Apr, 2024

基于纵向 MRI 的前庭神经瘤生长预测：时间条件下的神经场

PDF
TL;DR介绍了一种利用深度学习方法进行肿瘤生长预测的技术，采用神经场和循环神经网络，并通过时间编码策略实现对肿瘤形状的预测。在实验中，模型表现出显著改进，特别是对于生长或缩小最为明显的肿瘤。
vestibular schwannomasactive surveillancedeepgrowthtumor growth predictionneural fields
发现论文，激发创造
  • 空间时间卷积 LSTM 用于通过学习 4D 纵向病人数据预测肿瘤生长

    通过 ConvLSTM 技术，结合静态图像和时间动态变化，从多个患者研究中提取 3D 和时间维度信息来预测肿瘤体积，同时可实现肿瘤细胞密度和 CT 强度值的预测，并应用于 4D 医学图像分割任务。

    Feb, 2019

  • 治疗感知扩散概率模型用于纵向 MRI 生成和弥散性胶质瘤生长预测

    扩散性胶质瘤的成长建模具有挑战性，本论文提出了一种新颖的端到端网络，可生成未来肿瘤掩模和不同治疗计划下肿瘤在任何未来时间点的真实磁共振成像。该模型基于尖端的扩散概率模型和深度分割神经网络，通过扩展扩散模型以包括顺序多参数 MRI 和治疗信息作为条件输入，指导生成扩散过程，以估算给定时间点的肿瘤成长。通过使用真实的手术后纵向 MRI 数据作为训练数据，在各种任务中验证了该模型的优异性能，包括生成带有肿瘤掩模的高质量合成 MRI，时间序列肿瘤分割和不确定性估计。结合治疗感知生成的 MRI，具备不确定性估计的肿瘤成长预测能够为临床决策提供有用的信息。

    Sep, 2023

  • 临床指南驱动的自动线性特征提取用于听神经鞘瘤

    通过深度学习和分割算法自动化提取临床特征，构建了一个视觉指南和相关指标工具，帮助临床医生提高诊断脑肿瘤患者的决策能力。

    Oct, 2023

  • 基于深度空间关注和硬度加权损失的 T2 加权 MRI 听神经瘤自动分割

    介绍了一种应用于 vestibular schwannoma MRI 图像的 2.5D 卷积神经网络，该网络利用了所应用成像协议中不同的平面分辨率，使其精度和鲁棒性得到提升，并通过引入注意力机制以及权重逐渐递增的 Dice 损失函数对其进行了优化。实验表明，该方法能有效提高分割精度，为患者管理提供了重要参考。

    Jun, 2019

  • 为所有人打造的网络 '：使用来自单个患者的纵向数据进行完全个性化和无监督的神经网络训练

    本研究研究了个性化神经网络在检测肿瘤进展方面的应用，采用对比增强 T1w 序列的磁共振成像，使用 Wasserstein-GAN 无监督网络架构构建模型，对 32 例患有胶质母细胞瘤的病人的 64 个扫描进行了评估，证明只使用一个病人的数据即可训练神经网络来监测肿瘤变化。

    Oct, 2022

  • 脊柱 MRI 的自监督学习

    本论文提出利用临床中的长期扫描数据进行自我监督学习的方法，使用连续的 MRI 扫描数据进行预训练的 Siamese 卷积神经网络，同时使用对比损失和分类损失对其进行训练，并在椎间盘退变的分类任务上证明其优于从头开始训练的网络，并且需要更少的标注数据。

    Aug, 2017

  • 基于深度学习的嗜铬细胞瘤自动分割用于生长监测

    通过基于深度学习分割模型使用 nnUNet 的自动肿瘤体积测量方法，我们证明了此方法与手动描绘至少相等，同时展示了额外体积测量如何影响已知生长函数的拟合。

    Mar, 2024

  • 利用 3D U-Net 分割预测头颈部鳞状细胞癌放疗后复发体积

    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

  • 基于深度学习的组间配准用于胶质瘤纵向 MRI 分析

    本研究提出了一种纵向、基于学习的、集群式的 MRI 图像配准方法，可以在不到一分钟的时间内完成高质量的配准，提供了一种替代传统工具箱的新途径，以更准确地量化并了解神经胶质瘤的生长。

    Jun, 2023

  • 使用远程 2D 上下文的 3D 卷积神经网络进行肿瘤分割

    提出了一种基于卷积神经网络的肿瘤分割方法，采用多种序列图像，结合 2D 和 3D 上下文，通过级联 2D-3D、子网络处理缺失图像序列等策略提高了效率，在 BRATS 2017 竞赛中良好表现，可用于各种分割任务。

    Jul, 2018