CN111915584A - 一种基于ct影像的病灶随访评估方法及*** - Google Patents
一种基于ct影像的病灶随访评估方法及*** Download PDFInfo
- Publication number
- CN111915584A CN111915584A CN202010746615.4A CN202010746615A CN111915584A CN 111915584 A CN111915584 A CN 111915584A CN 202010746615 A CN202010746615 A CN 202010746615A CN 111915584 A CN111915584 A CN 111915584A
- Authority
- CN
- China
- Prior art keywords
- follow
- historical
- current
- patient
- lesion
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000002591 computed tomography Methods 0.000 title description 45
- 238000012937 correction Methods 0.000 claims abstract description 25
- 230000003902 lesion Effects 0.000 claims description 45
- 210000004072 lung Anatomy 0.000 claims description 18
- 201000010099 disease Diseases 0.000 claims description 15
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 15
- 230000008859 change Effects 0.000 claims description 13
- 206010011224 Cough Diseases 0.000 claims description 8
- 230000011218 segmentation Effects 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 7
- 230000036760 body temperature Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 abstract description 8
- 238000012360 testing method Methods 0.000 abstract description 2
- 238000005457 optimization Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 11
- 238000013528 artificial neural network Methods 0.000 description 10
- 238000003745 diagnosis Methods 0.000 description 7
- 206010035664 Pneumonia Diseases 0.000 description 6
- 238000004590 computer program Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000007781 pre-processing Methods 0.000 description 4
- 239000000523 sample Substances 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 206010010264 Condition aggravated Diseases 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010827 pathological analysis Methods 0.000 description 2
- 230000001575 pathological effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000013610 patient sample Substances 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30061—Lung
-
- 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
-
- 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
- G06T2207/30204—Marker
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明提供一种基于CT影像的病灶随访评估方法和***，包括以下步骤：获取同一病患的对应不同时间点的当前有效特征集和历史有效特征集；将当前有效特征集和历史有效特征集输入随访预测模型中进行随访双任务校正得到预测结果自校正后的随访预测结果，其中随访双任务包括分类任务和回归任务，该病灶随访评估方法可基于病患的当前病患数据随机调取该病患的历史病患数据，基于前后两次病患数据进行当前病灶情况随访预测，且可在同一随访预测模型中对随访预测结果进行自校正，以期得到精准度高的随访预测结果，也可在实际测试过程中不断地随访优化预测模型。
Description
技术领域
本发明涉及智慧医疗技术领域，特别涉及一种基于CT影像的病灶随访评估方法及***。
背景技术
随着技术飞速发展，医学数据的持续扩增和硬件设备的不断提升，人工智能和医疗的结合越来越紧密，其中AI医学影像作为一种具有高诊断效率以及高准确率的辅助工具在医疗领域中有着广泛的应用，目前已经有一些现有技术手段能够达到直接根据医学影像获取诊断结果的效果，但是还不能够满足实际医疗的全部需求，在实际医疗过程中医护人员需要对病患进行随访，以更好地了解患者的病情康复情况。
现有技术CN108847286A提供一种“基于影像特征数据的肿瘤预测方法”，其建立对比函数模型，通过分类比对患者样本数据和历史样本数据得到患者的患病概率，并基于观察受检员后期发病率或者专家的判断修正对比函数，以期得到预测准确率高的对比函数模型。然而在该方案中的对比函数模型采用简单的神经网络算法进行比对，本身的预测结果就存在很大的质疑性；另外，对比函数模型的校正需要人为参与，加大了医护人员的工作量且很大程度地依赖于大量的病患成本和医生的专业判断，对于一些病灶样本少、医护人员也难以判断的病灶样本就无法进行准确的及时的模型校正，比如新兴的肺炎病灶。
现有技术CN110364236A提供一种“放射影像报告的智能随访方法、***、设备”，该方法通过调取历史影像报告的诊断属性，通过诊断属性的匹配实现病理报告和影像报告是否一致的判断。然而该方案中采用的诊断属性匹配模型是用于匹配病理诊断属性和影像诊断之间是否匹配，起到便于随访放射科医生工作情况的作用，便于放射科医生判断影像诊断是否正确，用于提高自己的业务水平，其影像诊断和病理诊断均是人为操作的，并无减轻医护人员的工作量。
现有技术CN111209945A提供一种“基于AI的影像科医疗影像辅助识别方法及***”，其对历史样本数据进行时空关联性预处理，得到带有时间演进特征的历史样本，利用学习模型协助医护人员了解疾病的演变过程，虽然该方案并不能对病情进行预判，特别的，对于病灶样本量少的方案也不适用于该方案进行训练学习。
另外，以上提及的医学影像辅助诊断方法和***均无法做到模型自校正，若需要达到精准的输出结果往往需要大量的样本训练数据，不适用于病灶样本量少的情况。
发明内容
本发明的目的在于提供一种基于CT影像的病灶随访评估方法及***，该病灶随访评估方法可基于病患的当前病患数据随机调取该病患的历史病患数据，基于前后两次病患数据进行当前病灶情况随访预测，且可在同一随访预测模型中对随访预测结果进行自校正，以期得到精准度高的随访预测结果，也可在实际测试过程中不断地随访优化预测模型。
为实现以上目的，第一方面，本技术方案提供一种基于CT影像的病灶随访评估方法，包括以下步骤：获取同一病患的对应不同时间点的当前有效特征集和历史有效特征集；将当前有效特征集和历史有效特征集输入随访预测模型中进行随访双任务校正得到预测结果自校正后的随访预测结果，其中随访双任务包括分类任务和回归任务，其中当前有效特征集和历史有效特征集均至少包括对应病患数据的病灶量化特征、病灶纹理特征以及临床表现特征，其中随访预测结果包括病灶对应疾病的变化情况。
第二方面，本发明提供一种基于CT影像的病灶随访评估方法，包括以下步骤：获取病患的当前病患数据，其中当前病患数据包括当前CT影像数据和当前临床数据；基于病患的标识信息调取该病患的历史病患数据，其中历史病患数据包括历史CT影像数据和历史临床数据；提取当前CT影像数据和历史CT影像数据对应的病灶量化特征和病灶纹理特征，提取当前临床数据和历史临床数据对应的临床表现特征分别得到当前有效特征集和历史有效特征集；将当前有效特征集和历史有效特征集输入随访预测模型中进行随访双任务校正得到预测结果自校正后的随访预测结果，其中随访双任务包括分类任务和回归任务，其中随访预测结果对应疾病的变化情况。
第三方面，提供一种基于CT影像的病灶随访评估***，包括病患数据采集单元，用于采集病患的当前病患数据，其中当前病患数据包括当前CT影像数据和当前临床数据；和历史病患数据库联通的历史数据调取单元，用于根据病患的标识信息调取该病患的历史病患数据，其中历史病患数据包括历史CT影像数据和历史临床数据；特征提取单元，基于当前病患数据提取有效特征集，基于历史病患数据提取历史有效特征集，其中当前有效特征集和历史有效特征集均至少包括对应病患数据的病灶量化特征、病灶纹理特征以及临床表现特征；随访预测单元，其中随访预测单元内设有已训练完成的随访预测模型，当前有效特征集和历史有效特征集输入随访预测模型中进行随访双任务校正得到预测结果自校正后的随访预测结果，其中随访双任务包括分类任务和回归任务，其中随访预测结果包括病灶对应疾病的变化情况。
第四方面，提供一种电子设备，包括：至少一个处理器；与所述至少一个处理器通信连接的存储器，其中所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行其上所述的方法。
第五方面，提供一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行其上所述的方法。
相较现有技术，本技术方案具有以下的特点和有益效果：随机调取同一病患的历史病患数据，比对该历史病患数据和当前病患数据得到病灶量化变化特征、纹理变化特征以及临床表现变化特征等有效特征集，基于有效特征集输入多层感知机模型中进行分类任务和回归任务的双重预测，可对预测结果进行自校正以最终得到可靠性高的随访预测结果，适用于病灶样本量少，且需要结合临床数据表征的病灶的随访预测。
附图说明
图1是根据本发明的第一实施例的基于CT影像的病灶随访评估方法的流程示意图。
图2是根据本发明的第二实施例的基于CT影像的病灶随访评估方法的流程示意图。
图3是根据本发明的一实施例的基于CT影像的病灶随访评估***的框架示意图。
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所获得的所有其他实施例，都属于本发明保护的范围。
在第一实施例中，本方案提供一种基于CT影像的病灶随访评估方法，该方法结合可自校正随访预测结果的随访预测模型对病灶进行随访评估，包括以下步骤：
获取同一病患的对应不同时间点的当前有效特征集和历史有效特征集，将当前有效特征集和历史有效特征集输入随访预测模型中进行随访双任务校正得到预测结果自校正后的随访预测结果，其中随访双任务包括分类任务和回归任务，其中当前有效特征集和历史有效特征集均至少包括对应病患数据的病灶量化特征、病灶纹理特征以及临床表现特征，其中随访预测结果包括病灶对应疾病的变化情况。
随访预测结果的获取方法如下：当前有效特征集和历史有效特征集经过基于多层感知机的参数共享神经网络共享同一参数后分别得到当前网络特征集和历史网络特征集，拼接当前网络特征集和历史网络特征集后得到拼接特征集，对拼接特征集分别进行分类任务和回归任务处理分别得到分类结果和回归结果，对回归结果和分类结果进行结果自校正。
其中分类结果包括分类类别及对应的置信度，其中分类类别至少包括疾病加重、疾病减轻和疾病未变化，其中回归结果包括病灶变化量估计，根据回归结果对应的病灶变化量估计和分类类别及其置信度修正随访预测结果，避免两个结果存在逻辑冲突。结果自校正的方法如下：对分类任务的分类概率和回归任务的回归值设定结果阈值，回归任务和分类任务进行概率投票，选择置信度高的分类类别作为随访预测结果。在本方案中病灶变化量的符号“+”代表加重，“-”代表减轻，变化量的绝对值小于10％则表示未见明显变化，将回归结果对应的变化量的绝对值归一化到0～1之间，然后与分类结果进行概率投票。
示例性的：若分类结果显示病情加重的置信度为0.9，而同时回归结果显示病灶变化量为-10％，这样的话回归结果和分类结果两者矛盾，则需要对其进行结果自校正。
另外，当前有效特征集输入该随访预测模型中还可得到当前病灶分类结果，历史有效特征集输入该随访预测模型中还可得到历史病灶分类结果，其中当前病灶分类结果包括当前病灶类别和对应的置信度，当前病灶类别分为轻度、中度以及重度，相同的，历史病灶分类结果包括历史病灶类别和对应的置信度，历史病灶类别分为轻度、中度和重度。
其中当前病灶分类结果是基于随访预测模型中的当前分类任务网络分支单独得到的，历史病灶分类结果也是基于随访预测模型中历史分类网络分支单独得到的，在本方案中是将当前网络特征集输入当前分类任务网络分支得到当前病灶分类结果，将历史网络特征集输入历史分类任务网络分支得到历史病灶分类结果。
值得一提的是，传统的方法若是需要获取病灶分类结果以及结果预测，一般是直接根据两次检查的体积变化量对比直接得到,但忽视了病灶密度、纹理、形态的变化，一般只提供长径或体积增长20％这样的结论，且加重或减轻往往由医生凭经验给出结论，而本方案则是在同一的网络框架中完成病灶分类结果的输出以及随访双任务校正，建模过程通过大数据挖掘构建围绕病灶量化信息、病灶纹理信息、临床数据信息为核心的关键特征表达，这样可以得到更稳定以及更符合逻辑知识的随访预测模型，该随访预测模型的预测结果也越精准。
如图2所示，本方案提供的随访预测模型的模型框架被展示，该随访预测模型包括输入单元、共享神经网络单元、当前分类任务单元、历史分类任务单元和随访双任务单元；其中输入单元将当前有效特征集和历史有效特征集输入共享神经网络单元中，其中共享网络单元为基于多层感知机的参数共享神经网络，当前有效特征集和历史有效特征集在该共享网络单元中共享同一网络权重，分别得到当前有效网络特征和历史有效网络特征集；当前有效网络特征集输入当前分类任务单元中得到当前病灶分类结果，当前分类任务单元为单独的分支神经网络；历史有效网络特征集输入历史分类任务单元中得到历史病灶分类结果，历史分类任务单元也为单独的分支神经网络；当前病灶分类结果和历史病灶分类结果一方面可以带来更多的监督信息，使网络训练更鲁棒，另一方面，两个结果的对比可以在大方向上控制随访预测结果，比如当前病灶分类结果为重度，历史病灶分类结果为轻度，则随访预测结果也应该是加重。随访双任务单元拼接当前有效网络特征集和历史有效网络特征集得到拼接特征集，对拼接特征集分别进行分类任务和回归任务处理，得到分类结果和回归结果，并基于回归任务变化量估计值和分类任务类别和置信度修正相关结果。其中当前分类任务单元和历史分类任务单元采用同一神经网络框架。该随访预测模型利用有效特征集进行训练得到的，且在测试过程中也可不断的自校正，不断地性能优化。
其中病灶量化特征反馈病灶掩模的体积、密度等信息，临床表现特征反馈病患的临床表现，包括体温、是否咳嗽以及流行病史，病灶纹理特征反馈病理纹理信息，可以通过图像特征提取方法比如GLCM特征提取得到。有效特征集中的多余的特征噪点已处理，以此方式可减少模型的计算量和计算成本，且可提高最终结果的准确度，提取有效特征集方法可根据按照特征发散性或者特征相关性对各个特征进行评分，对每一个特征求方差，根据设定阈值选择方差大于设定阈值的特征，其次根据含L1、L2惩罚项的logistic回归模型进行特征再筛选得到。
在第二实施例中，本方案提供的一种基于CT影像的病灶随访评估方法，该方法结合可自校正随访预测结果的随访预测模型对病灶进行随访评估，包括以下步骤：
获取病患的当前病患数据，其中当前病患数据包括当前CT影像数据和当前临床数据；
基于病患的标识信息调取该病患的历史病患数据，其中历史病患数据包括历史CT影像数据和历史临床数据；
提取当前CT影像数据和历史CT影像数据对应的病灶量化特征和病灶纹理特征，提取当前临床数据和历史临床数据对应的临床表现特征，其中病灶量化特征、病灶纹理特征和临床表现特征组成当前有效特征集和历史有效特征集；
将当前有效特征集和历史有效特征集输入随访预测模型中进行随访双任务校正得到预测结果自校正后的随访预测结果，其中随访双任务包括分类任务和回归任务，其中随访预测结果对应疾病的变化情况。
其中随访预测模型得到随访预测结果的具体结构和方法参见第一实施例，在此不做累赘说明，在第二实施例中重点阐述获取当前有效特征集和历史有效特征集的前步骤。
具体的，其中病灶量化特征、病灶纹理特征和临床表现特征组成当前完整特征集和历史完整特征集，对当前完整特征集和历史完整特征集进行筛选分别得到当前有效特征集和历史有效特征集。
当前临床数据和历史临床数据为***可辨识的格式存在。在本方案中，该方法用于肺炎CT影像的病灶随访评估，此时当前临床数据和历史临床数据包括体温、是否咳嗽以及流行病史，比如临床数据中的“是否咳嗽”用咳嗽选项的“0/1”表示，咳嗽选项的0则表示该患者无咳嗽临床表现；再比如，临床数据中的“流行病史”用流行病史设定选项对应的“0/1”表示，对应流行病史的0则表示该患者无该选项的流行病史。
病患的标识信息包括但不限于病患的姓名、性别、年龄、检查时间、模态、StudyInstanceUID、PatientID等信息，标识信息可从当前病患数据中获取，比如以上提到的信息均可从当前CT影像数据的DICOM格式中读取得到。值得一提的是，历史病患数据为随机自动提取，在本方案中根据病患的标识信息提取对应同一标识信息的历史病患数据集，并从中随机提取任意时间点的历史病患数据，这样的选取符合随访的要求。
另外，在当前CT影像数据和历史CT影像数据被用于提取对应的病灶量化特征和病灶纹理特征之前，需要对CT影像数据进行影像数据预处理。在本方案中影像数据预处理包括：提取CT影像数据的扫描参数，根据扫描参数中的扫描剂量做数据归一化处理，根据扫描参数中的扫描***参数校正到标准***。进而可保证经过影像数据预处理后的CT影像数据可用于互相比对。
以本方案用于肺炎病灶随访评估为例，病灶量化特征和病灶纹理特征的提取过程如下：将CT影像数据分别输入病灶分割模型和肺叶分割模型，得到病灶掩模和肺叶组织掩模，从病灶掩模和肺叶组织掩模中提取病灶量化特征和病灶纹理特征。
当前有效特征集和历史有效特征集的筛选过程如下：按照发散性或者相关性对各个特征进行评分，对每一个特征求方差，根据设定阈值选择方差大于设定阈值的特征，其次根据含L1、L2惩罚项的logistic回归模型进行特征再筛选。
另，本方案提供的基于CT影像的病灶随访评估方法特别适用于随访评估肺炎病灶，当其需要随访评估肺炎病灶时，病患数据中的CT影像为肺部CT影像，病患数据中的临床数据为可识别的体温、是否咳嗽以及流行病史等信息；当前肺部CT影像和历史肺部CT影像输入病灶分割模型和肺叶分割模型中得到病灶掩模和肺叶组织掩模，从病灶掩模和肺叶组织掩模中提取病灶量化特征和病灶纹理特征。
在本方案的第三实施例中，本方案提供一种基于CT影像的病灶随访评估***，包括：
病患数据采集单元，用于采集病患的当前病患数据，其中当前病患数据包括当前CT影像数据和当前临床数据；
和历史病患数据库联通的历史数据调取单元，用于根据病患的标识信息调取该病患的历史病患数据，其中历史病患数据包括历史CT影像数据和历史临床数据；
特征提取单元，基于当前病患数据提取有效特征集，基于历史病患数据提取历史有效特征集，其中当前有效特征集和历史有效特征集均至少包括对应病患数据的病灶量化特征、病灶纹理特征以及临床表现特征；
随访预测单元，其中随访预测单元内设有已训练完成的随访预测模型，当前有效特征集和历史有效特征集输入随访预测模型中进行随访双任务校正得到预测结果自校正后的随访预测结果，其中随访双任务包括分类任务和回归任务，其中随访预测结果包括病灶对应疾病的变化情况。
该实施例的基于CT影像的病灶随访评估***中涉及的技术特征可参见其上对应第二实施例的方法的描述，在此不做累赘过多的说明。
值得一提的是，当该基于CT影像的病灶随访评估***用于随机评估肺炎病灶，CT影像为肺部影像，特征提取单元中内设有病灶分割模型和肺叶分割模型，用于处理当前肺部CT影像和历史肺部CT影像得到对应的病灶掩模和肺叶组织掩模。
用于实现本方案实施例所提及的病灶随访评估方法的服务器的计算机***包括中央处理单元CPU，其可以根据存储在只读存储器ROM中的程序或者从存储部分加载到随机访问存储器RAM中的程序而执行各种适当的动作和处理。在RAM中，还存储有***操作所需的各种程序和数据。CPU、ROM以及RAM通过总线彼此相连。输入/输出(I/O)接口也连接至总线。
特别地，根据本发明公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分从网络上被下载和安装，和/或从可拆卸介质被安装。在该计算机程序被中央处理单元(CPU)执行时，执行本发明的病灶随访评估***中限定的上述功能。
需要说明的是，本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行病灶随访评估***、装置或者器件使用或者与其结合使用。而在本发明中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本发明各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的***来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现，所描述的模块也可以设置在处理器中。
作为另一方面，本发明还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该设备执行其上病灶随访评估方法所对应过的流程步骤。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，取决于设计要求和其他因素，可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。
Claims (10)
1.一种基于CT影像的病灶随访评估方法，其特征在于，包括以下步骤：
获取同一病患的对应不同时间点的当前有效特征集和历史有效特征集；
将当前有效特征集和历史有效特征集输入随访预测模型中进行随访双任务校正得到预测结果自校正后的随访预测结果，其中随访双任务包括分类任务和回归任务，其中当前有效特征集和历史有效特征集均至少包括对应病患数据的病灶量化特征、病灶纹理特征以及临床表现特征，其中随访预测结果包括病灶对应疾病的变化情况。
2.根据权利要求1所述的基于CT影像的病灶随访评估方法，其特征在于，当前有效特征集和历史有效特征集共享同一网络参数处理后分别得到当前网络特征集和历史网络特征集，拼接当前网络特征集和历史网络特征集后得到拼接特征集，对拼接特征集分别进行分类任务和回归任务处理分别得到分类结果和回归结果，对回归结果和分类结果进行结果自校正。
3.根据权利要求1所述的基于CT影像的病灶随访评估方法，其特征在于，结果自校正的方法如下：对分类任务的分类概率和回归任务的回归值设定结果阈值，回归任务和分类任务进行概率投票，选择置信度高的分类类别作为随访预测结果。
4.根据权利要求1所述的基于CT影像的病灶随访评估方法，其特征在于，当前有效特征集输入该随访预测模型中得到当前病灶分类结果，历史有效特征集输入该随访预测模型中得到历史病灶分类结果。
5.一种基于CT影像的病灶随访评估方法，其特征在于，包括以下步骤：
获取病患的当前病患数据，其中当前病患数据包括当前CT影像数据和当前临床数据；
基于病患的标识信息调取该病患的历史病患数据，其中历史病患数据包括历史CT影像数据和历史临床数据；
提取当前CT影像数据和历史CT影像数据对应的病灶量化特征和病灶纹理特征，提取当前临床数据和历史临床数据对应的临床表现特征分别得到当前有效特征集和历史有效特征集；
将当前有效特征集和历史有效特征集输入随访预测模型中进行随访双任务校正得到预测结果自校正后的随访预测结果，其中随访双任务包括分类任务和回归任务，其中随访预测结果对应疾病的变化情况。
6.根据权利要求5所述的基于CT影像的病灶随访评估方法，其特征在于，其中病灶量化特征、病灶纹理特征和临床表现特征组成当前完整特征集和历史完整特征集，对当前完整特征集和历史完整特征集进行筛选分别得到当前有效特征集和历史有效特征集。
7.根据权利要求6所述的基于CT影像的病灶随访评估方法，其特征在于，CT影像为肺部CT影像，将CT影像数据分别输入病灶分割模型和肺叶分割模型，得到病灶掩模和肺叶组织掩模，从病灶掩模和肺叶组织掩模中提取病灶量化特征和病灶纹理特征，临床数据包括体温、是否咳嗽以及流行病史。
8.一种基于CT影像的病灶随访评估***，其特征在于，包括：
病患数据采集单元，用于采集病患的当前病患数据，其中当前病患数据包括当前CT影像数据和当前临床数据；
和历史病患数据库联通的历史数据调取单元，用于根据病患的标识信息调取该病患的历史病患数据，其中历史病患数据包括历史CT影像数据和历史临床数据；
特征提取单元，基于当前病患数据提取有效特征集，基于历史病患数据提取历史有效特征集，其中当前有效特征集和历史有效特征集均至少包括对应病患数据的病灶量化特征、病灶纹理特征以及临床表现特征；
随访预测单元，其中随访预测单元内设有已训练完成的随访预测模型，当前有效特征集和历史有效特征集输入随访预测模型中进行随访双任务校正得到预测结果自校正后的随访预测结果，其中随访双任务包括分类任务和回归任务，其中随访预测结果包括病灶对应疾病的变化情况。
9.一种电子设备，其特征在于，包括：
至少一个处理器；
与所述至少一个处理器通信连接的存储器，其中所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1到7任一所述的方法。
10.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行权利要求1到7任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010746615.4A CN111915584B (zh) | 2020-07-29 | 2020-07-29 | 一种基于ct影像的病灶随访评估方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010746615.4A CN111915584B (zh) | 2020-07-29 | 2020-07-29 | 一种基于ct影像的病灶随访评估方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111915584A true CN111915584A (zh) | 2020-11-10 |
| CN111915584B CN111915584B (zh) | 2024-06-07 |
Family
ID=73286681
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010746615.4A Active CN111915584B (zh) | 2020-07-29 | 2020-07-29 | 一种基于ct影像的病灶随访评估方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111915584B (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112669925A (zh) * | 2020-12-16 | 2021-04-16 | 华中科技大学同济医学院附属协和医院 | 一种新冠肺炎ct复查的报告模板及形成方法 |
| CN113077434A (zh) * | 2021-03-30 | 2021-07-06 | 零氪智慧医疗科技(天津)有限公司 | 基于多模态信息的肺癌识别方法、装置及存储介质 |
| CN113724820A (zh) * | 2021-08-31 | 2021-11-30 | 苏州复颖医疗科技有限公司 | 医学影像病灶模糊定位方法、***、设备及存储介质 |
| CN114305503A (zh) * | 2021-12-09 | 2022-04-12 | 上海杏脉信息科技有限公司 | 乳腺疾病随访***、介质及电子设备 |
| WO2022110719A1 (zh) * | 2020-11-24 | 2022-06-02 | 平安科技（深圳）有限公司 | 基于联邦迁移学习的神经退行性疾病建模装置及相关设备 |
| CN114842003A (zh) * | 2022-07-04 | 2022-08-02 | 杭州健培科技有限公司 | 一种医学影像随访目标配对方法、装置及应用 |
| CN115083628A (zh) * | 2022-08-19 | 2022-09-20 | 成都中医药大学 | 一种基于中医望诊客观化的医教协同*** |
| CN115148366A (zh) * | 2022-07-05 | 2022-10-04 | 哈尔滨医科大学 | 一种基于mri影像的预测模型构建方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180068083A1 (en) * | 2014-12-08 | 2018-03-08 | 20/20 Gene Systems, Inc. | Methods and machine learning systems for predicting the likelihood or risk of having cancer |
| CN109346159A (zh) * | 2018-11-13 | 2019-02-15 | 平安科技（深圳）有限公司 | 病例图像分类方法、装置、计算机设备及存储介质 |
| CN109685102A (zh) * | 2018-11-13 | 2019-04-26 | 平安科技（深圳）有限公司 | 胸部病灶图像分类方法、装置、计算机设备及存储介质 |
| CN109800805A (zh) * | 2019-01-14 | 2019-05-24 | 上海联影智能医疗科技有限公司 | 基于人工智能的图像处理***以及计算机设备 |
| CN110841205A (zh) * | 2019-10-21 | 2020-02-28 | 温州医科大学附属第一医院 | 一种肿瘤患者精准剂量验证方法、装置及设备 |
| CN111242897A (zh) * | 2019-12-31 | 2020-06-05 | 北京深睿博联科技有限责任公司 | 胸部x射线影像分析方法和装置 |
| CN111383759A (zh) * | 2020-03-16 | 2020-07-07 | 郭红梅 | 一种肺炎自动诊断*** |
| CN111462201A (zh) * | 2020-04-07 | 2020-07-28 | 广州柏视医疗科技有限公司 | 基于新型冠状病毒肺炎ct影像的随访分析***及方法 |
-
2020
- 2020-07-29 CN CN202010746615.4A patent/CN111915584B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180068083A1 (en) * | 2014-12-08 | 2018-03-08 | 20/20 Gene Systems, Inc. | Methods and machine learning systems for predicting the likelihood or risk of having cancer |
| CN109346159A (zh) * | 2018-11-13 | 2019-02-15 | 平安科技（深圳）有限公司 | 病例图像分类方法、装置、计算机设备及存储介质 |
| CN109685102A (zh) * | 2018-11-13 | 2019-04-26 | 平安科技（深圳）有限公司 | 胸部病灶图像分类方法、装置、计算机设备及存储介质 |
| CN109800805A (zh) * | 2019-01-14 | 2019-05-24 | 上海联影智能医疗科技有限公司 | 基于人工智能的图像处理***以及计算机设备 |
| CN110841205A (zh) * | 2019-10-21 | 2020-02-28 | 温州医科大学附属第一医院 | 一种肿瘤患者精准剂量验证方法、装置及设备 |
| CN111242897A (zh) * | 2019-12-31 | 2020-06-05 | 北京深睿博联科技有限责任公司 | 胸部x射线影像分析方法和装置 |
| CN111383759A (zh) * | 2020-03-16 | 2020-07-07 | 郭红梅 | 一种肺炎自动诊断*** |
| CN111462201A (zh) * | 2020-04-07 | 2020-07-28 | 广州柏视医疗科技有限公司 | 基于新型冠状病毒肺炎ct影像的随访分析***及方法 |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022110719A1 (zh) * | 2020-11-24 | 2022-06-02 | 平安科技（深圳）有限公司 | 基于联邦迁移学习的神经退行性疾病建模装置及相关设备 |
| CN112669925A (zh) * | 2020-12-16 | 2021-04-16 | 华中科技大学同济医学院附属协和医院 | 一种新冠肺炎ct复查的报告模板及形成方法 |
| CN113077434A (zh) * | 2021-03-30 | 2021-07-06 | 零氪智慧医疗科技(天津)有限公司 | 基于多模态信息的肺癌识别方法、装置及存储介质 |
| CN113724820A (zh) * | 2021-08-31 | 2021-11-30 | 苏州复颖医疗科技有限公司 | 医学影像病灶模糊定位方法、***、设备及存储介质 |
| CN114305503A (zh) * | 2021-12-09 | 2022-04-12 | 上海杏脉信息科技有限公司 | 乳腺疾病随访***、介质及电子设备 |
| CN114305503B (zh) * | 2021-12-09 | 2024-05-14 | 上海杏脉信息科技有限公司 | 乳腺疾病随访***、介质及电子设备 |
| CN114842003A (zh) * | 2022-07-04 | 2022-08-02 | 杭州健培科技有限公司 | 一种医学影像随访目标配对方法、装置及应用 |
| CN114842003B (zh) * | 2022-07-04 | 2022-11-01 | 杭州健培科技有限公司 | 一种医学影像随访目标配对方法、装置及应用 |
| CN115148366A (zh) * | 2022-07-05 | 2022-10-04 | 哈尔滨医科大学 | 一种基于mri影像的预测模型构建方法 |
| CN115083628A (zh) * | 2022-08-19 | 2022-09-20 | 成都中医药大学 | 一种基于中医望诊客观化的医教协同*** |
| CN115083628B (zh) * | 2022-08-19 | 2022-10-28 | 成都中医药大学 | 一种基于中医望诊客观化的医教协同*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111915584B (zh) | 2024-06-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111915584B (zh) | 一种基于ct影像的病灶随访评估方法及*** | |
| US11423541B2 (en) | Assessment of density in mammography | |
| US11341631B2 (en) | System and method for automatically detecting a physiological condition from a medical image of a patient | |
| CN111292839B (zh) | 图像处理方法、装置、计算机设备和存储介质 | |
| JP2020513615A (ja) | 深層学習ニューラルネットワークの分散化された診断ワークフロー訓練 | |
| WO2021042690A1 (zh) | 基于深度卷积神经网络的乳腺癌辅助诊断方法及装置 | |
| US11996198B2 (en) | Determination of a growth rate of an object in 3D data sets using deep learning | |
| CN112365980A (zh) | 脑肿瘤多靶点辅助诊断与前瞻性治疗演化可视化方法及*** | |
| US10957038B2 (en) | Machine learning to determine clinical change from prior images | |
| CN110648318A (zh) | 用于皮肤病的辅助分析方法及装置、电子设备、存储介质 | |
| CN113706442A (zh) | 基于人工智能的医疗图像处理方法、装置及电子设备 | |
| CN113421228A (zh) | 一种基于参数迁移的甲状腺结节识别模型训练方法及*** | |
| US11494908B2 (en) | Medical image analysis using navigation processing | |
| CN113724185B (zh) | 用于图像分类的模型处理方法、装置及存储介质 | |
| Seetha et al. | The Smart Detection and Analysis on Skin Tumor Disease Using Bio Imaging Deep Learning Algorithm | |
| CN113762285A (zh) | 一种分析和处理医学影像的***及方法 | |
| CN111128321A (zh) | 信息显示方法及***、装置、电子设备和可读介质 | |
| WO2023108418A1 (zh) | 脑图谱构建及神经环路检测的方法和相关产品 | |
| CN113554641B (zh) | 一种儿科咽部图像采集方法及装置 | |
| CN115423836A (zh) | 三维脑中线分割方法、装置、设备、存储介质及程序产品 | |
| CN113077894A (zh) | 基于图卷积神经网络的皮肤诊断***、方法、设备及介质 | |
| CN112447287A (zh) | 自动化的临床工作流程 | |
| CN115831356B (zh) | 一种基于人工智能算法的辅助预测诊断方法 | |
| RU2822867C1 (ru) | Аппаратно-программный комплекс поддержки принятия врачебных решений | |
| CN116863068B (zh) | 实现骨骼肌肉***影像的智能化分割与重建方法及*** |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant |