CN110956610A - 基于稀疏表示的下肢深静脉血栓溶栓疗效预测方法及*** - Google Patents
基于稀疏表示的下肢深静脉血栓溶栓疗效预测方法及*** Download PDFInfo
- Publication number
- CN110956610A CN110956610A CN201911055809.3A CN201911055809A CN110956610A CN 110956610 A CN110956610 A CN 110956610A CN 201911055809 A CN201911055809 A CN 201911055809A CN 110956610 A CN110956610 A CN 110956610A
- Authority
- CN
- China
- Prior art keywords
- image
- sparse representation
- omics
- lower limb
- venous thrombosis
- 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
- 210000003141 lower extremity Anatomy 0.000 title claims abstract description 99
- 206010051055 Deep vein thrombosis Diseases 0.000 title claims abstract description 98
- 206010047249 Venous thrombosis Diseases 0.000 title claims abstract description 98
- 230000002537 thrombolytic effect Effects 0.000 title claims abstract description 87
- 238000000034 method Methods 0.000 title claims abstract description 79
- 230000000694 effects Effects 0.000 title claims abstract description 62
- 239000003146 anticoagulant agent Substances 0.000 title claims abstract description 28
- 238000000605 extraction Methods 0.000 claims abstract description 47
- 238000002595 magnetic resonance imaging Methods 0.000 claims abstract description 26
- 238000012216 screening Methods 0.000 claims abstract description 14
- 238000012706 support-vector machine Methods 0.000 claims abstract description 12
- 238000010998 test method Methods 0.000 claims abstract description 11
- 208000007536 Thrombosis Diseases 0.000 claims description 41
- 238000012549 training Methods 0.000 claims description 28
- 210000004204 blood vessel Anatomy 0.000 claims description 19
- 238000011156 evaluation Methods 0.000 claims description 13
- 238000011282 treatment Methods 0.000 claims description 13
- 238000003384 imaging method Methods 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000000354 decomposition reaction Methods 0.000 claims description 7
- 210000003462 vein Anatomy 0.000 claims description 7
- 210000003111 iliac vein Anatomy 0.000 claims description 6
- 210000003414 extremity Anatomy 0.000 claims description 5
- 210000003191 femoral vein Anatomy 0.000 claims description 5
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 claims description 4
- 210000001631 vena cava inferior Anatomy 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 2
- 238000003745 diagnosis Methods 0.000 description 9
- 201000010099 disease Diseases 0.000 description 9
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 239000000284 extract Substances 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 208000010378 Pulmonary Embolism Diseases 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000003902 lesion Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 208000024891 symptom Diseases 0.000 description 3
- 238000002560 therapeutic procedure Methods 0.000 description 3
- 206010048591 Post thrombotic syndrome Diseases 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 238000000575 proteomic method Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000001225 therapeutic effect Effects 0.000 description 2
- 238000002604 ultrasonography Methods 0.000 description 2
- 230000002792 vascular Effects 0.000 description 2
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 206010008111 Cerebral haemorrhage Diseases 0.000 description 1
- 208000018262 Peripheral vascular disease Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000002583 angiography Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 208000026106 cerebrovascular disease Diseases 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000001684 chronic effect Effects 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 208000029078 coronary artery disease Diseases 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 238000011221 initial treatment Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000011369 optimal treatment Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 210000003513 popliteal vein Anatomy 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000009885 systemic effect Effects 0.000 description 1
- 230000001732 thrombotic effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- 230000000007 visual effect Effects 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2136—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on sparsity criteria, e.g. with an overcomplete basis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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]
-
- 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
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/513—Sparse representations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了基于稀疏表示的下肢深静脉血栓溶栓疗效预测方法及***，方法包括：从磁共振成像图像中获取下肢深静脉血栓的感兴趣区域；对下肢深静脉血栓的感兴趣区域进行影像组学特征提取，得到全局影像组学特征和稀疏表示影像组学特征；采用显著性检验法从全局影像组学特征和稀疏表示影像组学特征中筛选出具有显著差异的影像组学特征；根据具有显著差异的影像组学特征采用支持向量机的方法进行下肢深静脉血栓溶栓疗效预测。本发明结合了传统影像组学方法提取的全局影像组学特征和稀疏表示影像组学方法提取的稀疏表示影像组学特征来进行溶栓疗效预测，能涵盖更多的有效特征，通过显著性检验法减少了冗余特征，可广泛应用于医学图像处理领域。
Description
技术领域
本发明涉及医学图像处理领域，尤其是一种基于稀疏表示的下肢深静脉血栓溶栓疗效预测方法及***。
背景技术
深静脉血栓(Deep Vein Thrombosis，DVT)是指血液在深静脉内异常凝结引起血栓所形成的疾病，一般发生于下肢。作为常见的周围血管疾病，DVT每年的发病率约为1‰，且呈逐年上升趋势，是仅次于脑血管和冠状动脉疾病的第三大心血管疾病(Cardiovascular Disease，CVD)。DVT常导致肺动脉栓塞(Pulmonary Embolism，PE)和血栓后综合征(Postthrombotic Syndrome，PTS)，严重时会显著影响患者的生活质量甚至导致患者死亡。未经治疗的DVT患者发生PE的概率为50％至60％，相关死亡率为25％至30％。由于下肢DVT的发病较为隐匿，症状、体征不典型且易与其他疾病混淆，导致该病的症状学诊断不可靠。影像学检查相比于症状学诊断更为客观，因此，下肢DVT主要依赖影像学检查来确诊，准确及时的影像学诊断对患者的治疗及预后有着重要意义。
目前DVT检查的影像学手段包括超声、磁共振成像(Magnetic ResonanceImaging,MRI)、数字减影技术等。超声在诊断时准确率尚有欠缺，数字减影血管造影(Digital Subtraction Angiography，DSA)是诊断DVT的金标准，但其存在辐射伤害和有创性等缺点。MRI作为一种无创性检查，具有良好软组织对比度、全视野和无辐射等优势，可直接显示下肢深静脉血栓的信号，是诊断下肢深静脉血栓的有效检查方法。
DVT一旦明确诊断，宜尽快介入治疗，以缩短病程、提高管腔再通率、阻止病程进入慢性期。溶栓治疗是目前治疗DVT的主要方法。溶栓治疗效果与年龄、既往病史、阻塞血管的病变性质、病程等因素密切相关，医生往往需要通过临床症状，影像资料来评估病人的溶栓治疗效果，根据评估结果来选择是否进行溶栓治疗：若需要溶栓的患者没有进行溶栓，则可能错过最佳治疗时期；若不适合溶栓的患者进行了溶栓治疗，则可能会造成脑出血等致命伤害。然而医生多凭借经验来评估溶栓疗效，不同医生之间的经验差异容易导致诊断结果参差不齐，可能影响患者的治疗效果，甚至引发死亡。同时，多参数MRI图像导致解读难度增大，人工阅片耗时较多，因此当前的评估方法已无法满足日益增长的临床需求。为此，有人提出了基于影像组学的下肢深静脉血栓溶栓疗效预测方法，先从MRI图像中提取影像组学特征，再根据提取的影像组学特征采用机器学习的方法来进行溶栓疗效预测。然而，该方法只是利用高通量的定量特征来匹配临床任务的需求，其所提取的定量特征作为一种全局特征，容易受限于操作者的先验知识，可能无法涵盖所有有效特征，同时存在大量冗余特征。
发明内容
为解决上述技术问题，本发明实施例的目的在于：提供一种基于稀疏表示的下肢深静脉血栓溶栓疗效预测方法及***。
本发明实施例所采取的第一技术方案是：
基于稀疏表示的下肢深静脉血栓溶栓疗效预测方法，包括以下步骤：
从磁共振成像图像中获取下肢深静脉血栓的感兴趣区域；
对下肢深静脉血栓的感兴趣区域进行影像组学特征提取，得到全局影像组学特征和稀疏表示影像组学特征；
采用显著性检验法从全局影像组学特征和稀疏表示影像组学特征中筛选出具有显著差异的影像组学特征；
根据具有显著差异的影像组学特征采用支持向量机的方法进行下肢深静脉血栓溶栓疗效预测。
进一步，所述从磁共振成像图像中获取下肢深静脉血栓的感兴趣区域这一步骤，具体包括：
输入下肢深静脉血栓的磁共振成像图像；
从输入的磁共振成像图像中获取下肢深静脉血栓的横断面图像、矢状面图像和冠状面图像；
根据获取的横断面图像、矢状面图像和冠状面图像确定下肢深静脉血栓的范围，并根据确定的范围进行血栓病灶边界勾画，从而得到下肢深静脉血栓的感兴趣区域。
进一步，所述对下肢深静脉血栓的感兴趣区域进行影像组学特征提取，得到全局影像组学特征和稀疏表示影像组学特征这一步骤，具体包括：
按照预设的特征类型对下肢深静脉血栓的感兴趣区域进行第一影像组学特征提取，得到全局影像组学特征，所述预设的特征类型包括形状特征、强度特征、纹理特征和小波特征；
采用稀疏表示影像组学方法对下肢深静脉血栓的感兴趣区域进行第二影像组学特征提取，得到稀疏表示影像组学特征。
进一步，所述采用稀疏表示影像组学方法对下肢深静脉血栓的感兴趣区域进行第二影像组学特征提取，得到稀疏表示影像组学特征这一步骤，具体包括：
从下肢深静脉血栓的感兴趣区域中提取若干个图像块；
对提取的每个图像块采用k-奇异值分解算法来训练得到对应的训练字典；
根据得到的训练字典确定每个图像块的稀疏表示系数；
计算所有图像块的稀疏表示系数绝对值的平均值，并将计算的平均值作为提取的稀疏表示影像组学特征。
进一步，所述采用显著性检验法从全局影像组学特征和稀疏表示影像组学特征中筛选出具有显著差异的影像组学特征这一步骤，具体包括：
根据血栓溶栓的临床治疗效果金标准构建正样本和负样本；
根据正样本、负样本和预设的显著性阈值采用双样本T校验法对全局影像组学特征和稀疏表示影像组学特征中的所有特征进行逐一筛选，得到具有显著差异的影像组学特征。
进一步，所述根据具有显著差异的影像组学特征采用支持向量机的方法进行下肢深静脉血栓溶栓疗效预测这一步骤，具体包括：
根据具有显著差异的影像组学特征和训练样本采用支持向量机的方法训练下肢深静脉血栓溶栓疗效二分类预测模型，所述下肢深静脉血栓溶栓疗效二分类预测模型的预测结果包括良好和不良，其中，良好对应对患肢血栓溶解前后进行下肢静脉造影评估的血管通畅率大于50％，不良对应对患肢血栓溶解前后进行下肢静脉造影评估的血管通畅率小于等于50％，所述血管通畅率＝(溶栓前血管通畅总评分－溶栓后血管通畅总评分)/溶栓前血管通畅总评分×100％，所述血管通畅总评分等于下腔静脉、髂总静脉、髂外静脉、股总静脉、股浅静脉近端、股浅静脉远端和腘静脉这7段的血管通畅评分之和，血管通畅评分包括0分、1分、2分和3分，0分对应管腔通畅无血栓；1分对应管腔的堵塞占比小于50％；2分对应管腔的堵塞占比大于50％；3分对应管腔完全堵塞；
采用下肢深静脉血栓溶栓疗效二分类预测模型对待预测对象进行预测，得到下肢深静脉血栓溶栓疗效预测的结果。具体地，待预测对象可为下肢深静脉血栓的病患者的磁共振成像图像。
本发明实施例所采取的第二技术方案是：
基于稀疏表示的下肢深静脉血栓溶栓疗效预测***，包括：
区域提取模块，用于从磁共振成像图像中获取下肢深静脉血栓的感兴趣区域；
影像组学特征提取模块，用于对下肢深静脉血栓的感兴趣区域进行影像组学特征提取，得到全局影像组学特征和稀疏表示影像组学特征；
特征筛选模块，用于采用显著性检验法从全局影像组学特征和稀疏表示影像组学特征中筛选出具有显著差异的影像组学特征；
预测模块，用于根据具有显著差异的影像组学特征采用支持向量机的方法进行下肢深静脉血栓溶栓疗效预测。
进一步，所述影像组学特征提取模块具体包括：
第一特征提取单元，用于按照预设的特征类型对下肢深静脉血栓的感兴趣区域进行第一影像组学特征提取，得到全局影像组学特征，所述预设的特征类型包括形状特征、强度特征、纹理特征和小波特征；
第二特征提取单元，用于采用稀疏表示影像组学方法对下肢深静脉血栓的感兴趣区域进行第二影像组学特征提取，得到稀疏表示影像组学特征。
进一步，所述第二特征提取单元具体包括：
图像块提取子单元，用于从下肢深静脉血栓的感兴趣区域中提取若干个图像块；
字典训练子单元，用于对提取的每个图像块采用k-奇异值分解算法来训练得到对应的训练字典；
稀疏表示系数确定子单元，用于根据得到的训练字典确定每个图像块的稀疏表示系数；
平均值计算子单元，用于计算所有图像块的稀疏表示系数绝对值的平均值，并将计算的平均值作为提取的稀疏表示影像组学特征。
本发明实施例所采取的第三技术方案是：
基于稀疏表示的下肢深静脉血栓溶栓疗效预测***，包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现所述的基于稀疏表示的下肢深静脉血栓溶栓疗效预测方法。
上述本发明实施例中的一个或多个技术方案具有如下优点：本发明实施例通过影像组学特征提取得到全局影像组学特征和稀疏表示影像组学特征，结合了传统影像组学方法提取的全局影像组学特征和稀疏表示影像组学方法提取的稀疏表示影像组学特征来进行溶栓疗效预测，通过全局影像组学特征和稀疏表示影像组学特征最大限度地涵盖更多的有效特征，并采用显著性检验法来减少冗余特征，提高了预测的效率、准确率和鲁棒性。
附图说明
图1为本发明基于稀疏表示的下肢深静脉血栓溶栓疗效预测方法的整体流程图；
图2为本发明具体实施例的下肢深静脉血栓溶栓疗效预测方案流程图；
图3为本发明具体实施例基于支持向量机所建立的分类模型的分类流程图。
具体实施方式
下面结合说明书附图和具体实施例对本发明作进一步解释和说明。对于本发明实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
传统影像组学方法往往只是利用高通量的定量特征来匹配临床任务的需求，所提取的定量特征作为一种全局特征受限于操作者的先验知识，并取决于当前个体情况，因疾病而异，且其已限定的特征种类可能无法涵盖较多的有效特征。本发明通过用于提取稀疏表示影像组学特征的稀疏表示影像组学方法可以在特征提取时不断训练特征字典模型，通过用于全局影像组学特征提取的传统影像组学方法可以提取多类的形状、纹理等全局特征，将全局影像组学特征(即传统影像组学特征)和稀疏表示影像组学特征相结合来应用于下肢DVT溶栓疗效预测，能够最大限度地涵盖更多的有效特征，最大程度地挖掘出DVT患者的MRI图像特征与溶栓治疗效果之间的内在联系，建立出高效、准确和鲁棒的预测模型。本发明的溶栓疗效无创预测方案能辅助医生制定更为科学的DVT诊疗方案，提高患者治愈率。如图1所示，该预测方案的主要实现过程为：先从磁共振成像图像中获取下肢深静脉血栓的感兴趣区域；然后，对下肢深静脉血栓的感兴趣区域进行影像组学特征提取，得到全局影像组学特征和稀疏表示影像组学特征；接着，采用显著性检验法从全局影像组学特征和稀疏表示影像组学特征中筛选出具有显著差异的影像组学特征；最后根据具有显著差异的影像组学特征采用支持向量机的方法进行下肢深静脉血栓溶栓疗效预测。
由上述内容可知，该溶栓疗效预测方法建立了影像组学特征与血栓的溶栓治疗效果之间的关系模型来对病患血栓的溶栓疗效进行有效预测，主要可分为图2所示的三个部分：1)血栓ROI勾画；2)提取血栓区域的影像组学特征；3)基于SVM的血栓的溶栓疗效预测算法。以下的具体实施例将对这三部分的内容进行详细说明：
第一部分血栓ROI勾画
本具体实施例需要先在MRI图像上对血栓区域进行感兴趣区(region ofinterest,ROI)勾画，以便于下一步提取血栓的影像组学特征。勾画的方式可以是手工勾画或自动勾画。自动勾画是指通过预先训练好的AI模型进行自动勾画。手工勾画是指由医生对血栓病灶边界进行勾画。手工勾画相对于自动勾画来说，成本更低，所以更为通用。手工勾画血栓部分需要多位经验丰富的医师在ITK-SNAP软件中对血栓边界进行勾画并进行多次核实，以尽可能降低主观性影响。在勾画的过程中，医生需要根据ITK-SNAP软件中患者的横断面、矢状面和冠状面的图像进行相互参考和补充，通过横断面图像判断静脉血栓的范围，随后在冠状面图像上完成血栓ROI的勾画。
第二部分提取血栓区域的影像组学特征
血栓ROI勾画完成后，需要对其进行影像组学特征提取。影像组学是指高通量、自动地从放射影像如CT、MRI的图像中分析大量定量的影像数据，并提取它们的特征。传统的影像组学方法利用了从图像中直接观察到的一些特征，如病灶位置、形状等，同时还提取了一些深层图像特征进行决策。本具体实施例则选择了强度、形状、纹理、多尺度小波变化等4大类特征进行特征提取，具体特征及数量如表1所示：
表1
由前面的论述可知，只通过传统的影像组学方法提取出高通量的定量特征受限于操作者的先验知识，且其已限定的特征种类可能无法涵盖较多的有效特征。为此，本具体实施例还需采用稀疏表示影像组学方法进行MRI图像的稀疏表示影像组学特征的提取。稀疏表示影像组学方法通过构建自适应学习字典，能够从病灶图像中提取具有刻画纹理细节能力的高维特征，是一种高效的局部特征。
图像的稀疏表示往往使用自适应学习方法，如k-奇异值分解(K-Singular ValueDecomposition，KSVD)来构造更有效的字典。KSVD是最广泛使用的字典训练方法之一，该方法以固定原子字典开始，并且在每次迭代中稀疏地表示在当前获得的字典上所设置的目标图像块。然后，KSVD对表示误差进行奇异值分解，并使用分解结果来更新字典。借助这些迭代训练方法，字典中的原子可以自适应地学习目标数据集中样本的结构信息。这些自适应学习方法的目的是从目标图像中学习一些排他性的结构和纹理信息，因此目标图像可以在学习字典上得到更稀疏的表示。比如在血栓图像溶栓疗效分类中，如果对包含血栓图像结构和纹理信息的字典进行了较好的学习，本具体实施例就可以利用该字典对检测到的血栓图像进行稀疏表示。稀疏表示系数的统计分布有效地反映了血栓图像的纹理特征，能够作为一种高效的影像组学特征，用于血栓图像的溶栓疗效预测。
对字典进行训练能够自适应地从不同疾病类别的图像中学习到一些独特的结构和纹理信息。如果属于第c类的测试图像在每类训练字典的组合上被稀疏地表示，则与第c个子字典相关联的表示系数将高于其他字典，这是因为第c个子字典包含了与测试图像更相似的纹理信息。因此，本具体实施例将稀疏表示的表示系数作为图像的影像组学特征。本具体实施例基于稀疏表示的特征提取步骤包括图像块提取，字典训练和纹理特征提取这三个过程。假设将c∈[1，2]表示为样本类别，C为样本总类别数，则该特征提取步骤的具体过程如下：
首先，从相应的血栓感兴趣区域中提取图像块Yc∈Rn×N。其中，Yc＝[y1，...yi，...yN]；yi代表第i个尺寸为n的图像块；N代表图像块的数量。接着，通过对Yc使用KSVD算法训练字典Dc。最后，结合C个训练字典，可得到最终的特征提取字典D＝[D1,D2,...DC]∈Rn×Q，其中Q＝C×K，K为字典的原子数量。而对于每块血栓，在训练字典上设置的相应图像块的稀疏表示可以写成：
其中，Y＝[y1，...yi，...yN]代表图像块集；D代表训练字典；
是与yi对应的稀疏表示系数；|| ||2为L2范数，φ(·)代表稀疏正则化函数；λ是一个标量正则化参数。由于所提取的图像块数由每一个患者所患有血栓的大小决定，导致稀疏表示系数的维数因血栓大小而有所差异，而特征维数的差异会给分类器的构建带来了困难，因此，本具体实施例提前稀疏表示每一个血栓图像块，然后计算稀疏表示系数绝对值的平均值，并将所得结果(即平均值)表示为每一个患者最终提取到的血栓纹理特征。这个过程可以表示为：
其中，
是与yi对应的稀疏表示系数；|| ||0为L0范数，N是Y上图像块的数量；f∈RQ是最终得到的特征。KSVD算法可用于求解由公式(2)表示的稀疏表示模型。
利用上述两种特征提取方法(即传统的影像组学方法和稀疏表示影像组学方法)所提取到的影像组学特征中，许多特征是高度冗余的。这种高冗余主要是由两个方面造成的：一方面，不同临床症状类别的图像，如溶栓疗效为“不良”的MRI图像和“正常”的MRI图像，通常包含一些相同的纹理信息，这些相同的信息对于分类来说是毫无意义的。另一方面，由于特征之间的相关性，并不是所有的特征在分类中都是至关重要的。冗余特征既增加了计算复杂度，又对分类产生了负面影响。因此，本具体实施例采用了显著性阈值为p＝0.01的双样本T检验来判断正负样本所提取的同一特征结果之间是否具有显著差异。原假设H0为正负样本所得到的同一特征结果的差异完全是由抽样误差造成；备择假设H1为两组数据的结果差异除了由抽样误差造成外，还反映了两组数据特征间的差异。本具体实施例设定显著性水平为0.01(其他数值同样适用)，即若p<0.01则拒绝原假设，认为正负样本所得到的同一特征结果具有显著统计学差异，保留该特征；若p>0.01，则不拒绝原假设，认为正负样本所得到的同一特征结果之间的差异不具有显著性意义，舍弃该特征。本具体实施例通过双样本T检验能减少冗余特征，提升预测效率。
第三部分基于SVM的血栓溶栓疗效预测算法
该部分的溶栓疗效预测算法是基于多年的临床实践经验总结而设计的，能够对病患者的溶栓疗效进行有效预测。这里，根据医学先验知识首先设立DVT溶栓疗效评估标准：对患肢血栓溶解前后进行下肢静脉造影疗效评估，做4个等级评分：0分，管腔通畅无血栓；1分，管腔部分堵塞＜50％；2分，管腔大部分堵塞＞50％；3分，管腔完全堵塞。将下肢深静脉按照MRI图像分为下腔静脉、髂总静脉、髂外静脉、股总静脉、股浅静脉近端、股浅静脉远端和腘静脉这7段评分并进行记录，然后把7段评分相加为总的血管通畅评分，血管通畅率＝(溶栓前总评分－溶栓后总评分)/溶栓前总评分×100％。血管通畅率≤50％，则评估溶栓治疗效果为“不良”，血管通畅率＞50％为“良好”。由经验丰富的操作医师对DVT患者进行疗效评估，所计算的结果作为DVT溶栓疗效预测的金标准。
在临床诊断上，医生更关注的是患者适不适合溶栓，故这里所预测的溶栓治疗效果是否为“不良”。因为如果患者不适合溶栓，贸然进行溶栓可能会影响患者的治疗效果，甚至引发死亡。因此，基于所选择的特征，本具体实施例用支持向量机SVM的方法建立了一种二分类模型，来对所有样本进行二类疗效评估等级的划分：以评价为“不良”为正样本，以评价为“良好”为负样本，采用SVM来完成二分类任务。图3为本具体实施例所建立的分类模型的分类流程图。
SVM是按照监督学***面中支持向量的间距最大化，从而将分类问题转换为凸二次规划的优化问题。
对于线性可分问题，对于一个在特征空间上的训练数据集T＝{(x1,y1),(x2,y2),...,(xN,yN)}，其中xi∈Rn,yi∈{-1,1}，而线性判别函数可设置为：
f(x)＝w·x+b (3)
其对应的分类超平面为：
w·x+b＝0 (4)
最优的分类超平面需服从以下条件：
yi·(w·xi+b-1)≥0 (5)
根据线性可分理论和最优化理论，通过拉格朗日乘子法来构造并求解约束最优化问题：
最终得到最优的分类超平面的权重参数和偏置参数：
w*·x+b*＝0 (7)
对应的分类决策函数定义为：
F(x)＝sign(w*·x)+b* (8)
对于非线性可分问题，SVM的算法核心在于通过非线性映射，将原来低维特征空间中的非线性可分问题转换成高维特征空间中的线性可分问题，并依照上述原理进行求解。但如果将大量低维数据直接映射到高维特征空间，特征空间维度的***性增长会使得计算复杂度大幅提升。SVM通过引入核函数来解决了低维空间和高维空间之间的转换问题。核函数的思想在于通过一种映射关系，能够使得特征在低维空间上的计算结果跟将特征映射到高维空间后所计算的结果大致相同。通过核函数的有效映射，能够大大简化了计算过程，提升SVM模型的分类能力。
以患者溶栓疗效评估结果作为疗效预测的金标准，基于SVM分类器，对多名下肢DVT患者进行溶栓疗效预测，预测的结果表明，本具体实施例的疗效预测算法的准确率约为81％。
本发明实施例还提供了一种基于稀疏表示的下肢深静脉血栓溶栓疗效预测***，包括：
区域提取模块，用于从磁共振成像图像中获取下肢深静脉血栓的感兴趣区域；
影像组学特征提取模块，用于对下肢深静脉血栓的感兴趣区域进行影像组学特征提取，得到全局影像组学特征和稀疏表示影像组学特征；
特征筛选模块，用于采用显著性检验法从全局影像组学特征和稀疏表示影像组学特征中筛选出具有显著差异的影像组学特征；
预测模块，用于根据具有显著差异的影像组学特征采用支持向量机的方法进行下肢深静脉血栓溶栓疗效预测。
上述方法实施例中的内容均适用于本***实施例中，本***实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
本发明实施例还提供了一种基于稀疏表示的下肢深静脉血栓溶栓疗效预测***，包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现所述的基于稀疏表示的下肢深静脉血栓溶栓疗效预测方法。
上述方法实施例中的内容均适用于本***实施例中，本***实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
综上所述，本发明基于稀疏表示的下肢深静脉血栓溶栓疗效预测方法及***，通过用于提取稀疏表示影像组学特征的稀疏表示影像组学方法可以在特征提取时不断训练特征字典模型，通过用于全局影像组学特征提取的传统影像组学方法可以提取多类的形状、纹理等全局特征，将全局影像组学特征(即传统影像组学特征)和稀疏表示影像组学特征相结合来应用于下肢DVT溶栓疗效预测，能够最大限度地涵盖更多的有效特征，最大程度地挖掘出DVT患者的MRI图像特征与溶栓治疗效果之间的内在联系，建立出高效、准确和鲁棒的预测模型，辅助医生制定更为科学的DVT诊疗方案，提高患者治愈率，促进了DVT影像诊断和现代高科技整合发展，有利于后续推广该技术应用于全身血栓性病变的诊治，具有较好的经济和社会效益。
以上是对本发明的较佳实施进行了具体说明，但本发明并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (10)
1.基于稀疏表示的下肢深静脉血栓溶栓疗效预测方法，其特征在于：包括以下步骤：
从磁共振成像图像中获取下肢深静脉血栓的感兴趣区域；
对下肢深静脉血栓的感兴趣区域进行影像组学特征提取，得到全局影像组学特征和稀疏表示影像组学特征；
采用显著性检验法从全局影像组学特征和稀疏表示影像组学特征中筛选出具有显著差异的影像组学特征；
根据具有显著差异的影像组学特征采用支持向量机的方法进行下肢深静脉血栓溶栓疗效预测。
2.根据权利要求1所述的基于稀疏表示的下肢深静脉血栓溶栓疗效预测方法，其特征在于：所述从磁共振成像图像中获取下肢深静脉血栓的感兴趣区域这一步骤，具体包括：
输入下肢深静脉血栓的磁共振成像图像；
从输入的磁共振成像图像中获取下肢深静脉血栓的横断面图像、矢状面图像和冠状面图像；
根据获取的横断面图像、矢状面图像和冠状面图像确定下肢深静脉血栓的范围，并根据确定的范围进行血栓病灶边界勾画，从而得到下肢深静脉血栓的感兴趣区域。
3.根据权利要求1所述的基于稀疏表示的下肢深静脉血栓溶栓疗效预测方法，其特征在于：所述对下肢深静脉血栓的感兴趣区域进行影像组学特征提取，得到全局影像组学特征和稀疏表示影像组学特征这一步骤，具体包括：
按照预设的特征类型对下肢深静脉血栓的感兴趣区域进行第一影像组学特征提取，得到全局影像组学特征，所述预设的特征类型包括形状特征、强度特征、纹理特征和小波特征；
采用稀疏表示影像组学方法对下肢深静脉血栓的感兴趣区域进行第二影像组学特征提取，得到稀疏表示影像组学特征。
4.根据权利要求3所述的基于稀疏表示的下肢深静脉血栓溶栓疗效预测方法，其特征在于：所述采用稀疏表示影像组学方法对下肢深静脉血栓的感兴趣区域进行第二影像组学特征提取，得到稀疏表示影像组学特征这一步骤，具体包括：
从下肢深静脉血栓的感兴趣区域中提取若干个图像块；
对提取的每个图像块采用k-奇异值分解算法来训练得到对应的训练字典；
根据得到的训练字典确定每个图像块的稀疏表示系数；
计算所有图像块的稀疏表示系数绝对值的平均值，并将计算的平均值作为提取的稀疏表示影像组学特征。
5.根据权利要求1所述的基于稀疏表示的下肢深静脉血栓溶栓疗效预测方法，其特征在于：所述采用显著性检验法从全局影像组学特征和稀疏表示影像组学特征中筛选出具有显著差异的影像组学特征这一步骤，具体包括：
根据血栓溶栓的临床治疗效果金标准构建正样本和负样本；
根据正样本、负样本和预设的显著性阈值采用双样本T校验法对全局影像组学特征和稀疏表示影像组学特征中的所有特征进行逐一筛选，得到具有显著差异的影像组学特征。
6.根据权利要求1所述的基于稀疏表示的下肢深静脉血栓溶栓疗效预测方法，其特征在于：所述根据具有显著差异的影像组学特征采用支持向量机的方法进行下肢深静脉血栓溶栓疗效预测这一步骤，具体包括：
根据具有显著差异的影像组学特征和训练样本采用支持向量机的方法训练下肢深静脉血栓溶栓疗效二分类预测模型，所述下肢深静脉血栓溶栓疗效二分类预测模型的预测结果包括良好和不良，其中，良好对应对患肢血栓溶解前后进行下肢静脉造影评估的血管通畅率大于50％，不良对应对患肢血栓溶解前后进行下肢静脉造影评估的血管通畅率小于等于50％，所述血管通畅率＝(溶栓前血管通畅总评分－溶栓后血管通畅总评分)/溶栓前血管通畅总评分×100％，所述血管通畅总评分等于下腔静脉、髂总静脉、髂外静脉、股总静脉、股浅静脉近端、股浅静脉远端和腘静脉这7段的血管通畅评分之和，血管通畅评分包括0分、1分、2分和3分，0分对应管腔通畅无血栓；1分对应管腔的堵塞占比小于50％；2分对应管腔的堵塞占比大于50％；3分对应管腔完全堵塞；
采用下肢深静脉血栓溶栓疗效二分类预测模型对待预测对象进行预测，得到下肢深静脉血栓溶栓疗效预测的结果。
7.基于稀疏表示的下肢深静脉血栓溶栓疗效预测***，其特征在于：包括：
区域提取模块，用于从磁共振成像图像中获取下肢深静脉血栓的感兴趣区域；
影像组学特征提取模块，用于对下肢深静脉血栓的感兴趣区域进行影像组学特征提取，得到全局影像组学特征和稀疏表示影像组学特征；
特征筛选模块，用于采用显著性检验法从全局影像组学特征和稀疏表示影像组学特征中筛选出具有显著差异的影像组学特征；
预测模块，用于根据具有显著差异的影像组学特征采用支持向量机的方法进行下肢深静脉血栓溶栓疗效预测。
8.根据权利要求7所述的基于稀疏表示的下肢深静脉血栓溶栓疗效预测***，其特征在于：所述影像组学特征提取模块具体包括：
第一特征提取单元，用于按照预设的特征类型对下肢深静脉血栓的感兴趣区域进行第一影像组学特征提取，得到全局影像组学特征，所述预设的特征类型包括形状特征、强度特征、纹理特征和小波特征；
第二特征提取单元，用于采用稀疏表示影像组学方法对下肢深静脉血栓的感兴趣区域进行第二影像组学特征提取，得到稀疏表示影像组学特征。
9.根据权利要求8所述的基于稀疏表示的下肢深静脉血栓溶栓疗效预测***，其特征在于：所述第二特征提取单元具体包括：
图像块提取子单元，用于从下肢深静脉血栓的感兴趣区域中提取若干个图像块；
字典训练子单元，用于对提取的每个图像块采用k-奇异值分解算法来训练得到对应的训练字典；
稀疏表示系数确定子单元，用于根据得到的训练字典确定每个图像块的稀疏表示系数；
平均值计算子单元，用于计算所有图像块的稀疏表示系数绝对值的平均值，并将计算的平均值作为提取的稀疏表示影像组学特征。
10.基于稀疏表示的下肢深静脉血栓溶栓疗效预测***，其特征在于：包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如权利要求1-6任一项所述的基于稀疏表示的下肢深静脉血栓溶栓疗效预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911055809.3A CN110956610A (zh) | 2019-10-31 | 2019-10-31 | 基于稀疏表示的下肢深静脉血栓溶栓疗效预测方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911055809.3A CN110956610A (zh) | 2019-10-31 | 2019-10-31 | 基于稀疏表示的下肢深静脉血栓溶栓疗效预测方法及*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110956610A true CN110956610A (zh) | 2020-04-03 |
Family
ID=69976537
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911055809.3A Pending CN110956610A (zh) | 2019-10-31 | 2019-10-31 | 基于稀疏表示的下肢深静脉血栓溶栓疗效预测方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110956610A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111754452A (zh) * | 2020-05-09 | 2020-10-09 | 广州市番禺区中心医院 | 基于深度学习的下肢深静脉血栓的检测方法、介质及终端 |
| CN112633405A (zh) * | 2020-12-30 | 2021-04-09 | 上海联影智能医疗科技有限公司 | 模型训练方法、医学影像分析方法及装置、设备、介质 |
| CN112674729A (zh) * | 2020-12-24 | 2021-04-20 | 南通市第一人民医院 | 一种深静脉血栓患者的护理***及方法 |
| CN115969464B (zh) * | 2022-12-26 | 2024-05-10 | 昆明理工大学 | 基于支持向量机回归的压电阻抗溶栓效果预测方法和*** |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160314600A1 (en) * | 2015-04-27 | 2016-10-27 | Siemens Aktiengesellschaft | Method and System for Medical Image Synthesis Across Image Domain or Modality Using Iterative Sparse Representation Propagation |
| CN107016395A (zh) * | 2017-03-18 | 2017-08-04 | 复旦大学 | 基于稀疏表示体系的原发性脑部淋巴瘤和胶质母细胞瘤的鉴别方法 |
| 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*** |
| CN110263880A (zh) * | 2019-07-12 | 2019-09-20 | 深圳大学 | 脑疾病分类模型的构建方法、装置及智能终端 |
-
2019
- 2019-10-31 CN CN201911055809.3A patent/CN110956610A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160314600A1 (en) * | 2015-04-27 | 2016-10-27 | Siemens Aktiengesellschaft | Method and System for Medical Image Synthesis Across Image Domain or Modality Using Iterative Sparse Representation Propagation |
| CN107016395A (zh) * | 2017-03-18 | 2017-08-04 | 复旦大学 | 基于稀疏表示体系的原发性脑部淋巴瘤和胶质母细胞瘤的鉴别方法 |
| 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*** |
| CN110263880A (zh) * | 2019-07-12 | 2019-09-20 | 深圳大学 | 脑疾病分类模型的构建方法、装置及智能终端 |
Non-Patent Citations (3)
| Title |
|---|
| JIANYE LIANG 等: "Diagnostic Values of DCE-MRI and DSC-MRI for Differentiation Between High-grade and Low-grade Gliomas: A Comprehensive Meta-analysis", 《ACADEMIC RADIOLOGY》 * |
| 周煜翔 等: "恶性肿瘤动态对比增强磁共振成像计算机辅助诊断研究进展", 《生物医学工程学杂志》 * |
| 陈立达 等: "多模态影像组学预测直肠癌***转移", 《中山大学学报(医学版)》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111754452A (zh) * | 2020-05-09 | 2020-10-09 | 广州市番禺区中心医院 | 基于深度学习的下肢深静脉血栓的检测方法、介质及终端 |
| CN111754452B (zh) * | 2020-05-09 | 2021-05-18 | 广州市番禺区中心医院 | 基于深度学习的下肢深静脉血栓的检测方法、介质及终端 |
| CN112674729A (zh) * | 2020-12-24 | 2021-04-20 | 南通市第一人民医院 | 一种深静脉血栓患者的护理***及方法 |
| CN112674729B (zh) * | 2020-12-24 | 2024-03-01 | 南通市第一人民医院 | 一种深静脉血栓患者的护理***及方法 |
| CN112633405A (zh) * | 2020-12-30 | 2021-04-09 | 上海联影智能医疗科技有限公司 | 模型训练方法、医学影像分析方法及装置、设备、介质 |
| CN115969464B (zh) * | 2022-12-26 | 2024-05-10 | 昆明理工大学 | 基于支持向量机回归的压电阻抗溶栓效果预测方法和*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ma et al. | Detection and diagnosis of chronic kidney disease using deep learning-based heterogeneous modified artificial neural network | |
| CN110956610A (zh) | 基于稀疏表示的下肢深静脉血栓溶栓疗效预测方法及*** | |
| Xiuqin et al. | A fundus retinal vessels segmentation scheme based on the improved deep learning U-Net model | |
| AU2013400936B2 (en) | Image analysis techniques for diagnosing diseases | |
| CN111476757A (zh) | 一种冠脉斑块数据检测方法、***、存储介质、终端 | |
| Maaliw et al. | A deep learning approach for automatic scoliosis cobb angle identification | |
| CN113298830B (zh) | 一种基于自监督的急性颅内ich区域图像分割方法 | |
| Ye et al. | Medical image diagnosis of prostate tumor based on PSP-Net+ VGG16 deep learning network | |
| WO2023207820A1 (zh) | 基于有监督深度子空间学习的胰腺术后糖尿病预测*** | |
| CN111340794B (zh) | 冠状动脉狭窄的量化方法及装置 | |
| Agustin et al. | Implementation of data augmentation to improve performance CNN method for detecting diabetic retinopathy | |
| CN115018863A (zh) | 基于深度学习的图像分割方法及装置 | |
| Nijaguna et al. | Novel Ultrasonic Image Reconstruction and Deep Learning Model-Based Categorization for Accurate Liver Disease Diagnosis | |
| CN111145901B (zh) | 深静脉血栓溶栓疗效预测方法及***、存储介质与终端 | |
| Hernanda et al. | Semantic segmentation of venous on deep vein thrombosis (DVT) case using UNet-ResNet | |
| Fu et al. | Agc-unet: a global context feature fusion method based on u-net for retinal vessel segmentation | |
| Brown et al. | Deep learning for computer-aided diagnosis in ophthalmology: a review | |
| Zhan et al. | Recognition of angiographic atherosclerotic plaque development based on deep learning | |
| Hsu et al. | A comprehensive study of age-related macular degeneration detection | |
| Dongye et al. | An improved U-Net method with high-resolution feature maps for retinal blood vessel segmentation | |
| CN112561912B (zh) | 一种基于先验知识的医学图像***检测方法 | |
| CN116798611B (zh) | 肝硬化结节的良恶性质预测装置、方法、设备及介质 | |
| Dhingra | Smart Decision Support Framework for Precise Diagnosis of Chronic Odontogenic Rhinosinusitis using U-Net Segmentation | |
| Mohammadi et al. | Presenting Effective Methods in Classification of Echocardiographic Views using Deep Learning | |
| Utami et al. | Implementation of Data Augmentation to Improve Performance CNN Method for Detecting Diabetic Retinopathy |
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: 20200403 |