点击蓝字,关注我们
上下滑动查看更多
救命啊!死磕半年也发不出一篇SCI,我要延毕了......
那是因为你没找对老师!自从找了老肖(laoxiao2077)后,研二我花三个月就水出了SCI(IF:17 柳叶刀子刊)~
培训学员文章见刊(IF:17 柳叶刀子刊)
(上下滑动即可查看)
影像组学平台
为科研人士提供最专业的服务
01
传统组学一站式任务解决方案
关键词
ITK-SNAP、3D Slicer、Pyradiomics、ICC、Spearman、Lasso、LR、AUC、DCA、Nomogram
技术栈
1.数据收集整理,ROI标注,ITK-SNAP,3D Slicer。
2.临床指标统计分析,单因素、步进多因素回归筛选。
3.Pyradiomics提取特征,Shape、Texture特征;LoG、Wavelet小波变换等。
4.特征筛选
a.ICC,随机挑选30,多人标注,选择特征鲁棒性高的。
b.统计检验筛选,ttest、ANOVA检验,筛选p_value<0.05
c.mRmR,相关系数筛选,spearman、pearson、kendall系数等,相关系数大于0.9的两者保留其一。
d.Lasso,10折交叉验证,权重曲线、rad_score公式。
5.问题建模,筛选出来的特征,输入到机器学习算法,COX、LR、SVM、RF、XGBoost、等模型,构建Signature。
6.指标解释
a.统计对比表格,准确率、AUC、Sensitivity。
b.挑最好的模型,ROC曲线,DCA曲线、校准曲线。
c.混淆矩阵,所有样本预测概率分布图。
d.Signature融合,Nomogram,增加临床可解释性。
效果图
指标解释
02
传统组学+深度学习低代码解决方案
关键词
ITK-SNAP、3D Slicer、Pyradiomics、ICC、Spearman、Lasso、LR、AUC、DCA、Nomogram、Deep Learning、Transfer Learning、Resnet、DenseNet、VGG、Inception
技术栈
一、数据收集整理,ROI标注,ITK-SNAP,3D Slicer。
二、临床指标统计分析,单因素、步进多因素回归筛选。
三、特征提取
A、Pyradiomics提取特征,Shape、First Order、Texture特征;LoG、Wavelet小波变换等
B、深度迁移学习提取深度特征
1.基于自身数据进行深度学习模型训练(迁移学习)
2.裁剪最大的ROI界面,或者使用整体ROI区域。
3.模型倒数第二层,提取深度学习特征。
四、特征筛选
A、ICC,随机挑选30,多人标注,选择特征鲁棒性高的。
B、PCA,针对深度学习特征使用,也可以选择进行端到端降维。
C、统计检验筛选,utest、ttest、、ANOVA检验,筛选p_value<0.05
D、mRmR,相关系数筛选,spearman、pearson、kendall系数等,相关系数大于0.9的两者保留其一。
E、Lasso,10折交叉验证,权重曲线、rad_score公式、权重图
五、问题建模,筛选出来的特征,分数据输入到机器学习算法,构建Rad Signature,DTL Signature、DLR Signature。
六、指标解释,效能对比
A、统计对比表格,准确率、AUC、Sensitivity,Specificity,F1。
B、ROC曲线,DCA曲线、校准曲线。
C、混淆矩阵,所有样本预测概率分布图。
D、Grad-CAM激活图,寻找深度学习模型可解释性。
E、Nomogram,Signature融合,对比Clinical、Rad、DTL、DLR不同数据的结果差异。
效果图
03
病例组学一站式解决方案
关键词
WSI、QuPath、CellProfiler、LR、AUC、DCA、Nomogram、Deep Learning、Transfer Learning、Resnet、DenseNet、VGG、Inception
技术栈
一、数据收集整理,WSI级别进行ROI标注,QuPath,可以考虑使用CellProfiler提取特征。
二、临床指标统计分析,单因素、步进多因素回归筛选。
三、病理深度学习模型构建
A、将WSI裁剪成patch(tiles)。
B、根据ROI标注信息,进行深度学习模型训练。
1.训练分类任务,例如:VGG、ResNet、Inception、DenseNet等
2.训练分割任务,例如:FCN、Deeplab、Unet等
C、提取深度学习特征
1.所有的patch融合成类别histogram直方图或者做成TF-IDF特征。
2.所有patch识别的概率信息,做成概率直方图
3.使用深度学习中间层特征,然后使用深度模型进行融合。
四、问题建模,筛选出来特征,分数据输入到机器学习算法,构建Signature。
五、指标解释,效能对比
A、深度学习模型可解释
1.训练过程中训练集、测试集loss、准确率变化
2.Grad-CAM激活图,结合病理组织解释模型。
3.patch预测结果还原回WSI的预测结果图。
4.patch预测概率还原回WSI的预测概率图。
B、统计对比表格,准确率、AUC、Sensitivity,Specificity,F1。
C、ROC曲线,DCA曲线、校准曲线。
D、混淆矩阵,所有样本预测概率分布图。
E、Nomogram,Signature融合,对比Clinical、Pathology不同数据的结果差异。
效果图
指标解释
04
临床+影像+病理+测序多组学低代码解决方案
关键词
VAE、ITK-SNAP、3D Slicer、Pyradiomics、ICC、Spearman、Lasso、WSI、QuPath、CellProfiler、LR、AUC、DCA、Nomogram、Deep Learning、Transfer Learning、Resnet、DenseNet、VGG、Inception
技术栈
一、数据收集整理
A、临床数据,baseline统计分析。
B、ROI标注,ITK-SNAP,3D Slicer。
C、WSI级别进行ROI标注,QuPath,可以考虑使用CellProfiler提取特征。
二、特征构建
A、临床特征,指标统计分析,单因素、步进多因素回归筛选
B、测序数据
1.基于传统机器学习算法,PCA、Lasso降维。
2.基于自监督深度学习算法,Auto encoder decoder,VAE。
C、影像数据
1.Pyradiomics提取特征,Shape、First Order、Texture特征;LoG、Wavelet小波变换等
2.深度学习模型倒数第二层,提取深度学习特征。
D、病理数据
1.将WSI裁剪成patch(tiles)。
2.根据ROI标注信息,进行深度学习模型训练。
3.融合深度学习特征,Histogram、TF-IDF、概率直方图,或者深度模型特征融合。
三、问题建模,筛选出来的特征,分数据输入到机器学习算法,构建Signature。
四、指标解释,效能对比
A、深度学习模型可解释
1.训练过程中训练集、测试集loss、准确率变化
2.Grad-CAM激活图,结合病理组织解释模型。
3.patch预测结果还原回WSI的预测结果图。
4.patch预测概率还原回WSI的预测概率图。
5.t-SNE特征聚类分析可解释性。
B、统计对比表格,准确率、AUC、Sensitivity,Specificity,F1。
C、ROC曲线,DCA曲线、校准曲线。
D、混淆矩阵,所有样本预测概率分布图。
E、Nomogram,Signature融合,对比Clinical、Pathology不同数据的结果差异。
效果图
05
其他技术升级解决方案
关键词
Cox、Segmentation、Unet、FCN、Deeplab、End2end、KM、Logrank test
技术栈
一、生存分析
A、COX回归,生存Nomogram
B、KM分析,分组log rank test
二、ROI区域自动识别
A、2D ROI区域自动识别算法,FCN、Deeplab、Unet、Unet++等
B、3D ROI区域自动识别算法,Unet3D、Vnet、UnetR
C、端到端建模技术,融合特征提取与建模两种流程,统一训练深度学习模型
效果图
一、影像组学人工智能应用培训班
扫码观看学员学员见刊合集
ChatGPT论文润色工具
(一)主办单位:中国管理科学研究院职业教育研究院
承办单位:
北京宏盛元亨文化交流中心
北京奇点伏流信息科技有限责任公司
(二)培训班费用:4300/人
(三)时间:
2024 年 01 月 12 日— 14 日远程在线授课
(开课前一天帮助学员安装平台,后三天授课)
添加老肖微信
助你一年连水4篇SCI
导师都不得不称你为“科研悍匪!”
二、课程大纲及工具使用
三、免费赠送组学平台
适用数据:适用于病理,超声,CT,MRI,临床,肠胃镜照片等二维数据,三维数据,视频数据,结构化数据可用的数据类型。
实操结果呈现
·END·
扫码添加 请备注来意
微信号|laoxiao2077
电话|17621920434