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
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
