BTDNet: 用于脑肿瘤放射基因分类的多模态方法

Oct, 2023

BTDNet: 用于脑肿瘤放射基因分类的多模态方法

BTDNet: a Multi-Modal Approach for Brain Tumor Radiogenomic Classification

Dimitrios Kollias, Karanjot Vendal, Priyanka Gadhavi, Solomon Russom

TL;DR本文提出了一种新颖的多模态方法，BTDNet，利用多参数 MRI 扫描来预测 MGMT 启动子甲基化状态，该方法在 RSNA-ASNR-MICCAI BraTS 2021 挑战中表现出色，为增强脑肿瘤诊断和治疗提供了有希望的途径。

Abstract

brain tumors pose significant health challenges worldwide, with glioblastoma being one of the most aggressive forms. Accurate determination of the O6-methylguanine-DNA methyltransferase (MGMT) promoter methylation status is crucial for personalized treatment strategies. However, tradit

brain tumors mgmt promoter methylation multi-modal approach btdnet tumor diagnosis and treatment

发现论文，激发创造

使用 MRI 扫描预测 MGMT 启动子甲基化状态？深度学习模型的广泛实验评估

该论文探讨了使用深度学习算法进行医学诊断的可行性，以及通过脑磁共振扫描预测 MGMT 基因启动子区甲基化状态对老年人常见的致命性脑肿瘤 - 高级别胶质母细胞瘤进行诊断，旨在缩短以往诊断时间且提高准确率。

Apr, 2023

脑肿瘤放射遗传分类

通过对多参数 mpMRI 扫描图片（T1w，T1wCE，T2w 和 FLAIR）进行二分类，RSNA-MICCAI 脑肿瘤放射基因组分类挑战旨在预测胶质母细胞瘤中的 MGMT 生物标记物状态。我们使用的数据集分为三个主要组：训练集、验证集（在训练中使用），以及仅在最终评估期间使用的测试集。图像可以是 DICOM 格式或 Png 格式。我们尝试了不同的架构，包括三维版本的 Vision Transformer（ViT3D）、ResNet50、Xception 和 EfficientNet-B3，以研究这个问题。我们使用 AUC 作为主要评估指标，在测试集上，ViT3D 模型和 Xception 模型分别达到了 0.6015 和 0.61745 的优势。与其他结果相比，我们的结果在这个复杂的任务中证明是有效的。通过探索不同的策略、不同的架构和更多样化的数据集，可以进一步提高。

Jan, 2024

使用视觉 Transformer 集成的脑胶质母细胞瘤肿瘤分割

针对脑癌中最具侵略性和最致命的类型之一，我们提出了一种新的方法，BRAINNET，利用 MaskFormer 和神经网络生成强大的脑肿瘤分割掩膜，该方法在 MRI 图像中获得了前所未有的高准确率。

Nov, 2023

针对胶质母细胞瘤患者的人工智能治疗方案

本研究开发了一种基于人工智能技术的诊断解决方案，可自动分割脑肿瘤亚区并预测 MGMT 甲基化状态，以帮助医生进行更好的治疗规划并改善患者的生存率。

Mar, 2022

ME-Net：用于脑肿瘤分割的多编码器网络框架

该研究提出了一种用于进行脑肿瘤分割的多编码器模型及介绍了一种新的分类 Dice 损失函数，该方法可以降低特征提取难度，并显著提高模型性能，在验证集上能够与目前最先进的方法相媲美，在完整肿瘤，肿瘤核和增强肿瘤方面的 Dice 分数分别为 0.70249，0.88267 和 0.73864。

Mar, 2022

注意力增强的混合特征聚合网络用于三维脑肿瘤分割

基于多尺度关注引导 U-Net 模型以及 Swin Transformer 的三维脑肿瘤分割方法的性能评估。