Aug, 2023

手工制作和深度学习放射组学的非冗余组合：应用于胰腺癌早期检测

PDF
TL;DR通过使用 VAE 提取 DLR 特征并最小化其与 HCR 特征之间的互信息，我们解决了学习与传统手工特征不冗余的深度学习放射组学 (DLR) 的问题，这些特征可与手工特征相结合并通过分类器预测胰腺癌的早期标志物，并验证了其在大型独立测试集上的有效性，结果表明非冗余的 DLR 和 HCR 特征的结合增加了曲线下面积 (AUC) 相比于不考虑冗余或仅依赖 HCR 特征的基线方法。
发现论文，激发创造
  • 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

  • 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

    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。

    Aug, 2023

  • 利用基于差异性多视角学习的方法，提高乳腺癌组织学图像的迁移学习性能

    该研究比较了一种手工特征提取器和五种基于深度学习的迁移学习特征提取器，发现在乳腺癌数字病理图像分类中，预训练于 ImageNet 数据集上的深度学习网络比传统的手工特征提取方法表现更好，并通过随机森林算法将不同特征组合起来，将平均准确率提高至最高 93.00%。

    Mar, 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

  • 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

  • Deep-CR MTLR: 一个多模态方法用于癌症生存预测与竞争风险

    以神经网络和多任务逻辑回归为基础的深度多模态机器学习方法，可提高癌症患者特定生存率的准确预测，其二年 AUROC 为 0.774，C 指数为 0.788。

    Dec, 2020

  • 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

  • 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

  • 学习低秩特征用于胸腔疾病分类

    该研究论文主要介绍了一种适用于各类神经网络的新型低秩特征学习（LRFL）方法，通过在预训练的神经网络上应用 LRFL 方法来实现胸部疾病分类，在多类别分类区域下具有更好的分类结果（mAUC 和准确度）。

    Feb, 2024

  • 使用 DRDA-Net 和 MobileNet 进行乳腺癌分类的轻量级深度学习管道

    通过引入一种新的深度学习方法，结合 DRDA-Net 和 MobileNet 模型，旨在提高乳腺癌组织病理图像的分类准确性，从而为准确的乳腺癌诊断提供了更快速和更易于实现的筛查方案。

    Mar, 2024