有Li-CSDN博客

原创基于深度学习PET/CT放射学的预后价值：未来在晚期鼻咽癌个体化诱导化疗中的潜在作用 | 文献速递-深度学习结合影像组学

利用这些标志，我们提出了一个放射学诊断图，训练集中的C指数为0.754（95%置信区间[95% CI]：0.709–0.800），测试集中的为0.722（95% CI：0.652–0.792）。因此，206名（29.1%）患者被分层为高风险组，另外501名（70.9%）患者被分层为低风险组，放射学诊断图对应的5年DFS率分别为50.1%和87.6%（P < 0.0001）。尽管放疗技术和化疗策略的进步已经改善了NPC的预后，但晚期患者的预后仍然不尽人意，近30%的病例存在治疗失败的情况。

2024-05-23 17:11:55 350

原创基于深度学习的 CT 重建核的图像转换改进了肺部结节或肿块的放射组学再现性 | 文献速递-深度学习结合影像组学

在应用图像转换后，CCC提高到0.84，有402个702个（57.4%）放射组学特征具有再现性（纹理特征的CCC为0.85，小波特征的CCC为0.84）。(a) 当肺部结节或肿块在不同核的图像下由不同读者进行评估时，仅有96个纹理和小波特征中的683个具有CCC为0.85或更高，大多数特征显示的CCC低于0.85（直方图的左偏，粉色）。(b) 在应用图像转换后，683个纹理和小波特征中的391个显示出不同读者和核下的CCC为0.85或更高，CCC的改善表现为CCC分布直方图向右移动（蓝色）。

2024-05-22 17:06:48 154

原创慢性乙型肝炎肝脏剪切波弹性成像的深度学习放射学显著改善了肝纤维化的诊断性能 | 文献速递-深度学习结合影像组学

乙型肝炎病毒（HBV）感染在中国是一个严重的问题，导致全球超过三分之一的HBV感染者（约9300万人）居住在该国。肝纤维化是慢性乙型肝炎（CHB）中的一种逐渐恶化的情况，对于CHB患者的预后、监测和管理，准确评估纤维化至关重要。肝活检被认为是肝纤维化分期的参考标准。然而，它是侵入性的，受样本误差、观察者间变异性和各种潜在并发症的限制。生物标志物，如天冬氨酸转氨酶与血小板比值指数（APRI）和基于四个因素的纤维化指数（FIB-4），也被用于评估肝纤维化，但它们在HBV感染患者中的诊断性能仍存在争议。

2024-05-21 17:06:30 380

原创深度学习放射学特征可以预测早期乳腺癌中腋窝淋巴结的情况 | 文献速递-深度学习结合影像组学

（b）具备临床数据；（c）接受了乳腺手术和具有治愈意图的哨兵淋巴结活检或腋窝淋巴结切除的患者。根据SLND或ALN切除的结果，337例患者腋窝无病变（N0），150例患者腋窝疾病的转移负荷较低（N+(1-2)），97例患者腋窝疾病的转移负荷较重（N+(≥3)）。图3 不同模型预测腋窝疾病的低转移负荷（N+(1–2)）和重转移负荷（N+(≥3)）的受试者工作特征曲线（ROC曲线）比较。图4 预测疾病自由腋窝（N0）、腋窝疾病的低转移负荷（N+(1–2)）和腋窝疾病的重转移负荷（N+(≥3)）之间的混淆矩阵。

2024-05-20 17:30:11 412

原创深度学习结合影像组学--肺癌预后的深度学习：一项回顾性多队列放射学研究：文献速递

这种分层允许评估肿瘤进展，建立预后，为有效的临床沟通提供标准术语，最重要的是，从化疗和手术到放疗和靶向治疗，确定适当的治疗计划。这部分是由于昨天的统计数据与今天更先进的治疗选择之间不可避免的差距，以及在平衡临床医生识别分层特征并在护理点应用分层算法的能力的同时，将患者分成符合历史数据的组之间的实际挑战。我们的临床黄金标准的局限性，结合我们对肿瘤内异质性的改进理解，表明需要开发可以在个体患者水平上运作的个性化生物标志物，而不是在人群水平上，最终导致更健壮的患者分层，并为精准肿瘤学实践奠定基础。

2024-05-17 16:49:14 564 1

原创多模态深度学习在医疗中的应用--前列腺癌治疗个性化的多模式深度学习在随机三期临床试验中的应用：文献速递

我们在一组由16,204张组织病理学幻灯片（约16 TB的图像数据）和来自5,654名患者的临床数据的数据集上训练和验证了六个不同的模型，用于预测六个不同的二元结果，根据终点和时间范围有所不同（5年和10年的远处转移、5年和10年的生化失败、10年前列腺癌特异性生存率和10年总体生存率）。确定个体患者的最佳治疗方案是困难的，需要考虑他们的整体健康状况，癌症的特征，许多可能治疗的副作用概况，涉及类似诊断患者群的临床试验的结果数据，以及对其预期未来结果的预测。图2 病理学家对自监督模型组织簇的解释。

2024-05-16 17:14:06 249

原创文献速递：多模态深度学习在医疗中的应用--多模式深度学习实现的全癌症整合组织学-基因组学分析

Title 题目Pan-cancer integrative histology-genomic analysis via multimodal deep learning多模式深度学习实现的全癌症整合组织学-基因组学分析01文献速递介绍癌症的定义包括肿瘤和组织微环境中标志性的组织病理学、基因组学和转录组学的异质性，这些异质性导致治疗反应率和患者预后的可变性（Marusyk等，2012年）。目前许多癌症类型的临床范式涉及对组织病理学特征的手动评估，如肿瘤浸润、无形态、坏死和有丝分裂，然后将这些特征用作分级和

2024-05-15 17:19:13 246

原创文献速递：多模态深度学习在医疗中的应用--多模式婴儿脑分割技术：模糊引导深度学习

日益普及的非侵入式婴儿脑磁共振图像（MRI）为准确理解脑主要发展轨迹的动态性提供了机会，从而增加了我们对早期脑发育阶段的了解，并提供了关于神经生长障碍（例如自闭症和精神分裂症）根源和异常生长模式的直觉。我们解释了提出的模糊引导深度学习分割（FI-DL-Seg）引导网络，相关原理和从MRI图像中学习多模态信息的构建模块。(a) 地面真实情况，(b) T1加权图像上的单模态FI-DL-Seg，(c) T2加权图像上的单模态FI-DL-Seg，以及(d) T1和T2加权图像上的多模态FI-DL-Seg。

2024-05-14 17:10:43 674

原创文献速递：多模态深度学习在医疗中的应用--多模态深度学习用于阿尔茨海默病痴呆评估

全球每年新发痴呆症病例近1000万例，其中阿尔茨海默病（AD）最为常见。需要新的措施来改善因各种病因引起的认知功能障碍患者的诊断。在这里，我们报告了一个深度学习框架，按照连续的方式完成多个诊断步骤，以识别具有正常认知（NC）、轻度认知障碍（MCI）、AD和非AD痴呆症（nADD）的人群。我们展示了一系列能够接受灵活组合的常规收集的临床信息的模型，包括人口统计学数据、病史、神经心理测试、神经影像学和功能评估。然后，我们展示了这些框架与从业神经学家和神经放射科医师的诊断准确性相比具有有利的优势。

2024-05-11 17:00:01 574

原创文献速递：深度学习医学影像心脏疾病检测与诊断--基于迁移学习的生成对抗网络用于静态和动态心脏PET的衰减校正

图 7 来自D-CTAC、D-NAC、D-DLAC-NFT、D-DLAC和D-DLAC-FT图像的RV血池、LV血池和LV心肌区域的时间-活动曲线，分别针对 a 静息状态男性受试者、 b 静息状态女性受试者和 c 应激状态女性受试者。图 6 静息状态男性（左侧）受试者和应激状态女性（右侧）受试者的参考D-CTAC、D-NAC、D-DLAC-NFT、D-DLAC和D-DLAC-FT的样本短轴图像，显示第4帧、第15帧、第19帧和第21帧。对于不同数据集，还给出了S-NAC和S-DLAC成对t检验的p值。

2024-05-10 17:15:14 716

原创文献速递：深度学习医学影像心脏疾病检测与诊断--基于深度学习的PET图像重建与运动估计

两个峰值的平均FWHM分别为1.99、2.01、2.18、2.11、2.38、5.35和1.95（像素）对于DL-ADMM τ**m = 0.4、DL-ADMM τ**m = 0、迭代联合估计、DL-MC重建、迭代-MC重建、未门控和地面实况，这表明来自提出的DL-ADMM的剖面最接近实际情况。图2. 运动估计网络的结构。Fig. 12. 沿z方向的变形场图像：（a）DL-ADMM初始化，（b）DL-ADMM τ = 0.4 输出，（c）DL-ADMM τ = 0 输出，（d）XCAT程序生成的地面实况。

2024-05-09 17:20:30 578

原创文献速递：深度学习医学影像心脏疾病检测与诊断--基于深度学习的低剂量SPECT心肌灌注图像去噪：定量评估与临床表现

使用标准剂量图像作为参考，对于Cedars-Sinai选定的参数所绘制的Bland-Altman图表，与所有减少剂量水平下的低剂量图像相比，预测的标准剂量图像显示出显着更少的偏差和方差。在 a、b 和 c 中，从上到下的行对应于标准剂量（SD）、一半剂量（HD）、四分之一剂量（QD）、八分之一剂量（OD）、预测的一半剂量（PHD）、预测的四分之一剂量（PQD）和预测的八分之一剂量（POD）。提出的网络有效地抑制了噪声，并且在一半和四分之一剂量水平上，预测的标准剂量图像与参考标准剂量图像相媲美。

2024-05-08 17:11:43 907

原创文献速递：深度学习医学影像心脏疾病检测与诊断--CT中的深度学习用于自动钙评分：使用多个心脏CT和胸部CT协议的验证

对于基线算法，系数a和b分别为21.9和238.3，对于CAC CT；用于训练的CT类型包括NLST CT检查、冠状动脉钙化评分CT（CAC-CT）、PET衰减校正（ACPET）CT、胸部诊断CT、放射治疗计划（RTP）CT以及来自杰克逊心脏研究（JHS）的CT检查。图1：CT图像示例来自国家肺部筛查试验（NLST），包括肺部筛查CT、冠状动脉钙化评分CT（CAC-CT）、PET衰减校正（ACPET）CT、胸部诊断CT、放射治疗计划（RadTherapy）CT以及来自杰克逊心脏研究（JHS）的CT检查。

2024-05-07 17:04:05 985

原创文献速递：深度学习医学影像心脏疾病检测与诊断--从SPECT/CT衰减图中深度学习冠状动脉钙化评分提高了对重大不良心脏事件的预测

我们还评估了DL自动获取的CAC类别（0、1-100、101-400或>400）与MACE（死亡、血管重建、心肌梗死或不稳定性心绞痛）之间的关联，这些分数是由经验丰富的读者手动推导出来的，并使用多变量Cox模型（根据年龄、性别、既往病史、灌注和射血分数进行调整）和净再分类指数进行评估。结果：在外部测试人群中，DL CAC为0的患者有908例（40.0%），1-100的有596例（26.2%），100-400的有354例（15.6%），400以上的有413例（18.2%）。P

2024-05-06 17:17:11 528

原创文献速递：深度学习医学影像心脏疾病检测与诊断---利用深度学习进行动态心脏PET的自动帧间患者运动校正

需要注意的是，每个动态帧都是独立重建的。动态心脏PET的运动校正具有挑战性，因为82Rb的快速示踪剂动力学导致不同动态帧之间示踪剂分布的显著变化，这可能会导致基于图像配准的运动校正出现困难，特别是对于早期动态帧。该网络在无运动的患者扫描中进行了训练和评估，以便获得运动的基本真相，其中训练使用了基于65个患者扫描的100万个样本，评估使用了基于20个患者扫描的600个样本。提出的基于LSTM的网络能够检测和纠正早期帧和后期帧中的刚性帧间运动，前者具有快速示踪剂分布变化，后者具有较慢的示踪剂动力学。

2024-04-30 16:54:55 779

原创文献速递：肺癌早期诊断---在健康筛查人群中，胸部X线片上深度学习算法与放射学解读相比较的肺癌检测性能

在一个包含来自10202名个体（平均年龄54岁，标准差11岁）的10285张X线片的验证测试中，其中5857名男性，有10张可见肺癌的X线片，该算法的AUC为0.99（95%置信区间：0.97，1），其敏感性为90%（10张X线片中的9张），与放射科医生的敏感性（60% [10张X线片中的6张]）相当（P = .25），但假阳性率更高（3.1% [10275张X线片中的319张] vs 0.3% [10275张X线片中的26张]；图5：深度学习算法在健康筛查中检测胸部X线片上明显可见的肺癌的代表性案例。

2024-04-29 17:07:16 324

原创文献速递：肺癌早期诊断---低剂量胸部计算机断层扫描上的三维深度学习端到端肺癌筛查

我们使用了NLST研究的数据，包括来自14,851名患者的42,290例CT病例，其中638例在接受低剂量CT筛查后1年内确诊患有活检阳性的肺癌（有关NLST数据集选择的更多细节，请参见扩展数据图1）[41]。a，使用每个患者的一个CT体积和一个先前的CT体积，模型（蓝线）与平均放射科医生在不同的Lung-RADS类别（十字）上的性能。然后，该模型分析可疑和容积的感兴趣区域（ROI），以及整个低剂量CT体积，并输出该案例的总体恶性预测、风险桶得分（LUMAS）和预测的癌性结节的定位。

2024-04-26 17:07:16 595 1

原创文献速递：肺癌早期诊断---早期肺癌诊断：基于深度学习的循环外泌体光谱分析

在包括I期和II期癌症患者在内的43位患者中，深度学习模型预测90.7%的患者的血浆外泌体与肺癌细胞外泌体的相似性高于健康对照组的平均水平。为了表征与肺相关的细胞产生的外泌体的 SERS 信号，我们利用人肺泡上皮细胞（HPAEpiC）作为正常细胞外泌体的来源，以及 A549、H460、H1299、H1763 和 PC9 细胞作为癌细胞外泌体的来源。在没有特定生物标志物的情况下，我们的方法能够在血浆外泌体中检测到肺癌细胞来源的外泌体的信号特征。图 1. 基于深度学习的循环外泌体分析用于肺癌诊断的示意图。

2024-04-25 16:59:37 882

原创文献速递：肺癌早期诊断---利用低剂量CT扫描的三维概率深度学习系统用于肺癌的检测与诊

我们的系统主要由两个组件组成：1）计算机辅助检测（CADe）模块，用于检测和分割可疑的肺结节，以及2）计算机辅助诊断（CADx）模块，通过分析CADe中的可疑病灶，进行结节级别评估和患者级别的恶性分类。我们的CADe和CADx模块在LUNA16和Kaggle数据科学碗2017等基准测试中的性能与或优于最佳已发表的CADe和CADx系统，尽管我们的系统仅在这些数据集提供的有限数据和标签上进行训练，而不像其他研究使用了额外的训练数据。从我们的CADe分割模型中取样的结节分割示例，切片通过每个结节候选区的中心。

2024-04-24 17:01:08 726

原创文献速递：深度学习胶质瘤诊断---空间细胞结构预测胶质母细胞瘤的预后

j 平均比例（x轴）显示每个单细胞RNA测序数据中的单一细胞类型在由cNMF模块分类的点中的分布（y轴）。e，f 从原位 RNA 杂交获得的基因表达信号的真实情况与在匹配的组织学切片中预测的各个细胞类型的概率分数的对齐。i 热图显示了从我们的图像预测得到的转录亚型比例与通过批量 RNA 测序解析估计的比例之间的皮尔逊相关系数的一致性（n = 166 名患者）。f-h 转录亚型分布的统计分析：(f) 显示转录亚型比例的条形图，(g) 每个亚型的聚类系数，(h) 任意两个转录亚型之间交互频率的二维矩阵。

2024-04-23 17:29:33 1130 1

原创文献速递：深度学习胶质瘤诊断---通过深度学习和弥散加权成像提高胶质瘤遗传亚型的无创分类

(C) 预训练提高了模型的验证准确率。我们的数据集包括384名新诊断的胶质瘤患者，这些患者接受了术前MRI检查，包括标准的解剖和弥散加权成像，以及147名来自外部队列的患者，这些患者接受了解剖成像。最佳模型采用了一个包含弥散加权成像输入的三类CNN，达到了85.7%（95% CI：[77.1, 100]）的总测试准确率，并正确分类了95.2%的IDH野生型（IDHwt）、88.9%的IDH突变/未共删除（IDHmut-intact）和60.0%的IDH突变/共删除（IDHmut-codel）肿瘤。

2024-04-22 17:19:18 871

原创文献速递：深度学习胶质瘤诊断---结合分子亚型分析、分级与胶质瘤的多任务深度学习分割

在这里，我们介绍我们的方法，它可以预测分子亚型和等级，同时提供肿瘤的划定。我们开发了一个单一的多任务卷积神经网络，使用全三维结构的术前MRI扫描来预测肿瘤的IDH突变状态、1p/19q共同缺失状态以及肿瘤的分级，同时对肿瘤进行分割。我们在来自13个不同研究所的240名独立数据集的患者上测试了我们的方法。图 1 我们方法的概览。网络的一个分支进行肿瘤的分割，同时，特征被组合用于预测IDH状态、1p/19q状态和肿瘤的分级。这种首创的方法为更具普遍适用性的人工智能方法，而不是高度专业化的方法，开辟了新的道路。

2024-04-19 17:01:52 737

原创文献速递：深度学习胶质瘤诊断---使用深度学习在 MRI 图像中进行低级别胶质瘤的脑肿瘤分割和分级

此外，鉴于分割的 Dice 相似系数（DSC）平均值为 0.84，肿瘤检测准确率为 0.92，以及图像和患者层面上的肿瘤分级准确率分别为 0.89 和 0.95，所提出的方法显示了作为一种非侵入性工具用于 LGG 肿瘤特征化的前景。图 4. 展示来自测试数据集的样本，其中FLAIR图像的热图突出显示了肿瘤区域，以及FLAIR图像与肿瘤掩模轮廓的叠加图（红色 - 手工分割，绿色 - 模型分割）对应于DSC值（A）和（B）低于、（C）和（D）接近以及（E）和（F）高于模型DSC平均值（0.84）。

2024-04-18 17:10:11 821

原创文献速递：深度学习肝脏肿瘤诊断---双能量CT深度学习放射组学预测大梁状大块型肝细胞癌

(A) 图表显示了DL放射组学列线图预测的概率和训练数据集（n* = 146）、内部测试数据集（n = 35）及外部测试数据集（n = 81）中每位患者的大梁状大块型（MTM）肝细胞癌的实际诊断。(B) 接收者操作特征曲线（AUC）分析显示，在训练数据集（P < .001）、内部测试数据集（P = .04）和外部测试数据集（P = .02）中，使用DL放射组学列线图（红线）预测MTM的性能优于临床-放射学模型（绿线）。红色框标出了含有HCC的区域。(A) 两位患者的动脉相（AP）虚拟单能图像（VMI）。

2024-04-17 16:57:31 1024

原创文献速递：深度学习肝脏肿瘤诊断---基于深度学习的表型分类重新划分联合肝细胞胆管癌

为了研究AI模型是否能将cHCC-CCA肿瘤重新分类为“纯”HCC或ICCA类别，我们基于自监督特征提取器11和注意力-MIL聚合模型12-14（图1B）训练了一个AI流水线，以区分纯HCC（来自424名患者的785张WSI）和纯ICCA（来自167名患者的239张WSI）（方法，补充表1和2）。在这个队列（“发现队列”，图1C）中，模型达到了交叉验证的接收操作者特征曲线下面积（AUROC）为0.99 [± 0.01]，对应于类别的几乎完美可分性（图2A），灵敏度达到97.9%，特异性为97.6%。

2024-04-16 17:14:55 530

原创文献速递：深度学习肝脏肿瘤诊断---基于深度学习的肝细胞结节性病变在整片组织病理图像上的分类

(B) 模型开发中（左）和独立外部验证中（右）各类型肝结节样本的分布。(B) 在内部测试集上，Resnet50（黑线）、Inception V3（蓝线）、Xception（绿线）和集成模型（红线）的ROC曲线和AUC值。HnAIM与亚专家多数意见的一致率以及（B）所有961个补丁和（C）30个活检样本WSI中7个类别的病理医生（初级、中级和高级各3名）的一致率。图3. 外科样本的WSI级全景分类图：(A) WD-HCC，(B) HGDN，(C) LDN，(D) FNH，和 (E) HCA。

2024-04-15 17:12:52 1015

原创文献速递：深度学习肝脏肿瘤诊断---基于多相增强 CT 和临床数据的恶性肝肿瘤鉴别诊断深度学习

E 在三个模型中，STIC模型在区分两种原发性恶性肝肿瘤方面产生了最佳性能，准确率为86.2%（95% CI，74.6%-93.9%），敏感性为0.892（95% CI，0.746–0.970）和特异性为0.810（95% CI，0.581–0.946），其中敏感性和特异性是将HCC视为阳性，ICC视为阴性定义的。C STIC模型的总准确率为72.6%（95% CI，63.4%-80.5%），医生共识的总准确率为70.8%（95% CI，61.5%-79.0%）。医生共识的诊断是ICC。

2024-04-12 17:14:21 401

原创文献速递：深度学习肝脏肿瘤诊断---动态对比增强 MRI 上的自动肝脏肿瘤分割使用 4D 信息：基于 3D 卷积和卷积 LSTM 的深度学习模型

扫描参数如下，TE：1.4毫秒；绿色轮廓：手工标记的掩模（真实情况），蓝色：由提出的模型预测的掩模，黄色：由 nnU-net 模型预测的掩模，红色：由 RA-Unet 模型预测的掩模。绿色轮廓：手工标记的掩模（真实情况），蓝色：由提出的模型预测的掩模，黄色：由 Basic 模型预测的掩模，红色：由 Basic+CNNLF 模型预测的掩模。红色虚线框：输入图像，绿色：经过三维 CNN 模块提取的特征图，蓝色：经过 C-LSTM 网络模块提取的特征图，紫色：输出概率图，最右侧的图像是手工标记的真实情况。

2024-04-11 17:08:29 639

原创文献速递：深度学习胰腺癌诊断--胰腺癌在CT扫描中通过深度学习检测：一项全国性的基于人群的研究

在一个包含1473个真实世界CT研究的测试集中（669个恶性，804个对照），来自台湾各机构的深度学习工具以89.7%的敏感性（669中的600个；然而，在那项研究中，胰腺的分割（即，识别胰腺）是由放射科医师手工执行的。从分割卷积神经网络（CNN）传递给分类CNN的分割掩模包括了胰腺和肿瘤（如果存在）的结合体，没有分别勾画或识别胰腺和肿瘤之间的区别。图3 (续)：代表性CT扫描（左列）显示胰腺（D）头部、（E）体部和（F）尾部的肿瘤，放射科医生的手工分割（中列）与分割模型的预测（右列）在肿瘤位置上的对应。

2024-04-10 17:11:16 969

原创文献速递：深度学习胰腺癌诊断--基于螺旋变换的胰腺癌分割模型驱动深度学习方法

具体来说，开发了一种带有均匀采样的螺旋变换算法，将3D图像映射到2D平面上，同时保持纹理间的空间关系，因此解决了在2D模型中有效应用3D上下文信息的挑战。广泛的实验表明，提出的方法在多参数MRI上实现了有希望的分割性能，其中T2、T1、ADC、DWI图像分别获得了65.6%、64.0%、64.5%、65.3%的DSC。在内部多参数MRI数据集和一个外部CT数据集上进行的广泛实验表明，所提出的方法展现出有希望的分割性能，具有强大的鲁棒性和普适性，同时在性能和计算资源之间达到了良好的平衡。

2024-04-09 17:15:53 1052

原创文献速递：深度学习胰腺癌诊断--胰腺肿瘤的全端到端深度学习诊断

在我们的CT数据集中，胰腺仅占每个CT图像的约1.3%。图4. 三个子网络的架构：(A) 用于胰腺定位的 ResNet18，(B) 用于胰腺分割的 U-Net32，以及 (C) 用于胰腺肿瘤诊断的 ResNet34。对于胰腺肿瘤的诊断，浙江大学医学院附属第一医院和第二医院的影像数据只使用了58.5%，增加了手动筛选出未被诊断模型直接使用的影像的劳动力和时间成本。(A-C) 不直接被完全端到端深度学习模型使用的图像，包括(A) 冠状面CT扫描，(B) 矢状面CT扫描，以及(C) 不含胰腺的CT扫描。

2024-04-08 17:17:32 781

原创文献速递：深度学习胰腺癌诊断--螺旋变换与模型驱动的多模态深度学习方案相结合，用于自动预测胰腺癌中TP53突变麦田医学

开发了一种螺旋变换算法，从3D数据中获得2D图像，转换后的图像继承并保留了原始纹理和边缘信息的空间相关性。实验结果表明，所提出的模型在预测胰腺癌中TP53突变方面提供了期望的性能，为非侵入性基因预测提供了一种新方法。在本研究中，我们提出了一种模型驱动的多模态深度学习模型，用于基于少量数据自动预测胰腺癌中TP53突变。提出的方法论，对于小样本量下3D信息的利用和有效的多模态融合，是医学影像分析的潜在范式。特别是，影像中的定量参数，如肿瘤的强度、形状、大小、体积和纹理，提供了关于肿瘤表型和微环境的重要信息。

2024-04-03 17:07:49 1327

原创文献速递：深度学习胰腺癌诊断--深度学习算法用于从疾病轨迹预测胰腺癌风险

胰腺癌是一种侵袭性疾病，通常在晚期发病并伴随着较差的预后，这表明迫切需要早期检测。在这项研究中，我们将人工智能方法应用于来自丹麦（丹麦国家患者注册处（DNPR））的600万患者（24,000例胰腺癌病例）和来自美国（美国退伍军人事务部（US-VA））的300万患者（3,900例病例）的临床数据上。我们在临床历史中的疾病代码序列上训练机器学习模型，并测试了在增量时间窗口内（CancerRiskNet）预测癌症发生的效果。

2024-04-02 17:19:30 453

原创文献速递：基于SAM的医学图像分割---UN-SAM: 通用无需提示的广义细胞核图像分割

此外，为了释放SAM在各种细胞核图像中的泛化能力，我们设计了一个域自适应调整编码器（Domain-adaptive Tuning Encoder, DT-Encoder），以无缝地协调视觉特征与域通用及域特定知识，并进一步设计了一个利用可学习的域查询进行分割解码的域查询增强解码器（Domain Query-enhanced Decoder, DQ-Decoder）。广泛的实验证明，UN-SAM在细胞核实例和语义分割中的表现超越了最先进的方法，特别是在零样本情况下的泛化能力。

2024-04-01 17:09:59 772

原创文献速递：基于SAM的医学图像分割--用于医学图像的分割任何物模型

r1，r2：CT，r3，r7：T2W MRI，r4，r6：T1W MRI，r5：CMR，r8：US，r9：X光，r10，r11：结肠镜，r12：皮肤镜，r13：显微镜。(a) 耳蜗（标准1），(b) 肠（标准2），(c) 组织病理学乳腺癌（标准3），以及(d) 肺气管树（标准3）。S 1-S 6 代表不同的测试策略，依次包括everything（一切），1点，5点，10点，框，以及框加1点。S 1-S 6 代表不同的测试策略，依次包括everything（一切），1点，5点，10点，框，以及框加1点。

2024-03-29 17:27:16 518

原创文献速递：基于SAM的医学图像分割---在医学图像中进行任何分割

这些模型通常被设计和训练用于特定的分割任务，当应用于新任务或不同类型的成像数据时，它们的性能可能会显著下降。我们通过汇总公开可用的医学图像分割数据集中的图像，策划了一个全面的数据集，这些数据集从互联网上的各种来源获得，包括癌症影像档案（TCIA）、Kaggle、Grand-Challenge、Scientific Data、CodaLab以及医学图像计算和计算机辅助干预学会（MICCAI）的分割挑战。然而，现有的方法通常是针对特定的模态或疾病类型定制的，缺乏在医学图像分割任务的多样性谱系中的普遍适用性。

2024-03-28 17:23:56 671

原创文献速递：基于SAM的医学图像分割--SAMUS：适应临床友好型和泛化的超声图像分割的Segment Anything模型

重叠的补丁嵌入使用与SAM中的补丁嵌入相同的参数，而其补丁步长是原始步长的一半，很好地保留了补丁边界的信息。为了补充ViT图像编码器中的局部（即，低级）信息，我们引入了一个并行的CNN分支图像编码器，与ViT分支并行运行，并提出了一个跨分支注意力模块，使ViT分支中的每个补丁都能从CNN分支吸收局部信息。段落任何模型（SAM），作为一个多用途的视觉分割基础模型，由于其在多样对象上的显著分割能力和强大的零次学习泛化能力，获得了相当的赞誉（Kirillov等，2023）。多点提示通过在前景区域的随机抽样生成。

2024-03-27 17:15:01 715

原创文献速递：文献速递：基于SAM的医学图像分割--SAM-Med3D

尽管“分割任何模型”（SAM）在2D自然图像分割方面展示了令人印象深刻的性能，但其应用于3D体积医学图像时却显示出明显的不足，主要表现为次优的性能和不稳定的预测，需要过多的提示点才能达到期望的结果。我们的SAM-Med3D擅长捕捉3D空间信息，在医学领域的顶尖微调SAM中，以显著更少的提示点展示了具有竞争力的性能。撇开2D SAM方法和我们的SAM-Med3D之间的数值结果差异不谈，一个训练有素的3D SAM模型应该天生就表现出更优的切片间一致性和可用性，正如在视觉结果中观察到的那样。

2024-03-26 17:27:34 1179

原创文献速递：基于SAM的医学图像分割---SAM-Med2D

我们还对原始SAM的编码器和解码器进行了额外的微调，获得了性能良好的SAM-Med2D，这导致了迄今为止最全面的微调策略。我们比较了两种微调方法在30多个主要器官上的表现，我们的SAM-Med2D在24个器官上取得了更好的结果，与FT-SAM相比，最大改进了6.95%。然而，由于医学图像的特点，如众多的成像模式、复杂的组织和器官结构，以及少量的标注数据，大多数现有方法仅限于特定的模式、器官或病变。然而，我们的评估和最近的研究表明，直接将预训练的SAM应用于医学图像分割并未达到令人满意的性能。

2024-03-25 16:43:31 674

原创文献速递：基于SAM的医学图像分割---nnSAM：即插即用的分割任何东西模型模型提升了nnUNet性能

近期，在计算机视觉领域的基础模型发展，尤其是“分割任何东西模型”（SAM），允许可扩展且领域无关的图像分割，成为一种通用的分割工具。与此同时，医学图像分割领域显著受益于专门的神经网络，如nnUNet，该网络针对特定领域的数据集进行训练，并能自动配置网络，以适应特定的分割挑战。nnSAM模型利用了SAM的强大和稳健的特征提取能力，同时利用nnUNet的自动配置能力，促进了针对特定数据集的学习。我们通过不同数量的2D训练样本进行的广泛评估，为医学图像分割设置了一个潜在的新基准，特别是在训练数据稀缺的情况下。

2024-03-22 17:02:15 844

空空如也

空空如也