Jun, 2023

脑肿瘤复发与放射性坏死分类及患者生存预测

HTML
PDF
TL;DR提出了一种基于MRF的计算模型，通过多分辨率放射性医学（MRF）特征提取和显著性检验筛选（P < 0.05）分类预测GBM患者的放射性坏死（RN）和复发性脑肿瘤（rBT），并探讨了其作为非创伤性生物标志物识别高风险复发或放射坏死患者的可行性。
发现论文，激发创造
  • 头颈部肿瘤失败风险的放射组学评估策略

    使用随机森林和重采样技术使用1615个影像学特征对头颈癌患者进行放疗风险估计，证明放射学对特定肿瘤结局的风险评估具有重要的临床作用。

    Mar, 2017

  • 用于脑肿瘤分割、进展评估和总体生存预测的最佳机器学习算法识别（BRATS 挑战）

    本研究评估了近年来机器学习方法在脑瘤mpMRI扫描方面的应用，主要集中在评估各种脑瘤子区域的分割、预测肿瘤进展和预测患者的总体存活率等方面，考虑到数据集的多样性和不断演化，同时探讨了针对每个任务的最佳机器学习算法的挑战。

    Nov, 2018

  • 建模纹理以预测脑瘤患者免疫细胞状态和生存情况

    使用随机森林模型并结合深度辐射学特征（DRFs）和临床变量，我们可以显著地预测胶质瘤患者免疫标记物的状态和总体生存期，并推断这些特征可用于在手术前通过定期获​​取的成像数据进行脑肿瘤患者的预测。

    Jun, 2022

  • 带免疫细胞标记物的深度放射组学特征预测胶质瘤患者的生存率

    本研究提出了一种基于卷积神经网络的深度放射状特征（DRF），可以从MRI图像中捕捉与免疫治疗相关的肿瘤特征并预测治疗反应。将DRF与临床特征和免疫细胞标志物组合使用可以在患者病理分组中识别短期和长期生存结果。

    Jun, 2022

  • 利用WHO四级胶质瘤患者放疗前MRI预测快速早期进展和生存风险

    通过计算机和统计建模方法，结合常规放射图像与多分辨率分形纹理特征以及多种分子特征(MGMT，IDH突变)作为标识和预测REP病例及预后的工具，对70名患者进行了放射治疗T1后对比序列MRI的分析，实验结果表明多分辨率分形纹理特征相比常规放射学特征在REP和预后结果方面表现更佳。

    Jun, 2023

  • 利用磁共振成像和数据包含的机器学习算法量化胶质母细胞瘤的肿瘤内遗传异质性，以实现精准医学

    使用MRI和弱监督序数支持向量机(WSO-SVM)实现对脑胶质母细胞瘤患者肿瘤内部区域遗传改变的非侵入性预测，为个体化肿瘤治疗提供信息。

    Dec, 2023

  • 脑肿瘤放射遗传分类

    通过对多参数mpMRI扫描图片（T1w，T1wCE，T2w和FLAIR）进行二分类，RSNA-MICCAI脑肿瘤放射基因组分类挑战旨在预测胶质母细胞瘤中的MGMT生物标记物状态。我们使用的数据集分为三个主要组：训练集、验证集（在训练中使用），以及仅在最终评估期间使用的测试集。图像可以是DICOM格式或Png格式。我们尝试了不同的架构，包括三维版本的Vision Transformer（ViT3D）、ResNet50、Xception和EfficientNet-B3，以研究这个问题。我们使用AUC作为主要评估指标，在测试集上，ViT3D模型和Xception模型分别达到了0.6015和0.61745的优势。与其他结果相比，我们的结果在这个复杂的任务中证明是有效的。通过探索不同的策略、不同的架构和更多样化的数据集，可以进一步提高。

    Jan, 2024

  • 恶性黑色素瘤颅内转移立体定向放疗后局部治疗效果预测的临床、剂量学和放射组学特征分析

    通过多中心、回顾性分析研究，发现基于术前磁共振成像特征的放射性治疗后预测脑转移瘤局部失败的相关指标，可为进一步个体化放射治疗策略提供潜在的治疗相关信息。

    May, 2024

  • 利用放射学特征和机器学习算法预测脑转移瘤MRI数据中的原发肿瘤

    使用放射组学特征和机器学习预测脑转移瘤的原发肿瘤部位，并展示了放射组学和机器学习在提高诊断准确性和个体化治疗规划方面的潜力。

    Jul, 2024

  • 胶质母细胞瘤诊断中的MRI放射组学对IDH基因型预测的研究

    该研究解决了胶质母细胞瘤诊断中缺乏有效生物标志物识别的问题，提出了一种利用MRI放射组学特征识别异柠檬酸脱氢酶（IDH）突变状态的新方法。研究表明，该方法可以提高胶质母细胞瘤和IV级星形胶质细胞瘤的诊断准确性，具有显著的临床应用价值。

    Sep, 2024