Sep, 2023

采用基于计划 CT 的放射组学模型预测直肠肛管鳞癌化疗放疗的无复发生存期

PDF
TL;DR通过放疗治疗计划 CT 图像提取放射组学特征和临床特征的结合模型，相对于仅使用临床特征的模型，在预测肛门鳞状细胞癌患者接受放化疗后的无复发生存期方面具有更好的预测表现。
anal squamous cell carcinomarecurrence-free survivalradiomics featureschemoradiotherapyprognostic performance
发现论文，激发创造
  • 利用 PET/CT 影像组学和临床信息预测头颈部癌症的无复发生存期

    建立预测咽喉头颈部肿瘤患者的无复发存活模型，该模型将临床信息和多模态 CT 和 PET 放射组学特征与诊断结果结合，研究了分割准确度对放射组学特征的预测能力的影响，并发现 PET 和 CT 受其影响的程度不同，最佳模型对于临床信息和多模态 CT 和 PET 放射组学特征的综合表现优于仅使用临床信息的模型。

    Feb, 2024

  • 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

  • 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 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 3D U-Net 分割预测头颈部鳞状细胞癌放疗后复发体积

    通过使用卷积神经网络 (CNN) 分析患者的术前 18F - 氟脱氧葡萄糖正电子发射断层扫描和计算机断层扫描，研究表明可以预测头颈部鳞状细胞癌患者的局部复发体积，从而为生物学靶向放射疗法提供潜在方法来识别高风险生物体积。

    Aug, 2023

  • 利用多模型方法整合全切片成像和临床病理特征预测乳腺癌复发风险

    发展了一种多模态方法，结合全幻灯片图像分析和临床病理数据来预测相关的乳腺癌复发风险，并根据预测分数将患者分为低风险和高风险两组，提供了一种个性化治疗乳腺癌患者的替代方法，可能改善其疗效。

    Jan, 2024

  • 基于放射组学的肿瘤分割性能评估指标优于 Dice 相似系数

    该研究使用放射组学特征作为评估医生和自动分割工具的分割能力的最优指标，与 Dice 相似系数（DSC）相比较。研究选择可再现的放射组学特征来评估分割准确性，并使用 CT 扫描数据从 10 个肺肿瘤中提取的放射组学特征进行分析。研究发现，放射组学特征能够捕捉肿瘤分割特征的细微变化，尤其与形状和能量相关的特征表现出较高的敏感度，因此可用于评估医生的分割能力和自动分割工具的性能。这些发现可用于评估新的自动分割方法，提高医学分割培训水平，从而改进放射治疗实践。

    Oct, 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

  • 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

  • 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