从多参数 MRI 预测脑肿瘤缺氧
研究中使用 [$^{18}$F] 荧光脱氧葡萄糖(FDG)正电子发射断层扫描(PET)的无监督学习方法,实现对癫痫焦点的定位,并取得了改进的性能。
Feb, 2024
通过提出一种功能成像受限扩散(FICD)框架,该框架利用配对结构 MRI 对三维脑 PET 图像进行合成,引入了一种新的约束扩散模型(CDM),并通过稳定的训练阶段在高输出保真度的同时确保大脑功能信息的保留。定量和定性分析表明,FICD 在生成 FDG-PET 数据方面的性能优于现有的方法,并通过三个下游任务在共计 1,262 个受试者的数据上验证了所提出的 FICD 的有效性和通用性。
May, 2024
应用深度学习模型来矫正与解混合光谱,以提高荧光引导的神经外科中的高光谱成像 (HSI) 技术,结果表明深度学习模型能够更准确地估算荧光素 (PpIX) 的浓度,进一步改善脑肿瘤切除手术的效果。
Feb, 2024
使用 5-ALA 辅助荧光引导,通过高光谱成像对 184 名患有低级别和高级别胶质瘤以及其他脑肿瘤的患者的 891 个高光谱测量进行了评估,训练了四个机器学习模型以进行肿瘤分类和辨别,结果表明五个发光物质在不同组织类型中的丰度存在差异,并展示了作为光学生物标志物具有潜在价值,为荧光引导神经外科手术中的围手术期分类系统提供了新机遇。
Nov, 2023
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
提出了 MX-ARM,一种多模态混合专家对齐与重建模型,通过学习可调权重的不同多层感知器(“专家混合”),动态地从不同模态学习相应的特征表示。实验证明该模型在诊断轻度认知障碍的多模态 sf-PET/MR 数据上具有临床可行的精准医学效果。
Mar, 2024
开发一种 3D 图像转换模型,能够从 T1 加权 MRI 合成淀粉样蛋白 PET 图像,通过模型训练和验证,证明了从结构性 MRI 图像中合成淀粉样蛋白 PET 图像的可行性,大大提高了大型队列研究和早期痴呆症检测的可访问性,同时降低成本、侵入性和辐射暴露。
May, 2024
该研究使用扩散概率模型 (DPM) 从 FDG-PET 脑部图像中推断出 T1 加权 MRI,进而利用 DPM 生成的 T1w-MRI 指导 PET 重建,表明 MRI 引导的 PET 图像在改善图像质量方面优于 OSEM。
Mar, 2024
我们引入了一种创新的、简单而有效的无分割方法,用于对头颈癌(HNC)患者的结果预测。通过利用基于深度学习的特征提取技术和应用于氟脱氧葡萄糖正电子发射断层扫描(FDG-PET)体积的多角度最大强度投影(MA-MIP),我们的提出的方法消除了对于感兴趣区域(ROIs)如原发肿瘤和受累淋巴结的手动分割的需要。相反,先训练一个最先进的目标检测模型,在 PET 体积上自动进行头颈区域的裁剪。然后,利用预训练的深度卷积神经网络主干提取来自裁剪的 PET 体积的 72 个多角度轴向旋转的 MA-MIP 的深层特征。然后将从 PET 体积的多个投影视图中提取的这些深层特征进行聚合和融合,并用于对 489 例 HNC 患者进行无复发生存分析。所提出的方法在目标数据集上的无复发生存分析任务中胜过了表现最好的方法。通过避免对 FDG PET-CT 图像上的恶性病灶人工划定的依赖,我们的方法消除了对主观解释的依赖,并极大地提高了所提出的生存分析方法的可重复性。
May, 2024
这项研究首次尝试使用基于 GNN 的时空模型 PerfGAT 来建模 4D pMRI,通过整合空间信息和时间动力学预测脑胶质瘤患者的异柠檬酸脱氢酶(IDH)基因突变状态,实验结果表明该方法优于其他现有方法,有效地为患者特征建模。
Jun, 2024