- 博客(5)
- 收藏
- 关注
RSS订阅原创 Integrating deep and radiomics featuresin cancer bioimaging
介绍了一个结合传统的模式识别方法和深度学习的机器学习框架，用于自动解释医学影像，特别是用于癌症生物影像的预后诊断。该框架使用卷积神经网络（CNN）作为深度学习的架构，同时通过预定义的特征提取器从医学影像中获取Radiomics特征。该框架被称为RADLER，并在MAQC倡议的数据分析计划下进行了模型选择和评估。研究结果显示，将深度学习和Radiomics特征相结合的方法比单独使用一种特征类型或影像模式更准确，且RADLER在相同数据上的结果显著优于之前发表的结果。这个框架的应用将有望促进医学影像的快速和精确
2023-06-07 17:46:54
142
1
原创 A Deep Learning-Based Radiomics Model for Prediction of Survival in Glioblastoma Multiforme
这篇论文的主要目的是探究深度学习技术中的迁移学习是否可以生成放射学预测的特征信息，以预测患有恶性胶质母细胞瘤（GBM）患者的总体生存期（OS）。该研究包括了一个由75名患者组成的发现数据集和一个由37名患者组成的独立验证数据集。从术前多模态MR图像中提取了1403个手工特征和98304个深度特征。通过特征选择，使用最小绝对收缩和选择算子（LASSO）Cox回归模型构建了一个由六个深度特征组成的特征标识。进一步结合年龄和Karnofsky表现评分等临床风险因素构建了一个放射学NOMOGRAM。
2023-06-05 10:04:35
276
1
原创 Predicting malignant nodules byfusing deep features with classicalradiomics features
利用（NLST）的部分参与者，采用迁移学习方法区分肺癌结节和阳性对照组。实验使用了三种不同的预训练CNN来提取深层特征，并使用了五种不同的分类器。还使用了预训练CNN的不同颜色通道的深层特征进行了实验。选择的深层特征与放射学特征相结合。设计并训练了一个CNN。使用预训练、在NLST数据上训练的CNN和传统的放射学特征的组合来构建分类器。使用特征组合获得了最佳的准确率（76.79%）。使用在增强NLST数据组上训练的CNN获得了0.87的接收器操作特征曲线下面积。
2023-05-30 17:22:56
99
1
原创 Radiomics in glioblastoma: current status, challenges and potential opportunities
解释了关于脑胶质瘤，特别是恶性程度最高的胶质母细胞瘤（GBM）的治疗和研究现状。由于GBM的分子和临床异质性，其预后非常差。为了更好地了解GBM的基础生物学和治疗，科学家们采用了放射学成像方法，通过提取定量的影响特征并与临床结果进行关联，提高了放射学数据的预测能力，这就是所谓的放射学。放射学方法需要通过手动、半自动或全自动的程序对肿瘤进行分割，然后从肿瘤体积中提取特征。数据分析和预测模型可以用来将图像特征与临床结果相关联。虽然在解决技术难题方面已经取得了实质性进展，但仍需要解决大量的后勤、计算和临床挑战，
2023-05-29 11:18:38
229
1
原创 Feature-Guided Deep Radiomics forGlioblastoma Patient SurvivalPrediction
文章介绍了一种基于MRI图像的胶质母细胞瘤（Glioblastoma）和异常组织分割以及生存预测的自动化框架。这篇文章提出了一种完全自动化的MRI图像分割和生存预测框架，采用影像组学特征引导的深度神经网络方法进行肿瘤组织分割，并使用这些异常组织分割和其他相关临床特征进行生存回归和分类预测。该框架在(BraTS) 全球挑战赛的两个基准数据集上进行了了评估。最佳的生存预测管道在训练数据集和验证数据集上实现了0.73和0.68的交叉验证准确率，这些训练和验证准确率在文献中属于最高水平。
2023-05-27 01:08:43
85
2
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人