May, 2024

使用优化的合成相关扩散成像改进乳腺癌分级预测

PDF
TL;DR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%。
breast cancergradingvolumetric deep radiomic featurescdi$^s$noninvasive methods
发现论文，激发创造
  • 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

  • 利用多参数 MRI 与优化的合成相关扩散成像提高乳腺癌病理完全缓解预测

    优化后的 CDI$^s$ 与扩散加权成像（DWI）融合的多参数 MRI 技术，可对乳腺癌病理完全缓解进行准确预测，交叉验证的准确性达到 93.28%，比之前报道的结果高出 5.5%。

    May, 2024

  • 优化合成相关扩散成像在乳腺癌肿瘤描绘中的应用

    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

  • 一份面向乳腺癌临床决策支持的多机构开源基准数据集，使用合成相关扩散成像数据

    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

  • PD-DWI: 基于生理分解扩散加权 MRI 机器学习模型预测侵袭性乳腺癌新辅助化疗的响应

    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

  • 评估序列组合对多参数磁共振成像乳腺肿瘤分割的影响

    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

  • 基于 DWI 数据的乳腺癌新辅助化疗反应自动预测

    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

  • 使用多 b 值 DWI 为基础的分层融合网络与关注机制综合合成增强对比度的乳腺磁共振影像

    本研究开发了一种多序列融合网络，基于 T1 加权 MRI 和 DWI 合成对比增强 MRI，可以潜在地用于合成 CE-MRI，从而在理论上减少使用 GBCA，降低对患者的负担。

    Jul, 2023

  • Cancer-Net PCa-Data：一份用于前列腺癌临床决策支持的开源基准数据集，采用合成相关扩散成像数据

    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

  • 基于多头膨胀编码器的深度学习框架，用于多参数磁共振成像增强子宫颈癌分割

    本文提出了一种新的多头框架，使用扩张卷积和共享残差连接来对多参数 MRI 图像进行分开编码，以及进行了一系列架构实验来评估基于多参数输入信道和特征编码配置的肿瘤分割性能。

    Jun, 2023