CN108898588A - 基于时间序列的治疗效果评估方法、电子设备 - Google Patents
基于时间序列的治疗效果评估方法、电子设备 Download PDFInfo
- Publication number
- CN108898588A CN108898588A CN201810648061.7A CN201810648061A CN108898588A CN 108898588 A CN108898588 A CN 108898588A CN 201810648061 A CN201810648061 A CN 201810648061A CN 108898588 A CN108898588 A CN 108898588A
- Authority
- CN
- China
- Prior art keywords
- lung
- image
- model
- data
- shielding film
- 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
Classifications
-
- 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
- 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
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30061—Lung
- G06T2207/30064—Lung nodule
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了基于时间序列的治疗效果评估方法,包括如下步骤:获取肺部CT影像数据,所述肺部CT影像数据由若干肺部切片组成;对肺部CT影像数据进行预处理操作;根据预处理后的肺部CT影像数据设计肺结节检测模型;设计肺结节分类模型;根据肺结节检测模型设计基于时间轴的肺癌预测模型;根据每批次的样本数训练肺结节检测模型。本发明在深度学习的基础上,加入时间序列,动态的分析肺结节的变化过程,使医生能够更精确的诊断肺癌的治疗效果,以及进行复发早期预测。该算法诊断时间远远少于医生人工诊断时间,在诊断流程上能对医生诊断的重要环节进行辅助,可以节省医生大量时间精力。
Description
技术领域
本发明涉及影像技术,尤其涉及基于时间序列的治疗效果评估方法、电子设备。
背景技术
肺癌是恶性肿瘤里面发病率最高的恶性肿瘤之一,其五年生存率仅仅为15%左右。在患者治疗以及复查过程中,医生需要查看多次定期体检的CT图像,了解肺结节的变化过程,肺癌的治疗效果,肺癌复发的概率等。医生在对病人各个结节进行研判时,要跟踪评估其每个结节在时间上的变化,耗费大量时间精力,容易漏诊,误诊。
有人在20世纪60年代就提出来用计算机辅助诊断,利用计算机的大运算量来帮助医生进行诊断.在传统的CAD技术里,主要由具备多年经验的人针对不同类型疾病的检测来设计一些特征值,比如利用纹理分析、边缘检测以及物体检测的各种特征函数,如SIFT或HoG等。这些特征的提取完全通过人工来实现。这种做法客观上要求阅读大量病例,才能从中总结出经验来指导特征提取。一方面,特征质量和数量有限,直接导致了疾病的诊断率低;另一方面,针对不同疾病要设计完全不同的特征,更加增加了困难程度,这也是传统CAD技术没办法很快地应用到医学的不同领域中去的原因。
发明内容
为了克服现有技术的不足,本发明的目的之一在于提供基于时间序列的治疗效果评估方法,其能解决现有技术人工诊断率低的问题。
本发明的目的之二在于提高一种电子设备,其能解决现有技术人工诊断率低的问题。
本发明的目的之一采用以下技术方案实现:
基于时间序列的治疗效果评估方法,包括如下步骤:
获取步骤:获取肺部CT影像数据,所述肺部CT影像数据由若干肺部切片组成;
处理步骤:对所述肺部CT影像数据进行预处理操作;
检测设计步骤:根据预处理后的肺部CT影像数据设计肺结节检测模型;
分类设计步骤:设计肺结节分类模型;
模型预测步骤:根据肺结节检测模型设计基于时间轴的肺癌预测模型;
模型训练步骤:根据每批次的样本数训练肺结节检测模型。
优选的,所述预处理操作具体包括如下子步骤:
读取肺部CT影像数据;
计算每张切片中任意点到中心点的几何距离,并且去除几何距离大于image_size/2的该点到中心点的几何距离;使用高斯滤波器对CT影像数据的每张切片图像进行边缘锐化;
以HU=600作为阈值将CT影像数据的每张切片图像二值化;
对每张切片通过联通域分析,保留面积大于somin^2,且离心率小于0.99的联通域;对CT影像数据做3D影像分析,以去除杂质和背景,并在3D影像中填补小洞;
重复上述步骤以生成最大的两个联通域,该两个联通域为左肺和右肺,并生成左肺和右肺的掩护膜;
计算掩护膜上的凸包的面积,判断凸包的面积是否比掩护膜的面积大二分之一,若是,则继续使用掩护膜,否则,将凸包替代所述掩护膜;
对掩护膜做膨胀处理,通过线性变换,把每张切片的HU值[-1200,600]转换成[0,255]的灰度值,并分别将每张切片的图像值和灰度值相乘得到肺部的分割数据值;
将CT影像数据进行重采样,使不同患者对应的切片的图像单位像素表示空间大小一致。
优选的,检测设计步骤具体包括如下子步骤:
设计基于U-NET和RESNET的3D卷积神经网络,做结节检测;
设计损失函数;
设计SGD优化器。
优选的,模型预测步骤具体包括如下子步骤:
根据肺结节检测模型预测每个时间点上的结节信息,所述结节信息包括结节的位置、大小以及恶性概率;
设计GRU网络,并把患者在每个时间点上的结节信息作为输入数据;
根据输入数据设计损失函数。
优选的,模型训练步骤具体包括如下子步骤:
根据GPU显存容量调整每批次样本数、学习率和迭代数,以对肺结节检测模型进行训练;
根据每个时间点上的结节信息作为时序模型的输入数据对时序模型进行训练。
本发明的目的之二采用以下技术方案实现:
一种电子设备,包括存储器和处理器,所述存储器上存储有可被处理器执行的计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取步骤:获取肺部CT影像数据,所述肺部CT影像数据由若干肺部切片组成;
处理步骤:对所述肺部CT影像数据进行预处理操作;
检测设计步骤:根据预处理后的肺部CT影像数据设计肺结节检测模型;
分类设计步骤:设计肺结节分类模型;
模型预测步骤:根据肺结节检测模型设计基于时间轴的肺癌预测模型;
模型训练步骤:根据每批次的样本数训练肺结节检测模型。
优选的所述预处理操作具体包括如下子步骤:
读取肺部CT影像数据;
计算每张切片中任意点到中心点的几何距离,并且去除几何距离大于image_size/2的该点到中心点的几何距离;使用高斯滤波器对CT影像数据的每张切片图像进行边缘锐化;
以HU=600作为阈值将CT影像数据的每张切片图像二值化;
对每张切片通过联通域分析,保留面积大于somin^2,且离心率小于0.99的联通域;对CT影像数据做3D影像分析,以去除杂质和背景,并在3D影像中填补小洞;
重复上述步骤以生成最大的两个联通域,该两个联通域为左肺和右肺,并生成左肺和右肺的掩护膜;
计算掩护膜上的凸包的面积,判断凸包的面积是否比掩护膜的面积大二分之一,若是,则继续使用掩护膜,否则,将凸包替代所述掩护膜;
对掩护膜做膨胀处理,通过线性变换,把每张切片的HU值[-1200,600]转换成[0,255]的灰度值,并分别将每张切片的图像值和灰度值相乘得到肺部的分割数据值;
将CT影像数据进行重采样,使不同患者对应的切片的图像单位像素表示空间大小一致。
优选的,检测设计步骤具体包括如下子步骤:
设计基于U-NET和RESNET的3D卷积神经网络,做结节检测;
设计损失函数;
设计SGD优化器。
相比现有技术,本发明的有益效果在于:
本发明在深度学习的基础上,加入时间序列,动态的分析肺结节的变化过程,使医生能够更精确的诊断肺癌的治疗效果,以及进行复发早期预测。该算法诊断时间远远少于医生人工诊断时间,在诊断流程上能对医生诊断的重要环节进行辅助,可以节省医生大量时间精力。
附图说明
图1为本发明的基于时间序列的治疗效果评估方法流程图。
具体实施方式
下面,结合附图以及具体实施方式,对本发明做进一步描述:
如图1所示,本发明提供一种基于时间序列的治疗效果评估方法,具体包括如下步骤:
S1:获取肺部CT影像数据,所述肺部CT影像数据由若干肺部切片组成;
本发明采用的肺部CT影像数据有LUNAdata,Data Science Bowl2017stage1data,LUNA数据为MHD格式,利用SimpleITK工具读取数据,Data Science Bowl 2017数据为DICOM格式,利用dicom工具读取数据。
S2:对所述肺部CT影像数据进行预处理操作;
本步骤中,读取肺部CT影像数据;
计算每张切片中任意点到中心点的几何距离,并且去除几何距离大于image_size/2的该点到中心点的几何距离;使用高斯滤波器对CT影像数据的每张切片图像进行边缘锐化;
以HU=600作为阈值将CT影像数据的每张切片图像二值化;CT值单位又称亨氏单位,是由其发明者SirGreoffreyHounsfie1d的名字来命名的,简称Hu,用来表示CT图像上组织结构的相对密度,也就是身体的某个部分对于X光的不透光性。
对每张切片通过联通域分析,保留面积大于somin^2,且离心率小于0.99的联通域;对CT影像数据做3D影像分析,以去除杂质和背景,并在3D影像中填补小洞;联通域一般是指图像中具有相同像素值且位置相邻的前景像素点组成的图像区域(Region,Blob)。联通区域分析(Connected Component Analysis,Connected Component Labeling)是指将图像中的各个连通区域找出并标记。联通区域分析是一种在图像分析处理的众多应用领域中较为常用和基本的方法。
重复上述步骤以生成最大的两个联通域,该两个联通域为左肺和右肺,并生成左肺和右肺的掩护膜;
计算掩护膜上的凸包的面积,判断凸包的面积是否比掩护膜的面积大二分之一,若是,则继续使用掩护膜,否则,将凸包替代所述掩护膜;对于二维的图像,凸包就是将最外层的点连接起来构成凸多边形,它能包含点集中所有的点。
对掩护膜做膨胀处理,通过线性变换,把每张切片的HU值[-1200,600]转换成[0,255]的灰度值,并分别将每张切片的图像值和灰度值相乘得到肺部的分割数据值;膨胀是形态学中最基本的操作,用一个核去扫描原图,用核所覆盖区域的最大像素值代替锚点位置的像素。
将CT影像数据进行重采样,使不同患者对应的切片的图像单位像素表示空间大小一致。
当是DICOM格式的数据时,保存处理后的影像数据,读取annatations数据,将annatations重采样,保存处理后的标签数据,当时MHD格式的数据时,读取annatations数据后将annatations中的空间信息由世界坐标映射到图像的voxel坐标系上,再将annatations重采样并保存处理后的标签数据。
S3:根据预处理后的肺部CT影像数据设计肺结节检测模型;
具体为:设计基于U-NET和RESNET的3D卷积神经网络,做结节检测;肺结节检测网络整体采用3DFasterRCNN,因为任务只有两个分类(结节和背景),所以预测目标直接作为检测结果,不用执行第二阶段的分类。基础网络部分采用Unet+Resnet18架构,里面每个Resnet Block都是由多个卷积层和bn层和relu层组成。由于负样本远多于正样本,分布不平衡.有些负样本与结节相似,容易被误分为结节.hard negative mining用来处理这个问题。本来是负例,却以很大的概率被分成正例,这部分在算loss的时候加大权值。联合交集(IoU)用于确定输出的样本是正样本还是负样本。目标结节的IoU大于0.5和小于0.02的对象被分别作为正样本和负样本。
设计损失函数,包含Bingary Cross Entropy(二元交叉熵损失,用于分类)和SmothL1Loss(平滑的L1损失,用于结节的位置和大小信息回归.回归项包含边界框回归标签);
设计SGD优化器,设置参数momentum=0.9,weight_decay=1e-4,其中,momentum为动量,weight_decay为权值。
S4:设计肺结节分类模型;
设计三层3D卷积神经网络以做结节良恶性预测;肺结节分类网络采用3DCNN网络,分类输出恶性结节概率。网络由两层全链接层构成。输入数据是上记结节检测网络最后一个卷积层输出特征,这是一个32×32×32立方体×128的特征,从中选取置信度最高的5个结节特征。
设计损失函数;损失函数由这五个结节的置信度和一个假想结节的置信度的联合概率构成,P=1-(1-Pd)Пi(1-Pi),其中Pd是代表假想结节的肺癌概率,Pi代表1--5个结节的肺癌概率。
设计SGD优化器,设置参数momentum=0.9,weight_decay=1e-4。
S5:根据肺结节检测模型设计基于时间轴的肺癌预测模型;
根据肺结节检测模型预测每个时间点上的结节信息,所述结节信息包括结节的位置、大小以及恶性概率;
设计GRU网络,并把患者在每个时间点上的结节信息作为输入数据;
根据输入数据设计损失函数。
本步骤设计门控循环神经网络GRU,网络由多个循环模块构成,一个模块代表一个时间点上患者的结节信息,设计损失函数由Binary entropy loss和smooth L1Loss组成,对多种优化器进行试验,选择能收敛到全局极小值的结果,输出为预测下一个时间点的结节信息。
S6:根据每批次的样本数训练肺结节检测模型。
根据GPU显存容量调整每批次样本数、学习率和迭代数,以对肺结节检测模型进行训练;
根据每个时间点上的结节信息作为时序模型的输入数据对时序模型进行训练。调整每批次样本数,学习率,迭代数,训练门控循环神经网络GRU。
还包括部署步骤,部署RESTAPI服务器,因为患者的CT数据属于敏感信息,所以模型服务器部署在医院内部网络中,与外网隔离.服务器硬件上需要安装Nvidia GPU,软件上需要安装CUDA,CUDNN。安装服务器需要的软件包:Python,PyTorch,Redis,Flask,Apache,WSGI,virtualenv,编辑Apache的配置文件,追加项目信息,以指向Flask应用程序,编写Web服务器的代码文件,接受客户端传过来的CT数据,并推入Redis队列,不断循环请求,直到从模型服务器得到预测数据,并将数据发送回客户端,编写客户端显示用的HTML和JS文件,用来和客户进行数据交互,接受CT数据,显示预测结果,编写模型服务器代码文件,完成加载模型,对Redis队列中的图像进行预测,结果也推入Redis队列中,编写WSGI文件,将服务器目录添加到***路径,并导入web应用,创建项目的软链接到Apache的默认目录,因为使用GPU和CUDA,所以把CUDA库软连接到***目录/usr/lib下,以便Apache能够找到CUDA库文件,拷贝模型到服务器,以便模型服务器加载,用命令启动Apache Web服务器,Redis数据库,模型服务器。
本发明还提供一种电子设备,包括存储器和处理器,所述存储器上存储有可被处理器执行的计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取步骤:获取肺部CT影像数据,所述肺部CT影像数据由若干肺部切片组成;
处理步骤:对所述肺部CT影像数据进行预处理操作;
检测设计步骤:根据预处理后的肺部CT影像数据设计肺结节检测模型;
分类设计步骤:设计肺结节分类模型;
模型预测步骤:根据肺结节检测模型设计基于时间轴的肺癌预测模型;
模型训练步骤:根据每批次的样本数训练肺结节检测模型。
预处理操作具体包括如下子步骤:
读取肺部CT影像数据;
计算每张切片中任意点到中心点的几何距离,并且去除几何距离大于image_size/2的该点到中心点的几何距离;使用高斯滤波器对CT影像数据的每张切片图像进行边缘锐化;
以HU=600作为阈值将CT影像数据的每张切片图像二值化;
对每张切片通过联通域分析,保留面积大于somin^2,且离心率小于0.99的联通域;对CT影像数据做3D影像分析,以去除杂质和背景,并在3D影像中填补小洞;
重复上述步骤以生成最大的两个联通域,该两个联通域为左肺和右肺,并生成左肺和右肺的掩护膜;
计算掩护膜上的凸包的面积,判断凸包的面积是否比掩护膜的面积大二分之一,若是,则继续使用掩护膜,否则,将凸包替代所述掩护膜;
对掩护膜做膨胀处理,通过线性变换,把每张切片的HU值[-1200,600]转换成[0,255]的灰度值,并分别将每张切片的图像值和灰度值相乘得到肺部的分割数据值;
将CT影像数据进行重采样,使不同患者对应的切片的图像单位像素表示空间大小一致。
检测设计步骤具体包括如下子步骤:
设计基于U-NET和RESNET的3D卷积神经网络,做结节检测;
设计损失函数;
设计SGD优化器。
本发明主要由CT影像预处理,模型训练,模型部署三个部分组成.原始CT数据集通过预处理,转换成模型可训练数据,提供给模型进行训练.训练完成后,模型保存并部署在服务器端.当在客户端上传了患者CT数据后,利用服务器端的模型,对患者肺部结节进行动态分析,输出结节的变化过程,预测肺癌的治疗效果及复发概率。
本发明序列模型可以用LSTM或者其变种变体进行替代,也可以用类似的RNN模型替代。
对本领域的技术人员来说,可根据以上描述的技术方案以及构思,做出其它各种相应的改变以及形变,而所有的这些改变以及形变都应该属于本发明权利要求的保护范围之内。
Claims (8)
1.基于时间序列的治疗效果评估方法,其特征在于,包括如下步骤:
获取步骤:获取肺部CT影像数据,所述肺部CT影像数据由若干肺部切片组成;
处理步骤:对所述肺部CT影像数据进行预处理操作;
检测设计步骤:根据预处理后的肺部CT影像数据设计肺结节检测模型;
分类设计步骤:设计肺结节分类模型;
模型预测步骤:根据肺结节检测模型设计基于时间轴的肺癌预测模型;
模型训练步骤:根据每批次的样本数训练肺结节检测模型。
2.如权利要求1所述的治疗效果评估方法,其特征在于,所述预处理操作具体包括如下子步骤:
读取肺部CT影像数据;
计算每张切片中任意点到中心点的几何距离,并且去除几何距离大于image_size/2的该点到中心点的几何距离;使用高斯滤波器对CT影像数据的每张切片图像进行边缘锐化;
以HU=600作为阈值将CT影像数据的每张切片图像二值化;
对每张切片通过联通域分析,保留面积大于somin^2,且离心率小于0.99的联通域;对CT影像数据做3D影像分析,以去除杂质和背景,并在3D影像中填补小洞;
重复上述步骤以生成最大的两个联通域,该两个联通域为左肺和右肺,并生成左肺和右肺的掩护膜;
计算掩护膜上的凸包的面积,判断凸包的面积是否比掩护膜的面积大二分之一,若是,则继续使用掩护膜,否则,将凸包替代所述掩护膜;
对掩护膜做膨胀处理,通过线性变换,把每张切片的HU值[-1200,600]转换成[0,255]的灰度值,并分别将每张切片的图像值和灰度值相乘得到肺部的分割数据值;
将CT影像数据进行重采样,使不同患者对应的切片的图像单位像素表示空间大小一致。
3.如权利要求2所述的治疗效果评估方法,其特征在于,检测设计步骤具体包括如下子步骤:
设计基于U-NET和RESNET的3D卷积神经网络,做结节检测;
设计损失函数;
设计SGD优化器。
4.如权利要求3所述的治疗效果评估方法,其特征在于,模型预测步骤具体包括如下子步骤:
根据肺结节检测模型预测每个时间点上的结节信息,所述结节信息包括结节的位置、大小以及恶性概率;
设计GRU网络,并把患者在每个时间点上的结节信息作为输入数据;
根据输入数据设计损失函数。
5.如权利要求4所述的治疗效果评估方法,其特征在于,模型训练步骤具体包括如下子步骤:
根据GPU显存容量调整每批次样本数、学习率和迭代数,以对肺结节检测模型进行训练;
根据每个时间点上的结节信息作为时序模型的输入数据对时序模型进行训练。
6.一种电子设备,包括存储器和处理器,所述存储器上存储有可被处理器执行的计算机程序,其特征在于,所述计算机程序被处理器执行时实现以下步骤:
获取步骤:获取肺部CT影像数据,所述肺部CT影像数据由若干肺部切片组成;
处理步骤:对所述肺部CT影像数据进行预处理操作;
检测设计步骤:根据预处理后的肺部CT影像数据设计肺结节检测模型;
分类设计步骤:设计肺结节分类模型;
模型预测步骤:根据肺结节检测模型设计基于时间轴的肺癌预测模型;
模型训练步骤:根据每批次的样本数训练肺结节检测模型。
7.如权利要求6所述的电子设备,其特征在于,所述预处理操作具体包括如下子步骤:
读取肺部CT影像数据;
计算每张切片中任意点到中心点的几何距离,并且去除几何距离大于image_size/2的该点到中心点的几何距离;使用高斯滤波器对CT影像数据的每张切片图像进行边缘锐化;
以HU=600作为阈值将CT影像数据的每张切片图像二值化;
对每张切片通过联通域分析,保留面积大于somin^2,且离心率小于0.99的联通域;对CT影像数据做3D影像分析,以去除杂质和背景,并在3D影像中填补小洞;
重复上述步骤以生成最大的两个联通域,该两个联通域为左肺和右肺,并生成左肺和右肺的掩护膜;
计算掩护膜上的凸包的面积,判断凸包的面积是否比掩护膜的面积大二分之一,若是,则继续使用掩护膜,否则,将凸包替代所述掩护膜;
对掩护膜做膨胀处理,通过线性变换,把每张切片的HU值[-1200,600]转换成[0,255]的灰度值,并分别将每张切片的图像值和灰度值相乘得到肺部的分割数据值;
将CT影像数据进行重采样,使不同患者对应的切片的图像单位像素表示空间大小一致。
8.如权利要求7所述的电子设备,其特征在于,检测设计步骤具体包括如下子步骤:
设计基于U-NET和RESNET的3D卷积神经网络,做结节检测;
设计损失函数;
设计SGD优化器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810648061.7A CN108898588A (zh) | 2018-06-22 | 2018-06-22 | 基于时间序列的治疗效果评估方法、电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810648061.7A CN108898588A (zh) | 2018-06-22 | 2018-06-22 | 基于时间序列的治疗效果评估方法、电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108898588A true CN108898588A (zh) | 2018-11-27 |
Family
ID=64345654
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810648061.7A Pending CN108898588A (zh) | 2018-06-22 | 2018-06-22 | 基于时间序列的治疗效果评估方法、电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108898588A (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109636819A (zh) * | 2018-12-17 | 2019-04-16 | 郑州云海信息技术有限公司 | 一种基于深度学习的肺结节生长速率预测装置 |
CN109685776A (zh) * | 2018-12-12 | 2019-04-26 | 华中科技大学 | 一种基于ct图像的肺结节检测方法及*** |
CN110097580A (zh) * | 2019-03-18 | 2019-08-06 | 山东师范大学 | 一种超声图像标志物运动追踪方法 |
CN110534192A (zh) * | 2019-07-24 | 2019-12-03 | 大连理工大学 | 一种基于深度学习的肺结节良恶性识别方法 |
TWI681406B (zh) * | 2018-12-20 | 2020-01-01 | 中國醫藥大學附設醫院 | 腫瘤影像深度學習輔助子宮頸癌患者預後預測系統、方法及電腦程式產品 |
CN110717894A (zh) * | 2019-09-20 | 2020-01-21 | 北京深睿博联科技有限责任公司 | 癌症靶向治疗疗效评估方法及装置、设备、存储介质 |
CN111340793A (zh) * | 2020-03-05 | 2020-06-26 | 上海市肺科医院(上海市职业病防治院) | 一种肺部亚实性结节性质检测***及方法 |
CN111738998A (zh) * | 2020-06-12 | 2020-10-02 | 深圳技术大学 | 病灶位置动态检测方法及装置、电子设备和存储介质 |
CN112700867A (zh) * | 2021-01-13 | 2021-04-23 | 浙江大学医学院附属第一医院 | 一种基于迁移学习的covid-19患者的分级诊断*** |
CN113313698A (zh) * | 2021-06-09 | 2021-08-27 | 光华临港工程应用技术研发(上海)有限公司 | 基于神经网络的肺结节检测方法、装置及图像处理设备 |
CN113658048A (zh) * | 2021-08-24 | 2021-11-16 | 中山仰视科技有限公司 | 一种采用超分辨率重建方式进行肺部ct图像填充的方法 |
CN113724200A (zh) * | 2021-08-02 | 2021-11-30 | 武汉大学 | 一种基于异构数据的肺结节演化预测方法、装置及设备 |
CN113778951A (zh) * | 2021-09-16 | 2021-12-10 | 平安国际智慧城市科技股份有限公司 | 文件的追加方法、装置、设备以及存储介质 |
CN117649408A (zh) * | 2024-01-29 | 2024-03-05 | 天津博思特医疗科技有限责任公司 | 一种基于肺部ct图像的肺结节识别处理方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102812492A (zh) * | 2010-03-08 | 2012-12-05 | 皇家飞利浦电子股份有限公司 | 在心脏成像中感兴趣区域的定义 |
CN106780460A (zh) * | 2016-12-13 | 2017-05-31 | 杭州健培科技有限公司 | 一种用于胸部ct影像的肺结节自动检测*** |
CN107423756A (zh) * | 2017-07-05 | 2017-12-01 | 武汉科恩斯医疗科技有限公司 | 基于深度卷积神经网络结合长短期记忆模型的核磁共振图像序列分类方法 |
-
2018
- 2018-06-22 CN CN201810648061.7A patent/CN108898588A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102812492A (zh) * | 2010-03-08 | 2012-12-05 | 皇家飞利浦电子股份有限公司 | 在心脏成像中感兴趣区域的定义 |
CN106780460A (zh) * | 2016-12-13 | 2017-05-31 | 杭州健培科技有限公司 | 一种用于胸部ct影像的肺结节自动检测*** |
CN107423756A (zh) * | 2017-07-05 | 2017-12-01 | 武汉科恩斯医疗科技有限公司 | 基于深度卷积神经网络结合长短期记忆模型的核磁共振图像序列分类方法 |
Non-Patent Citations (1)
Title |
---|
YULEI QIN 等: "SIMULTANEOUS ACCURATE DETECTION OF PULMONARY NODULES AND FALSEPOSITIVE REDUCTION USING 3D CNNS", 《ICASSP》 * |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109685776B (zh) * | 2018-12-12 | 2021-01-19 | 华中科技大学 | 一种基于ct图像的肺结节检测方法及*** |
CN109685776A (zh) * | 2018-12-12 | 2019-04-26 | 华中科技大学 | 一种基于ct图像的肺结节检测方法及*** |
CN109636819A (zh) * | 2018-12-17 | 2019-04-16 | 郑州云海信息技术有限公司 | 一种基于深度学习的肺结节生长速率预测装置 |
TWI681406B (zh) * | 2018-12-20 | 2020-01-01 | 中國醫藥大學附設醫院 | 腫瘤影像深度學習輔助子宮頸癌患者預後預測系統、方法及電腦程式產品 |
CN110097580A (zh) * | 2019-03-18 | 2019-08-06 | 山东师范大学 | 一种超声图像标志物运动追踪方法 |
CN110097580B (zh) * | 2019-03-18 | 2021-10-19 | 山东师范大学 | 一种超声图像标志物运动追踪方法 |
CN110534192A (zh) * | 2019-07-24 | 2019-12-03 | 大连理工大学 | 一种基于深度学习的肺结节良恶性识别方法 |
CN110534192B (zh) * | 2019-07-24 | 2023-12-26 | 大连理工大学 | 一种基于深度学习的肺结节良恶性识别方法 |
CN110717894B (zh) * | 2019-09-20 | 2022-08-23 | 北京深睿博联科技有限责任公司 | 癌症靶向治疗疗效评估方法及装置、设备、存储介质 |
CN110717894A (zh) * | 2019-09-20 | 2020-01-21 | 北京深睿博联科技有限责任公司 | 癌症靶向治疗疗效评估方法及装置、设备、存储介质 |
CN111340793A (zh) * | 2020-03-05 | 2020-06-26 | 上海市肺科医院(上海市职业病防治院) | 一种肺部亚实性结节性质检测***及方法 |
CN111738998A (zh) * | 2020-06-12 | 2020-10-02 | 深圳技术大学 | 病灶位置动态检测方法及装置、电子设备和存储介质 |
CN111738998B (zh) * | 2020-06-12 | 2023-06-23 | 深圳技术大学 | 病灶位置动态检测方法及装置、电子设备和存储介质 |
CN112700867A (zh) * | 2021-01-13 | 2021-04-23 | 浙江大学医学院附属第一医院 | 一种基于迁移学习的covid-19患者的分级诊断*** |
CN113313698A (zh) * | 2021-06-09 | 2021-08-27 | 光华临港工程应用技术研发(上海)有限公司 | 基于神经网络的肺结节检测方法、装置及图像处理设备 |
CN113724200A (zh) * | 2021-08-02 | 2021-11-30 | 武汉大学 | 一种基于异构数据的肺结节演化预测方法、装置及设备 |
CN113658048A (zh) * | 2021-08-24 | 2021-11-16 | 中山仰视科技有限公司 | 一种采用超分辨率重建方式进行肺部ct图像填充的方法 |
CN113778951A (zh) * | 2021-09-16 | 2021-12-10 | 平安国际智慧城市科技股份有限公司 | 文件的追加方法、装置、设备以及存储介质 |
CN113778951B (zh) * | 2021-09-16 | 2024-04-26 | 平安国际智慧城市科技股份有限公司 | 文件的追加方法、装置、设备以及存储介质 |
CN117649408A (zh) * | 2024-01-29 | 2024-03-05 | 天津博思特医疗科技有限责任公司 | 一种基于肺部ct图像的肺结节识别处理方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108898588A (zh) | 基于时间序列的治疗效果评估方法、电子设备 | |
Su et al. | Lung nodule detection based on faster R-CNN framework | |
Hu et al. | Weakly supervised deep learning for covid-19 infection detection and classification from ct images | |
Kaur et al. | A review of denoising medical images using machine learning approaches | |
CN108876779A (zh) | 基于深度学习的肺癌早期预测方法、电子设备 | |
Zhao et al. | Automatic detection of small lung nodules on CT utilizing a local density maximum algorithm | |
Kallergi | Computer‐aided diagnosis of mammographic microcalcification clusters | |
CN108615237A (zh) | 一种肺部图像处理方法及图像处理设备 | |
Karthik et al. | Contour-enhanced attention CNN for CT-based COVID-19 segmentation | |
CN109754007A (zh) | ***手术中外包膜智能检测和预警方法及*** | |
CN110459319A (zh) | 基于人工智能的乳腺钼靶图像的辅助诊断*** | |
CN108549912A (zh) | 一种基于机器学习的医学图像肺结节检测方法 | |
CN110264460A (zh) | 一种目标检测结果的鉴别方法、装置、设备及存储介质 | |
CN111724344A (zh) | 一种基于对抗网络生成医学超声影像数据的方法 | |
Wang et al. | A deep learning method for counting white blood cells in bone marrow images | |
CN115564756A (zh) | 医学图像病灶定位显示方法与*** | |
Gu et al. | Pulmonary nodules detection based on deformable convolution | |
Iqbal et al. | Potential lung nodules identification for characterization by variable multistep threshold and shape indices from CT images | |
Wang et al. | Deep learning for automatic identification of nodule morphology features and prediction of lung cancer | |
WO2022056297A1 (en) | Method and apparatus for analyzing medical image data in a latent space representation | |
Rajasenbagam et al. | Semantic content-based image retrieval system using deep learning model for lung cancer CT images | |
Yang et al. | 3D multi‐view squeeze‐and‐excitation convolutional neural network for lung nodule classification | |
de Brito Silva et al. | Classification of breast masses in mammograms using geometric and topological feature maps and shape distribution | |
Cahyani et al. | COVID-19 classification using CNN-BiLSTM based on chest X-ray images | |
Khasawneh et al. | [Retracted] Early Detection of Medical Image Analysis by Using Machine Learning 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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181127 |