基于可变元数据的前列腺病变检测的分离条件对比学习
本论文提出了一种新的方法,利用多模态大型语言模型(MLLM)在不需要额外注释和网络参数的情况下将临床指南(PICG)融入 PI-RADS 评分,通过两阶段微调过程,将 MLLM 从自然图像训练转移到 MRI 数据领域,并有效地集成 PICG。实验结果表明,我们的方法改进了当前评分网络的性能。
May, 2024
本文提出了一种用于翻译未配对的前列腺 mp-MRI 图像以分类有临床意义的前列腺癌的新方法,通过培训在低数据大小的数据限制性环境中使用的证据深度学习方法的模型来改善性能和预测不确定性。
Jul, 2023
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
通过对多视图数据进行对比学习,我们提出了一种基于 U-Net 的三重编码器和单一解码器网络,tU-Net,可以充分利用未经注释的矢状和冠状视图,以从体积的角度改善前列腺分割。该方法在分割准确度上显示出统计上的改进,并且在缺少视图的情况下,提供了灵活性,表明通过对比学习来利用未经注释的多视图数据的可行性。
Aug, 2023
该研究采用深度学习算法中的 2D U-Net 来进行 MR 前列腺分割。通过对四个公开数据集的实验,该算法在前列腺分割中取得了较好的效果,并为未来研究者提供了标准化的实验设置。
Nov, 2020
通过结合图像数据和 DICOM 元数据,我们提出了一种基于深度学习的前列腺癌扫描序列分类方法,相较于仅使用元数据或图像数据,我们展示了更优越的结果。
Apr, 2024
磁共振成像(MRI)是诊断和分期前列腺癌的关键工具,但也产生了大量数据,必须由经过训练的专家评估,这是一项耗时且繁琐的任务。因此,已经开发了基于多种 MRI 模态(T2W、ADC 和高 b 值 DWI)的前列腺癌(PCa)风险分类自动化的机器学习工具。然而,理解和解释模型的预测仍然是一个挑战。本研究分析了随机森林(RF)和支持向量机(SVM)在两个互补数据集上的表现,即公共 Prostate-X 数据集和一个内部的大部分为早期 PCa 的数据集,以阐明一阶统计特征、Haralick 纹理特征和局部二进制模式对分类的贡献。通过相关性分析和 Shapley 影响力得分,我们发现许多通常使用的特征之间存在强相关性,并且大多数特征对分类几乎没有影响。我们确定了一小组决定分类结果的特征,这可能有助于开发可解释的 AI 方法。
Jun, 2024
通过使用双分支卷积神经网络,结合多任务学习和自监督损失函数,本研究提出的方法在 MRI 图像分割准确性上相对于基线方法提高了 7.56%、11.00%、58.43% 和 19.67%,分别适用于前列腺外围区(PZ)、过渡区(TZ)、远侧前列腺尿道(DPU)和前纤维肌层(AFS)区域。
Sep, 2023