Jun, 2024

评估序列组合对多参数磁共振成像乳腺肿瘤分割的影响

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 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

  • 增强肿瘤分割的术前和术后对比乳腺磁共振成像合成

    利用生成对抗网络 (GAN) 将原始的 T1 加权饱和脂肪胸部 MRI 图像转化为相应的首次动态对比增强 MRI 序列，生成合成对比增强图像，并通过定量图像质量度量来评估生成的数据质量，将其应用于三维乳腺肿瘤分割，结果表明通过数据增强方式合成后的动态对比增强 MRI 图像在增强乳腺肿瘤分割模型的稳健性方面具有潜力，代码链接见摘要。

    Nov, 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

  • 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

  • 使用优化的合成相关扩散成像改进乳腺癌分级预测

    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

  • 预检查提高颅脑 MRI 自动转移病灶的检测

    用对比增强 T1 加权图像进行自动检测，结合预诊断 MRI 能显著减少假阳性结果，但是在对比增强 T1 加权图像之外加入其他序列对假阳性结果减少无明显影响。

    Mar, 2024

  • 使用深度学习在 CT 和 MRI 上对软组织肿瘤进行最小交互分割

    我们开发了一种最少交互的基于深度学习的肿瘤分割方法来有效地在 CT 和 MRI 上分割不同类型的软组织肿瘤，具有对之前未见过的表型和成像模式的稳健泛化能力。

    Feb, 2024

  • 基于渐进双先验网络的广义乳腺肿瘤分割

    通过使用渐进双先验网络（PDPNet）分割动态增强磁共振图像 (DCE-MRI) 中具有不同来源的乳腺肿瘤，旨在提高乳腺肿瘤分割模型的泛化能力，改善对小型、低对比度和不规则形状乳腺肿瘤的分割性能。

    Oct, 2023

  • 单一图像处理算法能否在动态增强磁共振成像的所有相位中同样有效？

    本文旨在探讨采用不同对比度增强数据比例对 MRI 动态增强序列的图像分割和配准任务所产生的影响，发现通过预训练对比度增强数据和微调非对比度增强数据可得到更具有通用性的模型。

    Jun, 2023