Feb, 2024

磁共振三角辐射学跟踪肺肿瘤在接受立体定向磁共振引导放疗过程中的放疗反应

PDF
TL;DR通过 MR 导向的肺部体固态放射治疗，我们的研究建立了利用 δ 放射组学分析来捕捉肺部体固态放射治疗的短期放射学表现的可行性和稳定性。
发现论文，激发创造
  • 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

  • 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

  • 融合低剂量 CT 为基础的放射组学和代谢组学用于早期肺癌筛查支持

    通过机器学习技术应用于低剂量计算机断层扫描辐射学和代谢组学，本研究开发了一种方法来识别肺实质内的潜在恶性肿瘤病变，以支持肺癌筛查。

    Sep, 2023

  • 立体定向放射治疗发展概述

    立体定向放射治疗（SBRT）是一种将高能射线聚焦于肿瘤病灶区域的三维空间技术，可以降低周围正常组织接受的剂量，有效提高肿瘤的局部控制率，降低并发症的可能性。本文讨论了 SBRT 的背景、放射生物学基础、关键技术和主要设备，并展望了其未来发展方向。

    Feb, 2024

  • 脑转移放射治疗的多模态体积感知检测和分割

    本研究提出一种使用多模态成像和集成神经网络的深度学习方法，自动检测和分割小的靶病灶，以提高立体定向放射治疗（SRS）的效率。该方法优于当前基准水平，并证明了对于多个脑转移瘤的 SRS 治疗规划，可靠的 AI 辅助系统。

    Aug, 2019

  • RADIFUSION: 一种基于多放射组学、深度学习的乳腺癌风险预测模型，利用序列乳腺 X 射线照片、图像注意力和双侧不对称性通道的优化

    通过序列乳腺摄影及深度学习方法，RADIFUSION 可以对乳腺癌患者的筛查进行风险评估，通过多样的深度学习机制和双侧不对称微调等方法来提高模型精度，并在 Cohort of Screen-Aged Women (CSAW) 数据集上显著提高了 1 年内、2 年内和 > 2 年的病人所受风险的区分度，是一种因素多样的乳腺癌风险评估工具。

    Apr, 2023

  • 使用合成相关扩散成像的体积深度放射学特征进行乳腺癌分级预测

    本研究利用基于综合相关扩散成像的体积深度放射组学方法建立了一个预测 Scarff-Bloom-Richardson（SBR）分级的计算机诊断模型，结果显示与常规成像方法相比，该方法更加精准，减少了病人的痛苦和费用成本。

    Apr, 2023

  • 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

  • 基于可变元数据的前列腺病变检测的分离条件对比学习

    通过结合多参数磁共振成像、前列腺成像报告与数据系统以及对比损失函数，提高了公开 PI-CAI 挑战数据集上的病变检测的 AUC 值。

    Aug, 2023