解析放射组学的复杂性: 预测建模的最佳简洁策略
本研究提出一种多模态神经架构搜索(MM-NAS)方法,用于自动得出较优的多模态图像特征,以生成radiomics并避免依赖手动过程。在公共PET-CT数据集中验证结果表明,相较于最先进的radiomics方法,我们的多模态神经架构搜索方法在软组织肉瘤中的预测可靠度更高。
Jul, 2020
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
子宫平滑肌肉瘤是一种罕见但具有侵袭性的恶性肿瘤。本研究利用MRI图像进行分割,并通过放射组学特征实现诊断自动化,展示了在少于150个标记图像的情况下接近人类水平性能的可能性。同时,鉴别不同类型的子宫肿瘤仍然是一个挑战。
Aug, 2023
该研究使用放射组学特征作为评估医生和自动分割工具的分割能力的最优指标,与Dice相似系数(DSC)相比较。研究选择可再现的放射组学特征来评估分割准确性,并使用CT扫描数据从10个肺肿瘤中提取的放射组学特征进行分析。研究发现,放射组学特征能够捕捉肿瘤分割特征的细微变化,尤其与形状和能量相关的特征表现出较高的敏感度,因此可用于评估医生的分割能力和自动分割工具的性能。这些发现可用于评估新的自动分割方法,提高医学分割培训水平,从而改进放射治疗实践。
Oct, 2023
开发和验证一个基于深度学习的诊断模型,结合不确定性估计,以便帮助放射科医生基于CT图像在术前区分肾细胞癌(RCC)的病理亚型。
Nov, 2023
该研究利用图神经网络将MELC数据与放射学特征相结合,着重进行细胞级别分析,评估基因表达谱和放射学特征的有效性,发现放射学特征,尤其是与UMAP结合进行降维,显著提高分类性能。值得注意的是,使用放射学特征有助于提高诊断准确性和计算效率,因为它能够从较少的染色中提取关键数据,从而降低操作成本。这种方法在黑色素瘤细胞分类的计算皮肤病学中标志着一项进展,为未来的研究和潜在的发展奠定了基础。
Dec, 2023
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
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