[go: up one dir, main page]

TWI709147B - 基於全身骨掃描影像之深度學習攝護腺癌骨轉移辨識系統 - Google Patents

基於全身骨掃描影像之深度學習攝護腺癌骨轉移辨識系統 Download PDF

Info

Publication number
TWI709147B
TWI709147B TW108137163A TW108137163A TWI709147B TW I709147 B TWI709147 B TW I709147B TW 108137163 A TW108137163 A TW 108137163A TW 108137163 A TW108137163 A TW 108137163A TW I709147 B TWI709147 B TW I709147B
Authority
TW
Taiwan
Prior art keywords
image
prostate cancer
whole
neural network
deep learning
Prior art date
Application number
TW108137163A
Other languages
English (en)
Other versions
TW202117742A (zh
Inventor
程大川
劉家銓
高嘉鴻
謝德鈞
Original Assignee
中國醫藥大學附設醫院
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 中國醫藥大學附設醫院 filed Critical 中國醫藥大學附設醫院
Priority to TW108137163A priority Critical patent/TWI709147B/zh
Priority to CN202010661940.0A priority patent/CN112669254A/zh
Priority to US17/019,416 priority patent/US11488303B2/en
Application granted granted Critical
Publication of TWI709147B publication Critical patent/TWI709147B/zh
Publication of TW202117742A publication Critical patent/TW202117742A/zh

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; 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 OR CALCULATING; 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; 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
    • G06N3/09—Supervised learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; 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 OR CALCULATING; 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
    • G06T2207/30008—Bone
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06T2207/30081—Prostate

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本發明關於一種基於全身骨掃描影像之深度學習攝護腺癌骨轉移辨識系統，其中，前處理模組接收輸入之全身骨掃描影像以進行處理；神經網路模組檢測該輸入之全身骨掃描影像是否為攝護腺癌骨轉移。神經網路模組包括胸腔部位網路模組與骨盆部位網路模組。胸腔部位網路模組包括：建立第一階段加快區域卷積神經網路(Faster Region-based Convolutional Neural Networks，Faster R-CNN)，依據輸入之全身骨掃描影像，1) 分割出胸腔部位的訓練影像；及以該訓練影像來訓練第二階段加快區域卷積神經網路，並分類出癌細胞骨轉移之病灶。骨盆部位網路模組使用卷積神經網路，其包括：建立第一階段加快區域卷積神經網路，依據輸入之全身骨掃描影像，2) 分割出骨盆部位的訓練影像；及以該訓練影像來訓練卷積神經網路，以分類骨盆部位是否為骨轉移影像。

Description

基於全身骨掃描影像之深度學習攝護腺癌骨轉移辨識系統
本發明關於一種攝護腺癌骨轉移辨識系統，特別是關於一種基於全身骨掃描影像之深度學習攝護腺癌骨轉移辨識系統。
在全身骨掃描影像中，醫師須區別熱區中，何者為正常成骨現象，何者為攝護腺癌細胞造成的，何者為受傷造成，所以每張影像都需要醫師進行診斷，確定診斷攝護腺癌骨轉移。其中，攝護腺癌骨轉移遭侵犯之位置多為肩胛骨、肋骨、脊椎、髖關節、四肢等部位。然透過人眼區別熱區是否為癌細胞骨轉移或正常骨細胞反應，不僅是需要有經驗的核子醫學科醫師來從事，更需要醫師花很長時間來判讀，因此，工作時間一久，就會無可避免地產生人為誤判。同時，醫師判讀影像方式雖然有通則，但並無絕對的標準，所以不同醫師的判讀結果也可能會因經驗多寡而有所差異。故診斷影像的工作是非常花費人力的，故一旦案例數增加，在人力上、時間上都是相當龐大的花費。
有鑑於此，實有需要建立一套早期診斷的辨識系統，以輔助醫師進行攝護腺骨轉移癌的辨識。
本發明提出一種基於全身骨掃描影像之深度學習攝護腺癌骨轉移辨識系統，以正確地區別熱區的種類為轉移、受傷或是正常骨增生。
為達成前述之目的，本發明提出一種基於全身骨掃描影像之深度學習攝護腺癌骨轉移辨識系統，包含：一前處理模組，接收輸入之全身骨掃描影像以進行處理；以及一神經網路模組，檢測該輸入之全身骨掃描影像是否為攝護腺癌骨轉移。神經網路模組包括：一胸腔部位網路模組及一骨盆部位網路模組。胸腔部位網路模組包括：建立第一階段加快區域卷積神經網路(Faster Region-based Convolutional Neural Networks，Faster R-CNN)，依據輸入之全身骨掃描影像，分割出胸腔部位的訓練影像；及以該訓練影像來訓練第二階段Faster R-CNN，並分類出癌細胞骨轉移之病灶。骨盆部位網路模組使用卷積神經網路，其包括：建立第一階段Faster R-CNN，依據輸入之全身骨掃描影像，分割出骨盆部位的訓練影像；及以該訓練影像來訓練卷積神經網路，以分類骨盆部位是否為骨轉移影像。
以上概述與接下來的詳細說明皆為示範性質，是為了進一步說明本發明的申請專利範圍，而有關本發明的其他目的與優點，將在後續的說明與圖式加以闡述。
以下說明書將提供本發明的多個實施例。可理解的是，這些實施例並非用以限制。本發明的各實施例的特徵可加以修飾、置換、組合、分離及設計以應用於其他實施例。
本說明書與請求項所使用的序數例如“第一”、“第二”等之用詞，以修飾請求元件，並不意含及代表較大序數之前必然存在較小序數，也不代表某一請求元件與另一請求元件的排列順序、或是製造順序，該些序數的使用僅用來使具有某命名的一請求元件得以和具有相同命名的另一請求元件能作出清楚區分。
此外，本文關於“當…”或“…時”等描述係表示”當下、之前或之後”等態樣，而不限定為同時發生之情形，在此先行敘明。本文關於“設置於…上”等類似描述係表示兩元件的對應位置關係，除了有特別限定者之外，並不限定兩元件之間是否有所接觸，在此先行敘明。再者，本文若在多個功效(或元件)之間使用“或”一詞，係表示功效(或元件)可獨立存在，但亦不排除多個功效(或元件)可同時存在的態樣。
另外，本發明中關於「連接」、 「電性連接」或「耦接」等詞，若無特別強調，則表示包括了直接連接與間接連接之態樣。另外，在本揭露中關於「包含」、「包括」、「具有」、「具備」等用語皆屬於開放式之描述，在此先行敘明。
再者，以下關於本發明的基於全身骨掃描影像之深度學習攝護腺癌骨轉移辨識系統的各種實施例，皆可透過軟體程式或電子電路的方式實現，且不限於此。
本發明的基於全身骨掃描影像之深度學習攝護腺癌骨轉移辨識系統的目標為設計神經網路來檢測全身骨掃描影像是否為攝護腺癌骨轉移。其中，在神經網路建立部分，依據醫師建議，人體可分為五個易轉移部位，包括肩膀、胸腔(包含肋骨)、脊椎、骨盆、及大腿。為將人體部位單獨訓練成神經網路，考量各部位所具有的移轉點數量，及根據在人體區域的劃分下，胸腔部分範圍包含肩膀與脊椎、骨盆部分包含大腿，故將人體分為胸腔(包含肩膀與脊椎)及骨盆(包含大腿)等兩大易轉移部位，以訓練此兩大易轉移部位(胸腔、骨盆)神經網路。當中，依據轉移點形狀的不同，肋骨部分多小轉移點，且小轉移點多半分散於肋骨、脊椎上，故神經網路選擇上使用能圈選轉移點位置的加快區域卷積神經網路(Faster Region-based Convolutional Neural Networks，Faster R-CNN)，而骨盆位置的轉移點多為大區域或是大範圍的轉移，因此使用卷積神經網路直接將影像分類是否為癌症骨轉移影像。
圖1是本發明的基於全身骨掃描影像之深度學習攝護腺癌骨轉移辨識系統的架構圖，其包括一前處理模組11及一神經網路模組13。前處理模組11接收輸入影像101，其中，訓練用的輸入影像101為多組(例如156組)全身骨掃描影像，此等影像係例如以GE雙頭式γcamera機器所獲取之病人的影像，每組病人的影像均包含正反面的骨掃描影像，其中，影像確認為攝護腺骨轉移(影像上可見轉移點)例如為65組，其他則為攝護腺癌病人但影像上確認為尚未發生癌症骨轉移。
前述前處理模組11係對輸入影像101進行以下處理 ，以獲得經前處理的輸入影像101： (1)尺寸正規化：將正反面的骨掃描影像左右排列，裁剪成預設大小，例如為512×950 (pixel×pixel)，以進行影像大小的規格化； (2)灰階值正規化：使用線性轉換自動化調整影像的動態範圍並儲存為預設影像格式，例如為png影像格式。定義兩個閾值，固定下閾值為0，上閾值的調整依據四肢清楚可見的原則，將影像分割成小腿到腳底的範圍，分割方式為累積影像中每一列的灰階總和，製成累積灰階值直方圖，定義分割人體與背景閾值，灰階值總和大於200為人體範圍，小腿則為人體25%高(由腳底算)，切割此影像如圖2(A)橫線條部分。依照圖2虛線內分割的影像，定義線性轉換的上閾值，線性公式如以下式(1)，式(1)中f(r,c)為全身影像，g(r,c)為轉換後的灰階值，a為線性轉換下閾值為0，b為線性轉換上閾值，使轉換後影像的灰階值為0～255之間。上閾值b公式為式(2)，k(r,c)為小腿影像(橫線條範圍)，d是一定值，灰階值50可讓小腿明顯可見的閾值，當此比例的條件符合時，轉換後影像的小腿輪廓清楚可見，此閾值b也當作整張影像線性轉換式(1)的上閾值，圖2(B)展示轉換前與轉換後的影像，左邊為線性轉換前，右邊為線性轉換後，右邊的圖對比優於左邊的圖也利於醫師診斷，此影像亦當作網路的訓練影像。
Figure 02_image001
Figure 02_image003
(3)資料增強(Data Augmentation)：調整影像動態範圍，將一張影像調整成複數種(例如8種)亮度對比，調整的方式如以下式(3)及式(4)，使用線性轉換，採用8種上閾值，上閾值c用來調整影像，c的值會根據原始影像f(r,c)的灰階值最大值進行調整。調整後的8種動態範圍影像如圖2(C)所示，其中，考量到影像調亮使未骨轉移病人的影像如同骨轉移病人骨骼高劑量的情形，故只進行調暗的部分。
Figure 02_image005
Figure 02_image007
再請參照圖1，前述經前處理的輸入影像101輸入神經網路模組13，以進行後續的影像分割與轉移點後轉移影像分類的網路訓練。
前述神經網路模組13包括一胸腔部位網路模組131及一骨盆部位網路模組132，前述經前處理的輸入影像101分別輸入該胸腔部位網路模組131及該骨盆部位網路模組132。前述胸腔部位網路模組131及骨盆部位網路模組132所使用之Faster R-CNN架構皆相同於圖3所示之神經網路架構，其中，輸入影像101的大小為160×200 (pixel×pixel)。
前述胸腔部位網路模組131是使用Faster R-CNN進行攝護腺癌骨轉移之骨掃描影像預判，其整體流程如圖4所示，網路訓練方式主要分兩步驟如下： (1)建立第一階段Faster R-CNN (1st)，輸入全身骨掃描影像，偵測肋骨的部位並圈出大小範圍(Bounding Box)，分割只包含胸腔部位的影像，如圖2(D)所示，當作步驟(2)的訓練影像； (2)以步驟(1)產生的影像為訓練影像，保留在步驟(1)肋骨範圍內的轉移點與額外圈選的標籤(正常部位)建立圈選框(Label)，訓練第二階段Faster R-CNN (2nd R-CNN)，用以圈選胸腔範圍內的亮點位置並分類出癌細胞骨轉移之病灶，排除非癌細胞骨轉移的亮點，若影像完全沒有第二階段圈出的亮點，即為非癌細胞骨轉移之影像。
前述步驟(2)建立2個Faster R-CNN進行胸腔轉移點的辨識，包含整個胸腔範圍的Faster R-CNN與只包含胸腔中央2/3範圍的Faster R-CNN，後者網路會將影像放大兩倍輸入而且只輸入小轉移點當作訓練樣本。胸腔網路例如共有200組樣本，包含156組攝護腺癌骨轉移病人與44組人工模擬樣本，網路訓練部分例如為156組真實樣本，包含52組確定骨轉移影像與104組未可見骨轉移影像。
在人工模擬樣本中，人工模擬的樣本共44筆，包含10筆肋骨轉移點模擬、10筆脊椎轉移點模擬、10筆受傷模擬、14筆轉移影像模擬。所有模擬的轉移點皆為圓點，帶有隨機形變。模擬影像的製作為先尋找未有轉移或是受傷的影像當作背景影像，定義繪製圓點的半徑、高斯分布的標準差、繪製的點數、亮點的最低灰階值、鏡像下降的亮度灰階值。在背景影像上給定中心，產生高斯分布的隨機亮度點數(2倍繪製點數的數量)與繪製點數量高斯分布的x座標與y座標。由於腫瘤在影像上的亮度分布愈接近中心愈強且呈現球狀，因此取高斯分布最高點的前半段的點當作腫瘤亮點，將亮點經過線性轉換至亮點的最低灰階值到255之間，接著使用伽馬校正（Gamma correction）使亮度分布更極端，如式(5)，h(r,c)為g(r,c)經伽馬校正後的影像，γ設定為0~1之間。將校正後亮點值、x,y座標分別排序，從最外圍的x,y座標給予最低亮點灰階值，依序給予直到中心x,y座標，產生一熱區，將半徑的上下左右各增加2 pixels建立圈選框，在鏡像位置也採用相同分布但由中心最高亮度依序給予至外圍最低亮度的灰階值，並下降其亮度，產生圈選框，以完成人工轉移點。各影像會製作複數圓點模擬，產生人工模擬影像，如圖5所示，圖5為肋骨轉移點模擬影像。所有的人工模擬影像皆經醫師確認以使其符合相似於臨床影像。
Figure 02_image009
胸腔範圍網路與2/3胸腔範圍網路訓練的方式相同，胸腔的影像分割如圖6所示，輸入全身骨掃描影像，使用第一階段建立的Faster R-CNN，切割出兩方框並合併，統計所有合併影像的尺寸，記錄寬與高最大值，將影像調為此大小，等比例放大至其中一邊符合，不足部分補黑底。在中間產生間隔避免正背面有圈選框之圈選框(Label)相連影響訓練，當作訓練影像。
骨轉移病灶、疑似骨轉移病灶、正常組織只保留胸腔範圍內的當作圈選框(Label)，如圖7所示，方框超出影像邊界的部分會調整方框至影像內，為了避免切割後的方框產生一條線或過小的情況，只保留長寬最小邊大於6 pixels 的圈選框。
圖8顯示胸腔部位網路模組131使用的Faster R-CNN架構，其中，輸入為影像與框坐標，輸出包括(1)分類：確定轉移病灶、疑似轉移病灶、其他組織、背景；以及(2) 範圍邊界 (Bounding Box)，進入RPN部分前使用3層卷積層，ROI pooling層後則全部使用全連結層。
骨盆部位網路模組132則使用卷積神經網路來進行攝護腺癌骨轉移之骨掃描影像預判，整體流程如圖9所示，網路訓練方式主要包括兩步驟如下： (1)建立第一階段Faster R-CNN (1st)，輸入全身骨掃描影像，偵測骨盆的部位並圈出大小範圍(Bounding Box)，分割只包含骨盆部位的影像，如圖2(E)所示。 (2)以步驟(1)產生的影像為訓練影像，保留在步驟(1)骨盆範圍內的轉移點，如該張影像有轉移點即定義為確定轉移影像，其他為正常影像，建立影像的分類標籤，分為確定攝護腺癌骨轉移與未發生攝護腺癌骨轉移2類，訓練卷積神經網路。骨盆網路例如共有156組樣本，包含50組確定骨轉移影像與106組未可見骨轉移影像。
此網路使用整個骨盆區域進行訓練，骨盆的影像分割如圖10所示，輸入全身骨掃描影像，使用第一階段建立的Faster R-CNN，切割出兩方框並合併，統計所有合併影像的尺寸，記錄寬與高最大值，將影像調為此大小，等比例放大至其中一邊符合，不足部分補黑底。在中間產生間隔，當作訓練影像。
將影像分為確定骨轉移影像與未發生骨轉移影像，確認骨盆範圍內有無骨轉移病灶，如果存在，當作確定骨轉移影像，定義分類1，若不存在則當作未發生骨轉移影像，定義分類2，如圖11所示，右邊為列表展示的圈選框(Label)。
骨盆部位網路模組132可使用改良ResNet18架構，如圖12所示，輸入的影像大小為287×112 (pixel×pixel)，輸出為確定攝護腺骨轉移影像、未發生攝護腺骨轉移影像2類。
藉由本發明的全身骨掃描影像之深度學習攝護腺癌骨轉移辨識系統，可建立一套早期診斷的辨識系統，以輔助醫師進行攝護腺癌骨轉移的辨識，並可將轉移種類的熱區使用矩形框圈選出。系統成熟後，未來藉由這種影像呈現而非文字說明的方式，可以使不同科別的醫師更快更方便找出影像上的病灶，提升醫師整體的工作速度。使用深度學習方式，可以持續增加訓練資料庫內容，提升系統的準確度，而且加入人工模擬影像，改善樣本數過少的問題。
儘管本發明已透過上述實施例來說明，可理解的是，根據本發明的精神及本發明所主張的申請專利範圍，許多修飾及變化都是可能的。
11:前處理模組 13:神經網路模組 101:輸入影像 131:胸腔部位網路模組 132:骨盆部位網路模組
圖1是本發明的基於全身骨掃描影像之深度學習攝護腺癌骨轉移辨識系統的架構圖； 圖2(A)是本發明一實施例的小腿分割範圍； 圖2(B)是本發明一實施例的線性轉換前與轉換後的影像； 圖2(C)是本發明一實施例的資料增強8種不同範圍的影像； 圖2(D)是本發明一實施例的肋骨圈選框示意圖； 圖2(E)是本發明一實施例的骨盆圈選框示意圖； 圖3是本發明一實施例的神經網路架構圖； 圖4是本發明一實施例的胸腔網路流程圖； 圖5是本發明一實施例的人工模擬影像； 圖6是本發明一實施例的訓練影像產生流程圖； 圖7是本發明一實施例的圈選框(Label)產生流程圖； 圖8是本發明一實施例的胸腔網路架構圖； 圖9是本發明一實施例的骨盆網路流程圖； 圖10是本發明一實施例的訓練影像產生流程圖； 圖11是本發明一實施例的圈選框(Label)產生流程圖；以及 圖12是本發明一實施例的骨盆卷積神經網路架構圖。
11:前處理模組
13:神經網路模組
101:輸入影像
131:胸腔部位網路模組
132:骨盆部位網路模組

Claims (12)

  1. 一種基於全身骨掃描影像之深度學習攝護腺癌骨轉移辨識系統，包含： 一前處理模組，接收輸入之全身骨掃描影像以進行處理；以及 一神經網路模組，檢測該輸入之全身骨掃描影像是否為攝護腺癌骨轉移，其包括： 一胸腔部位網路模組，包括：建立第一階段加快區域卷積神經網路，依據輸入之全身骨掃描影像，分割出胸腔部位的訓練影像；及以該訓練影像來訓練第二階段加快區域卷積神經網路，並分類出癌細胞骨轉移之病灶；以及 一骨盆部位網路模組，使用卷積神經網路，包括：建立第一階段加快區域卷積神經網路，依據輸入之全身骨掃描影像，分割出骨盆部位的訓練影像；及以該訓練影像來訓練卷積神經網路，以分類骨盆部位是否為骨轉移影像。
  2. 如請求項1所述的基於全身骨掃描影像之深度學習攝護腺癌骨轉移辨識系統，其中，該前處理模組對該輸入之全身骨掃描影像做尺寸正規化、灰階值正規化、資料增強處理。
  3. 如請求項1所述的基於全身骨掃描影像之深度學習攝護腺癌骨轉移辨識系統，其中該胸腔部位網路模組依據輸入之全身骨掃描影像，偵測肋骨的部位並圈出大小範圍，分割只包含胸腔部位的影像，以作為訓練影像。
  4. 如請求項1所述的基於全身骨掃描影像之深度學習攝護腺癌骨轉移辨識系統，其中該胸腔部位網路模組係以該訓練影像，保留在肋骨範圍內的轉移點與額外圈選的標籤來建立圈選框，以訓練第二階段加快區域卷積神經網路，用以圈選胸腔範圍內的亮點位置並分類出癌細胞骨轉移之病灶，排除非癌細胞骨轉移的亮點。
  5. 如請求項4所述的基於全身骨掃描影像之深度學習攝護腺癌骨轉移辨識系統，其中，若影像完全沒有第二階段圈出的亮點，即為非癌細胞骨轉移之影像。
  6. 如請求項4所述的基於全身骨掃描影像之深度學習攝護腺癌骨轉移辨識系統，其中，該胸腔部位網路模組係建立2個加快區域卷積神經網路進行胸腔轉移點的辨識，包含整個胸腔範圍的加快區域卷積神經網路與只包含胸腔中央2/3範圍的加快區域卷積神經網路。
  7. 如請求項1所述的基於全身骨掃描影像之深度學習攝護腺癌骨轉移辨識系統，其中該骨盆部位網路模組係依據輸入之全身骨掃描影像，偵測骨盆的部位並圈出大小範圍，分割只包含骨盆部位的影像，以作為訓練影像。
  8. 如請求項1所述的基於全身骨掃描影像之深度學習攝護腺癌骨轉移辨識系統，其中該骨盆部位網路模組係以該訓練影像，保留在骨盆範圍內的轉移點，如該訓練影像有轉移點即定義為確定轉移影像，否則為正常影像，建立影像的分類標籤，訓練卷積神經網路，以分類是否為骨轉移影像。
  9. 如請求項1所述的基於全身骨掃描影像之深度學習攝護腺癌骨轉移辨識系統，其中該骨盆部位網路模組係使用改良ResNet18架構。
  10. 如請求項2所述的基於全身骨掃描影像之深度學習攝護腺癌骨轉移辨識系統，其中該尺寸正規化處理係將正反面的骨掃描影像左右排列，裁剪成預設大小進行影像大小的規格化。
  11. 如請求項2所述的基於全身骨掃描影像之深度學習攝護腺癌骨轉移辨識系統，其中該灰階值正規化處理係使用線性轉換自動化調整影像的動態範圍並儲存為預設影像格式。
  12. 如請求項2所述的基於全身骨掃描影像之深度學習攝護腺癌骨轉移辨識系統，其中該資料增強處理係用以調整影像動態範圍，將影像調整成複數種亮度對比。
TW108137163A 2019-10-16 2019-10-16 基於全身骨掃描影像之深度學習攝護腺癌骨轉移辨識系統 TWI709147B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
TW108137163A TWI709147B (zh) 2019-10-16 2019-10-16 基於全身骨掃描影像之深度學習攝護腺癌骨轉移辨識系統
CN202010661940.0A CN112669254A (zh) 2019-10-16 2020-07-10 基于全身骨扫描影像的深度学习摄护腺癌骨转移辨识系统
US17/019,416 US11488303B2 (en) 2019-10-16 2020-09-14 System of deep learning neural network in prostate cancer bone metastasis identification based on whole body bone scan images

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW108137163A TWI709147B (zh) 2019-10-16 2019-10-16 基於全身骨掃描影像之深度學習攝護腺癌骨轉移辨識系統

Publications (2)

Publication Number Publication Date
TWI709147B true TWI709147B (zh) 2020-11-01
TW202117742A TW202117742A (zh) 2021-05-01

Family

ID=74202276

Family Applications (1)

Application Number Title Priority Date Filing Date
TW108137163A TWI709147B (zh) 2019-10-16 2019-10-16 基於全身骨掃描影像之深度學習攝護腺癌骨轉移辨識系統

Country Status (3)

Country Link
US (1) US11488303B2 (zh)
CN (1) CN112669254A (zh)
TW (1) TWI709147B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI746249B (zh) * 2020-11-05 2021-11-11 中國醫藥大學 心胸比估算方法及心胸比估算系統
TWI834115B (zh) * 2022-01-28 2024-03-01 采風智匯股份有限公司 骨骼影像處理與顯示方法
TWI843443B (zh) * 2023-02-18 2024-05-21 林喆 人體骨掃描影像處理系統及其方法

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102020105697B3 (de) * 2020-03-03 2021-03-04 Carl Zeiss Meditec Ag Computerimplementiertes Verfahren zum Auffinden möglicher Artefakte in einem virtuell eingefärbten Histologiebild
US20220036212A1 (en) * 2020-07-30 2022-02-03 International Business Machines Corporation Dynamic augmentation based on data sample hardness
CN114119564B (zh) * 2021-11-29 2024-06-18 苏州体素信息科技有限公司 肋骨ct图像的处理方法及系统
KR102680365B1 (ko) * 2021-12-14 2024-07-02 사회복지법인 삼성생명공익재단 Ct 영상을 이용한 골 전이 검출 방법 및 분석장치
CN114387536B (zh) * 2021-12-24 2025-12-12 众阳健康科技集团有限公司 一种基于三维点云分割的肋骨自动识别方法及系统
CN114399501B (zh) * 2022-01-27 2023-04-07 中国医学科学院北京协和医院 基于深度学习卷积神经网络的自动分割前列腺全腺体方法
KR102766753B1 (ko) * 2022-10-12 2025-02-12 호남대학교 산학협력단 인공지능 모델을 이용한 수하물 내 위험물 탐지 방법
CN116486090B (zh) * 2023-06-25 2023-09-05 华南理工大学 肺癌脊柱转移图像处理方法、装置、设备、存储介质
TWI826338B (zh) * 2023-07-12 2023-12-11 沛智生醫科技股份有限公司 細胞辨識模型建立方法及其裝置
DE102023209340A1 (de) 2023-09-25 2025-03-27 Siemens Healthineers Ag Verfahren zum Vorhersagen von Metastasierungsorten
KR102825560B1 (ko) * 2024-02-15 2025-06-26 전남대학교산학협력단 뼈 스캔 영상을 이용한 병소 진단을 위한 정보 제공 시스템 및 방법
CN118587421A (zh) * 2024-06-13 2024-09-03 西北民族大学 一种使用位置信息增强的骨扫描图像病灶目标定位方法与系统
GB2643223A (en) * 2024-08-06 2026-02-11 Univ Loughborough Gamma feature localisation
TWI895233B (zh) * 2025-04-24 2025-08-21 朝陽科技大學 用於識別攝護腺癌的深度學習方法及其識別裝置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW201902411A (zh) * 2017-06-09 2019-01-16 多田智裕 藉由消化器官之內視鏡影像之疾病的診斷支援方法、診斷支援系統、診斷支援程式及記憶此診斷支援程式之電腦可讀取之記錄媒體
TW201941218A (zh) * 2018-01-08 2019-10-16 美商普吉尼製藥公司 用於基於神經網路之快速影像分段及放射性藥品之攝取的測定之系統及方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102096804A (zh) * 2010-12-08 2011-06-15 上海交通大学 骨扫描中肿瘤骨转移的图像识别方法
WO2013059177A1 (en) * 2011-10-18 2013-04-25 Medqia Computer-aided bone scan assessment with automated lesion detection and quantitative assessment of bone disease burden changes
KR101919866B1 (ko) * 2018-02-22 2018-11-19 주식회사 뷰노 뼈 스캔 영상에서 암 전이 여부의 판정을 지원하는 방법 및 이를 이용한 장치

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW201902411A (zh) * 2017-06-09 2019-01-16 多田智裕 藉由消化器官之內視鏡影像之疾病的診斷支援方法、診斷支援系統、診斷支援程式及記憶此診斷支援程式之電腦可讀取之記錄媒體
TW201941218A (zh) * 2018-01-08 2019-10-16 美商普吉尼製藥公司 用於基於神經網路之快速影像分段及放射性藥品之攝取的測定之系統及方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI746249B (zh) * 2020-11-05 2021-11-11 中國醫藥大學 心胸比估算方法及心胸比估算系統
US11941811B2 (en) 2020-11-05 2024-03-26 China Medical University Method for assessing cardiothoracic ratio and cardiothoracic ratio assessment system
TWI834115B (zh) * 2022-01-28 2024-03-01 采風智匯股份有限公司 骨骼影像處理與顯示方法
TWI843443B (zh) * 2023-02-18 2024-05-21 林喆 人體骨掃描影像處理系統及其方法

Also Published As

Publication number Publication date
CN112669254A (zh) 2021-04-16
US20210118128A1 (en) 2021-04-22
US11488303B2 (en) 2022-11-01
TW202117742A (zh) 2021-05-01

Similar Documents

Publication Publication Date Title
TWI709147B (zh) 基於全身骨掃描影像之深度學習攝護腺癌骨轉移辨識系統
Aamir et al. Brain tumor classification utilizing deep features derived from high-quality regions in MRI images
Tian et al. Multi-path convolutional neural network in fundus segmentation of blood vessels
Sánchez-Ruiz et al. Automatic region of interest segmentation for breast thermogram image classification
Yao et al. Automated hematoma segmentation and outcome prediction for patients with traumatic brain injury
KR102458324B1 (ko) 학습 모델을 이용한 데이터 처리 방법
Kawathekar et al. Severity analysis of Osteoarthritis of knee joint from X-ray images: A Literature review
CN109753997B (zh) 一种ct图像中的肝脏肿瘤自动精确鲁棒分割方法
Cao et al. Efficient multi-kernel multi-instance learning using weakly supervised and imbalanced data for diabetic retinopathy diagnosis
CN109493325A (zh) 基于ct影像的肿瘤异质性分析系统
Sluimer et al. Automated classification of hyperlucency, fibrosis, ground glass, solid, and focal lesions in high‐resolution CT of the lung
Cahoon et al. Breast cancer detection using image processing techniques
CN108805858A (zh) 基于数据挖掘的肝病ct图像计算机辅助诊断系统及方法
CN109512464A (zh) 一种疾病筛查和诊断系统
Kebede et al. Classifier based breast cancer segmentation
Hajimani et al. An intelligent support system for automatic detection of cerebral vascular accidents from brain CT images
Rokade et al. A blockchain-based deep learning system with optimization for skin disease classification
Bhat et al. Identification of intracranial hemorrhage using ResNeXt model
CN120013906B (zh) 一种复杂主动脉病变智能分析方法、系统及存储介质
Memiş et al. Computerized 2D detection of the multiform femoral heads in magnetic resonance imaging (MRI) sections with the integro-differential operator
Brianna et al. Combination of Image Enhancement and Double U-Net Architecture for Liver Segmentation in CT-Scan Images
KR102545906B1 (ko) 학습 모델을 이용한 데이터 처리 방법
JP7325310B2 (ja) 医用画像処理装置、医用画像解析装置、及び、標準画像作成プログラム
CN104933712B (zh) 基于脑部ct图像的图模型展示方法
Amritha et al. Liver tumor segmentation and classification using deep learning

Legal Events

Date Code Title Description
MM4A Annulment or lapse of patent due to non-payment of fees