利用体积深度放射特征从合成相关扩散成像（CDI$^s$）预测乳腺癌分级的最新研究结果表明，非侵入性方法在乳腺癌分级中有巨大潜力，该论文通过使用优化的 CDI$^s$ 改善乳腺癌分级来受到了启发。将优化后的 CDI$^s$ 信号与扩散加权成像（DWI）融合，为每位患者创建多参数 MRI，在更大的患者队列上进行训练，通过在预训练的 MONAI 模型的所有层进行训练，我们实现了 95.79% 的留一交叉验证准确性，比先前报道的高出 8%。

May, 2024

通过使用 Nelder-Mead simplex 优化策略，本研究探索了调整计算中的相关扩散成像（CDI$^s$）系数以实现乳腺癌肿瘤识别，显示出最佳的受试者工作特性曲线下面积（AUC），优于黄金标准模态 0.0044，同时查明优化后的 CDI$^s$ 模态比未优化的 CDI$^s$ 模态具有高于 0.02 的 AUC 值，彰显了为特定肿瘤应用优化 CDI$^s$ 指数的重要性。

May, 2024

使用生理分解 DWI 的机器学习模型 PD-DWI，结合临床数据预测乳腺癌患者的病理完全缓解反应，具有比传统机器学习方法更高的预测精度，可用于减少 mp-MRI 采集时间和消除对比剂注射的需求。

Jun, 2022

该研究提出了一种使用 “Size-Adaptive Lesion Weighting” 进行自动 DWI 肿瘤分割以提高病理完全缓解（pCR）预测准确性的深度学习模型，并在预治疗期间匹配人类专家在 pCR 预测上的表现，为乳腺癌治疗计划的自动化提供了重要进展。

Apr, 2024

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

介绍了 Cancer-Net BCa，这是一个包含 253 例临床前乳腺癌患者 CDI$^s$ 成像数据的多机构开放数据集，可用于通过机器学习加速癌症诊断和治疗的全球开源倡议。

Apr, 2023

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

在癌症领域的机器学习和成像研究中，我们推出了首个用于前列腺癌的 CDI$^s$ 成像数据的开源基准数据集，该数据集由来自 200 例患者的 CDI$^s$ 体积图像组成，并包含完整的注释信息，旨在帮助世界各地的临床医生对抗癌症。

Nov, 2023

使用 nnU-Net 模型，研究探讨不同序列的 mpMRI 在乳腺肿瘤分割中的影响，并通过在多中心 mpMRI 数据集上的评估，证明了使用动态对比增强 MRI 序列可以获得较高的功能性肿瘤体积分割 Dice 相似系数和整个肿瘤掩膜分割改善。然而，添加 T2w 序列对结果影响不显著，需要进一步研究。该研究为未来的乳腺癌治疗反应预测提供基础。

Jun, 2024

通过无监督关键点检测和选择性体积保持的有条件金字塔式注册网络，我们提出了一种用于评估新辅助化疗（NAC）后乳腺 DCE-MRI 的长期变形注册，以精确量化肿瘤变化。在这种方法中，我们从 DCE-MRI 中提取结构和异常关键点，将结构关键点应用于注册算法以限制大变形，并使用基于异常关键点的体积保持损失，在注册后保持肿瘤体积不变。使用 314 名接受 NAC 治疗的患者的 1630 个 MRI 扫描的临床数据集验证了我们方法具有更好的注册性能和更好的肿瘤体积保持。此外，基于我们提出的方法的局部 - 全局结合生物标志物在病理完全缓解（pCR）预测中取得了高准确性，表明预测信息存在于肿瘤区域之外。这些生物标志物有可能用于避免对某些患者进行不必要的手术。对于临床医生和 / 或计算机系统来说，使用我们的注册方法对图像进行随访肿瘤分割和响应预测可能非常有价值。我们的代码可在 https://github.com/fiy2W/Treatment-aware-Longitudinal-Registration 获得。

Jan, 2024