May, 2024

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

PDF
TL;DR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。
发现论文，激发创造
  • 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

    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。

    Feb, 2024

  • 利用放射学特征和机器学习算法预测脑转移瘤 MRI 数据中的原发肿瘤

    使用放射组学特征和机器学习预测脑转移瘤的原发肿瘤部位，并展示了放射组学和机器学习在提高诊断准确性和个体化治疗规划方面的潜力。

    Jul, 2024

  • 脑肿瘤复发与放射性坏死分类及患者生存预测

    提出了一种基于 MRF 的计算模型，通过多分辨率放射性医学（MRF）特征提取和显著性检验筛选（P < 0.05）分类预测 GBM 患者的放射性坏死（RN）和复发性脑肿瘤（rBT），并探讨了其作为非创伤性生物标志物识别高风险复发或放射坏死患者的可行性。

    Jun, 2023

  • 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

  • 利用 WHO 四级胶质瘤患者放疗前 MRI 预测快速早期进展和生存风险

    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

  • 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

  • 多参数术前核磁共振影像对细胞母细胞瘤生存推断的治疗方向

    我们提出了一种治疗条件回归模型，利用术前磁共振扫描预测胶质母细胞瘤患者的生存时间。通过将治疗信息与磁共振扫描结合起来，我们的方法有效利用了所有治疗数据，并证明了将治疗注入到每个卷积层中的有效性。

    Feb, 2024

  • 采用基于计划 CT 的放射组学模型预测直肠肛管鳞癌化疗放疗的无复发生存期

    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

  • 加利福尼亚大学旧金山分校，脑转移立体定向放疗（UCSF-BMSR）MRI 数据集

    UCSF-BMSR 是一个公共的、多模态的 MRI 数据集，包括 560 个病人的 5136 个脑转移灶的专家标注，旨在推动脑转移灶 AI 应用的研究。

    Apr, 2023

  • 建模纹理以预测脑瘤患者免疫细胞状态和生存情况

    使用随机森林模型并结合深度辐射学特征（DRFs）和临床变量，我们可以显著地预测胶质瘤患者免疫标记物的状态和总体生存期，并推断这些特征可用于在手术前通过定期获​​取的成像数据进行脑肿瘤患者的预测。

    Jun, 2022