CN116958151A - 一种基于ct图像特征区分肾上腺增生与乏脂肪腺瘤的方法、***、设备 - Google Patents
一种基于ct图像特征区分肾上腺增生与乏脂肪腺瘤的方法、***、设备 Download PDFInfo
- Publication number
- CN116958151A CN116958151A CN202311221342.1A CN202311221342A CN116958151A CN 116958151 A CN116958151 A CN 116958151A CN 202311221342 A CN202311221342 A CN 202311221342A CN 116958151 A CN116958151 A CN 116958151A
- Authority
- CN
- China
- Prior art keywords
- adrenal
- value
- lesion
- volume
- hyperplasia
- 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
- 208000003200 Adenoma Diseases 0.000 title claims abstract description 68
- 206010001233 Adenoma benign Diseases 0.000 title claims abstract description 58
- 208000008448 Congenital adrenal hyperplasia Diseases 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims abstract description 36
- 235000013861 fat-free Nutrition 0.000 title claims abstract description 19
- 230000003902 lesion Effects 0.000 claims abstract description 96
- 230000001919 adrenal effect Effects 0.000 claims abstract description 43
- 206010020718 hyperplasia Diseases 0.000 claims abstract description 34
- 210000004100 adrenal gland Anatomy 0.000 claims abstract description 31
- 238000004364 calculation method Methods 0.000 claims abstract description 16
- 238000003745 diagnosis Methods 0.000 claims abstract description 13
- 201000010099 disease Diseases 0.000 claims abstract description 11
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 11
- 238000005259 measurement Methods 0.000 claims description 21
- 210000003240 portal vein Anatomy 0.000 claims description 20
- 238000007477 logistic regression Methods 0.000 claims description 17
- 210000000702 aorta abdominal Anatomy 0.000 claims description 9
- 238000007637 random forest analysis Methods 0.000 claims description 6
- 238000003066 decision tree Methods 0.000 claims description 5
- 230000003187 abdominal effect Effects 0.000 claims description 4
- 210000000577 adipose tissue Anatomy 0.000 claims description 4
- 238000012706 support-vector machine Methods 0.000 claims description 4
- 230000000740 bleeding effect Effects 0.000 claims description 3
- 210000004204 blood vessel Anatomy 0.000 claims description 3
- 230000002308 calcification Effects 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 3
- 230000017074 necrotic cell death Effects 0.000 claims description 3
- 230000035945 sensitivity Effects 0.000 description 8
- 238000003384 imaging method Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 102400000739 Corticotropin Human genes 0.000 description 5
- 101800000414 Corticotropin Proteins 0.000 description 5
- IDLFZVILOHSSID-OVLDLUHVSA-N corticotropin Chemical compound C([C@@H](C(=O)N[C@@H](CO)C(=O)N[C@@H](CCSC)C(=O)N[C@@H](CCC(O)=O)C(=O)N[C@@H](CC=1NC=NC=1)C(=O)N[C@@H](CC=1C=CC=CC=1)C(=O)N[C@@H](CCCNC(N)=N)C(=O)N[C@@H](CC=1C2=CC=CC=C2NC=1)C(=O)NCC(=O)N[C@@H](CCCCN)C(=O)N1[C@@H](CCC1)C(=O)N[C@@H](C(C)C)C(=O)NCC(=O)N[C@@H](CCCCN)C(=O)N[C@@H](CCCCN)C(=O)N[C@@H](CCCNC(N)=N)C(=O)N[C@@H](CCCNC(N)=N)C(=O)N1[C@@H](CCC1)C(=O)N[C@@H](C(C)C)C(=O)N[C@@H](CCCCN)C(=O)N[C@@H](C(C)C)C(=O)N[C@@H](CC=1C=CC(O)=CC=1)C(=O)N1[C@@H](CCC1)C(=O)N[C@@H](CC(N)=O)C(=O)NCC(=O)N[C@@H](C)C(=O)N[C@@H](CCC(O)=O)C(=O)N[C@@H](CC(O)=O)C(=O)N[C@@H](CCC(O)=O)C(=O)N[C@@H](CO)C(=O)N[C@@H](C)C(=O)N[C@@H](CCC(O)=O)C(=O)N[C@@H](C)C(=O)N[C@@H](CC=1C=CC=CC=1)C(=O)N1[C@@H](CCC1)C(=O)N[C@@H](CC(C)C)C(=O)N[C@@H](CCC(O)=O)C(=O)N[C@@H](CC=1C=CC=CC=1)C(O)=O)NC(=O)[C@@H](N)CO)C1=CC=C(O)C=C1 IDLFZVILOHSSID-OVLDLUHVSA-N 0.000 description 5
- 229960000258 corticotropin Drugs 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 5
- 238000005728 strengthening Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 208000014311 Cushing syndrome Diseases 0.000 description 4
- 208000015234 adrenal cortex adenoma Diseases 0.000 description 4
- 201000009395 primary hyperaldosteronism Diseases 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 208000009888 Adrenocortical Adenoma Diseases 0.000 description 3
- 239000000275 Adrenocorticotropic Hormone Substances 0.000 description 3
- 208000016998 Conn syndrome Diseases 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000011088 calibration curve Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 210000003734 kidney Anatomy 0.000 description 3
- 208000013846 primary aldosteronism Diseases 0.000 description 3
- 239000000243 solution Substances 0.000 description 3
- 206010020772 Hypertension Diseases 0.000 description 2
- 206010024612 Lipoma Diseases 0.000 description 2
- 206010001323 adrenal adenoma Diseases 0.000 description 2
- 210000004404 adrenal cortex Anatomy 0.000 description 2
- 230000001780 adrenocortical effect Effects 0.000 description 2
- 230000002146 bilateral effect Effects 0.000 description 2
- 230000004791 biological behavior Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 239000002872 contrast media Substances 0.000 description 2
- 238000000326 densiometry Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000002124 endocrine Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- JYGXADMDTFJGBT-VWUMJDOOSA-N hydrocortisone Chemical compound O=C1CC[C@]2(C)[C@H]3[C@@H](O)C[C@](C)([C@@](CC4)(O)C(=O)CO)[C@@H]4[C@@H]3CCC2=C1 JYGXADMDTFJGBT-VWUMJDOOSA-N 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000001575 pathological effect Effects 0.000 description 2
- 230000035755 proliferation Effects 0.000 description 2
- 230000002787 reinforcement Effects 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- ZCYVEMRRCGMTRW-UHFFFAOYSA-N 7553-56-2 Chemical compound [I] ZCYVEMRRCGMTRW-UHFFFAOYSA-N 0.000 description 1
- PQSUYGKTWSAVDQ-ZVIOFETBSA-N Aldosterone Chemical compound C([C@@]1([C@@H](C(=O)CO)CC[C@H]1[C@@H]1CC2)C=O)[C@H](O)[C@@H]1[C@]1(C)C2=CC(=O)CC1 PQSUYGKTWSAVDQ-ZVIOFETBSA-N 0.000 description 1
- PQSUYGKTWSAVDQ-UHFFFAOYSA-N Aldosterone Natural products C1CC2C3CCC(C(=O)CO)C3(C=O)CC(O)C2C2(C)C1=CC(=O)CC2 PQSUYGKTWSAVDQ-UHFFFAOYSA-N 0.000 description 1
- 102000015427 Angiotensins Human genes 0.000 description 1
- 108010064733 Angiotensins Proteins 0.000 description 1
- 206010010356 Congenital anomaly Diseases 0.000 description 1
- 241001272720 Medialuna californiensis Species 0.000 description 1
- 238000005481 NMR spectroscopy Methods 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 208000012868 Overgrowth Diseases 0.000 description 1
- 208000010067 Pituitary ACTH Hypersecretion Diseases 0.000 description 1
- 208000020627 Pituitary-dependent Cushing syndrome Diseases 0.000 description 1
- 102100028255 Renin Human genes 0.000 description 1
- 108090000783 Renin Proteins 0.000 description 1
- 238000000692 Student's t-test Methods 0.000 description 1
- 201000003354 adrenal cortical adenoma Diseases 0.000 description 1
- 229960002478 aldosterone Drugs 0.000 description 1
- 238000013103 analytical ultracentrifugation Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000000546 chi-square test Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 210000003195 fascia Anatomy 0.000 description 1
- 229960000890 hydrocortisone Drugs 0.000 description 1
- 230000002390 hyperplastic effect Effects 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 229910052740 iodine Inorganic materials 0.000 description 1
- 239000011630 iodine Substances 0.000 description 1
- 230000003447 ipsilateral effect Effects 0.000 description 1
- 238000010202 multivariate logistic regression analysis Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000003248 secreting effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 208000011580 syndromic disease Diseases 0.000 description 1
- 238000012353 t test Methods 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- 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)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Geometry (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本申请涉及智能医疗领域，具体涉及一种基于CT图像特征区分肾上腺增生与乏脂肪腺瘤的方法、***、设备。包括获取肾上腺部位的CT图像；对所述CT图像进行特征计算得到特征值，所述特征为密度特征和/或体积特征，所述密度特征是指在轴位肾上腺病变图像中感兴趣区域的病变密度，所述体积特征是指肾上腺病变图像中感兴趣区域的病变体积；将所述特征值输至疾病诊断模型中进行分类，当特征值的阈值在预设值内则判定为肾上腺增生，否则判定为乏脂肪腺瘤。本申请结合基于密度与体积特征有效区分肾上腺增生与乏脂肪腺瘤，降低将增生误诊为腺瘤的几率，避免增生患者接受不必要的手术，具有很好的临床价值。
Description
技术领域
本申请涉及智能医疗领域，具体涉及一种基于CT图像特征区分肾上腺增生与乏脂肪腺瘤的方法、***、设备、计算机可读存储介质。
背景技术
肾上腺增生与乏脂肪腺瘤是两种不同的病理状况，它们在某些情况下难以区分，主要包括影像学特征、临床表现、病理学特征、生物学行为、诊断标准。肾上腺增生和乏脂肪腺瘤在影像学检查（如CT、MRI等）中可能会表现出相似的影像学特征，如局部密度或信号的改变，这可能导致诊断上的混淆；在临床上两者都可能表现为原发性醛固酮增多症、库欣综合征等内分泌症状，因此无法从症状上区分；在病理学上，肾上腺增生和某些类型的乏脂肪腺瘤（如功能性肾上腺皮质腺瘤）的细胞形态和组织结构可能存在相似之处，导致鉴别困难；在生物学行为上，某些乏脂肪腺瘤可能具有分泌功能，与肾上腺增生在功能上有所重叠；最后不同的医生或医疗机构可能采用不同的诊断标准和方法，这也可能影响对这两种病的鉴别，目前针对区分肾上腺增生与乏脂肪腺瘤的方法正在不断研究中。
发明内容
针对肾上腺增生与乏脂肪腺瘤难以区分的问题，本申请提出一种基于CT图像特征区分肾上腺增生与乏脂肪腺瘤的方法，具体包括：
获取肾上腺部位的CT图像；
对所述CT图像进行特征计算得到特征值，所述特征为密度特征和/或体积特征，所述密度特征是指在轴位肾上腺病变图像中感兴趣区域的病变密度，所述体积特征是指肾上腺病变图像中感兴趣区域的病变体积；
将所述特征值输至疾病诊断模型中进行分类，当特征值的阈值在预设值内则判定为肾上腺增生，否则判定为乏脂肪腺瘤。
进一步，所述病变密度的测量值包括下列的一种或几种：平扫CT值、门静脉期的CT衰值、腹主动脉门静脉期的CT衰减、病灶的最大直径、病灶的数量、病灶的位置。
进一步，对所述测量值重复两次后计算测量的平均值，并且计算绝对强化值、相对强化值、相对强化率；其中，所述绝对强化值是先测量门静脉期的CT值和平扫CT值，再利用所述门静脉期的CT值减去平扫CT值计算得到的，所述相对强化值是先获取平扫CT值和绝对强化值，再利用绝对强化值除以平扫CT值计算得到的，所述相对强化率是先获取绝对强化值和腹主动脉门静脉期的CT值，再通过绝对强化值与腹主动脉门静脉期的CT值的比值计算得到的。
所述病变体积的测量包括下列的一种或几种：病变体积、肾上腺体积；对所述体积特征的计算包括先获取病变体积、肾上腺体积，再对所述病变体积和所述肾上腺体积进行比率计算得到体积比。
所述疾病诊断模型包括下列的一种或几种：逻辑回归、随机森林、支持向量机、XGboost、决策树、极限学习机。
所述预设值是基于约登指数的最大值得到的，当病变特征值超过预设阈值时判定肾上腺病变为腺瘤，否则判定为肾上腺增生。
所述方法还包括CT图像区域检查，所述CT图像区域检查是在测量前检查是否包括下列一种或几种情况：病灶边缘、出血、钙化、伪影、血管、脂肪组织、坏死、囊性区域，当包括上述情况中的任意一种时重新选择感兴趣的区域，否则进行特征值测量。
本申请的目的在于提供一种基于CT图像特征区分肾上腺增生与乏脂肪腺瘤的***，包括：
数据获取单元：获取肾上腺部位的CT图像；
特征计算单元：对所述CT图像进行特征计算得到特征值，所述特征为密度特征和/或体积特征，所述密度特征是指在轴位肾上腺病变图像中感兴趣区域的病变密度，所述体积特征是指肾上腺病变图像中感兴趣区域的病变体积；
回归分类单元：将所述特征值输至疾病诊断模型中进行分类，当特征值的阈值在预设值内则判定为肾上腺增生，否则判定为乏脂肪腺瘤。
本申请的目的在于提供一种基于CT图像特征区分肾上腺增生与乏脂肪腺瘤的设备，包括：
存储器与处理器，所述存储器用于存储程序指令；所述处理器用于调用程序指令，当程序指令被执行时实现任意一项上述的一种基于CT图像特征区分肾上腺增生与乏脂肪腺瘤的方法。
本申请的目的在于提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现任意一项上述的一种基于CT图像特征区分肾上腺增生与乏脂肪腺瘤的方法。
本申请的优势：
1．本申请提出采用CT密度和体积进行区分肾上腺增生与乏脂肪腺瘤，该方法相较于放射科医生的诊断结果表现出更优质的诊断性能，对同一病例的诊断结果的变异性较低，诊断结果具备较好的可信度。
2．本申请创新性的提出测量病变体积及肾上腺总体积、计算病灶体积与肾上腺总体积的比值并通过比值来区分肾上腺增生与乏脂肪腺瘤，该特征值显示出良好的区分能力。
3.本申请通过测量门静脉期CT值、平扫CT值、腹主动脉门静脉期CT值计算绝对强化值、相对强化值、相对强化率衡量病变区域的密度，用于辅助判断病变区域的特性。
4.本申请结合门静脉期CT值、体积比和病变数量提出肾上腺增生和乏脂肪瘤的区分模型，相较于放射科的医生能够获得优异的分类性能，避免肾上腺增生病人进行不必要的手术。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获取其他的附图。
图1为本发明实施例提供一种基于CT图像特征区分肾上腺增生与乏脂肪腺瘤的方法流程示意图；
图2为本发明实施例提供一种基于CT图像特征区分肾上腺增生与乏脂肪腺瘤的***示意图；
图3为本发明实施例提供的一种基于CT图像特征区分肾上腺增生与乏脂肪腺瘤的设备示意图；
图4为本发明实施例提供的CT密度测定的乏脂肪腺瘤和肾上腺增生的小提琴图；
图5为本发明实施例提供的一名患有库欣综合征并经病理证实为肾上腺皮质腺瘤的 37 岁女性经手动分割后的病变和肾上腺的三维可视化分析图；
图6为本发明实施例提供所有研究对象的逻辑回归模型的 ROC 曲线图；
图7为本发明实施例提供的结合门静脉期CT值、体积比和病灶数量绘制列线图；
图8为本发明实施例提供的列线图校准曲线并表明模型的拟合优度；
图9为本发明实施例提供的第一组逻辑回归模型的 ROC 曲线图，星号表示模型的截断值，点表示影像医师主观评价的敏感度和特异度；
图10为本发明实施例提供的第二组逻辑回归模型的 ROC 曲线图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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。
在本发明的说明书和权利要求书及上述附图中的描述的一些流程中，包含了按照特定顺序出现的多个操作，但是应该清楚了解，这些操作可以不按照其在本文中出现的顺序来执行或并行执行，操作的序号如S101、S102等，仅仅是用于区分开各个不同的操作，序号本身不代表任何的执行顺序。另外，这些流程可以包括更多或更少的操作，并且这些操作可以按顺序执行或并行执行。需要说明的是，本文中的“第一”、“第二”等描述，是用于区分不同的消息、设备、模块等，不代表先后顺序，也不限定“第一”和“第二”是不同的类型。
图1本发明实施例提供的一种基于CT图像特征区分肾上腺增生与乏脂肪腺瘤的方法示意图，具体包括：
S101：获取肾上腺部位的CT图像；
在一个实施例中，肾上腺是人体相当重要的内分泌器官，由于位于两侧肾脏的上方，故名肾上腺。肾上腺左右各一，位于肾的上方，共同为肾筋膜和脂肪组织所包裹。左肾上腺呈半月形，右肾上腺为三角形。肾上腺皮质腺瘤是发生于肾上腺皮质的良性肿瘤，可不受促肾上腺皮质激素（ACTH）或肾素、血管紧张素***的方式分泌皮质醇和醛固酮，临床表现为库欣综合征或原发性醛固酮增多症。肾上腺皮质增生是肾上腺皮质的过度生长，病因包括库欣病、异位促肾上腺皮质激素(ACTH)综合征和原发性醛固酮增多症及先天性肾上腺皮质增生症。肾上腺增生可呈弥漫性或结节状，弥漫性增生表现为肾上腺弥漫性增大并维持原有形状，而结节样增生在影像学上与肾上腺腺瘤相似。
在一个具体实施例中，肾上腺增生和腺瘤的临床表现相似，但治疗方法却截然不同。肾上腺增生通常采用药物治疗，而腺瘤则采用手术治疗。乏脂肪的肾上腺病变在临床和影像学上很难区分腺瘤和增生。
在一个实施例中，医学影像的类型包括下列的一种或几种：CT图像、核磁共振图像、超声图像、X线图像。
在一个具体实施例中，本发明从各种不同的多探测器 CT 扫描仪（SiemensSomatom Definition Flash、Siemens Somatom Force 和 GE Discovery CT750 HD）获取CT 图像。平扫图像采集后，使用电动注射器注射 80–90 mL 体积的碘造影剂，分别在注射造影剂后 25-30 秒和 55-60 秒获取动脉期和门静脉期，门静脉期图像用于进行后续的分析。
在一个具体实施例中，在模型训练阶段，CT图像会经过筛选得到符合要求的CT图像，其中排除标准为：（a）病灶平扫 CT 值 < 10 HU [由一名有 4 年阅片经验的放射科住院医师X.B.测量]； (b) 弥漫性肾上腺增生和促肾上腺皮质激素依赖性肾上腺大结节增生（AIMAH）[由 X.B.审阅]； (c) 无临床资料和术前 CT 增强图像； (d) 病变大小 < 10 毫米。总共纳入128 例患者（83 例乏脂肪腺瘤患者和 45 例结节性增生患者）。
在一个实施例中，所述方法还包括CT图像区域检查，所述CT图像区域检查是在测量前检查是否包括下列一种或几种情况：病灶边缘、出血、钙化、伪影、血管、脂肪组织、坏死、囊性区域，当包括上述情况中的任意一种时重新选择感兴趣的区域，否则进行特征值测量。
在一个具体实施例中，本发明进行训练的数据共有 128 名患者入组，并采用基于影像、临床和病理记录的可用参考标准。患者的人口统计学特征如下：男性 57 例，女性 71例；平均年龄，49.3±12.2 岁。两组之间性别（P = 0.010）有统计学显著差异，但年龄（P =0.472）没有显著差异。腺瘤组 58 例患者患有高血压（58/83），而增生组 45 例患者中有40例患有高血压（P = 0.015）。相比于双侧，两组病变大多为单侧（111 vs 17，P = 0.001）。增生组双侧病变比例（12/45）高于腺瘤组（5/83）。腺瘤组左侧、右侧分别有 52 例和 26 例病变。 45 例单侧增生患者中，25 例位于左侧，8 例位于右侧。
S102： 对所述CT图像进行特征计算得到特征值，所述特征为密度特征和/或体积特征，所述密度特征是指在轴位肾上腺病变图像中感兴趣区域的病变密度，所述体积特征是指肾上腺病变图像中感兴趣区域的病变体积；
在一个实施例中，所述病变密度的测量值包括下列的一种或几种：平扫CT值、门静脉期的CT值、腹主动脉门静脉期的CT值、病灶的最大直径、病灶的数量、病灶的位置。
在一个实施例中，对所述测量值重复两次后计算测量的平均值，并且计算绝对强化值、相对强化值、相对强化率；其中，所述绝对强化值是先测量门静脉期的CT值和平扫CT值，再利用所述门静脉期的CT值减去平扫CT值计算得到的，所述相对强化值是先获取平扫CT值和绝对强化值，再利用绝对强化值除以平扫CT值计算得到的，所述相对强化率是先获取绝对强化值和腹主动脉门静脉期的CT值，再通过绝对强化值与腹主动脉门静脉期的CT值的比值计算得到的。
在一个实施例中，所述病变体积的测量包括下列的一种或几种：病变体积、肾上腺体积；对所述体积特征的计算包括先获取病变体积、肾上腺体积，再对所述病变体积和所述肾上腺体积进行比率计算得到体积比。
在一个具体实施例中，对于密度测定，在轴位图像上的肾上腺病变上绘制圆形或椭圆形感兴趣区域 (ROI)，以测量平扫和门静脉期的CT值。为了确保一致性，将门静脉期图像上的 ROI 复制并粘贴到平扫图像上的相同位置。对于具有多个肾上腺病变的患者，仅分析最大的病变（轴位图像中直径最大的病变）。此外，还测量了腹主动脉门静脉期的 CT 值。同时测量轴位图像上病灶的最大直径，记录病灶的数量和位置。对于每位患者，所有测量均重复两次，并取平均值进行分析，同时计算绝对强化值、相对强化值、相对强化率。
绝对强化值=病灶门静脉期CT值-平扫CT值
相对强化值=绝对强化值/平扫CT值
在一个具体实施例中，对于体积测量，X.B.在每层图像上以 6 至 12.5 倍的放大倍数手工绘制肾上腺病变和同侧肾上腺（包括肾上腺病变）的 ROI，所有测量均在标准腹窗设置下进行。体积 ROI 由泌尿生殖方向的放射科医生（H.S.，拥有 17 年经验）进行审查和确认。基于体积 ROI，使用ITK-snap 软件评估病变和肾上腺的体积数据，计算病变体积与肾上腺体积的比率（体积比）。
在一个具体实施例中，本发明经过处理后的结果为：
肾上腺密度：乏脂肪腺瘤的平均平扫CT值（CT pre，25.1 ± 8.3 HU vs 21.4 ±9.0 HU，P = 0.023）、门静脉期CT值（CTp，79.6 ± 25.0 HU vs 66.4 ± 25.8 HU，P =0.006）和绝对强化值（54.5 ± 21.8 HU vs 45.0 ± 24.0 HU，P = 0.025）均比增生高，如图4所示的乏脂肪腺瘤和结节性增生的CT 密度的小提琴图。(A) 平均平扫CT值（25.1 HU± 8.3 vs 21.4 HU ± 9.0）高于结节性增生，(B) 平均门静脉期CT值（79.6 HU ± 25.0vs 66.4 HU ± 25.8）高于结节性增生，(C) 绝对强化值（54.5 HU ± 21.8 vs 45.0 HU± 24.0）高于结节性增生。两组间相对强化值及相对强化率无统计学差异（P = 0.634、P =0.122）。
肾上腺体积：腺瘤组病灶平均体积及同侧肾上腺体积均高于增生组。腺瘤组和增生组的平均病灶体积分别为 9.1 ± 18.7 cm3和 3.0 ± 3.0cm 3 (P = 0.033)。腺瘤组和增生组同侧总肾上腺平均体积分别为 11.4 ± 18.0 cm3和 6.9 ± 2.8 cm3（P = 0.098）。两组之间病变体积与肾上腺体积的比率具有显著统计学差异（65. 5 ± 26.3 % vs 36.8± 25.8 %，P < 0.001），如图5所示，一名患有库欣综合征并经病理证实为肾上腺皮质腺瘤的 37 岁女性的病灶和肾上腺的手动分割和三维可视化。(A）CT图像上手动分割的肾上腺，（B）肾上腺的三维成像，（C）CT图像上手动分割的病灶，（D）病灶的三维成像。
病变的数量、大小：腺瘤组与增生组病灶数量差异有统计学意义（P = 0.039）。在83 例乏脂肪腺瘤患者中，76 例（91.6%）有1个结节，7 例（8.4%）有2个结节。 45 例结节性增生患者中，分别有 35 例（77.8%）、8 例（17.8%）和 2 例（4.4%）患者有 1 个、2 个和 3个肾上腺结节。结节性增生患者中存在两个和三个肾上腺结节的患者比例显著高于腺瘤患者（P = 0.028）。腺瘤和增生的平均大小分别为 2.4 ± 1.0 cm（范围，1.03-8.08 cm）和1.7 ± 0.5 mm（范围，1.02-3.13 mm）（P < 0.001）。
S103： 将所述特征值输至疾病诊断模型中进行分类，当特征值的阈值在预设值内则判定为肾上腺增生，否则判定为乏脂肪腺瘤。
在一个实施例中，所述疾病诊断模型包括下列的一种或几种：逻辑回归、随机森林、神经网络、朴素贝叶斯、K近邻、支持向量机、XGboost、AdaBoost、梯度提升、决策树。
在一个实施例中，所述预设值是基于约登指数的最大值得到的，当病变特征值超过预设阈值时判定肾上腺病变为腺瘤，否则判定为肾上腺增生。
在一个实施例中，本发明进行区分肾上腺增生与乏脂肪腺瘤的方法包括：使用密度特征进行区分、使用体积特征进行区分、使用密度特征和体积特征进行区分；其中，密度特征和体积特征包括原始测量特征和二次计算特征，密度原始测量特征包括平扫CT值、门静脉期的CT值、腹主动脉门静脉期的CT值、病灶的最大直径、病灶的数量、病灶的位置，密度二次计算特征包括绝对强化值、相对强化值、相对强化率；体积原始测量特征包括病变体积、肾上腺体积，体积二次计算特征为病变体积和所述肾上腺体积的比值，这些特征单独或者任意N种进行组合作为区分特征，N为大于等于1的自然数。
在一个具体实施例中，本发明邀请四位放射科医生（阅片者1-4、H.Z.、Y.Z.、L.L.X.、X.X.Z.，分别具有 14 年、14 年、5 年和 4 年的放射阅片经验）进行乏脂肪腺瘤与肾上腺增生的区分，作为本发明的对比。放射科医生对临床病史、患者信息和最终诊断不知情。从所有受试者中随机选择 30 名患者，由每位放射科医生进行评估，以计算阅片者间的一致性。其余 98 名患者被随机分为两组（第 1 组，n=49；第 2 组，n=49）。阅片者 1 和阅片者 3 评估第一组 (n=79, 49[组 1] + 30)，阅片者 2 和阅片者 4 评估第二组 (n=79,49[组 2] + 30)。此外，一个月后，阅片者 1 和阅片者 2 重新评估了各自之前诊断的所有病例，以评估阅片者的内部一致性。
在一个具体实施例中，本发明通过 t 检验和卡方检验比较所有变量的组间差异。建立单变量 Logistic 回归模型，并将单变量Logistic 回归中 P < 0.05 的变量纳入多元 Logistic 回归。绘制受试者工作特征（ROC）曲线并计算曲线下面积（AUC）、准确度、敏感度、特异度和阈值。通过计算准确度、敏感度和特异度来评估四位放射科医生对肾上腺病变分类的表现。 Kappa 值用于显示主观评价的阅片者间一致性和阅片者内一致性。所有统计分析均使用 SPSS 27.0 版（IBM，SPSS；芝加哥，伊利诺伊州，美国）进行。通过 DeLong 检验比较 AUC 的性能，并使用 R（版本 4.2.1）绘制 ROC 曲线和校准曲线。双侧 P 值 < 0.05被认为具有统计显著性。
在一个具体实施例中，单因素逻辑回归分析显示，腺瘤与增生在性别、平扫CT值、门静脉期 CT值、绝对强化值、病灶体积、体积比、病灶大小和数量方面存在统计学差异。进行多变量逻辑回归分析，显示门静脉期CT值、体积比和病变数量是乏脂肪腺瘤的独立预测因子（比值比：1.029，[95%置信区间：1.004, 1.054]，28.771 [95%置信区间： 2.768,299.018] 和 0.190 [95% 置信区间： 0.057, 0.633]）。
本发明建立了包含三个因素的多变量逻辑回归模型，显示了该模型的 ROC 曲线（AUC 0.835，95％置信区间0.764-0.907，准确度 77.3％），如图6-图10所示，图6表示所有研究对象的逻辑回归模型的 ROC 曲线（AUC 0.835，n=128）；图7是结合门静脉期CT值、体积比和病灶数量绘制的列线图；图8是绘制的列线图的校准曲线以显示模型的拟合优度。图9、图10分别是第一组（AUC 0.824，n=79）和第二组（AUC 0.816，n=79）逻辑回归模型的 ROC 曲线。星号表示逻辑回归模型的截断值，点表示阅片者主观评价的灵敏度和特异度。模型的AUC 与阅片者 2 的 AUC 存在统计学差异（P = 0.042）。根据约登指数的最大值选择阈值，将 > 0.676 作为腺瘤的阈值，此时模型的敏感度为 73.5%，特异度为 80%。 建立列线图是为了评估模型的性能，并使用校准曲线验证列线图的拟合优度。
在一个具体实施例中，本发明的模型与放射科医生比较结果中，四名放射科医生的表现更差，并且主观评价的阅片者间一致性相当差（Kappa 范围：0.082-0.535），两名放射科医生在一个月前后的主观评价内部一致性中等（阅片者 1，Kappa = 0.734；阅片者 2，Kappa = 0.583）。本发明模型的特异度和准确度优于放射科医生。对于第一组患者（n=79），模型的特异度超过所有放射科医生（96.3%[模型] vs 48.1%、59.3%和 63.0%），模型的准确度超过大多数放射科医生（72.2% [模型] vs 67.1%、77.2% 和68.4%）。对于第二组患者（n= 79），模型的特异度和准确度均超过所有放射科医生（特异度：64.3％[模型] vs 25.0％、25.0％和 57.1％，准确度：77.2 %[模型] vs 72.2%、72.2% 和 75.9%），但模型的灵敏度比放射科医生略差（84.3%[模型] vs 98.0%、98.0% 和 86.3%）。 Delong 检验显示阅片者2的 AUC 与模型的 AUC 有统计学差异（P = 0.042）。
在一个具体实施例中，本发明结合平扫CT值、体积比和病灶数量的多变量逻辑回归模型的 AUC 为 0.835（95%置信区间为 0.764–0.907，敏感度 73.5%，特异度 80%）。放射科医生的特异度和准确度较模型差。放射科医生主观评估的阅片者间一致性在0.082 到0.535 之间，两位放射科医生的阅片者内部一致性分别为 0.734 和 0.583。
在一个具体实施例中，CT 密度和体积可用于鉴别肾上腺增生和乏脂肪腺瘤。结合门静脉CT值、体积比和病变数量的逻辑回归模型提供了一种有价值的手段，显示出比放射科医生更好的诊断性能，并且在保持低变异性和再现性方面优于放射科医生。该模型的应用可以进一步减少将增生误诊为腺瘤的概率，避免增生患者不必要的手术。
在一个具体实施例中，本发明通过实验验证逻辑回归、随机森林、神经网络、朴素贝叶斯、K近邻、支持向量机、XGboost、AdaBoost、梯度提升、决策树算法基于CT图像的密度特征、体积特征得到模型的分类结果，如表1在训练集、表2在测试集上模型特异度、准确度、AUC、PPV（阳性预测值）、NPV（阴性预测值）的实验结果。从表1可以发现随机森林、神经网络、XGboost、AdaBoost、梯度提升、决策树训练效果呈现较好的效果，在各项指标上获得了较高的水平，在表2中可以发现，肾上腺增生和乏脂肪瘤的分类模型中灵敏度最高的是XGboost模型和梯度提升模型、准确度最高的是XGboost模型、特异性最高的是XGboost 模型、AUC面积最大的是随机森林模型和神经网络模型、PPV最高的是朴素贝叶斯模型、NPV最高的是XGboost模型和梯度提升模型。这些模型的评价指标均高于放射科的医师，说明本发明基于密度特征、体积特征构建的分类方法具备优良的分类性能，同时具备较高的临床意义。
表1 在各模型中训练集分类结果的性能
表2在各模型中测试集分类结果的性能
图2本发明实施例提供的一种基于CT图像特征区分肾上腺增生与乏脂肪腺瘤的***示意图，具体包括：
数据获取单元：获取肾上腺部位的CT图像；
特征计算单元：对所述CT图像进行特征计算得到特征值，所述特征为密度特征和/或体积特征，所述密度特征是指在轴位肾上腺病变图像中感兴趣区域的病变密度，所述体积特征是指肾上腺病变图像中感兴趣区域的病变体积；
回归分类单元：将所述特征值输至疾病诊断模型中进行分类，当特征值的阈值在预设值内则判定为肾上腺增生，否则判定为乏脂肪腺瘤。
图3本发明实施例提供的一种基于CT图像特征区分肾上腺增生与乏脂肪腺瘤的设备示意图，具体包括：
存储器和处理器；所述存储器用于存储程序指令；所述处理器用于调用程序指令，当程序指令被执行任意一项上述的一种基于CT图像特征区分肾上腺增生与乏脂肪腺瘤的方法。
一种计算机可读存储介质，所述计算机可读存储介质存储计算机程序，所述计算机程序被处理器执行任意一项上述的一种基于CT图像特征区分肾上腺增生与乏脂肪腺瘤的方法。
本验证实施例的验证结果表明，为适应症分配固有权重相对于默认设置来说可以改善本方法的性能。所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的***，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。本申请所提供的几个实施例中，应该理解到，所揭露的***，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取存储器(RAM，Random AccessMemory)、磁盘或光盘等。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的介质存储可以是只读存储器，磁盘或光盘等。
以上对本发明所提供的一种计算机设备进行了详细介绍，对于本领域的一般技术人员，依据本发明实施例的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种基于CT图像特征区分肾上腺增生与乏脂肪腺瘤的方法，其特征在于，所述方法具体包括：
获取肾上腺部位的CT图像；
对所述CT图像进行特征计算得到特征值，所述特征为密度特征和/或体积特征，所述密度特征是指在轴位肾上腺病变图像中感兴趣区域的病变密度，所述体积特征是指肾上腺病变图像中感兴趣区域的病变体积；
将所述特征值输至疾病诊断模型中进行分类，当特征值的阈值在预设值内则判定为肾上腺增生，否则判定为乏脂肪腺瘤。
2.根据权利要求1所述的基于CT图像特征区分肾上腺增生与乏脂肪腺瘤的方法，其特征在于，所述病变密度的测量值包括下列的一种或几种：平扫CT值、门静脉期的CT值、腹主动脉门静脉期的CT值、病灶的最大直径、病灶的数量、病灶的位置。
3.根据权利要求2所述的基于CT图像特征区分肾上腺增生与乏脂肪腺瘤的方法，其特征在于，对所述测量值重复两次后计算测量的平均值，并且计算绝对强化值、相对强化值、相对强化率；其中，所述绝对强化值是先测量病灶门静脉期的CT值和平扫CT值，再利用所述门静脉期的CT值减去平扫CT值计算得到的，所述相对强化值是先获取平扫CT值和绝对强化值，再利用绝对强化值除以平扫CT值计算得到的，所述相对强化率是先获取绝对强化值和腹主动脉门静脉期的CT值，再通过绝对强化值与腹主动脉门静脉期的CT值的比值计算得到的。
4.根据权利要求1所述的基于CT图像特征区分肾上腺增生与乏脂肪腺瘤的方法，其特征在于，所述病变体积的测量包括下列的一种或几种：病变体积、肾上腺体积；对所述体积特征的计算包括先获取病变体积、肾上腺体积，再对所述病变体积和所述肾上腺体积进行比率计算得到体积比。
5.根据权利要求1所述的基于CT图像特征区分肾上腺增生与乏脂肪腺瘤的方法，其特征在于，所述疾病诊断模型包括下列的一种或几种：逻辑回归、随机森林、支持向量机、XGboost、决策树、极限学习机。
6.根据权利要求1所述的基于CT图像特征区分肾上腺增生与乏脂肪腺瘤的方法，其特征在于，所述预设值是基于约登指数的最大值得到的，当病变特征值超过预设阈值时判定肾上腺病变为腺瘤，否则判定为肾上腺增生。
7.根据权利要求1所述的基于CT图像特征区分肾上腺增生与乏脂肪腺瘤的方法，其特征在于，所述方法还包括CT图像区域检查，所述CT图像区域检查是在测量前检查是否包括下列一种或几种情况：病灶边缘、出血、钙化、伪影、血管、脂肪组织、坏死、囊性区域，当包括上述情况中的任意一种时重新选择感兴趣的区域，否则进行特征值测量。
8.一种基于CT图像特征区分肾上腺增生与乏脂肪腺瘤的***，其特征在于，包括：
数据获取单元：获取肾上腺部位的CT图像；
特征计算单元：对所述CT图像进行特征计算得到特征值，所述特征为密度特征和/或体积特征，所述密度特征是指在轴位肾上腺病变图像中感兴趣区域的病变密度，所述体积特征是指肾上腺病变图像中感兴趣区域的病变体积；
回归分类单元：将所述特征值输至疾病诊断模型中进行分类，当特征值的阈值在预设值内则判定为肾上腺增生，否则判定为乏脂肪腺瘤。
9.一种基于CT图像特征区分肾上腺增生与乏脂肪腺瘤的设备，其特征在于，包括：存储器与处理器，所述存储器用于存储程序指令；所述处理器用于调用程序指令，当程序指令被执行时实现权利要求1-7任意一项上述的一种基于CT图像特征区分肾上腺增生与乏脂肪腺瘤的方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-7任意一项上述的一种基于CT图像特征区分肾上腺增生与乏脂肪腺瘤的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311221342.1A CN116958151B (zh) | 2023-09-21 | 2023-09-21 | 一种基于ct图像特征区分肾上腺增生与乏脂肪腺瘤的方法、***、设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311221342.1A CN116958151B (zh) | 2023-09-21 | 2023-09-21 | 一种基于ct图像特征区分肾上腺增生与乏脂肪腺瘤的方法、***、设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116958151A true CN116958151A (zh) | 2023-10-27 |
| CN116958151B CN116958151B (zh) | 2023-12-12 |
Family
ID=88449690
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311221342.1A Active CN116958151B (zh) | 2023-09-21 | 2023-09-21 | 一种基于ct图像特征区分肾上腺增生与乏脂肪腺瘤的方法、***、设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116958151B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102429679A (zh) * | 2011-09-09 | 2012-05-02 | 华南理工大学 | 基于胸部ct图像的肺气肿计算机辅助诊断*** |
| US20130129168A1 (en) * | 2011-11-23 | 2013-05-23 | The Regents Of The University Of Michigan | Voxel-Based Approach for Disease Detection and Evolution |
| US20160140414A1 (en) * | 2014-11-13 | 2016-05-19 | Kabushiki Kaisha Toshiba | Density measuring device, density measuring method, and computer program product |
| US20170039737A1 (en) * | 2015-08-06 | 2017-02-09 | Case Western Reserve University | Decision support for disease characterization and treatment response with disease and peri-disease radiomics |
| CN111160812A (zh) * | 2020-02-17 | 2020-05-15 | 杭州依图医疗技术有限公司 | 诊断信息评估方法、显示方法及存储介质 |
| CN113706435A (zh) * | 2020-05-09 | 2021-11-26 | 北京康兴顺达科贸有限公司 | 基于传统影像组学的胸部增强ct图像处理方法 |
| US20220015698A1 (en) * | 2015-09-28 | 2022-01-20 | Lan Jiang | Method of identifying tumor drug resistance during treatment |
| CN114494163A (zh) * | 2022-01-13 | 2022-05-13 | 浙江工业大学 | 一种基于动量自适应和声搜索的影像组学特征选择方法 |
| CN115661107A (zh) * | 2022-11-07 | 2023-01-31 | 中国医学科学院北京协和医院 | 基于膀胱癌危险分层的图像分析方法、***及设备 |
| US20230248998A1 (en) * | 2023-04-12 | 2023-08-10 | Buvaneswari Natarajan | System and method for predicting diseases in its early phase using artificial intelligence |
-
2023
- 2023-09-21 CN CN202311221342.1A patent/CN116958151B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102429679A (zh) * | 2011-09-09 | 2012-05-02 | 华南理工大学 | 基于胸部ct图像的肺气肿计算机辅助诊断*** |
| US20130129168A1 (en) * | 2011-11-23 | 2013-05-23 | The Regents Of The University Of Michigan | Voxel-Based Approach for Disease Detection and Evolution |
| US20160140414A1 (en) * | 2014-11-13 | 2016-05-19 | Kabushiki Kaisha Toshiba | Density measuring device, density measuring method, and computer program product |
| US20170039737A1 (en) * | 2015-08-06 | 2017-02-09 | Case Western Reserve University | Decision support for disease characterization and treatment response with disease and peri-disease radiomics |
| US20220015698A1 (en) * | 2015-09-28 | 2022-01-20 | Lan Jiang | Method of identifying tumor drug resistance during treatment |
| CN111160812A (zh) * | 2020-02-17 | 2020-05-15 | 杭州依图医疗技术有限公司 | 诊断信息评估方法、显示方法及存储介质 |
| CN113706435A (zh) * | 2020-05-09 | 2021-11-26 | 北京康兴顺达科贸有限公司 | 基于传统影像组学的胸部增强ct图像处理方法 |
| CN114494163A (zh) * | 2022-01-13 | 2022-05-13 | 浙江工业大学 | 一种基于动量自适应和声搜索的影像组学特征选择方法 |
| CN115661107A (zh) * | 2022-11-07 | 2023-01-31 | 中国医学科学院北京协和医院 | 基于膀胱癌危险分层的图像分析方法、***及设备 |
| US20230248998A1 (en) * | 2023-04-12 | 2023-08-10 | Buvaneswari Natarajan | System and method for predicting diseases in its early phase using artificial intelligence |
Non-Patent Citations (1)
| Title |
|---|
| 郭凯等，: "CT动态增强鉴别肾上腺乏脂肪腺瘤与肾上腺结节样增生的价值", 《医学影像学杂志》, vol. 30, no. 4, pages 632 - 635 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116958151B (zh) | 2023-12-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US7418123B2 (en) | Automated method and system for computerized image analysis for prognosis | |
| Zhang et al. | Quantitative CT texture analysis for evaluating histologic grade of urothelial carcinoma | |
| Pickhardt et al. | Abdominal CT with model-based iterative reconstruction (MBIR): initial results of a prospective trial comparing ultralow-dose with standard-dose imaging | |
| Shen et al. | Quantitative parameters of CT texture analysis as potential markers for early prediction of spontaneous intracranial hemorrhage enlargement | |
| Sofue et al. | Dual‐energy computed tomography for non‐invasive staging of liver fibrosis: Accuracy of iodine density measurements from contrast‐enhanced data | |
| US10339648B2 (en) | Quantitative predictors of tumor severity | |
| Baltzer et al. | A simple and robust classification tree for differentiation between benign and malignant lesions in MR-mammography | |
| Ganeshan et al. | Hepatic enhancement in colorectal cancer: texture analysis correlates with hepatic hemodynamics and patient survival | |
| Wienbeck et al. | The role of cone-beam breast-CT for breast cancer detection relative to breast density | |
| Bottari et al. | Dual-source dual-energy CT in the evaluation of hepatic fractional extracellular space in cirrhosis | |
| US11241190B2 (en) | Predicting response to therapy for adult and pediatric crohn's disease using radiomic features of mesenteric fat regions on baseline magnetic resonance enterography | |
| CN113017674B (zh) | 基于胸部ct图像的egfr基因突变检测方法和*** | |
| Liu et al. | Detection and segmentation of pelvic bones metastases in MRI images for patients with prostate cancer based on deep learning | |
| Kornecki | Current status of contrast enhanced mammography: a comprehensive review | |
| Bonatti et al. | Accuracy of unenhanced CT in the diagnosis of cerebral venous sinus thrombosis | |
| Nguyen et al. | Effect of phase of enhancement on texture analysis in renal masses evaluated with non-contrast-enhanced, corticomedullary, and nephrographic phase–enhanced CT images | |
| Liu et al. | The ability of ADC measurements in the assessment of patients with stage I endometrial carcinoma based on three risk categories | |
| Lu et al. | On the potential use of dynamic contrast‐enhanced (DCE) MRI parameters as radiomic features of cervical cancer | |
| Kulkarni et al. | Digital breast tomosynthesis: potential benefits in routine clinical practice | |
| Pfob et al. | A New Practical Decision Rule to Better Differentiate BI‐RADS 3 or 4 Breast Masses on Breast Ultrasound | |
| Vag et al. | Kinetic characteristics of ductal carcinoma in situ (DCIS) in dynamic breast MRI using computer-assisted analysis | |
| CN110234270B (zh) | 提供器官定量体积图或器官健康状况评估的方法和装置 | |
| Ueki et al. | Efficacy of preoperative cine magnetic resonance imaging in evaluation of adhesion of renal cancer thrombus to inferior vena cava wall | |
| Goto et al. | Use of a deep learning algorithm for non-mass enhancement on breast MRI: comparison with radiologists’ interpretations at various levels | |
| Danala et al. | Developing new quantitative CT image markers to predict prognosis of acute ischemic stroke patients |
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 | ||
| GR01 | Patent grant |