基于常态乳腺X线表现模型的多病变检测方法研究

结题报告
项目介绍
AI项目解读

基本信息

  • 批准号:
    61602322
  • 项目类别:
    青年科学基金项目
  • 资助金额:
    21.0万
  • 负责人:
  • 依托单位:
  • 学科分类:
    F0210.计算机图像视频处理与多媒体技术
  • 结题年份:
    2019
  • 批准年份:
    2016
  • 项目状态:
    已结题
  • 起止时间:
    2017-01-01 至2019-12-31

项目摘要

The incidence of breast cancer among Chinese women has significantly increased and breast cancer screening has been implemented by the Chinese government in many areas. Mammography has been internationally accepted as the most reliable method for breast cancer screening, which plays an important role in the early diagnosis of breast cancer. It has been shown that the use of computer-aided diagnosis (CAD) systems can effectively improve diagnostic accuracy, reduce false negatives and unnecessary recalls. However, current CAD systems mainly rely on mammographic characteristics of abnormalities, which concentrate on the detection of specific abnormalities and cannot detect all abnormalities simultaneously. The proposed method is distinct from existing CAD systems, which aims to develop a model of mammographic normality based on normal mammographic images. The theory of large deformation diffeomorphisms is first applied to construct the anatomical atlas of the breast and register breast tissue of individuals. The fuzzy-rough set based data analysis method is then used to learn the appearance of normal breast tissue. Finally, a full range of abnormalities can be detected simultaneously from an image by estimating the deviation from the normal model. For normal images without abnormalities, breast tissue density will be analysed in the process of abnormality detection to classify breast density automatically and assess breast cancer risk of the patient. The research will be performed using international benchmark databases. The potential for clinical practice will be investigated based on domestic cases.
近年来中国女性乳腺癌的发病率显著增长,中国政府已在许多地区实施乳腺癌筛查。乳腺X线摄影术是目前国际上公认的最可靠的乳腺癌筛查方法,在乳腺癌早期诊断中发挥着重要作用。计算机辅助诊断(CAD)系统的应用可以有效地提高诊断准确率,减少漏诊及不必要的召回。然而,目前的CAD系统多依赖于病变的影像特征,单纯检测指定类型的病变,无法同时检测所有病变。本研究提出的方法不同于现有的CAD系统,该方法以正常乳腺X线图像为基础,建立常态乳腺X线表现模型:首先应用大形变微分同胚理论建立正常乳房的解剖结构图集,完成个体间的乳腺组织配准;之后采用基于模糊-粗糙集理论的数据分析方法,学习正常乳腺组织的X线表现;最终通过判断图像与常态模型间的差异,同时检出所有类型的病变。对未检出病变的正常图像,自动分析乳腺组织密度,量化乳房密度等级,评估患者发生乳腺癌的风险。研究依据国际标准数据库,并将结合我国病例探讨临床应用价值。

结项摘要

乳腺癌是危害全球女性健康最常见的恶性肿瘤,近年来中国女性乳腺癌的发病率显著增长。乳腺X线摄影术是目前国际上公认的乳腺癌筛查及早期诊断的有效医学影像检查手段。最近人工智能技术迅速发展,计算机辅助诊断技术成为人工智能+医学图像领域的主要研究热点,可在临床中辅助医生分析和理解医学图像,提高医生的诊断效率和诊断准确率。本项目研究提出了一种新的基于乳腺X线影像表现常态模型的病变检测方法,充分利用健康人群医学影像大数据优势,以深度卷积神经网络为核心结构,设计适用于高分辨率医学影像的深度神经网络模型,以纯数据驱动的无监督学习模式,仅用正常乳腺X线图像一类样本训练网络,学习提取正常乳腺组织的深度影像特征,进而建立常态模型,将其作为病变检测的依据。通过比较和计算当前图像与常态模型之间的差异,实现所有类型病变的全方位检测,更新以往集中于提取病变特征、建立病变模型的病变检测方法,改进现有方法仅针对于特定病变类型,检测能力单一的局限性。.本项目研究开发了一系列乳腺X线图像分析与诊断方法,先后完成了大规模乳腺X线图像数据库建立,乳腺区域自动分割,乳腺X线图像多个体间乳腺组织配置,乳腺X线影像表现常态模型建立,基于常态模型的病变检测,面向乳腺癌风险评估的乳腺X线图像组织密度定量分析等研究工作,已完成全部预定研究目标和研究内容。研究结果表明所提出的基于乳腺X线表现常态模型的病变检测方法鲁棒性好、通用性强,已在基于实际临床病例的测试中表现出了很好的病变检测性能,接受者操作特性曲线下面积可高达0.95以上。此外,实验结果表明乳腺X线图像组织密度定量分析在乳腺癌风险评估中起着非常重要的作用,项目所开发的乳腺X线图像分析方法可有效应用于基于BIRADS标准的乳房密度等级分类,四级分类准确率可达到79%以上。项目研究成果已达到领域内先进水平,可应用于智慧医疗等多个领域,产业化前景十分广阔,具有很好的经济及社会效益。

项目成果

期刊论文数量(5)
专著数量(1)
科研奖励数量(1)
会议论文数量(10)
专利数量(1)
A high-efficiency adaptive artificial bee colony algorithm using two strategies for continuous optimization
一种采用两种连续优化策略的高效自适应人工蜂群算法
  • DOI:
    10.1016/j.swevo.2019.06.006
  • 发表时间:
    2019-11-01
  • 期刊:
    SWARM AND EVOLUTIONARY COMPUTATION
  • 影响因子:
    10
  • 作者:
    Song, Xiaoyu;Zhao, Ming;Xing, Shuangyun
  • 通讯作者:
    Xing, Shuangyun
Tracking Nonlinear Correlation for Complex Dynamic Systems Using a Windowed Error Reduction Ratio Method
使用加窗误差减少率方法跟踪复杂动态系统的非线性相关性
  • DOI:
    10.1155/2017/8570720
  • 发表时间:
    2017-11
  • 期刊:
    Complexity
  • 影响因子:
    2.3
  • 作者:
    Zhao Yifan;Hanna Edward;Bigg Grant R;Zhao Yitian
  • 通讯作者:
    Zhao Yitian
Automatic 2D/3D Vessel Enhancement in Multiple Modality Images Using a Weighted Symmetry Filter
使用加权对称滤波器自动增强多模态图像中的 2D/3D 血管
  • DOI:
    10.1109/tmi.2017.2756073
  • 发表时间:
    2017
  • 期刊:
    IEEE Transactions on Medical Imaging
  • 影响因子:
    10.6
  • 作者:
    Yitian Zhao;Yalin Zheng;Yonghuai Liu;Yifan Zhao;Lingling Luo;Siyuan Yang;Tong Na;Yongtian Wang;Jiang Liu
  • 通讯作者:
    Jiang Liu
Discriminative feature selection for on-line signature verification
在线签名验证的判别性特征选择
  • DOI:
    10.1016/j.patcog.2017.09.033
  • 发表时间:
    2018-02
  • 期刊:
    Pattern Recognition
  • 影响因子:
    8
  • 作者:
    Xinghua Xia;Xiaoyu Song;Fangjun Luan;Jungang Zheng;Zhili Chen;Xiafu Ma
  • 通讯作者:
    Xiafu Ma
Signature alignment based on GMM for on-line signature verification
基于GMM的签名对齐用于在线签名验证
  • DOI:
    10.1016/j.patcog.2016.12.019
  • 发表时间:
    2017-05
  • 期刊:
    Pattern Recognition
  • 影响因子:
    8
  • 作者:
    Xinghua Xia;Zhili Chen;Fangjun Luan;Xiaoyu Song
  • 通讯作者:
    Xiaoyu Song

数据更新时间:{{ journalArticles.updateTime }}

{{ item.title }}
{{ item.translation_title }}
  • DOI:
    {{ item.doi || "--"}}
  • 发表时间:
    {{ item.publish_year || "--" }}
  • 期刊:
    {{ item.journal_name }}
  • 影响因子:
    {{ item.factor || "--"}}
  • 作者:
    {{ item.authors }}
  • 通讯作者:
    {{ item.author }}

数据更新时间:{{ journalArticles.updateTime }}

{{ item.title }}
  • 作者:
    {{ item.authors }}

数据更新时间:{{ monograph.updateTime }}

{{ item.title }}
  • 作者:
    {{ item.authors }}

数据更新时间:{{ sciAawards.updateTime }}

{{ item.title }}
  • 作者:
    {{ item.authors }}

数据更新时间:{{ conferencePapers.updateTime }}

{{ item.title }}
  • 作者:
    {{ item.authors }}

数据更新时间:{{ patent.updateTime }}

其他文献

其他文献

{{ item.title }}
{{ item.translation_title }}
  • DOI:
    {{ item.doi || "--" }}
  • 发表时间:
    {{ item.publish_year || "--"}}
  • 期刊:
    {{ item.journal_name }}
  • 影响因子:
    {{ item.factor || "--" }}
  • 作者:
    {{ item.authors }}
  • 通讯作者:
    {{ item.author }}
empty
内容获取失败,请点击重试
重试联系客服
title开始分析
查看分析示例
此项目为已结题,我已根据课题信息分析并撰写以下内容,帮您拓宽课题思路:

AI项目思路

AI技术路线图

相似国自然基金

{{ item.name }}
  • 批准号:
    {{ item.ratify_no }}
  • 批准年份:
    {{ item.approval_year }}
  • 资助金额:
    {{ item.support_num }}
  • 项目类别:
    {{ item.project_type }}

相似海外基金

{{ item.name }}
{{ item.translate_name }}
  • 批准号:
    {{ item.ratify_no }}
  • 财政年份:
    {{ item.approval_year }}
  • 资助金额:
    {{ item.support_num }}
  • 项目类别:
    {{ item.project_type }}
{{ showInfoDetail.title }}

作者:{{ showInfoDetail.author }}

知道了

AI项目解读示例

课题项目:调控A型流感病毒诱导IFN-β表达的机制研究

AI项目摘要:

本研究聚焦于TRIM2蛋白在A型流感病毒诱导的IFN-β表达中的调控机制。A型流感病毒是全球性健康问题,其感染可导致严重的呼吸道疾病。IFN-β作为关键的抗病毒因子,其表达水平对抗病毒防御至关重要。然而,TRIM2如何调控IFN-β的表达尚未明确。本研究假设TRIM2通过与病毒RNA或宿主因子相互作用,影响IFN-β的产生。我们将采用分子生物学、细胞生物学和免疫学方法,探索TRIM2与A型流感病毒诱导IFN-β表达的关系。预期结果将揭示TRIM2在抗病毒免疫反应中的作用,为开发新的抗病毒策略提供理论基础。该研究对理解宿主抗病毒机制具有重要科学意义,并可能对临床治疗流感病毒感染提供新的视角。

AI项目思路:

科学问题:TRIM2如何调控A型流感病毒诱导的IFN-β表达?
前期研究:已有研究表明TRIM2参与抗病毒反应,但其具体机制尚不明确。
研究创新点:本研究将深入探讨TRIM2在IFN-β表达中的直接作用机制。
技术路线:包括病毒学、分子生物学、细胞培养和免疫检测技术。
关键技术:TRIM2与病毒RNA的相互作用分析,IFN-β启动子活性检测。
实验模型:使用A型流感病毒感染的细胞模型进行研究。

AI技术路线图

        graph TD
          A[研究起始] --> B[文献回顾与假设提出]
          B --> C[实验设计与方法学准备]
          C --> D[A型流感病毒感染模型建立]
          D --> E[TRIM2与病毒RNA相互作用分析]
          E --> F[TRIM2对IFN-β启动子活性的影响]
          F --> G[IFN-β表达水平测定]
          G --> H[TRIM2功能丧失与获得研究]
          H --> I[数据收集与分析]
          I --> J[结果解释与科学验证]
          J --> K[研究结论与未来方向]
          K --> L[研究结束]
      
关闭
close
客服二维码