Apr, 2023

面部和颈部癌症患者的肿瘤图学习进行生存预测

PDF
TL;DR通过 U 型卷积神经网络进行头颈部区域分割，结合支持向量机分类器实现肿瘤的语义分割，采用 Weibull 加速失效时间模型和深度学习等方法进行存活预后预测，在图像块处理方面探索性地进行图形卷积，从而实现对头颈癌进行自动分割和预后预测，测试数据获得了 0.64 的协调指数，在 HECKTOR 2022 挑战排行榜中排名第六。
head and neck cancerautomated segmentationprognosis estimationcnnweibull accelerated failure times
发现论文，激发创造
  • 利用人工智能进行头颈部癌症患者的诊断和预测

    该研究提出使用机器学习和深度学习自动进行头颈部肿瘤分割、患者预后预测等医学任务，并比较了基于 ViT 和卷积神经网络的模型，同时提出了两个新的架构，其中 ViT 模型的预测与分割结果优于集成模型，该成果最终在 HECKTOR 2021 挑战赛预测任务中获得胜利。

    May, 2023

  • 基于深度学习的多角度 PET 图像最大强度投影（MA-MIPs）的头颈癌无分割结果预测

    我们引入了一种创新的、简单而有效的无分割方法，用于对头颈癌（HNC）患者的结果预测。通过利用基于深度学习的特征提取技术和应用于氟脱氧葡萄糖正电子发射断层扫描（FDG-PET）体积的多角度最大强度投影（MA-MIP），我们的提出的方法消除了对于感兴趣区域（ROIs）如原发肿瘤和受累淋巴结的手动分割的需要。相反，先训练一个最先进的目标检测模型，在 PET 体积上自动进行头颈区域的裁剪。然后，利用预训练的深度卷积神经网络主干提取来自裁剪的 PET 体积的 72 个多角度轴向旋转的 MA-MIP 的深层特征。然后将从 PET 体积的多个投影视图中提取的这些深层特征进行聚合和融合，并用于对 489 例 HNC 患者进行无复发生存分析。所提出的方法在目标数据集上的无复发生存分析任务中胜过了表现最好的方法。通过避免对 FDG PET-CT 图像上的恶性病灶人工划定的依赖，我们的方法消除了对主观解释的依赖，并极大地提高了所提出的生存分析方法的可重复性。

    May, 2024

  • 利用 PET/CT 影像组学和临床信息预测头颈部癌症的无复发生存期

    建立预测咽喉头颈部肿瘤患者的无复发存活模型，该模型将临床信息和多模态 CT 和 PET 放射组学特征与诊断结果结合，研究了分割准确度对放射组学特征的预测能力的影响，并发现 PET 和 CT 受其影响的程度不同，最佳模型对于临床信息和多模态 CT 和 PET 放射组学特征的综合表现优于仅使用临床信息的模型。

    Feb, 2024

  • 利用 3D U-Net 分割预测头颈部鳞状细胞癌放疗后复发体积

    通过使用卷积神经网络 (CNN) 分析患者的术前 18F - 氟脱氧葡萄糖正电子发射断层扫描和计算机断层扫描，研究表明可以预测头颈部鳞状细胞癌患者的局部复发体积，从而为生物学靶向放射疗法提供潜在方法来识别高风险生物体积。

    Aug, 2023

  • 基于深度学习的 PET/CT 体积中肿瘤的分割：不同架构和训练策略的基准

    癌症诊断的深度学习神经网络架构与训练策略在自动切割 PET/CT 图像中的应用，取得了良好的效果，为精确的肿瘤学诊断和更有针对性、有效的癌症评估技术的发展做出了贡献。

    Apr, 2024

  • 合并 - 分离混合变压器网络用于头颈癌生存预测

    我们提出了一种融合 - 分叉学习框架，用于从多模态图像进行生存预测，并在融合编码器中使用混合并行交叉注意力块（HPCA）来融合多模态特征，并在分叉解码器中使用区域特定注意力门（RAG）块来筛选与病变区域相关的特征。我们的框架在头颈部 PET-CT 图像的生存预测中得到了验证，并在公共数据集上的实验结果表明，我们的网络（XSurv）优于现有的生存预测方法。

    Jul, 2023

  • 深度学习在放疗中实现头颈解剖的临床可应用分割

    采用深度学习方法，训练了一种 3D U-Net 架构的自动分割算法，成功实现了 21 个头颈部放射敏感器官的自动分割，同时引入了表面 Dice 相似系数（surface DSC）一种能更好地反映纠正自动分割错误的临床任务的新指标，表明该模型在不同研究中心和国家具有较强的泛化能力，并可通过适当的验证研究和监管审批实现提高放射治疗路径的效率、一致性和安全性的目标。

    Sep, 2018

  • 基于三维扩散模型的 [18F] F-FDG PET/CT 图像头颈肿瘤分割

    提出了一种基于 3D 扩散模型的头颈肿瘤分割方法，利用 PET 和 CT 图像生成更准确的肿瘤掩膜，证实了双模态 PET 和 CT 数据在头颈肿瘤分割中的优势。

    Jan, 2024

  • 全切片图像是 2D 点云：基于补丁图卷积网络的上下文感知生存预测

    本研究提出了一种 Patch-GCN 算法，该算法可以对肿瘤微环境中的局部和全局拓扑结构进行建模，从而对患者的生存预后进行更好的预测。该算法通过 4,370 张 WSIs 的验证，在 5 种不同的癌症类型中，表现出比之前研究中所有的弱监督方法都要好。

    Jul, 2021

  • BRATS2017 挑战赛中的脑肿瘤分割及放射组学生存预测

    本文介绍了一种利用卷积神经网络的特征加上数据增强和 Dice 损失函数的方法，成功应用于大脑肿瘤的分割，同时在乳腺癌核分裂图像的分割中也有着广泛的应用。

    Feb, 2018