭示临床结局和超声数据表现之间的关系,输出定量的分析结果;其以方法对输入超声数据进行人工或半自动处理,基于训练集和验证集的数据挖据和模型构建,对临床结局进行辅助决策。该***和方法并不直接实现疾病的诊断,而是对多模态超声图像进行量化分析,为临床决策提供个性化辅助参考。
本发明的具体目标如下:(1)获取基本形态学、弹性硬度学及血流灌注学的多模态超声组学图像数据;(2)实现感兴趣区内超声图像的精确分割及相应超声数据特征提取,深度挖掘各模态的超声特征,建立完备的大数据化的超声特征数据和相应数据库;(3)基于大数据化的临床病例数据,结合患者的各临床信息与超声特征,采用机器学习方法,实现病变组织的病理分析、临床分期分析以及生存期等预测;并解释病变组织基因突变类型与超声特征的潜在关系,提供定性以及定量的预后建议。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术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发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图:
图1是本发明一种基于多模态超声组学的智能辅助决策***实施例示意图;
图2是基于多模态超声组学的智能辅助决策***对直肠癌智能辅助决策示意图;
具体实施方式
下面将结合附图以及具体实施例来详细说明本发明,在此以本发明的示意性实施例及说明用来解释本发明,但并不作为对本发明的限定。
如图1所示,一种基于多模态超声组学的智能辅助决策***,
步骤1,分别从超声仪器的不同信号来源,获取患者形态学、血流灌注学和硬度学的多模态超声数据;
(1)常规超声信号提取:将疾病超声信号以静态的Dicom类型文件进行存储,分析疾病的基础信号差异;
(2)超声射频信号提取:将超声信号以Raw Data类型文件进行存储,分析疾病的形态信号差异;
(3)超声剪切波信号提取:将超声剪切波成像信号以静态的Dicom类型文件进行存储,分析疾病的硬度质地差异;
(4)超声谐波信号提取:将超声造影谐波成像信号以动态的Dicom类型文件进行存储,分析疾病的时间灌注曲线差异;
步骤2,专家分析多模态超声图像的感兴趣区,利用交互式或人工方法分割图像,计算机辅助量化分析或专家分析提取相应的超声组学数据。根据结局指标、临床信息、实验数据对超声组学数据进行分析及挖掘,采用线性回归、机器学习等数据挖掘方法筛选高质量参数。
步骤3,利用传统预测模型或机器学习的分析方法建立智能辅助临床决策的***,预测复发及生存率,早期判断疗效和放化疗敏感性,分析病理特征、临床分期、基因突变等相关性,辅助临床决策。
多模态超声为常规超声、形态学超声、剪切波弹性超声、动态灌注超声造影;超声图像来源可为二维超声、三维超声、二维及三维动态超声、四维超声的数据。
超声组学数据包括射频信号(raw data)来源数据,医学数字成像和通信(Dicom)来源数据,静态图像(JPEG、TIFF、RAW、BMP、GIF、PNG等)和动态图像(AVI、WMV、MPEG、MKV、RM等)来源数据。
感兴趣区为需观察的病变部位,包括肝脏、乳腺、甲状腺、肾脏、脾脏、心脏、胃肠组织、肌骨神经组织、生殖器及附件、孕期子宫及胎儿。
步骤2中的所述交互式分割方法基于边界和基于区域的方法相结合,分别从用户标注出前景以及背景区域采集样本点,采用密集尺度不变特征变换描述局部灰度直方图作为样本点特征,使用Boosting算法学习,得出病灶区域判别模型。
采用经典边缘检测算法,通过离线学习方法,得出病灶边缘判别模型;最后,运用***Bregman迭代算法,快速优化病灶区域判别模型和病灶边缘判别模型的组合模型,得到最优的分割结果。
步骤2分别提取相应超声数据特征包括:a、病变部位的形态特征包括,基于一般图像变换和小波图像变换方法获取的空间阈或者矩阵特征,更详细地1)病变部位的灰度,如平均灰度值、灰度极差值、灰度积分、直方图、峰态、不对称性等;2)肿瘤形状,如径线、纵横比、周长、周长/长径等;3)纹理结构和/或灰度特征,如灰度标准差、灰度均数、扭曲度、熵;4)同时量化肿瘤与周围***、周围组织之间关系的特征参数;b、病变部位的硬度特征:平均硬度值、最大值、最小值、极差、标准差、均匀性、剪切波速度、硬度值积分、直方图、峰态、肿瘤与周围正常组织或脂肪组织的硬度比、速度比的测量扩展参数;c、病变部位的动态血流灌注特征:包括曲线下面积、平均通过时间、峰值时间、上升斜率、下降斜率、灌注指数、峰值强度和拟合优度。
对超声组学的数据挖据方法包括超声组学数据预处理、超声组学特征工程及后续的无监督和有监督算法。其中传统统计学包括一般线性回归和广义线性回归;机器学习算法包括决策树、随机森林算法、逻辑回归、支持向量机、朴素贝叶斯、K最近邻算法、K均值算法、Adaboost算法、神经网络、马尔可夫等构建的模型。
需要处理的数据包括:患者的临床基本信息、实验室检查数据、病理组织结果、基因及蛋白组学信息、患者临床预后随访数据等。
超声组学和临床结局指标、基因组学数据进行比对方法包括:采用传统的逻辑回归法计算有效的高风险指标,并根据这些指标建立诺莫图nomogram,利用决策分析曲线Decision Curve Analysis比较预测复发或生存率的准确性;采用决策树、Adaboost或者随机森林的方法建立分类模型,并利用验证组的准确率、错误率或受试者工作曲线下面积比较判断疗效和放化疗敏感性;采用t检验、pearson相关性分析比较分析病理特征、临床分期、基因突变相关性,辅助临床决策。
如图2下面结合基于多模态超声组学的直肠癌的计算机辅助预后方法对本发明进行详细描述。
步骤S0:多模态超声图像获取。经直肠超声获取直肠肿物的常规二维图像,剪切波弹性成像获取直肠肿物硬度图像,超声造影谐波成像获取直肠中午血流灌注学动态图像。超声信号包括二维静态图像(TIFF或Dicom)、剪切波弹性成像(Dicom)和动态造影成像(AVI或Dicom)来源。感兴趣区包括直肠肿物、周围正常肠壁、肿物周边脂肪、周边正常脂肪和***。
步骤S1:超声组学数据库确定。前瞻性收集103例经手术病理证实的直肠癌多模态超声图像,82例作为训练病例,21例作为验证病例。多模态超声图像包括:经直肠超声二维、弹性超声图像、超声造影图像。临床数据包括:患者基本信息、实验室检查、不同TNM分期、病理分期、基因突变类型以及随访生存时间等。
对数据库中直肠癌患者的超声图像进行人工或交互式分割。
步骤S2:对分割后的直肠癌超声图像进行数据提取,二维超声图像利用软件分析获取以下量化特征:常规灰度参数,如平均值、极差值、灰度积分、峰态、不对称性等;肿瘤基本形状参数,如径线、周长、分叶系数等;纹理参数,如扭曲度、熵。
弹性图像利用定量分析方法,量化肿瘤基本统计学硬度值、临近肿瘤组织硬度信息及正常组织硬度信息,分析比较最大值、均值、最小值、标准差等弹性学差异。
超声造影图像利用比较定量分析造影剂分布比、到达时间比及肿瘤灌注常规参数,如曲线下面积、平均通过时间、峰值时间、灌注指数、峰值强度和拟合优度等参数。三维超声造影图像信息提取基于灰度直方和灰度共生矩阵。
在本实施例中,对103例经手术病理证实的直肠癌患者多模态超声图像进行特征量化,提取统计特征、纹理特征、血流灌注参数、三维形态特征等特征,实现所有数据的特征提取。
步骤S3:基于R语言,利用超声组学参数,采用高级统计方法和决策树/随机森林/支持向量机/Adaboost等机器学习方法,将一个完备的训练模型用于测试数据集实现未知病变的分析和预测,得到患者的病理、临床分期、基因信息和生存期的定性以及定量的分析结果,建立权重方程式的风险评分,并建立可视化nomogram,优化的精准预测模型,辅助临床决策,得到患者的病理、临床分期、基因信息和生存期的定性以及定量的分析结果。
在本实施例中,对103例经手术病理证实的直肠癌多模态超声图像进行分析时发现,多模态特征能够正确预测直肠癌分期和***转移等。综合形态学、血流灌注学及硬度学特征,所使用的多模态超声图像数据的预后结果与实际的吻合度达到了88.8%,表示本发明所提出的预后方案能够对直肠癌患者的***转移的定量辅助预测。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于多模态超声组学的智能辅助决策***,其特征在于:
步骤1,分别从超声仪器的不同信号来源,获取患者形态学、血流灌注学和硬度学的多模态超声数据;
(1)常规超声信号提取:将疾病超声信号以静态的Dicom类型文件进行存储,分析疾病的基础信号差异;
(2)超声射频信号提取:将超声信号以Raw Data类型文件进行存储,分析疾病的形态信号差异;
(3)超声剪切波信号提取:将超声剪切波成像信号以静态的Dicom类型文件进行存储,分析疾病的硬度质地差异;
(4)超声谐波信号提取:将超声造影谐波成像信号以动态的Dicom类型文件进行存储,分析疾病的时间灌注曲线差异;
步骤2,专家分析多模态超声图像的感兴趣区,利用交互式或人工方法分割图像,计算机辅助量化分析或专家分析提取相应的超声组学数据。根据结局指标、临床信息、实验数据对超声组学数据进行分析及挖掘,采用线性回归、机器学习数据挖掘方法筛选高质量参数;
步骤3,利用传统预测模型或机器学习的分析方法建立智能辅助临床决策的***,预测复发及生存率,早期判断疗效和放化疗敏感性,分析病理特征、临床分期、基因突变相关性,辅助临床决策。
2.根据权利要求1所述的基于多模态超声组学的智能辅助决策***,其特征在于:
所述多模态超声为常规超声、形态学超声、剪切波弹性超声、动态灌注超声造影;超声图像来源可为二维超声、三维超声、二维及三维动态超声、四维超声的数据。
3.根据权利要求1所述的基于多模态超声组学的智能辅助决策***,其特征在于:
超声组学数据包括射频信号raw data来源数据,医学数字成像和通信Dicom来源数据,静态图像和动态图像来源数据。
4.根据权利要求1所述的基于多模态超声组学的智能辅助决策***,其特征在于:
所述感兴趣区为需观察的病变部位,包括肝脏、乳腺、甲状腺、肾脏、脾脏、心脏、胃肠组织、肌骨神经组织、生殖器及附件、孕期子宫及胎儿。
5.根据权利要求1所述的基于多模态超声组学的智能辅助决策***,其特征在于:
所述步骤2中的所述交互式分割方法基于边界和基于区域的方法相结合,分别从用户标注出前景以及背景区域采集样本点,采用密集尺度不变特征变换描述局部灰度直方图作为样本点特征,使用Boosting算法学习,得出病灶区域判别模型。
6.根据权利要求5所述的基于多模态超声组学的智能辅助决策***,其特征在于:
采用经典边缘检测算法,通过离线学习方法,得出病灶边缘判别模型;最后,运用***Bregman迭代算法,快速优化病灶区域判别模型和病灶边缘判别模型的组合模型,得到最优的分割结果。
7.根据权利要求1所述的基于多模态超声组学的智能辅助决策***,其特征在于:
所述步骤2分别提取相应超声数据特征包括:a、病变部位的形态特征包括,基于一般图像变换和小波图像变换方法获取的空间阈或者矩阵特征;b、病变部位的硬度特征:平均硬度值、最大值、最小值、极差、标准差、均匀性、剪切波速度、硬度值积分、直方图、峰态、肿瘤与周围正常组织或脂肪组织的硬度比、速度比的测量扩展参数;c、病变部位的动态血流灌注特征:包括曲线下面积、平均通过时间、峰值时间、上升斜率、下降斜率、灌注指数、峰值强度和拟合优度。
8.根据权利要求7所述的基于多模态超声组学的智能辅助决策***,其特征在于:
对超声组学的数据挖据方法包括超声组学数据预处理、超声组学特征工程及后续的无监督和有监督算法。其中传统统计学包括一般线性回归和广义线性回归;机器学习算法包括决策树、随机森林算法、逻辑回归、支持向量机、朴素贝叶斯、K最近邻算法、K均值算法、Adaboost算法、神经网络、马尔可夫构建的模型。
9.根据权利要求1所述的基于多模态超声组学的智能辅助决策***,其特征在于:
所述需要处理的数据包括:患者的临床基本信息、实验室检查数据、病理组织结果、基因及蛋白组学信息、患者临床预后随访数据。
10.根据权利要求1所述的基于多模态超声组学的智能辅助决策***,其特征在于:
超声组学和临床结局指标、基因组学数据进行比对方法包括:采用传统的逻辑回归法计算有效的高风险指标,并根据这些指标建立诺莫图nomogram,利用决策分析曲线Decision Curve Analysis比较预测复发或生存率的准确性;采用决策树、Adaboost或者随机森林的方法建立分类模型,并利用验证组的准确率、错误率或受试者工作曲线下面积比较判断疗效和放化疗敏感性;采用t检验、pearson/spearman相关性分析比较分析病理特征、临床分期、基因突变相关性,辅助临床决策。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710587641.5A CN107582097A (zh) | 2017-07-18 | 2017-07-18 | 一种基于多模态超声组学的智能辅助决策*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710587641.5A CN107582097A (zh) | 2017-07-18 | 2017-07-18 | 一种基于多模态超声组学的智能辅助决策*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107582097A true CN107582097A (zh) | 2018-01-16 |
Family
ID=61041716
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710587641.5A Pending CN107582097A (zh) | 2017-07-18 | 2017-07-18 | 一种基于多模态超声组学的智能辅助决策*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107582097A (zh) |
Cited By (33)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108573490A (zh) * | 2018-04-25 | 2018-09-25 | 王成彦 | 一种针对肿瘤影像数据的智能读片*** |
CN108670297A (zh) * | 2018-04-19 | 2018-10-19 | 上海大学 | 基于多模态经颅超声的帕金森病辅助诊断***及方法 |
CN108921821A (zh) * | 2018-06-01 | 2018-11-30 | 中国人民解放军战略支援部队信息工程大学 | 基于lasso回归的乳腺癌腋窝***转移状态的判别方法 |
CN108961207A (zh) * | 2018-05-02 | 2018-12-07 | 上海大学 | 基于多模态超声图像的***良恶性病变辅助诊断方法 |
CN109273084A (zh) * | 2018-11-06 | 2019-01-25 | 中山大学附属第医院 | 基于多模态超声组学特征建模的方法及*** |
CN109259780A (zh) * | 2018-07-24 | 2019-01-25 | 南方医科大学南方医院 | 基于增强ct影像组学的胃癌预后和化疗获益的辅助评估***与方法 |
CN109350062A (zh) * | 2018-12-12 | 2019-02-19 | 上海联影医疗科技有限公司 | 医学信息获取方法、设备及非易失性计算机存储介质 |
CN109544517A (zh) * | 2018-11-06 | 2019-03-29 | 中山大学附属第医院 | 基于深度学习的多模态超声组学分析方法及*** |
CN109558896A (zh) * | 2018-11-06 | 2019-04-02 | 中山大学附属第医院 | 基于超声组学和深度学习的疾病智能化分析方法及*** |
CN109598266A (zh) * | 2018-10-24 | 2019-04-09 | 深圳大学 | 基于机器学习的下肢深静脉血栓溶栓疗效预测方法及*** |
CN109602445A (zh) * | 2018-12-06 | 2019-04-12 | 余姚市华耀工具科技有限公司 | 脾脏缺陷检测平台 |
CN110292396A (zh) * | 2018-03-22 | 2019-10-01 | 深圳迈瑞生物医疗电子股份有限公司 | 定量成像的预测使用 |
CN110313941A (zh) * | 2019-08-01 | 2019-10-11 | 无锡海斯凯尔医学技术有限公司 | 数据处理方法、装置、设备及存储介质 |
CN110335665A (zh) * | 2019-04-01 | 2019-10-15 | 佛山原子医疗设备有限公司 | 一种应用于医学图像辅助诊断分析的以图搜图方法及*** |
CN110477954A (zh) * | 2019-07-08 | 2019-11-22 | 无锡海斯凯尔医学技术有限公司 | 基于弹性成像的检测设备 |
CN110613486A (zh) * | 2019-09-30 | 2019-12-27 | 深圳大学总医院 | 一种乳腺超声图像的检测方法及装置 |
CN110838110A (zh) * | 2019-11-05 | 2020-02-25 | 张峰 | 一种基于超声成像的良恶性肿块的识别*** |
CN111047580A (zh) * | 2019-12-14 | 2020-04-21 | 四川大学华西医院 | 用于超声分子影像研究的声像图定量分析及综合定量分析方法 |
WO2020118534A1 (zh) * | 2018-12-11 | 2020-06-18 | 广东医动科技有限公司 | 一种b超机器人自动检测方法及*** |
CN111307798A (zh) * | 2018-12-11 | 2020-06-19 | 成都智叟智能科技有限公司 | 采用多种采集技术的物品查验方法 |
CN111528800A (zh) * | 2020-04-30 | 2020-08-14 | 深圳开立生物医疗科技股份有限公司 | 一种肿瘤消融疗效预测方法、装置、设备及计算机介质 |
WO2020215484A1 (zh) * | 2019-04-20 | 2020-10-29 | 无锡祥生医疗科技股份有限公司 | 胎儿颈部透明层厚度测量方法、设备及存储介质 |
CN111863230A (zh) * | 2020-06-22 | 2020-10-30 | 南通大学 | 一种婴儿吸吮远程评估和母乳喂养指导方法 |
TWI711050B (zh) * | 2019-03-12 | 2020-11-21 | 宏碁股份有限公司 | 醫療影像辨識裝置及醫療影像辨識方法 |
CN112309548A (zh) * | 2019-07-25 | 2021-02-02 | 通用电气精准医疗有限责任公司 | 用于工作流管理的方法和*** |
CN112768072A (zh) * | 2021-01-12 | 2021-05-07 | 哈尔滨医科大学 | 基于影像组学定性算法构建癌症临床指标评估*** |
CN113077439A (zh) * | 2021-03-31 | 2021-07-06 | 复旦大学附属中山医院 | 一种新型的预测肝细胞肝癌mvi的超声造影*** |
CN113194815A (zh) * | 2018-10-11 | 2021-07-30 | 西诺医疗器械股份有限公司 | 用于自动估计病变特质的光声图像分析方法和*** |
CN113723415A (zh) * | 2021-08-26 | 2021-11-30 | 泰康保险集团股份有限公司 | 一种生存时长预测方法、装置、设备及介质 |
CN113907724A (zh) * | 2021-11-09 | 2022-01-11 | 刘明明 | 一种胰腺整体微循环功能测评及可视化方法 |
CN114724682A (zh) * | 2022-06-08 | 2022-07-08 | 成都与睿创新科技有限公司 | 用于微创手术的辅助决策方法及装置 |
CN117133466A (zh) * | 2023-10-26 | 2023-11-28 | 中日友好医院(中日友好临床医学研究所) | 基于转录组学和影像组学的生存预测方法及装置 |
CN117237351A (zh) * | 2023-11-14 | 2023-12-15 | 腾讯科技(深圳)有限公司 | 一种超声图像分析方法以及相关装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1820274A (zh) * | 2003-06-27 | 2006-08-16 | 美国西门子医疗解决公司 | 使用机器学习来利用cad***的常规使用期间所收集到的知识适配cad过程以对医学成像提供cad(计算机辅助决策 )支持 |
CN102737379A (zh) * | 2012-06-07 | 2012-10-17 | 中山大学 | 一种基于自适应学习的ct图像分割方法 |
CN103699808A (zh) * | 2014-01-03 | 2014-04-02 | 上海理工大学 | 一种医院辅助决策*** |
CN104331469A (zh) * | 2014-10-31 | 2015-02-04 | 上海申康医院发展中心 | 医联多病种影像特征库*** |
CN105653858A (zh) * | 2015-12-31 | 2016-06-08 | 中国科学院自动化研究所 | 一种基于影像组学的病变组织辅助预后***和方法 |
CN106355023A (zh) * | 2016-08-31 | 2017-01-25 | 北京数字精准医疗科技有限公司 | 基于医学影像的开放式定量分析方法与*** |
CN106875401A (zh) * | 2017-01-10 | 2017-06-20 | 中国科学院深圳先进技术研究院 | 多模态影像组学的分析方法、装置及终端 |
-
2017
- 2017-07-18 CN CN201710587641.5A patent/CN107582097A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1820274A (zh) * | 2003-06-27 | 2006-08-16 | 美国西门子医疗解决公司 | 使用机器学习来利用cad***的常规使用期间所收集到的知识适配cad过程以对医学成像提供cad(计算机辅助决策 )支持 |
CN102737379A (zh) * | 2012-06-07 | 2012-10-17 | 中山大学 | 一种基于自适应学习的ct图像分割方法 |
CN103699808A (zh) * | 2014-01-03 | 2014-04-02 | 上海理工大学 | 一种医院辅助决策*** |
CN104331469A (zh) * | 2014-10-31 | 2015-02-04 | 上海申康医院发展中心 | 医联多病种影像特征库*** |
CN105653858A (zh) * | 2015-12-31 | 2016-06-08 | 中国科学院自动化研究所 | 一种基于影像组学的病变组织辅助预后***和方法 |
CN106355023A (zh) * | 2016-08-31 | 2017-01-25 | 北京数字精准医疗科技有限公司 | 基于医学影像的开放式定量分析方法与*** |
CN106875401A (zh) * | 2017-01-10 | 2017-06-20 | 中国科学院深圳先进技术研究院 | 多模态影像组学的分析方法、装置及终端 |
Non-Patent Citations (1)
Title |
---|
巩睿: "基于多模态超声图像的甲状腺肿瘤的分类", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (53)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110292396A (zh) * | 2018-03-22 | 2019-10-01 | 深圳迈瑞生物医疗电子股份有限公司 | 定量成像的预测使用 |
CN110292396B (zh) * | 2018-03-22 | 2024-05-28 | 深圳迈瑞生物医疗电子股份有限公司 | 定量成像的预测使用 |
CN108670297A (zh) * | 2018-04-19 | 2018-10-19 | 上海大学 | 基于多模态经颅超声的帕金森病辅助诊断***及方法 |
CN108573490A (zh) * | 2018-04-25 | 2018-09-25 | 王成彦 | 一种针对肿瘤影像数据的智能读片*** |
CN108573490B (zh) * | 2018-04-25 | 2020-06-05 | 王成彦 | 一种针对肿瘤影像数据的智能读片*** |
CN108961207A (zh) * | 2018-05-02 | 2018-12-07 | 上海大学 | 基于多模态超声图像的***良恶性病变辅助诊断方法 |
CN108961207B (zh) * | 2018-05-02 | 2022-11-04 | 上海大学 | 基于多模态超声图像的***良恶性病变辅助诊断方法 |
CN108921821A (zh) * | 2018-06-01 | 2018-11-30 | 中国人民解放军战略支援部队信息工程大学 | 基于lasso回归的乳腺癌腋窝***转移状态的判别方法 |
CN109259780A (zh) * | 2018-07-24 | 2019-01-25 | 南方医科大学南方医院 | 基于增强ct影像组学的胃癌预后和化疗获益的辅助评估***与方法 |
CN113194815A (zh) * | 2018-10-11 | 2021-07-30 | 西诺医疗器械股份有限公司 | 用于自动估计病变特质的光声图像分析方法和*** |
CN109598266A (zh) * | 2018-10-24 | 2019-04-09 | 深圳大学 | 基于机器学习的下肢深静脉血栓溶栓疗效预测方法及*** |
CN109544517A (zh) * | 2018-11-06 | 2019-03-29 | 中山大学附属第医院 | 基于深度学习的多模态超声组学分析方法及*** |
CN109273084A (zh) * | 2018-11-06 | 2019-01-25 | 中山大学附属第医院 | 基于多模态超声组学特征建模的方法及*** |
CN109558896B (zh) * | 2018-11-06 | 2024-04-30 | 中山大学附属第一医院 | 基于超声组学和深度学习的疾病智能化分析方法及*** |
CN109558896A (zh) * | 2018-11-06 | 2019-04-02 | 中山大学附属第医院 | 基于超声组学和深度学习的疾病智能化分析方法及*** |
CN109273084B (zh) * | 2018-11-06 | 2021-06-22 | 中山大学附属第一医院 | 基于多模态超声组学特征建模的方法及*** |
CN109602445A (zh) * | 2018-12-06 | 2019-04-12 | 余姚市华耀工具科技有限公司 | 脾脏缺陷检测平台 |
WO2020118534A1 (zh) * | 2018-12-11 | 2020-06-18 | 广东医动科技有限公司 | 一种b超机器人自动检测方法及*** |
CN111307798A (zh) * | 2018-12-11 | 2020-06-19 | 成都智叟智能科技有限公司 | 采用多种采集技术的物品查验方法 |
CN109350062B (zh) * | 2018-12-12 | 2023-02-24 | 上海联影医疗科技股份有限公司 | 医学信息获取方法、设备及非易失性计算机存储介质 |
CN109350062A (zh) * | 2018-12-12 | 2019-02-19 | 上海联影医疗科技有限公司 | 医学信息获取方法、设备及非易失性计算机存储介质 |
TWI711050B (zh) * | 2019-03-12 | 2020-11-21 | 宏碁股份有限公司 | 醫療影像辨識裝置及醫療影像辨識方法 |
CN110335665A (zh) * | 2019-04-01 | 2019-10-15 | 佛山原子医疗设备有限公司 | 一种应用于医学图像辅助诊断分析的以图搜图方法及*** |
CN110335665B (zh) * | 2019-04-01 | 2021-07-20 | 佛山原子医疗设备有限公司 | 一种应用于医学图像辅助诊断分析的以图搜图方法及*** |
WO2020215484A1 (zh) * | 2019-04-20 | 2020-10-29 | 无锡祥生医疗科技股份有限公司 | 胎儿颈部透明层厚度测量方法、设备及存储介质 |
CN110477954A (zh) * | 2019-07-08 | 2019-11-22 | 无锡海斯凯尔医学技术有限公司 | 基于弹性成像的检测设备 |
CN110477954B (zh) * | 2019-07-08 | 2021-07-27 | 无锡海斯凯尔医学技术有限公司 | 基于弹性成像的检测设备 |
CN112309548A (zh) * | 2019-07-25 | 2021-02-02 | 通用电气精准医疗有限责任公司 | 用于工作流管理的方法和*** |
WO2021018101A1 (zh) * | 2019-08-01 | 2021-02-04 | 无锡海斯凯尔医学技术有限公司 | 数据处理方法、装置、设备及存储介质 |
JP7296171B2 (ja) | 2019-08-01 | 2023-06-22 | 无錫海斯凱尓医学技術有限公司 | データ処理方法、装置、機器及び記憶媒体 |
CN110313941B (zh) * | 2019-08-01 | 2021-02-19 | 无锡海斯凯尔医学技术有限公司 | 数据处理方法、装置、设备及存储介质 |
JP2022542442A (ja) * | 2019-08-01 | 2022-10-03 | 无錫海斯凱尓医学技術有限公司 | データ処理方法、装置、機器及び記憶媒体 |
CN110313941A (zh) * | 2019-08-01 | 2019-10-11 | 无锡海斯凯尔医学技术有限公司 | 数据处理方法、装置、设备及存储介质 |
CN110613486B (zh) * | 2019-09-30 | 2022-04-22 | 深圳大学总医院 | 一种乳腺超声图像的检测方法及装置 |
CN110613486A (zh) * | 2019-09-30 | 2019-12-27 | 深圳大学总医院 | 一种乳腺超声图像的检测方法及装置 |
CN110838110A (zh) * | 2019-11-05 | 2020-02-25 | 张峰 | 一种基于超声成像的良恶性肿块的识别*** |
CN111047580A (zh) * | 2019-12-14 | 2020-04-21 | 四川大学华西医院 | 用于超声分子影像研究的声像图定量分析及综合定量分析方法 |
CN111047580B (zh) * | 2019-12-14 | 2022-08-23 | 四川大学华西医院 | 用于超声分子影像研究的声像图定量分析及综合定量分析方法 |
CN111528800A (zh) * | 2020-04-30 | 2020-08-14 | 深圳开立生物医疗科技股份有限公司 | 一种肿瘤消融疗效预测方法、装置、设备及计算机介质 |
CN111863230B (zh) * | 2020-06-22 | 2024-01-02 | 南通大学 | 一种婴儿吸吮远程评估和母乳喂养指导方法 |
CN111863230A (zh) * | 2020-06-22 | 2020-10-30 | 南通大学 | 一种婴儿吸吮远程评估和母乳喂养指导方法 |
CN112768072A (zh) * | 2021-01-12 | 2021-05-07 | 哈尔滨医科大学 | 基于影像组学定性算法构建癌症临床指标评估*** |
CN112768072B (zh) * | 2021-01-12 | 2023-03-24 | 哈尔滨医科大学 | 基于影像组学定性算法构建癌症临床指标评估*** |
CN113077439A (zh) * | 2021-03-31 | 2021-07-06 | 复旦大学附属中山医院 | 一种新型的预测肝细胞肝癌mvi的超声造影*** |
CN113723415A (zh) * | 2021-08-26 | 2021-11-30 | 泰康保险集团股份有限公司 | 一种生存时长预测方法、装置、设备及介质 |
CN113723415B (zh) * | 2021-08-26 | 2023-07-18 | 泰康保险集团股份有限公司 | 一种生存时长预测方法、装置、设备及介质 |
CN113907724A (zh) * | 2021-11-09 | 2022-01-11 | 刘明明 | 一种胰腺整体微循环功能测评及可视化方法 |
CN114724682B (zh) * | 2022-06-08 | 2022-08-16 | 成都与睿创新科技有限公司 | 用于微创手术的辅助决策装置 |
CN114724682A (zh) * | 2022-06-08 | 2022-07-08 | 成都与睿创新科技有限公司 | 用于微创手术的辅助决策方法及装置 |
CN117133466A (zh) * | 2023-10-26 | 2023-11-28 | 中日友好医院(中日友好临床医学研究所) | 基于转录组学和影像组学的生存预测方法及装置 |
CN117133466B (zh) * | 2023-10-26 | 2024-05-24 | 中日友好医院(中日友好临床医学研究所) | 基于转录组学和影像组学的生存预测方法及装置 |
CN117237351A (zh) * | 2023-11-14 | 2023-12-15 | 腾讯科技(深圳)有限公司 | 一种超声图像分析方法以及相关装置 |
CN117237351B (zh) * | 2023-11-14 | 2024-04-26 | 腾讯科技(深圳)有限公司 | 一种超声图像分析方法以及相关装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107582097A (zh) | 一种基于多模态超声组学的智能辅助决策*** | |
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*** | |
Habuza et al. | AI applications in robotics, diagnostic image analysis and precision medicine: Current limitations, future trends, guidelines on CAD systems for medicine | |
US11455723B2 (en) | Second reader suggestion | |
Qian et al. | An integrated method for atherosclerotic carotid plaque segmentation in ultrasound image | |
Dogan et al. | A two-phase approach using mask R-CNN and 3D U-Net for high-accuracy automatic segmentation of pancreas in CT imaging | |
Tuncer et al. | A decision support system for detection of the renal cell cancer in the kidney | |
Marzola et al. | Deep learning segmentation of transverse musculoskeletal ultrasound images for neuromuscular disease assessment | |
CN114782307A (zh) | 基于深度学习的增强ct影像直肠癌分期辅助诊断*** | |
Włodarczyk et al. | Spontaneous preterm birth prediction using convolutional neural networks | |
Hussain et al. | Deep learning-based diagnosis of disc degenerative diseases using MRI: a comprehensive review | |
Manh et al. | Multi-attribute attention network for interpretable diagnosis of thyroid nodules in ultrasound images | |
CN117076655A (zh) | 一种手术规划方案生成方法、***、装置和介质 | |
Karri et al. | Skin lesion segmentation using two-phase cross-domain transfer learning framework | |
Qian et al. | Automatic segmentation method using FCN with multi-scale dilated convolution for medical ultrasound image | |
Affane et al. | Robust deep 3-D architectures based on vascular patterns for liver vessel segmentation | |
Hu et al. | Automatic detection of melanins and sebums from skin images using a generative adversarial network | |
Kumar et al. | A Novel Approach for Breast Cancer Detection by Mammograms | |
AbdulMoniem et al. | Artificial intelligence in hypospadiology: role, applications, and benefits | |
Amini | Head circumference measurement with deep learning approach based on multi-scale ultrasound images | |
Hai et al. | Transfer Learning for Disease Diagnosis from Myocardial Perfusion SPECT Imaging. | |
Zhang et al. | SEG-LUS: A novel ultrasound segmentation method for liver and its accessory structures based on muti-head self-attention | |
Eadie et al. | Recommendations for research design and reporting in computer-assisted diagnosis to facilitate meta-analysis | |
Fan et al. | Fuzzy entropy based on differential evolution for breast gland segmentation | |
Mousavi Moghaddam et al. | Lung parenchyma segmentation from CT images with a fully automatic method |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180116 |
|
RJ01 | Rejection of invention patent application after publication |