Aug, 2023

通过整合神经距离和纹理感知变形网络 提高胰腺癌多相 CT 的预后预测

PDF
TL;DR该研究提出了一种新颖的可学习的神经距离，用于描述胰腺导管腺癌与周围重要血管之间的精确关系，并将其作为预后预测的主要特征。通过融合局部和全局特征，使用 CNN 和 Transformer 模块来提取多阶段 CT 图像中的动态肿瘤相关纹理特征，进一步增强跨多个阶段 CT 图像提取的特征。通过与现有方法在多中心数据集上进行广泛评估和比较，并在包括三个中心的外部测试集中进行统计分析，证实了该方法在临床上的有效性。开发的风险标记是预操作因素中最强的整体生存预测因子，具有与现有临床因素结合选择高危患者并获得新辅助治疗益处的潜力。
pancreatic ductal adenocarcinomaprognosis predictionct imagingtumor-vascular involvementrisk marker
发现论文，激发创造
  • 多时相胰腺导管腺癌分割的超级对配网络

    探究采用多期信息的肿瘤自动分割方法，通过 Hyper-Pairing Network 的建立和使用可将 DSC 提高至 63.94%。

    Sep, 2019

  • 基于分割的胰腺导管腺癌肿瘤血管涉及评估用于手术可切除性预测

    胰腺导管腺癌（PDAC）是一种具有有限治疗选择的高度侵袭性癌症。本研究提出一种工作流程和基于深度学习的分割模型，自动评估肿瘤 - 血管的参与程度，这是决定肿瘤可切除性的关键因素。肿瘤可切除性的正确评估对于确定治疗选择至关重要。所提出的工作流程包括处理 CT 扫描以分割肿瘤和血管结构，分析空间关系和血管参与的程度，该过程与 PDAC 评估中的专家放射科医生的工作方式相似。三种分割架构（nnU-Net，3D U-Net 和概率性 3D U-Net）在分割静脉、动脉和肿瘤方面具有高度准确性。分割使得可以自动检测肿瘤的参与程度，准确度高（0.88 敏感性和 0.86 特异性），并自动计算肿瘤 - 血管接触的程度。此外，由于这些重要结构的显著观察者差异性，我们提供了每个模型捕捉到的不确定性，进一步增加对预测参与度的洞察。这一结果为临床医生提供了肿瘤 - 血管参与的明确指示，并可用于促进外科干预的更理性决策。所提出的方法为改善胰腺癌患者的预后、个性化治疗策略和生存率提供了宝贵的工具。

    Oct, 2023

  • 3DGAUnet: 基于 3D U-Net 的 3D 生成对抗网络生成器，在胰腺癌的临床肿瘤图像数据中实现准确和有效的合成

    通过使用生成对抗网络（GAN）技术，我们开发了一个名为 3DGAUnet 的新型 GAN 模型，用于合成胰腺导管腺癌（PDAC）肿瘤和胰腺组织的逼真的三维 CT 图像，以提高 PDAC 的形状和纹理学习，从而增强了 PDAC 肿瘤的准确性和早期检测的能力。

    Nov, 2023

  • 使用去噪扩散模型在 CT 图像中进行胰腺肿瘤分割的异常检测

    通过使用去噪扩散算法，本研究提出了一种新颖的胰腺肿瘤检测方法，利用弱监督异常检测技术，可以在不需要复杂的训练协议和分割掩模的情况下，实现病变与健康对象之间的图像平滑转换，产生详细的异常图，为胰腺肿瘤检测领域的进一步研究做出了贡献。

    Jun, 2024

  • 基于病变感知的多相 CT 扫描肾肿瘤亚型分类的交叉相位注意力网络

    提出了一种新的病变感知跨阶段注意力网络（LACPANet），可以有效地捕捉肾脏病变在多期 CT 阶段之间的时间依赖关系，从时间序列多相 CT 图像中准确分类肾脏病变为五个主要病理亚型，并在诊断准确性方面超越了现有方法。

    Jun, 2024

  • 个性化肾细胞癌预后的多模态深度学习：CT 影像与临床数据的整合

    通过结合 CT 成像和临床数据，该研究旨在设计一个全面的深度学习模型，能够预测肾细胞癌患者的存活概率，解决之前研究中存在的局限性，以便识别需要紧急治疗的患者。

    Jul, 2023

  • 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

  • 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

  • 无标记肿瘤合成对胰腺癌的早期检测和定位

    通过合成胰腺肿瘤的方法，可以提高人工智能在胰腺癌早期检测中的性能，从而改善患者的预后。

    Aug, 2023

  • 多阶段多目标 CT 扫描中的肝脏病变分割和检测

    通过在多个阶段运用神经网络进行多相计算机断层扫描，结合分割模型和单相训练，我们的方法在肝脏病变分割性能上取得了 1.6% 的改进，并降低了 8% 的主体间性能差异。

    Apr, 2024