CN110766678A - 一种卵巢癌分子分型预测*** - Google Patents
一种卵巢癌分子分型预测*** Download PDFInfo
- Publication number
- CN110766678A CN110766678A CN201911015434.8A CN201911015434A CN110766678A CN 110766678 A CN110766678 A CN 110766678A CN 201911015434 A CN201911015434 A CN 201911015434A CN 110766678 A CN110766678 A CN 110766678A
- Authority
- CN
- China
- Prior art keywords
- image
- unit
- computer
- ovarian
- ovarian cancer
- 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.)
- Withdrawn
Links
- 206010033128 Ovarian cancer Diseases 0.000 title claims abstract description 51
- 206010061535 Ovarian neoplasm Diseases 0.000 title claims abstract description 49
- 230000002611 ovarian Effects 0.000 claims abstract description 45
- 238000012545 processing Methods 0.000 claims abstract description 31
- 230000002159 abnormal effect Effects 0.000 claims abstract description 27
- 238000012216 screening Methods 0.000 claims abstract description 20
- 238000013527 convolutional neural network Methods 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 16
- 238000000605 extraction Methods 0.000 claims description 13
- 238000000034 method Methods 0.000 claims description 13
- 238000013145 classification model Methods 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 11
- 238000011426 transformation method Methods 0.000 claims description 10
- 238000005516 engineering process Methods 0.000 claims description 9
- 238000000513 principal component analysis Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 3
- 239000003814 drug Substances 0.000 abstract description 2
- 230000009466 transformation Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 210000001672 ovary Anatomy 0.000 description 4
- 206010028980 Neoplasm Diseases 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 208000030070 Malignant epithelial tumor of ovary Diseases 0.000 description 2
- 208000007571 Ovarian Epithelial Carcinoma Diseases 0.000 description 2
- 206010061328 Ovarian epithelial cancer Diseases 0.000 description 2
- 201000011510 cancer Diseases 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 201000009030 Carcinoma Diseases 0.000 description 1
- 206010008342 Cervix carcinoma Diseases 0.000 description 1
- 208000009849 Female Genital Neoplasms Diseases 0.000 description 1
- 208000006105 Uterine Cervical Neoplasms Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 201000010881 cervical cancer Diseases 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000004195 computer-aided diagnosis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000013535 dynamic contrast enhanced MRI Methods 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 208000016848 malignant germ cell tumor Diseases 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 231100000915 pathological change Toxicity 0.000 description 1
- 230000036285 pathological change Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000001850 reproductive effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
Images
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
- G06T7/0014—Biomedical image inspection using an image reference approach
-
- 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
- G06T2207/10088—Magnetic resonance imaging [MRI]
- G06T2207/10096—Dynamic contrast-enhanced magnetic resonance imaging [DCE-MRI]
-
- 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
- G06T2207/30096—Tumor; Lesion
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了一种卵巢癌分子分型预测***,具体涉及医学技术领域,包括计算机,所述计算机的输入端设有影像采集模块,所述计算机的连接端设有筛选模块;所述影像采集模块用于对异常的卵巢组织和正常的卵巢组织的图像进行采集;所述筛选模块用于将异常的卵巢组织图像进行处理后与正常的卵巢组织图像进行对比,从而从异常的卵巢组织图像筛选出卵巢癌图像。本发明通过采集患者的异常卵巢组织图像以及正常人的正常卵巢组织图像,然后通过筛选模块筛选出卵巢癌图像,代替了医生的主观性判断,有效提高精确度,且提高工作效率,进而有效提高后续卵巢癌分子分型预测的效率。
Description
技术领域
本发明涉及医学技术领域,更具体地说,本发明涉及一种卵巢癌分子分型预测***。
背景技术
卵巢癌即卵巢恶性肿瘤,是女性生殖器官常见的恶性肿瘤之一,发病率仅次于子***和子宫体癌,卵巢恶性肿瘤中以上皮癌最多见,其次是恶性生殖细胞肿瘤,其中卵巢上皮癌死亡率占各类妇科肿瘤的首位,对女性生命造成严重威胁,由于卵巢深居盆腔,体积小,缺乏典型症状,难以早期发现。卵巢上皮癌患者手术中发现肿瘤局限于卵巢的仅占不足30%,大多数已扩散到盆腹腔器官,所以早期诊断是一大难题。
动态对比增强磁共振成像在卵巢癌早期检测和诊断方面已得到广泛应用,在卵巢癌诊断中,以卵巢DCE-MRI影像为对象的计算机辅助诊断***是通过提取病灶区获得人工特征对病变情况进行辨别,这些人工特征提取需要丰富的经验且具有主观性,在卵巢癌治疗中,医生通常根据患者不同的卵巢癌分子分型制定不同的治疗方案,而卵巢癌分子分型的分类则是通过患者卵巢癌组织的免疫组化学结果进行确诊。
现有技术中对卵巢癌的确诊通常是丰富经验的医生凭借主观性进行判断,不仅误差较大,且使得卵巢癌分子分型预测的效率降低。
发明内容
为了克服现有技术的上述缺陷,本发明的实施例提供一种卵巢癌分子分型预测***,通过采集患者的异常卵巢组织图像以及正常人的正常卵巢组织图像,然后通过筛选模块筛选出卵巢癌图像,代替了医生的主观性判断,有效提高精确度,且提高工作效率,进而有效提高后续卵巢癌分子分型预测的效率。
为实现上述目的,本发明提供如下技术方案:一种卵巢癌分子分型预测***,包括计算机,所述计算机的输入端设有影像采集模块,所述计算机的连接端设有筛选模块,所述计算机的输出端设有数据处理模块,所述数据处理模块的输出端连接有预测模块;
所述计算机用于对整个***进行分析计算;
所述影像采集模块用于对异常的卵巢组织和正常的卵巢组织的图像进行采集,然后再将采集的图像传递至计算机;
所述筛选模块用于接收计算机传递的图像,然后将异常的卵巢组织图像进行处理后与正常的卵巢组织图像进行对比,从而从异常的卵巢组织图像筛选出卵巢癌图像;
所述数据处理模块用于将卵巢癌图像进行一系列的数据处理,从而获取较高质量的图像数据;
所述预测模块用于对卵巢癌的分子分型进行预测。
在一个优选地实施方式中,所述影像采集模块包括磁共振扫描仪,所述磁共振扫描仪与计算机的输入端相连接。
在一个优选地实施方式中,所述筛选模块包括图像预处理单元、图像识别单元以及图像对比单元,所述图像预处理单元、图像识别单元以及图像对比单元均与计算机相连接。
在一个优选地实施方式中,所述图像预处理单元包括均值滤波器、灰度变换法、相关掩模技术以及灰度级彩色变换法,所述均值滤波器用于对滤除图像中的噪声和干扰,所述灰度变换法用于对图像进行对比度处理,所述相关掩模技术用于对图像进行边缘增强,所述灰度级彩色变换法用于对图像进行伪彩色处理。
在一个优选地实施方式中,所述图像识别单元包括尺寸不变特征转换,所述尺寸不变特征转换用于进行图像特征抽取,所述图像对比单元用于将异常的卵巢组织图像与正常的卵巢组织图像进行对比,从而筛选出卵巢癌图像。
在一个优选地实施方式中,所述数据处理模块包括序列提取单元、图像截取单元以及数据扩充单元,所述序列提取单元、图像截取单元以及数据扩充单元均与计算机的输出端相连接,所述序列提取单元用于提取卵巢癌组织差异性方面表现最为突出的序列影像,所述图像截取单元用于根据病灶区域范围的大小在提取的序列影像中截取病灶区域大小1.5倍的图像作为ROI图像,所述数据扩充单元用于增加图像数据量,所述数据扩充单元采用PCA扩充技术。
在一个优选地实施方式中,所述预测模块包括D卷积神经网络,所述D卷积神经网络的网络结构为卷积层与池化层交替连接,起到特征提取的作用,然后将学习到的特征输入到随后的全连接层,在全连接层采用了Dropout层以防止过拟合,最后是Softmax分类器,根据最后的特征预测分类,三维卷积运算公式为:
在一个优选地实施方式中,根据权利要求所述的一种卵巢癌分子分型预测***,其特征在于:基于所述D卷积神经网络的预测方法如下步骤:
S1、分组:将图像数据为基本单元随机分成相同的十份,然后将其中的一组放进测试组,其余九组放进训练组;
S2、输入数据:将训练组的ROI图像根据序列中的顺序存放在一个三维矩阵中,作为D卷积神经网络的输入数据;
S3、分类模型:训练组由D卷积神经网络训练出用于预测结果的分类模型参数,得到分类模型;
S4、测试数据预测:然后将测试集输入到预测模型,最后输入预测的结果。
本发明的技术效果和优点:
本发明通过影像采集模块采集患者的异常卵巢组织图像以及正常人的正常卵巢组织图像,然后通过筛选模块对两种图像进行预处理,然后对两种图像中的特征进行抽取,然后将异常卵巢组织图像的特征与正常卵巢组织图像的特征进行对比,从而筛选出卵巢癌图像,与现有技术相比,代替了医生的主观性判断,有效提高精确度,且提高工作效率,进而有效提高后续卵巢癌分子分型预测的效率。
附图说明
图1为本发明的模块示意图。
图2为本发明的单元示意图。
图3为本发明的影像采集模块的模块示意图。
图4为本发明的筛选模块的模块示意图。
图5为本发明的数据处理模块的模块示意图。
附图标记为:1计算机、2影像采集模块、3筛选模块、4数据处理模块、5预测模块、6磁共振扫描仪、7 3D卷积神经网络、8图像预处理单元、9图像识别单元、10图像对比单元、11均值滤波器、12灰度变换法、13相关掩模技术、14灰度级彩色变换法、15尺寸不变特征转换、16序列提取单元、17图像截取单元、18数据扩充单元。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
根据图1-4所示的一种卵巢癌分子分型预测***,包括计算机1,所述计算机1的输入端设有影像采集模块2,所述计算机1的连接端设有筛选模块3;
所述计算机1用于对整个***进行分析计算;
所述影像采集模块2用于对异常的卵巢组织和正常的卵巢组织的图像进行采集,然后再将采集的图像传递至计算机1;
所述筛选模块3用于接收计算机1传递的图像,然后将异常的卵巢组织图像进行处理后与正常的卵巢组织图像进行对比,从而从异常的卵巢组织图像筛选出卵巢癌图像。
所述影像采集模块2包括磁共振扫描仪6所述磁共振扫描仪6与计算机1的输入端相连接。
所述筛选模块3包括图像预处理单元8、图像识别单元9以及图像对比单元10,所述图像预处理单元8、图像识别单元9以及图像对比单元10均与计算机1相连接。
所述图像预处理单元8包括均值滤波器11、灰度变换法12、相关掩模技术13以及灰度级彩色变换法14,所述均值滤波器11使用的是典型的线性滤波算法,在图像上对目标像素给一个模板,该模板包括了其周围的临近像素,再用模板中的全体像素的平均值来代替原来像素值,所述均值滤波器11用于对滤除图像中的噪声和干扰,所述灰度变换法12是指根据某种目标条件按一定变换关系逐点改变源图像中每一个像素灰度值的方法,所述灰度变换法12用于对图像进行对比度处理,所述相关掩模技术13是指利用遥感影像拷贝产生的许多彼此能精确重叠的正负片,通过不同组合及相互叠掩的方法,进行影像反差调整和边缘增强等摄影处理的技术,所述相关掩模技术13用于对图像进行边缘增强,所述灰度级彩色变换法14用于对图像进行伪彩色处理。
所述图像识别单元9包括尺寸不变特征转换15,所述尺寸不变特征转换15是一种机器视觉的算法用来侦测与描述影像中的局部性特征,它在空间尺度中寻找极值点,并提取出其位置、尺度和旋转不变数,所述尺寸不变特征转换15用于进行图像特征抽取,所述图像对比单元10用于将异常的卵巢组织图像与正常的卵巢组织图像进行对比,从而筛选出卵巢癌图像。
实施方式具体为:本发明在实际使用时,使用磁共振扫描仪6采集患者的异常卵巢组织图像以及正常人的正常卵巢组织图像,然后将采集到的图像传递至计算机1,然后计算机1将图像传递至筛选模块3,筛选模块3中的图像预处理单元8分别对两种图像进行预处理,包括使用均值滤波器11滤除图像的噪声和干扰,从而降低误差,使用灰度变换法12对图像进行对比度处理,使得图像清晰醒目,使用相关掩模技术13对图像进行边缘增强,从而将图像相邻像元的亮度值相差较大的边缘处加以突出强调,使用灰度级彩色变换法14对图像进行伪彩色处理,从而将灰度图像转化成彩色表示,进而提高对图像细节的辨别力,然后通过图像识别单元9的尺寸不变特征转换15对两种图像中的特征进行抽取,然后使用图像对比单元10将异常卵巢组织图像的特征与正常卵巢组织图像的特征进行对比,从而筛选出卵巢癌图像,相比于现有技术的只凭医生主观性判断,有效提高精确度,且提高工作效率,进而有效提高后续卵巢癌分子分型预测的效率,该实施例具体解决了现有技术中对卵巢癌的确诊通常是丰富经验的医生凭借主观性进行判断,不仅误差较大,且使得卵巢癌分子分型预测的效率降低的问题。
根据图1、2和5所示的一种卵巢癌分子分型预测***,还包括数据处理模块4,所述数据处理模块4设在计算机1的输出端,所述数据处理模块4的输出端连接有预测模块5;
所述数据处理模块4用于将卵巢癌图像进行一系列的数据处理,从而获取较高质量的图像数据;
所述预测模块5用于对卵巢癌的分子分型进行预测。
所述数据处理模块4包括序列提取单元16、图像截取单元17以及数据扩充单元18,所述序列提取单元16、图像截取单元17以及数据扩充单元18均与计算机1的输出端相连接,所述序列提取单元16用于提取卵巢癌组织差异性方面表现最为突出的序列影像,所述图像截取单元17用于根据病灶区域范围的大小在提取的序列影像中截取病灶区域大小1.5倍的图像作为ROI图像,所述数据扩充单元18用于增加图像数据量,所述数据扩充单元18采用PCA扩充技术。
所述预测模块5包括3D卷积神经网络7,所述3D卷积神经网络7的网络结构为卷积层与池化层交替连接,起到特征提取的作用,然后将学习到的特征输入到随后的全连接层,在全连接层采用了Dropout层以防止过拟合,最后是Softmax分类器,根据最后的特征预测分类,三维卷积运算公式为:
基于所述3D卷积神经网络7的预测方法如下步骤:
S1、分组:将图像数据为基本单元随机分成相同的十份,然后将其中的一组放进测试组,其余九组放进训练组;
S2、输入数据:将训练组的ROI图像根据序列中的顺序存放在一个三维矩阵中,作为3D卷积神经网络7的输入数据;
S3、分类模型:训练组由3D卷积神经网络7训练出用于预测结果的分类模型参数,得到分类模型;
S4、测试数据预测:然后将测试集输入到预测模型,最后输入预测的结果。
实施方式具体为:将筛选出的卵巢癌图像通过数据处理模块4的序列提取单元16提取卵巢癌组织差异性方面表现最为突出的序列影像,然后通过图像截取单元17根据病灶区域范围的大小在提取的序列影像中截取病灶区域大小1.5倍的图像作为ROI图像,然后再通过数据扩充单元18的PCA扩充技术增加图像数据量,然后将图像数据为基本单元随机分成相同的十份,将其中的一组放进测试组,其余九组放进训练组,然后将训练组的ROI图像根据序列中的顺序存放在一个三维矩阵中,然后将这个三维矩阵中的数据输入预测模块5的3D卷积神经网络7中,训练组由3D卷积神经网络7训练出用于预测结果的分类模型参数,得到分类模型,然后将测试集输入到预测模型,最后输入预测的结果,通过由卵巢癌图像进行卵巢癌分子分型预测的方法有效降低患者痛苦。
本发明工作原理:
参照说明书附图1-4,本发明在实际使用时,通过影像采集模块2采集患者的异常卵巢组织图像以及正常人的正常卵巢组织图像,然后将采集到的图像传递至计算机1,计算机1将图像传递至筛选模块3,筛选模块3分别对两种图像进行预处理,然后通过图像识别单元9的尺寸不变特征转换15对两种图像中的特征进行抽取,然后使用图像对比单元10将异常卵巢组织图像的特征与正常卵巢组织图像的特征进行对比,从而筛选出卵巢癌图像;
参照说明书附图1、2和5,将筛选出的卵巢癌图像通过数据处理模块4处理得到高质量图像数据量,然后通过预测模块5的3D卷积神经网络7进行卵巢癌分子分型预测。
最后应说明的几点是:首先,在本申请的描述中,需要说明的是,除非另有规定和限定,术语“安装”、“相连”、“连接”应做广义理解,可以是机械连接或电连接,也可以是两个元件内部的连通,可以是直接相连,“上”、“下”、“左”、“右”等仅用于表示相对位置关系,当被描述对象的绝对位置改变,则相对位置关系可能发生改变;
其次:本发明公开实施例附图中,只涉及到与本公开实施例涉及到的结构,其他结构可参考通常设计,在不冲突情况下,本发明同一实施例及不同实施例可以相互组合;
最后:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,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 (8)
1.一种卵巢癌分子分型预测***,包括计算机(1),其特征在于:所述计算机(1)的输入端设有影像采集模块(2),所述计算机(1)的连接端设有筛选模块(3),所述计算机(1)的输出端设有数据处理模块(4),所述数据处理模块(4)的输出端连接有预测模块(5);
所述计算机(1)用于对整个***进行分析计算;
所述影像采集模块(2)用于对异常的卵巢组织和正常的卵巢组织的图像进行采集,然后再将采集的图像传递至计算机(1);
所述筛选模块(3)用于接收计算机(1)传递的图像,然后将异常的卵巢组织图像进行处理后与正常的卵巢组织图像进行对比,从而从异常的卵巢组织图像筛选出卵巢癌图像;
所述数据处理模块(4)用于将卵巢癌图像进行一系列的数据处理,从而获取较高质量的图像数据;
所述预测模块(5)用于对卵巢癌的分子分型进行预测。
2.根据权利要求1所述的一种卵巢癌分子分型预测***,其特征在于:所述影像采集模块(2)包括磁共振扫描仪(6),所述磁共振扫描仪(6)与计算机(1)的输入端相连接。
3.根据权利要求1所述的一种卵巢癌分子分型预测***,其特征在于:所述筛选模块(3)包括图像预处理单元(8)、图像识别单元(9)以及图像对比单元(10),所述图像预处理单元(8)、图像识别单元(9)以及图像对比单元(10)均与计算机(1)相连接。
4.根据权利要求3所述的一种卵巢癌分子分型预测***,其特征在于:所述图像预处理单元(8)包括均值滤波器(11)、灰度变换法(12)、相关掩模技术(13)以及灰度级彩色变换法(14),所述均值滤波器(11)用于对滤除图像中的噪声和干扰,所述灰度变换法(12)用于对图像进行对比度处理,所述相关掩模技术(13)用于对图像进行边缘增强,所述灰度级彩色变换法(14)用于对图像进行伪彩色处理。
5.根据权利要求3所述的一种卵巢癌分子分型预测***,其特征在于:所述图像识别单元(9)包括尺寸不变特征转换(15),所述尺寸不变特征转换(15)用于进行图像特征抽取,所述图像对比单元(10)用于将异常的卵巢组织图像与正常的卵巢组织图像进行对比,从而筛选出卵巢癌图像。
6.根据权利要求1所述的一种卵巢癌分子分型预测***,其特征在于:所述数据处理模块(4)包括序列提取单元(16)、图像截取单元(17)以及数据扩充单元(18),所述序列提取单元(16)、图像截取单元(17)以及数据扩充单元(18)均与计算机(1)的输出端相连接,所述序列提取单元(16)用于提取卵巢癌组织差异性方面表现最为突出的序列影像,所述图像截取单元(17)用于根据病灶区域范围的大小在提取的序列影像中截取病灶区域大小1.5倍的图像作为ROI图像,所述数据扩充单元(18)用于增加图像数据量,所述数据扩充单元(18)采用PCA扩充技术。
8.根据权利要求7所述的一种卵巢癌分子分型预测***,其特征在于:基于所述3D卷积神经网络(7)的预测方法如下步骤:
S1、分组:将图像数据为基本单元随机分成相同的十份,然后将其中的一组放进测试组,其余九组放进训练组;
S2、输入数据:将训练组的ROI图像根据序列中的顺序存放在一个三维矩阵中,作为3D卷积神经网络(7)的输入数据;
S3、分类模型:训练组由3D卷积神经网络(7)训练出用于预测结果的分类模型参数,得到分类模型;
S4、测试数据预测:然后将测试集输入到预测模型,最后输入预测的结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911015434.8A CN110766678A (zh) | 2019-10-24 | 2019-10-24 | 一种卵巢癌分子分型预测*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911015434.8A CN110766678A (zh) | 2019-10-24 | 2019-10-24 | 一种卵巢癌分子分型预测*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110766678A true CN110766678A (zh) | 2020-02-07 |
Family
ID=69333209
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911015434.8A Withdrawn CN110766678A (zh) | 2019-10-24 | 2019-10-24 | 一种卵巢癌分子分型预测*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110766678A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111430030A (zh) * | 2020-04-17 | 2020-07-17 | 武汉大学 | 生物标志物在卵巢癌评估中的应用方法及*** |
CN112635027A (zh) * | 2020-10-29 | 2021-04-09 | 郑州大学第一附属医院 | 膝骨性关节炎的mri分类图像处理***、方法及终端 |
CN113034436A (zh) * | 2021-02-26 | 2021-06-25 | 中山大学孙逸仙纪念医院 | 基于乳腺mr影像组学的乳腺癌分子分型变化预测装置 |
-
2019
- 2019-10-24 CN CN201911015434.8A patent/CN110766678A/zh not_active Withdrawn
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111430030A (zh) * | 2020-04-17 | 2020-07-17 | 武汉大学 | 生物标志物在卵巢癌评估中的应用方法及*** |
CN112635027A (zh) * | 2020-10-29 | 2021-04-09 | 郑州大学第一附属医院 | 膝骨性关节炎的mri分类图像处理***、方法及终端 |
CN113034436A (zh) * | 2021-02-26 | 2021-06-25 | 中山大学孙逸仙纪念医院 | 基于乳腺mr影像组学的乳腺癌分子分型变化预测装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109635846B (zh) | 一种多类医学图像判断方法和*** | |
WO2018120942A1 (zh) | 一种多模型融合自动检测医学图像中病变的***及方法 | |
CN109447998B (zh) | 基于PCANet深度学习模型下的自动分割方法 | |
CN108416360B (zh) | 基于乳腺钼靶钙化特征的癌症诊断***及方法 | |
CN110766678A (zh) | 一种卵巢癌分子分型预测*** | |
Pal et al. | Deep metric learning for cervical image classification | |
JP2004283211A (ja) | 画像判別装置、方法およびプログラム | |
WO2013049153A2 (en) | Systems and methods for automated screening and prognosis of cancer from whole-slide biopsy images | |
CN112862808A (zh) | 一种基于深度学习的乳腺癌超声图像的可解释性识别方法 | |
EP1324267A2 (en) | Automatic detection of regions of interest in digital images of biological tissue | |
CN109363699A (zh) | 一种乳腺影像病灶识别的方法及装置 | |
CN111260639A (zh) | 多视角信息协作的乳腺良恶性肿瘤分类方法 | |
Sarwar et al. | Segmentation of cervical cells for automated screening of cervical cancer: a review | |
CN116030325A (zh) | 基于深度混合学习框架的肺结节ct图像识别方法 | |
Cai et al. | Identifying architectural distortion in mammogram images via a se-densenet model and twice transfer learning | |
CN108921205A (zh) | 一种基于多特征融合的皮肤病临床图像分类方法 | |
CN117593293B (zh) | 鼻骨骨折影像智能处理***及方法 | |
Hassan et al. | A dilated residual hierarchically fashioned segmentation framework for extracting Gleason tissues and grading prostate cancer from whole slide images | |
Manikandan et al. | Segmentation and Detection of Pneumothorax using Deep Learning | |
CN107590806B (zh) | 一种基于大脑医学成像的检测方法和*** | |
CN117409407A (zh) | 一种多层次感知注意力机制的细胞微核分类方法 | |
CN113205484A (zh) | 一种基于迁移学习的乳腺组织分类识别方法 | |
CN110136112B (zh) | 一种基于乳腺x线摄影钙化计算机辅助检测算法 | |
Qiao et al. | A fusion of multi-view 2D and 3D convolution neural network based MRI for Alzheimer’s disease diagnosis | |
CN110827296B (zh) | 多目标集成式深度神经网络的乳腺x光影像分析方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20200207 |
|
WW01 | Invention patent application withdrawn after publication |