Sep, 2024

非小细胞肺癌的多模态医学图像融合分类

HTML
PDF
TL;DR本研究解决了非小细胞肺癌（NSCLC）的早期检测和亚型分类的复杂问题，通过融合CT和PET扫描图像、临床健康记录及基因组数据，提出了一种创新的多模态数据整合方法。研究结果表明，该新方法在NSCLC检测和分类的精度上取得了显著提升，准确率达94.04%，具有潜在的转变诊断和治疗规划的影响。
发现论文，激发创造
  • 基于多任务相关学习的多模态融合框架在癌症预测中的应用

    基于 ResNet-152 和 SGCN, 结合多模态多任务相关学习 (MultiCoFusion) 的多模态融合框架可用于肿瘤的生存分析和癌症等级分类，基于 The Cancer Genome Atlas (TCGA) 的实验结果表明，MultiCoFusion 的表现优于传统的特征提取方法。

    Jan, 2022

  • 深度多模态融合图像和非图像数据在疾病诊断与预后中的应用: 综述

    这篇论文综述如何运用多模态深度学习技术提取和汇总多模态信息，以实现更客观、定量化的计算机辅助临床决策，并探讨了其在疾病诊断和预后中的应用、性能表现、挑战和未来发展方向。

    Mar, 2022

  • 小数据集的辅助监督改进多模态融合

    研究简述：为了在小数据集上避免过拟合，提出使用额外监督、临床预测和密集融合三种简单方法进行改进的多模态融合，以帮助优化。提出的方法可以应用于任何具有配对图像和非图像数据的分类任务，本研究在前列腺癌诊断方面进行了验证。

    Apr, 2023

  • 利用合成病理先验在CT图像上对肺癌亚型进行分类

    提出了自动生成混合特征网络（SGHF-Net）用于肺癌亚型的模式分类，通过深度神经网络 quantitatively maps cross-modality associations 从 CT images 提取“gold standard”信息，实现了更准确的预测，并在多中心数据集上展示了该模型的卓越性。

    Aug, 2023

  • 跨模态注意力多模态融合用于非小细胞肺癌（NSCLC）患者生存预测

    提出了一种跨模态注意力多模态融合管道，用于整合非小细胞肺癌（NSCLC）患者生存预测的特定模态知识，相较于单一模态的组合方法，在实验中取得了c-指数为0.6587的结果，展示了从不同模态融合中融入特定知识的能力。

    Aug, 2023

  • 肺腺癌亚型识别的放射组学和深度特征自适应融合

    该研究提出了一种多头注意力特征融合（MHA-FF）模型，旨在区分早期浸润性肺腺癌（Pre-IAs）和浸润性肺腺癌（IAs）并区分不同的IAs亚型。通过提取计算机断层扫描图像的辐射组学和深度特征，并通过自适应融合模块汇总这些特征，我们成功地预测了每个结节的亚型，使用多中心队列的真实世界数据验证了这种方法的实用性。

    Aug, 2023

  • MMIST-ccRCC：用于多模态系统开发的现实世界医学数据集

    该研究介绍了一个真实的多模态数据集MMIST-CCRCC，其中包括CT和MRI放射学模态、组织病理学、基因组学和临床数据，共有618名肾细胞癌患者。研究展示了通过模态融合可以改善生存预测的结果，在存在不完整模态的情况下，即使遗漏率高达90%以上的MRI数据，融合模态仍会提高预测性能。

    May, 2024

  • 基于组织病理学癌症类型注释的肺部结节数据集

    提供公开数据集和可靠工具，用于精确分类不同类型的肺部疾病，以便提供精确的治疗建议。

    Jun, 2024

  • CC-DCNet: 利用对比约束的动态卷积神经网络在多模态图像中鉴定肺癌亚型

    利用深度学习技术，我们提出了一种新颖的深度学习网络，通过多维和多模态图像（CT和病理图像）精确分类肺癌亚型，以提高临床诊断准确性。通过动态处理配对的CT-病理图像集以及独立的CT图像集，并优化从CT图像中提取与病理相关的特征，我们的模型展示了在肺癌亚型分类中卓越的效果，大幅提高了准确度。

    Jul, 2024

  • 通过多模态表征学习进行肺癌生存预测

    本研究解决了现有肺癌生存预测方法在多模态数据整合方面的不足。论文提出了一种新颖的方法，通过整合CT、PET扫描和基因组数据，构建一个鲁棒的生存结果预测模型，并利用跨患者模块增强相似患者的嵌入对齐。实验结果表明，该方法在生存预测方面超越了现有最先进的技术，具有重要的临床应用价值。

    Sep, 2024