CN113780274A - 影像组学联合深度学习预测肝癌复发的方法、***及介质 - Google Patents
影像组学联合深度学习预测肝癌复发的方法、***及介质 Download PDFInfo
- Publication number
- CN113780274A CN113780274A CN202110982206.9A CN202110982206A CN113780274A CN 113780274 A CN113780274 A CN 113780274A CN 202110982206 A CN202110982206 A CN 202110982206A CN 113780274 A CN113780274 A CN 113780274A
- Authority
- CN
- China
- Prior art keywords
- liver cancer
- dimensional
- model
- prediction
- image
- 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
- 201000007270 liver cancer Diseases 0.000 title claims abstract description 74
- 208000014018 liver neoplasm Diseases 0.000 title claims abstract description 74
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000003384 imaging method Methods 0.000 title claims abstract description 30
- 238000013135 deep learning Methods 0.000 title claims abstract description 28
- 238000013145 classification model Methods 0.000 claims abstract description 20
- 238000003062 neural network model Methods 0.000 claims abstract description 17
- 238000013527 convolutional neural network Methods 0.000 claims description 15
- 238000011176 pooling Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 5
- 230000009467 reduction Effects 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000010365 information processing Effects 0.000 abstract description 2
- 238000002591 computed tomography Methods 0.000 description 14
- 206010073071 hepatocellular carcinoma Diseases 0.000 description 7
- 238000004590 computer program Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000003187 abdominal effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 210000002767 hepatic artery Anatomy 0.000 description 2
- 238000001356 surgical procedure Methods 0.000 description 2
- 238000002560 therapeutic procedure Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000012752 Hepatectomy Methods 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 231100000844 hepatocellular carcinoma Toxicity 0.000 description 1
- 210000004185 liver Anatomy 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000010837 poor prognosis Methods 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000002054 transplantation Methods 0.000 description 1
Images
Classifications
-
- 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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种影像组学联合深度学习预测肝癌复发的方法、***及存储介质,包括:获取已标记肝癌靶区的病例图像;将病例图像输入到预测模型,得到预测结果;预测模型通过以下步骤得到:获取已标记肝癌靶区的病例图像样本,并从样本中提取感兴趣区域图像样本;提取样本的影像组学特征及三维小块;将影像组学特征输入到分类模型得到组学评分,以及将三维小块输入到三维卷积神经网络模型得到网络分数;根据组学评分及网络分数输入到联合模型得到预测分数,根据预测分数确定预测结果,根据预测结果的准确性确定所述预测模型。本发明实施例能够提高预测肝癌复发的准确性,可广泛应用于医学数据信息处理技术领域。
Description
技术领域
本发明涉及医学数据信息处理技术领域,尤其涉及一种影像组学联合深度学习预测肝癌复发的方法、***及存储介质。
背景技术
原发性肝细胞癌(Hepatocellular carcinoma,HCC,以下简称肝癌)是全球范围内最常见的恶性肿瘤之一。目前,肝癌最有希望治愈的方式为肝移植和根治性肝切除手术。然而,外科治疗5年复发率高达18%~72%,肝癌根治术后复发是肝癌患者预后差的主要因素,如何有效预测肝癌患者术后复发是难点。因此,筛选肝癌根治术后高风险复发人群是非常必要的。而如何深度挖掘影像学信息,并为患者提供预后、疗效信息非常重要。现有技术局限于基于CT图像提取的人工影像组学特征,容易受到机器参数影响,导致预测准确性降低。
发明内容
有鉴于此,本发明实施例的目的是提供一种影像组学联合深度学习预测肝癌复发的方法、***及存储介质,能够提高预测肝癌复发的准确性。
第一方面,本发明实施例提供了一种影像组学联合深度学习预测肝癌复发的方法,包括以下步骤:
获取已标记肝癌靶区的病例图像;
将所述已标记肝癌靶区的病例图像输入到预测模型,得到预测结果;
其中,所述预设模型包括分类模型、三维卷积神经网络模型及联合模型,所述预测模型通过以下步骤得到:
获取已标记肝癌靶区的病例图像样本,并从所述已标记肝癌靶区的病例图像样本中提取感兴趣区域图像样本;
提取所述感兴趣区域图像样本的影像组学特征及三维小块;
将所述影像组学特征输入到所述分类模型得到组学评分,以及将所述三维小块输入到所述三维卷积神经网络模型得到网络分数;
根据所述组学评分及所述网络分数输入到所述联合模型得到预测分数,根据预测分数确定预测结果,根据所述预测结果的准确性确定所述预测模型。
可选地,在提取所述感兴趣区域图像样本的影像组学特征之前,还包括:
对所述感兴趣区域图像样本进行进行第一标准化处理和三维重建。
可选地,在将所述影像组学特征输入到所述分类模型得到组学评分之前,还包括:
对所述影像组学特征进行降维处理。
可选地,所述三维小块通过以下步骤获取:
对所述感兴趣区域图像样本进行第二标准化处理;
对每个所述感兴趣区域图像样本提取若干个三维小块。
可选地,在将所述三维小块输入到所述三维卷积神经网络模型得到网络分数之前,还包括:
对所述三维小块进行数据增强。
可选地,所述对所述三维小块进行数据增强,具体包括:
对所述三维小块进行翻转、旋转、裁剪、变形、缩放、去噪、模糊、颜色变换、擦除或填充。
可选地,所述三维卷积神经网络模型包括依次连接的第一卷积层、第二卷积层、第一池化层、第三卷积层、第四卷积层、第一池化层、第一全连接层、第二全连接层、第三全连接层、第四全连接层和分类器,所述将所述三维小块输入到所述三维卷积神经网络模型得到网络分数,具体包括:
将所述三维小块依次经过第一卷积层、第二卷积层、第一池化层、第三卷积层、第四卷积层、第一池化层、第一全连接层、第二全连接层、第三全连接层、第四全连接层和分类器后,输出网络分数。
第二方面,本发明实施例提供了一种影像组学联合深度学习预测肝癌复发的***,包括:
获取模块,获取已标记肝癌靶区的病例图像;
预测模块,将所述已标记肝癌靶区的病例图像输入到预测模型,得到预测结果;
其中,所述预设模型包括分类模型、三维卷积神经网络模型及联合模型,所述预测模型通过以下步骤得到:
获取已标记肝癌靶区的病例图像样本,并从所述已标记肝癌靶区的病例图像样本中提取感兴趣区域图像样本;
提取所述感兴趣区域图像样本的影像组学特征及三维小块;
将所述影像组学特征输入到所述分类模型得到组学评分,以及将所述三维小块输入到所述三维卷积神经网络模型得到网络分数;
根据所述组学评分及所述网络分数输入到所述联合模型得到预测分数,根据预测分数确定预测结果,根据所述预测结果的准确性确定所述预测模型。
第三方面,本发明实施例提供了一种影像组学联合深度学习预测肝癌复发的***,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上述的方法。
第四方面,本发明实施例提供了一种存储介质,其中存储有处理器可执行的程序,所述处理器可执行的程序在由处理器执行时用于执行上述的方法。
实施本发明实施例包括以下有益效果:本发明实施例通过首先根据已标记肝癌靶区的病例图像样本数据训练预测模型,然后将已标记肝癌靶区的病例图像输入到训练好的预测模型中得到预测结果,其中,预测模型包括分类模型、三维卷积神经网络模型及联合模型,根据分类模型得到影像组学特征的组学评分,根据三维卷积神经网络模型得到深度学习的网络分数,并将组学评分和网络分数输入到联合模型得到预测分数,根据预测分数得到预测结果;即预测模型结合了影像组学和深度学习,挖掘的影像信息更丰富,表征能力更强,从而提高预测肝癌复发的准确性。
附图说明
图1是本发明实施例提供的一种影像组学联合深度学习预测肝癌复发的方法的步骤流程示意图;
图2是本发明实施例提供的一种三维卷积神经网络模型的结构示意图;
图3是本发明实施例提供的一种肝癌患者的病例图像;
图4是本发明实施例提供的一种影像组学联合深度学习预测肝癌复发的***的结构框图;
图5是本发明实施例提供的一种影像组学联合深度学习预测肝癌复发的***的另一种结构框图。
具体实施方式
下面结合附图和具体实施例对本发明做进一步的详细说明。对于以下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。
如图1所示,本发明实施例提供了一种影像组学联合深度学习预测肝癌复发的方法,其包括的步骤如下所示。
S100、获取已标记肝癌靶区的病例图像;
S200、将所述已标记肝癌靶区的病例图像输入到预测模型,得到预测结果;
其中,所述预设模型包括分类模型、三维卷积神经网络模型及联合模型,所述预测模型通过以下步骤得到:
获取已标记肝癌靶区的病例图像样本,并从所述已标记肝癌靶区的病例图像样本中提取感兴趣区域图像样本;
提取所述感兴趣区域图像样本的影像组学特征及三维小块;
将所述影像组学特征输入到所述分类模型得到组学评分,以及将所述三维小块输入到所述三维卷积神经网络模型得到网络分数;
根据所述组学评分及所述网络分数输入到所述联合模型得到预测分数,根据预测分数确定预测结果,根据所述预测结果的准确性确定所述预测模型。
具体地,首先根据已标记肝癌靶区的病例图像样本数据训练预测模型,然后将已标记肝癌靶区的病例图像输入到训练好的预测模型中得到预测结果。
已标记肝癌靶区的病例图像通过以下方法获取:选取符合要求的肝癌病例,经PACS***下载肝动脉期CT(Computed Tomography,电子计算机断层扫描)图像,腹部放射科医师通过ITK-SNAP勾画肝癌靶区,采用nii格式分别保存为主要图像(Main image)和分割图像(Segmentation image)。
具体地,对影像组学和深度学习模型采用Logistic线性分析,建立联合预测模型,联合分数=a+b×组学评分+c×网络分数,0分以下为肝癌根治术后低风险复发,0分以上为高风险复发。
可选地,在提取所述感兴趣区域图像样本的影像组学特征之前,还包括:
S201、对所述感兴趣区域图像样本进行进行第一标准化处理和三维重建。
具体地,首先,对分割好的三维ROI(Region Of Interest,感兴趣区域)图像运用MATLAB2014b进行第一标准化处理及三维重建,重建后的图像层厚为1mm;然后,基于Python3.6安装影像组学特征提取包,批量提取三维影像组学特征。
可选地,在将所述影像组学特征输入到所述分类模型得到组学评分之前,还包括:
S202、对所述影像组学特征进行降维处理。
具体地,采用递归特征消除(RFE,Recursive Feature Elimination)进行降维处理,通过随机森立建立模型。根据模型各个影像组学特征的权重,定义组学评分(Rad-score)公式,然后通过Rad-score得分构建一个影像组学标签(Radiomics signature)。针对预测肝癌复发,采用最大约登指数确定Rad-score的最优截距值。
可选地,所述三维小块通过以下步骤获取:
S203、对所述感兴趣区域图像样本进行第二标准化处理;
S204、对每个所述感兴趣区域图像样本提取若干个三维小块。
具体地,提取三维小块(3D-Patches)的过程如下:将预先处理的体积数(Volumetric data)裁剪成3D体素50×50×50(体素,1体素表示1毫米);预处理遵循“标准”腹部CT的程序:输入的CT图像扫描转换为亨氏单位(HU),然后通过线性插值将体积数据调整为1mm×1mm×1mm的间距,将体素强度压缩为I HU∈[-1024,400],将密度量化为灰度,并通过映射将值转化为I∈[-1,1]。在CT图像标准化的基础上,每个肿瘤三维ROI区域提取10个三维小块(Patches)
可选地,在将所述三维小块输入到所述三维卷积神经网络模型得到网络分数之前,还包括:
S205、对所述三维小块进行数据增强。
可选地,所述对所述三维小块进行数据增强,具体包括:
S206、对所述三维小块进行翻转、旋转、裁剪、变形、缩放、去噪、模糊、颜色变换、擦除或填充。
具体地,采用包括但不限于上述10种增强方式对训练数据进行扩充。
可选地,所述三维卷积神经网络模型包括依次连接的第一卷积层、第二卷积层、第一池化层、第三卷积层、第四卷积层、第一池化层、第一全连接层、第二全连接层、第三全连接层、第四全连接层和分类器,所述将所述三维小块输入到所述三维卷积神经网络模型得到网络分数,具体包括:
将所述三维小块依次经过第一卷积层、第二卷积层、第一池化层、第三卷积层、第四卷积层、第一池化层、第一全连接层、第二全连接层、第三全连接层、第四全连接层和分类器后,输出网络分数。
具体地,如图2所示,三维卷积神经网络(Three-dimensional convolutionalneural network,3D-CNN)的架构如下:共四个3D卷积层(Convolutional layers)、两个池化层、四个全连接层和一个分类器;四个3D卷积层的滤波器(Filters)分别为64、128、256和512,其内核大小(Kernel sizes)分别为5×5×5、3×3×3、3×3×3及3×3×3;在第二卷积层与第三卷积层之间和第四卷积层之后设置两个内核大小均为3×3×3的最大池化层;在第二个最大池化层之后设置四个全连接层(Fully connected layers),其单元数分别为13824、512、256和2;最后连接Softmax分类器。三维卷积神经网络的优化器(Optimizer)选择Adam,其学习率(Learning rate)设置为0.001,批处理大小(Batch size)为16。所有层均进行标准化处理,L2正则化(L2 regularization)惩罚因子设置为0.000001,采用ReLu(Rectified Linear Units)激活函数,其alpha=0.1,基于TensorFlow进行训练并参数调优。
需要说明的是,上述三维卷积神经网络经过实验证明,稳定性较好。
实施本发明实施例包括以下有益效果:本发明实施例通过首先根据已标记肝癌靶区的病例图像样本数据训练预测模型,然后将已标记肝癌靶区的病例图像输入到训练好的预测模型中得到预测结果,其中,预测模型包括分类模型、三维卷积神经网络模型及联合模型,根据分类模型得到影像组学特征的组学评分,根据三维卷积神经网络模型得到深度学习的网络分数,并将组学评分和网络分数输入到联合模型得到预测分数,根据预测分数得到预测结果;即预测模型结合了影像组学和深度学习,挖掘的影像信息更丰富,表征能力更强,从而提高预测肝癌复发的准确性。
下面以一个具体的实施例说明影像组学联合深度学习预测肝癌复发的方法。
如图3所示,首先,三维CT影像重建过程如下:首先,对肝癌患者术前的CT图像,通过ITK-SNAP逐层勾画肝癌靶区,如T3-1所示,采用nii格式分别保存为主要图像(Mainimage)和分割图像(Segmentation image);对分割好的三维ROI图像运用MATLAB2014b进行标准化处理及三维重建;T3-2为肝癌勾画靶区后生成3D图像,5mm层厚CT图像;T3-3为3D肝癌靶区通过matlab2014b重建为1mm层厚CT图像。
然后,提取三维CT影像组学特征并计算分值:对治疗前的肝动脉期CT图像,经标准化处理及三维重建(层厚1mm),利用Python 3.6提取影像组学特征1153个,采用RFE降维处理得到14个影像组学特征,计算14个影像组学特征数值,如下表所示,通过训练好的随机森林计算得到组学评分为0.860。
然后,将CT图像输入到训练好的3D-CNN得到网络分数为0.492。
最后,将组学评分0.860及网络分数为0.492输入到联合模型得到预测分数,联合模型经过训练确定为:预测分数=1.979731+2.425129×组学评分+1.987351×网络分数;因此,预测分数为5.037,预测分数大于0,该病例的预测结果为肝癌根治术疗效差,易复发。
如图4所示,本发明实施例提供了一种影像组学联合深度学习预测肝癌复发的***,包括:
获取模块,获取已标记肝癌靶区的病例图像;
预测模块,将所述已标记肝癌靶区的病例图像输入到预测模型,得到预测结果;
其中,所述预设模型包括分类模型、三维卷积神经网络模型及联合模型,所述预测模型通过以下步骤得到:
获取已标记肝癌靶区的病例图像样本,并从所述已标记肝癌靶区的病例图像样本中提取感兴趣区域图像样本;
提取所述感兴趣区域图像样本的影像组学特征及三维小块;
将所述影像组学特征输入到所述分类模型得到组学评分,以及将所述三维小块输入到所述三维卷积神经网络模型得到网络分数;
根据所述组学评分及所述网络分数输入到所述联合模型得到预测分数,根据预测分数确定预测结果,根据所述预测结果的准确性确定所述预测模型。
可见,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。
如图5所示,本发明实施例提供了一种影像组学联合深度学习预测肝癌复发的***,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上述的方法。
可见,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。
此外,本申请实施例还公开了一种计算机程序产品或计算机程序,计算机程序产品或计算机程序存储在计算机可读存介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机程序,处理器执行该计算机程序,使得该计算机设备执行上述的方法。同样地,上述方法实施例中的内容均适用于本存储介质实施例中,本存储介质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。
以上是对本发明的较佳实施进行了具体说明,但本发明创造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)
1.一种影像组学联合深度学习预测肝癌复发的方法,其特征在于,包括:
获取已标记肝癌靶区的病例图像;
将所述已标记肝癌靶区的病例图像输入到预测模型,得到预测结果;
其中,所述预设模型包括分类模型、三维卷积神经网络模型及联合模型,所述预测模型通过以下步骤得到:
获取已标记肝癌靶区的病例图像样本,并从所述已标记肝癌靶区的病例图像样本中提取感兴趣区域图像样本;
提取所述感兴趣区域图像样本的影像组学特征及三维小块;
将所述影像组学特征输入到所述分类模型得到组学评分,以及将所述三维小块输入到所述三维卷积神经网络模型得到网络分数;
根据所述组学评分及所述网络分数输入到所述联合模型得到预测分数,根据预测分数确定预测结果,根据所述预测结果的准确性确定所述预测模型。
2.根据权利要求1所述的影像组学联合深度学习预测肝癌复发的方法,其特征在于,在提取所述感兴趣区域图像样本的影像组学特征之前,还包括:
对所述感兴趣区域图像样本进行进行第一标准化处理和三维重建。
3.根据权利要求1所述的影像组学联合深度学习预测肝癌复发的方法,其特征在于,在将所述影像组学特征输入到所述分类模型得到组学评分之前,还包括:
对所述影像组学特征进行降维处理。
4.根据权利要求1所述的影像组学联合深度学习预测肝癌复发的方法,其特征在于,所述三维小块通过以下步骤获取:
对所述感兴趣区域图像样本进行第二标准化处理;
对每个所述感兴趣区域图像样本提取若干个三维小块。
5.根据权利要求1所述的影像组学联合深度学习预测肝癌复发的方法,其特征在于,在将所述三维小块输入到所述三维卷积神经网络模型得到网络分数之前,还包括:
对所述三维小块进行数据增强。
6.根据权利要求5所述的影像组学联合深度学习预测肝癌复发的方法,其特征在于,所述对所述三维小块进行数据增强,具体包括:
对所述三维小块进行翻转、旋转、裁剪、变形、缩放、去噪、模糊、颜色变换、擦除或填充。
7.根据权利要求1所述的影像组学联合深度学习预测肝癌复发的方法,其特征在于,所述三维卷积神经网络模型包括依次连接的第一卷积层、第二卷积层、第一池化层、第三卷积层、第四卷积层、第一池化层、第一全连接层、第二全连接层、第三全连接层、第四全连接层和分类器,所述将所述三维小块输入到所述三维卷积神经网络模型得到网络分数,具体包括:
将所述三维小块依次经过第一卷积层、第二卷积层、第一池化层、第三卷积层、第四卷积层、第一池化层、第一全连接层、第二全连接层、第三全连接层、第四全连接层和分类器后,输出网络分数。
8.一种影像组学联合深度学习预测肝癌复发的***,其特征在于,包括:
获取模块,获取已标记肝癌靶区的病例图像;
预测模块,将所述已标记肝癌靶区的病例图像输入到预测模型,得到预测结果;
其中,所述预设模型包括分类模型、三维卷积神经网络模型及联合模型,所述预测模型通过以下步骤得到:
获取已标记肝癌靶区的病例图像样本,并从所述已标记肝癌靶区的病例图像样本中提取感兴趣区域图像样本;
提取所述感兴趣区域图像样本的影像组学特征及三维小块;
将所述影像组学特征输入到所述分类模型得到组学评分,以及将所述三维小块输入到所述三维卷积神经网络模型得到网络分数;
根据所述组学评分及所述网络分数输入到所述联合模型得到预测分数,根据预测分数确定预测结果,根据所述预测结果的准确性确定所述预测模型。
9.一种影像组学联合深度学习预测肝癌复发的***,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1-7任一项所述的方法。
10.一种存储介质,其中存储有处理器可执行的程序,其特征在于,所述处理器可执行的程序在由处理器执行时用于执行如权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110982206.9A CN113780274A (zh) | 2021-08-25 | 2021-08-25 | 影像组学联合深度学习预测肝癌复发的方法、***及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110982206.9A CN113780274A (zh) | 2021-08-25 | 2021-08-25 | 影像组学联合深度学习预测肝癌复发的方法、***及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113780274A true CN113780274A (zh) | 2021-12-10 |
Family
ID=78839291
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110982206.9A Pending CN113780274A (zh) | 2021-08-25 | 2021-08-25 | 影像组学联合深度学习预测肝癌复发的方法、***及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113780274A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117011242A (zh) * | 2023-07-10 | 2023-11-07 | 珠海市人民医院 | 经颈静脉肝内门体分流术后肝性脑病预测方法和*** |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108364006A (zh) * | 2018-01-17 | 2018-08-03 | 超凡影像科技股份有限公司 | 基于多模式深度学习的医学图像分类装置及其构建方法 |
-
2021
- 2021-08-25 CN CN202110982206.9A patent/CN113780274A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108364006A (zh) * | 2018-01-17 | 2018-08-03 | 超凡影像科技股份有限公司 | 基于多模式深度学习的医学图像分类装置及其构建方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117011242A (zh) * | 2023-07-10 | 2023-11-07 | 珠海市人民医院 | 经颈静脉肝内门体分流术后肝性脑病预测方法和*** |
CN117011242B (zh) * | 2023-07-10 | 2024-05-14 | 珠海市人民医院 | 经颈静脉肝内门体分流术后肝性脑病预测方法和*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Souza et al. | An automatic method for lung segmentation and reconstruction in chest X-ray using deep neural networks | |
CN109993726B (zh) | 医学图像的检测方法、装置、设备和存储介质 | |
CN110310287B (zh) | 基于神经网络的危及器官自动勾画方法、设备和存储介质 | |
Zhao et al. | Automatic nasopharyngeal carcinoma segmentation using fully convolutional networks with auxiliary paths on dual-modality PET-CT images | |
Bi et al. | Dual-path adversarial learning for fully convolutional network (FCN)-based medical image segmentation | |
Tang et al. | E 2 Net: An edge enhanced network for accurate liver and tumor segmentation on CT scans | |
Nowak et al. | Fully automated segmentation of connective tissue compartments for CT-based body composition analysis: a deep learning approach | |
Pulagam et al. | Automated lung segmentation from HRCT scans with diffuse parenchymal lung diseases | |
Albishri et al. | CU-Net: Cascaded U-Net model for automated liver and lesion segmentation and summarization | |
Wardhana et al. | Toward reliable automatic liver and tumor segmentation using convolutional neural network based on 2.5 D models | |
Hoang et al. | An evaluation of CNN-based liver segmentation methods using multi-types of CT abdominal images from multiple medical centers | |
CN114693671B (zh) | 基于深度学习的肺结节半自动分割方法、装置、设备及介质 | |
Tummala et al. | Liver tumor segmentation from computed tomography images using multiscale residual dilated encoder‐decoder network | |
Hakim et al. | Microcalcification detection in mammography image using computer-aided detection based on convolutional neural network | |
Aslam et al. | Liver-tumor detection using CNN ResUNet | |
Hou et al. | Mass segmentation for whole mammograms via attentive multi-task learning framework | |
CN113780274A (zh) | 影像组学联合深度学习预测肝癌复发的方法、***及介质 | |
Harrison et al. | State-of-the-art of breast cancer diagnosis in medical images via convolutional neural networks (cnns) | |
Li et al. | Automated classification of solitary pulmonary nodules using convolutional neural network based on transfer learning strategy | |
Liu et al. | U2F-GAN: weakly supervised super-pixel segmentation in thyroid ultrasound images | |
Koundal et al. | An automatic ROI extraction technique for thyroid ultrasound image | |
Yu et al. | CT segmentation of liver and tumors fused multi-scale features | |
Mousavi Moghaddam et al. | Lung parenchyma segmentation from CT images with a fully automatic method | |
Hassan et al. | A deep learning model for mammography mass detection using mosaic and reconstructed multichannel images | |
CN113362350A (zh) | 癌症病历图像的分割方法、装置、终端设备和存储介质 |
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: 20211210 |