基于多聚特征的领域适应方法在宫颈癌剂量映射预测中的应用
通过利用不同但相关临床研究中收集的跨领域子宫颈图像,我们提出了一种基于原型的知识过滤方法,用于改善定向子宫颈数据集上模型的性能,实验证据显示我们的方法在顶级准确率、精确度、召回率、F1 分数和 ROC-AUC 上分别比最先进的子宫颈畸形视觉检查法提高了 4.7%、7.0%、1.4%、4.6% 和 0.05。
Aug, 2023
本文提出基于距离感知扩散模型的 CT 图像辅助剂量预测方法,实现了精密的剂量预测和肿瘤区域或危险器官等区域的距离信息引入,同时采用了多编码器和多尺度融合网络技术,有效提高了预测效果,实验证明该方法在乳腺癌和鼻咽癌两个数据集上,性能优于现有的剂量预测方法。
Jun, 2023
通过使用图像和大型语言模型(LLM)辅助的深度学习模型,本研究提出了一种将无结构图像转化为结构化图形的流程,并开发了一种名为 DoseGNN 的剂量图神经网络模型用于预测剂量体积直方图(DVH)。与放射治疗中广泛使用的 DL 模型相比,LLM 增强的 DoseGNN 模型在预测上取得了 Swim U-Net Transformer、3D U-Net CNN 和普通 MLP 的平方误差的 80%、76%和 41.0%的效果,并通过与临床医生的自然语言交互,实现了与治疗计划的无缝调整。
Feb, 2024
本研究评估了基于 5 点 Deauville 评分预测的临床 18F‑氟脱氧葡萄糖 (FDG) PET/CT 报告的领域自适应技术在核医学中的价值,并发现该技术可提高大型语言模型解读核医学文本报告的性能。
Mar, 2023
深度学习在放疗自动化方面发挥了作用,但现有方法无法得出可直接输入治疗计划系统(TPS)的理想放疗参数,阻碍了放疗全面自动化。本文提出了一个新的两阶段框架,用于直接回归放疗参数,包括剂量图预测阶段和放疗参数回归阶段。实验证明我们的方法的有效性。
Feb, 2024
肿瘤放射治疗中,通过基于扩散模型的 MD-Dose 及 Mamba 架构,结合噪声预测器和结构信息提取器,实现对放疗剂量分布图的自动预测,以加速治疗流程并提高放疗计划的出发点。
Mar, 2024
本研究开发了一种自动化的三维适形放射治疗工作流程,结合了深度学习的预测和前向规划算法以用于直肠癌治疗,从而生成具有临床可接受性的计划,研究证明其可以成功地自动化生成放疗计划。
Apr, 2022
通过扩散模型为癌症患者的放射治疗剂量分布预测提出了一种方法 (DiffDose),该方法通过正向和逆向过程分别将剂量分布转化为高斯噪音和去除噪音,从而有效地解决了现有方法中平滑问题和损失计算的限制。
Nov, 2023
通过使用不同的深度学习描述符(ResNet50、ResNet101 和 ResNet152)以及适当的特征归一化(最小 - 最大)和特征约简技术(LDA),我们提出了一种新颖的计算机辅助诊断(CAD)系统,该系统在妇科癌症预防方面取得了异常的性能。我们在由世界卫生组织提供的 IARC 数据集上进行了实验,该数据集经过了初始的分割和平衡。我们的方法在正常和异常分类以及类型分类方面的表现范围为 97% 至 100%,同一数据集上的另一竞争性方法的性能为 81% 至 91%。
May, 2024