基于视觉变换器的 PET/CT 图像淋巴瘤分割的多模态特征融合网络
这项研究开发了一个快速高效的三阶段级联深度学习模型,用于从 PET 图像中自动检测和分割 DLBCL 肿瘤,并验证了其可行性和准确性。
Mar, 2024
通过结合多个病灶的成像信息和交叉注意力模块,利用临床和影像数据,发展了一种基于图神经网络的计算机辅助方法,用于识别需要个体化治疗的高风险患者。在 583 名患者的私人前瞻性多中心数据集上训练和评估,实验结果表明,我们的提出方法在 2 年无进展生存(PFS)分类准确性上优于基于临床、成像或临床和成像数据的传统监督方法。
Oct, 2023
本文提出了一种用于精确肿瘤分割的定位到分割框架 (L2SNet),通过定位潜在病变并利用位置信息对分割结果进行塑形,在 MICCAI 2023 全身 FDG-PET/CT 挑战数据集上取得了具有竞争力的结果,并在预备测试集中排名前 7 方法之一。
Sep, 2023
本研究提出一种新的深度学习模型训练策略,用于构建能够对肿瘤进行系统分割的 PET/CT 肿瘤分割模型,该方法基于 AutoPET 2022 挑战赛的训练集进行验证,并在预测试集上实现了 0.7574 的 Dice 分数、0.0299 的假阳性体积和 0.2538 的假阴性体积,代码已在链接中提供。
Aug, 2022
该研究介绍了将深度学习应用于放射治疗中的高级治疗:全骨髓和淋巴结照射(TMLI)中,通过 nnU-Net 框架发展了 2D 和 3D U-Net 模型,对 PTV 进行分割,实现了显著的改善。
Feb, 2024
本研究通过对四种神经网络架构(UNet、SegResNet、DynUNet 和 SwinUNETR)在 PET/CT 图像中进行淋巴瘤病变分割的全面评估,并在多种机构的 611 个病例的多样化数据集上进行训练、验证和测试。利用内部测试和未见的外部测试集,评估了分割准确性、临床相关性和算法的稳定性。
Nov, 2023
通过视觉变换器为高分辨率 WSI 从研究多模态分类器训练的 DLBCL(弥漫性大 B 细胞淋巴瘤)癌症亚型提出了一个前景恶劣,比现有的替代方法更便宜,更快速。
Aug, 2023
癌症诊断的深度学习神经网络架构与训练策略在自动切割 PET/CT 图像中的应用,取得了良好的效果,为精确的肿瘤学诊断和更有针对性、有效的癌症评估技术的发展做出了贡献。
Apr, 2024
提出了一种适用于基于 CT 扫描模型的轻量级升级的参数高效多模态适应(PEMMA)框架,以将 PET 扫描纳入其中,通过将注意力权重进行低秩适应(LoRA)实现参数高效调整,同时最小化交叉模态耦合,使单一模态下训练和更新联合模型成为可能,并且在仅训练单一模态时,在可训练参数仅为 8% 的情况下,实现了与早期融合技术相当的结果,并在 PET 扫描的平均 Dice 分数上取得了显著的 + 28% 改善。
Apr, 2024