Apr, 2023

RADIFUSION: 一种基于多放射组学、深度学习的乳腺癌风险预测模型，利用序列乳腺 X 射线照片、图像注意力和双侧不对称性通道的优化

PDF
TL;DR通过序列乳腺摄影及深度学习方法，RADIFUSION 可以对乳腺癌患者的筛查进行风险评估，通过多样的深度学习机制和双侧不对称微调等方法来提高模型精度，并在 Cohort of Screen-Aged Women (CSAW) 数据集上显著提高了 1 年内、2 年内和 > 2 年的病人所受风险的区分度，是一种因素多样的乳腺癌风险评估工具。
breast cancerscreening mammogramsdeep learningradifusionrisk assessment
发现论文，激发创造
  • 基于放射组学的多模态自注意力网络用于预测乳腺 MRI 的病理完全缓解

    利用动态对比增强磁共振成像 (DCE MRI) 和表观弥散系数 (ADC) 图，本研究提出了一种模型来预测乳腺癌患者的病理完全缓解 (pCR)，利用深度学习和放射组学特征提取，相较于其他基准方法，我们的模型在预测 pCR 方面表现出优越性能。

    Jun, 2024

  • 深度神经网络改善放射科医生乳腺癌筛查的表现

    本文提出了一个基于深度卷积神经网络的乳腺癌筛查检查分类方法，并在超过 200,000 个检查（超过 1,000,000 张图像）上进行了训练和评估。该网络在筛查人群中预测乳腺癌的 AUC 为 0.895，其高准确度的原因是采用了两阶段训练程序，并通过可靠的读者研究验证了准确性。最后，研究发现由我们的神经网络预测恶性概率与放射科医生的预测平均值相结合会更加准确。

    Mar, 2019

  • 利用人工智能预测乳腺癌的个体风险调整 MRI 筛查和早期检测

    通过当前的 MRI 进行预测，以减轻筛查负担和促进早期发现，该研究旨在预测在一年内发展乳腺癌的风险。

    Nov, 2023

  • 使用启发式辅助的 Trans-Res-U-Net 和多尺度 DenseNet 进行乳腺癌智能诊断

    通过提出的深度学习方法，利用乳房 X 线摄影图像进行乳腺癌筛查，本研究展示了该方法在早期疾病检测方面具有更高的准确率，从而有可能提升基于乳房 X 线摄影的筛查方法学。

    Oct, 2023

  • MM-SurvNet：基于深度学习的多模式数据融合在乳腺癌中的生存风险分层

    通过将组织病理图像、遗传数据和临床数据整合，构建了一种新颖的深度学习方法，使用视觉转换器和自注意力机制在病人层面上提取图像特征和捕获图像关系，同时采用双交叉注意力机制结合遗传数据，并在最终层级上加入临床数据以提高预测准确性，通过在公共 TCGA-BRCA 数据集上的实验，表明使用负对数似然损失函数训练的模型能够取得卓越的性能，均值 C 指数为 0.64，超过现有方法，为制定个体化的治疗策略提供了便利，潜在地改善了患者预后。

    Feb, 2024

  • 乳腺 X 线摄影纵向风险预测

    将一种最新的机器学习模型，LoMaR，扩展到匹配任意数量的纵向乳房摄影，并预测未来乳腺癌风险，证明长期纪录（如四个年度乳房摄影）可以显著提高未来乳腺癌风险的预测准确性。

    Apr, 2024

  • 使用合成相关扩散成像的体积深度放射学特征进行乳腺癌分级预测

    本研究利用基于综合相关扩散成像的体积深度放射组学方法建立了一个预测 Scarff-Bloom-Richardson（SBR）分级的计算机诊断模型，结果显示与常规成像方法相比，该方法更加精准，减少了病人的痛苦和费用成本。

    Apr, 2023

  • 无监督特征相关性模型预测乳房异常变异图谱的纵向乳房 X 光检查

    针对乳腺异常的早期检测和准确诊断进行研究，通过使用长期观察的二维乳房 X 射线照片预测乳房异常变异，提出了一种新型的无监督特征相关网络模型，通过重建当前年份和前一年份的乳房 X 射线照片提取不同区域的组织并分析其差异，从而识别可能表明癌症存在的异常变异。该模型利用特征相关模块、注意力抑制门和乳房异常检测模块共同改善预测的准确性，不仅提供乳房异常变异图，还能区分正常和癌症乳房 X 射线照片，相比现有模型更为先进。研究结果表明，该模型在准确性、灵敏度、特异度、Dice 得分和癌症检测率方面优于基准模型。

    Dec, 2023

  • 利用 Transformer 改进多模态和纵向数据的乳腺癌分类和风险评估

    通过多模态变压器（MMT）神经网络，综合使用乳腺 X 光摄影和超声波，针对目前患癌患者和目前无癌患者，识别患者及估计未来胸部癌症风险的研究表明，MMT 在检测现有癌症方面取得了 AUROC 值为 0.943 的成绩，并超过了单模态基线，对于 5 年风险预测，MMT 实现了 AUROC 值为 0.826，胜过以往基于乳腺 X 光摄影的风险模型。本研究凸显了多模态和纵向成像在癌症诊断和风险分层中的价值。

    Nov, 2023

  • 使用深度学习进行乳腺癌检测

    本文旨在提供一种基于 CNN 和深度学习的乳腺癌检测模型，该模型通过重建微波成像扫描数据并使用多种不同的 CNN 架构进行特征提取和肿瘤检测，最终得出使用 NASNetLarge 模型的 CNN 模型具有较高准确率和较低损失的结论，为微波成像技术在乳腺癌筛查中的应用提供了新的研究方向。

    Apr, 2023