结合PET/CT图像特征的肺癌病变区域的活动轮廓分割模型研究

结题报告
项目介绍
AI项目解读

基本信息

  • 批准号：
    61801202
  • 项目类别：
    青年科学基金项目
  • 资助金额：
    25.0万
  • 负责人：
    方玲玲
  • 依托单位：
    辽宁师范大学
  • 学科分类：
    F0125.医学信息检测与处理
  • 结题年份：
    2021
  • 批准年份：
    2018
  • 项目状态：
    已结题
  • 起止时间：
    2019-01-01 至2021-12-31

项目摘要

With the rapid progress of precision medical technology, identification and delineation of lung cancerous lesion of PET/CT images show an important role in tumor precise medical plans. However, different principle of medical imaging and irregular anatomical structure have given greater challenges for PET/CT image segmentation technology. This project mainly studies the key technologies of PET/CT lung cancerous lesion segmentation based on active contour model (ACM) and includes the following aspects: (1) Based on the feature from low level to high level, the PET/CT feature set of lung cancerous lesion is extracted and described. The relevant information between two different modalities of PET/CT lesions is highlighted. (2) Based on the lesion from simple region to complex region, a novel active contour segmentation model by the constructed feature of lung cancerous lesion is designed. The proposed model can provide the model design and theoretical analysis for PET/CT image segmentation. (3) Further, the mechanism of deep learning is used to optimize the proposed segmentation model. This project builds an ACM-Net based on shared representation learning of PET/CT images. From the above three aspects, this project aims to establish the common feature representation of PET/CT images, and realize the identification and delineation of lung cancerous lesion automatically. The project can provide an auxiliary role for clinicians to make a precise medical plan.
随着精准医疗技术的快速进步，PET/CT图像中肺部病灶区域辨别及勾画已在精准医疗计划制定中显现出重要作用，然而医学图像成像原理差异和不规则性给予了分割技术更大的挑战。本项目利用活动轮廓模型进行PET/CT图像肺癌病变区域的分割，主要研究以下内容：（1）基于特征从底层到高层的策略，提取肺癌病变目标的PET/CT图像特征集，实现病灶区域的特征描述，突出PET/CT两种不同模态病灶区域间的相关联信息。（2）通过上述构造的肺部病灶区域特征，基于病灶区域从简单到复杂的策略，设计基于PET/CT图像肺癌病变区域的活动轮廓模型，为癌变区域分割提供模型设计与理论分析的方法。（3）在此基础上，利用深度学习的理论机制对所设计模型进行优化，构建基于PET/CT图像共享特征学习的活动轮廓模型学习网。本项目通过PET/CT图像的共同特征表达，实现肺部病变区域的自动辨别勾画，为临床医师制定精准治疗计划提供辅助作用。

结项摘要

随着精准医疗技术的快速进步，PET/CT图像中肺部病灶区域辨别及勾画已在精准医疗计划制定中显现出重要作用，然而医学图像成像原理差异和不规则性给予了分割技术更大的挑战。本项目利用活动轮廓模型进行PET/CT图像肺癌病变区域的分割，主要研究以下内容：（1）基于特征从底层到高层的策略，提取肺癌病变目标的PET/CT图像特征集，实现病灶区域的特征描述，突出PET/CT两种不同模态病灶区域间的相关联信息。（2）通过上述构造的肺部病灶区域特征，基于病灶区域从简单到复杂的策略，设计基于PET/CT图像肺癌病变区域的活动轮廓模型，为癌变区域分割提供模型设计与理论分析的方法。（3）在此基础上，利用深度学习的理论机制对所设计模型进行优化，构建基于PET/CT图像共享特征学习的活动轮廓模型学习网。本项目通过PET/CT图像的共同特征表达，实现肺部病变区域的自动辨别勾画，为临床医师制定精准治疗计划提供辅助作用。

项目成果

期刊论文数量（11）
专著数量（0）
科研奖励数量（0）
会议论文数量（0）
专利数量（2）
An image segmentation technique using nonsubsampled contourlet transform and active contours.
使用非下采样轮廓波变换和活动轮廓的图像分割技术。
  • DOI：
    10.1007/s00500-018-3564-4
  • 发表时间：
    2019
  • 期刊：
    Soft Computing
  • 影响因子：
    4.1
  • 作者：
    Lingling Fang
  • 通讯作者：
    Lingling Fang
Integrating a learned probabilistic model with energy functional for ultrasound image segmentation
将学习的概率模型与能量泛函相结合以进行超声图像分割
  • DOI：
    10.1007/s11517-021-02411-0
  • 发表时间：
    2021-08
  • 期刊：
    MEDICAL & BIOLOGICAL ENGINEERING & COMPUTING
  • 影响因子：
    3.2
  • 作者：
    Fang Lingling;Zhang Lirong;Yao Yibo
  • 通讯作者：
    Yao Yibo
Image classification with an RGB-channel nonsubsampled contourlet transform and a convolutional neural network
使用 RGB 通道非下采样轮廓波变换和卷积神经网络进行图像分类
  • DOI：
    10.1016/j.neucom.2018.10.094
  • 发表时间：
    2020-07
  • 期刊：
    Neurocomputing
  • 影响因子：
    6
  • 作者：
    Lingling Fang;Hanyu Zhang;Jiaxin Zhou;Xianghai Wang
  • 通讯作者：
    Xianghai Wang
Retina blood vessels segmentation based on the combination of the supervised and unsupervised methods
基于监督和无监督方法相结合的视网膜血管分割
  • DOI：
    10.1007/s11045-021-00777-w
  • 发表时间：
    2021-04
  • 期刊：
    Multidimensional Systems and Signal Processing
  • 影响因子：
    2.5
  • 作者：
    Lingling Fang;Lirong Zhang;Yibo Yao
  • 通讯作者：
    Yibo Yao
Ultrasound image segmentation using an active contour model and learning-structured inference
使用主动轮廓模型和学习结构推理的超声图像分割
  • DOI：
    10.1007/s11042-021-11088-4
  • 发表时间：
    2021-06
  • 期刊：
    Multimedia Tools and Applications
  • 影响因子：
    3.6
  • 作者：
    Fang Lingling;Zhang Lirong;Yao Yibo;Chen Le
  • 通讯作者：
    Chen Le

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

矢量C-V模型的高光谱遥感影像分割
  • DOI：
    --
  • 发表时间：
    2015
  • 期刊：
    遥感学报
  • 影响因子：
    --
  • 作者：
    王相海;周夏;方玲玲
  • 通讯作者：
    方玲玲
灰度差能量函数引导的图像分割自适应C-V模型
  • DOI：
    --
  • 发表时间：
    2015
  • 期刊：
    模式识别与人工智能
  • 影响因子：
    --
  • 作者：
    王相海;王金玲;方玲玲
  • 通讯作者：
    方玲玲
非下采样ContourletHMT模型
  • DOI：
    --
  • 发表时间：
    2013
  • 期刊：
    中国科学(F辑:信息科学)
  • 影响因子：
    --
  • 作者：
    倪培根;苏欣;方玲玲;宋传鸣
  • 通讯作者：
    宋传鸣
带方向特征的ContourletHMT模型
  • DOI：
    --
  • 发表时间：
    2013
  • 期刊：
    中国科学(F辑:信息科学)
  • 影响因子：
    --
  • 作者：
    陈明莹;宋传鸣;徐孟春;方玲玲
  • 通讯作者：
    方玲玲
基于特征线法网格划分的主动土压力有限元计算
  • DOI：
    --
  • 发表时间：
    2011
  • 期刊：
    中南大学学报(自然科学版)
  • 影响因子：
    --
  • 作者：
    方宏伟;谭卓英;方玲玲
  • 通讯作者：
    方玲玲

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