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
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
通过 U 型卷积神经网络进行头颈部区域分割,结合支持向量机分类器实现肿瘤的语义分割,采用 Weibull 加速失效时间模型和深度学习等方法进行存活预后预测,在图像块处理方面探索性地进行图形卷积,从而实现对头颈癌进行自动分割和预后预测,测试数据获得了 0.64 的协调指数,在 HECKTOR 2022 挑战排行榜中排名第六。
Apr, 2023
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。
Sep, 2023
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
提出了一种基于 3D 扩散模型的头颈肿瘤分割方法,利用 PET 和 CT 图像生成更准确的肿瘤掩膜,证实了双模态 PET 和 CT 数据在头颈肿瘤分割中的优势。
Jan, 2024
该研究提出使用机器学习和深度学习自动进行头颈部肿瘤分割、患者预后预测等医学任务,并比较了基于 ViT 和卷积神经网络的模型,同时提出了两个新的架构,其中 ViT 模型的预测与分割结果优于集成模型,该成果最终在 HECKTOR 2021 挑战赛预测任务中获得胜利。
May, 2023
研究通过使用基于视觉转换器(ViT)的神经网络来评估使用放疗治疗头颈部癌症患者时,使用 ViT 网络预测放疗引起的解剖学变化的可行性,并显示出良好的预测性能,以帮助头颈部癌症自适应放疗的决策。
May, 2024
采用深度学习方法,训练了一种 3D U-Net 架构的自动分割算法,成功实现了 21 个头颈部放射敏感器官的自动分割,同时引入了表面 Dice 相似系数(surface DSC)一种能更好地反映纠正自动分割错误的临床任务的新指标,表明该模型在不同研究中心和国家具有较强的泛化能力,并可通过适当的验证研究和监管审批实现提高放射治疗路径的效率、一致性和安全性的目标。
Sep, 2018
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