radiomics features | BriefGPT

关键词radiomics features

搜索结果 - 7

利用 PET/CT 影像组学和临床信息预测头颈部癌症的无复发生存期
建立预测咽喉头颈部肿瘤患者的无复发存活模型，该模型将临床信息和多模态 CT 和 PET 放射组学特征与诊断结果结合，研究了分割准确度对放射组学特征的预测能力的影响，并发现 PET 和 CT 受其影响的程度不同，最佳模型对于临床信息和多模态
PDF4 months ago
合成肿瘤操控：基于影像学特征的研究
RadiomicsFill 是一种基于放射组学特征的合成肿瘤生成器，通过使用放射组学特征进行条件限制，可以对肿瘤的亚区进行详细控制和个体操作。该模型通过结合生成对抗网络、放射组学特征条件限制和多任务学习，通过和神经胶质瘤患者的实验证明 Ra
PDF8 months ago
基于放射组学的肿瘤分割性能评估指标优于 Dice 相似系数
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
PDF8 months ago
开发一种新的图像标记物以预测卵巢癌症患者新辅助化疗（NACT）的反应
开发一种新的图像标记来实现早期高准确率的新辅助化疗反应预测，通过计算 1373 个放射组学特征来量化肿瘤特征，利用 SVM 分类器生成标记，并验证其性能表现。
PDF10 months ago
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。
PDF10 months ago
特征模仿网络在生物医学图像处理任务中提高了深度学习的性能、可靠性和速度
本文首次评估了具有近似闭式统计特征的权重的仿真网络（FIN）在生物医学图像处理任务中的性能表现，结果表明 FIN 在 COVID-19 检测、脑肿瘤分类和分割等任务中均具有最佳的绩效。
PDFa year ago
DeepMSS: PET/CT 图像的深度多模态分割至生存预测学习
本文提出了一种新型深度多模态分割 - 预测幸存模型，該模型采用分割 - 预测学习策略和数据驱动的方法，能够从 PET/CT 图像中进行肿瘤分割和幸存预测，并能将传统放射学特征作为一种增强，能够更好地适应最佳训练模型来预测平台上不同的治疗的
PDFa year ago