【医学论文阅读笔记】“CT texture features are associated with overall survival in pancreatic ductal adenocarci“

已于 2022-03-20 16:14:42 修改
阅读量3.3k 收藏
点赞数 1
分类专栏： 医学论文阅读笔记 文章标签： 人工智能 机器学习 深度学习
于 2022-03-18 15:11:52 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_41763753/article/details/123518797
版权

在这里插入图片描述

单位： 多伦多大学，安大略省癌症研究所，科威特澳大利亚学院
论文：https://bmcmedimaging.biomedcentral.com/articles/10.1186/s12880-017-0209-5

期刊：ANN SURG ONCOL/ANNALS OF SURGICAL ONCOLOGY
JCR分区：RADIOLOGY, NUCLEAR MEDICINE & MEDICAL IMAGING - Q4
中科院分区：大类-医学 4区[Top]；小类-医学 4 区

文章目录

前言

目的：评估CT影像的纹理特征是否能预测胰腺导管腺癌(Pancreatic ductal adenocarcinoma, PDAC)术后患者的生存期。
数据来源：2007年至2012年期间接受PDAC切除手术的患者。
样本大小：共30个患者病例。
成像方式：CT
提取特征数量：7
特征筛选与分类方法：Cox regression model
评价指标：ROC曲线

论文结构

请添加图片描述

背景

  1. 第一段从肿瘤空间异质性角度阐述了基因组学的缺陷，引出医学影像在表现肿瘤空间异质性方面的能力。接下来介绍影像组学，并提出，关于CT纹理特征在胰腺导管腺癌(PDAC)中的潜在预后价值的研究还较少；
  2. 第二段先描述了PDAC的术后生存率特点，引出新辅助治疗，医学影像可以为PDAC的术后生存率做出贡献；
  3. 第三段叙述本文的研究目的，评估CT影像的纹理特征是否能预测PDAC术后患者的生存期。

方法

  • 患者序列 描述了数据集来源；
  • 图像采集 记录了数据集图像采集协议；
  • 图像分析 第一段详细描述了ROI勾画方法，第二段描述提取到的特征类型及其计算方式；
  • 统计分析 描述了所使用的特征筛选与影像组学方法。

结果

  1. 第一段描述了数据集的人口统计学信息，并比较了正常胰腺与肿瘤的相关特征参数；
  2. 第二段第三段描述了特征筛选过程与最终预测结果；
  3. 第四段展示了筛选出两种显著性特征的直方图，图中还说明了两种特征的生存分布。

讨论

  1. 第一段叙述了筛选出的两种显著性特征与生存率的相关性要比肿瘤强度、肿瘤大小等特征更强；
  2. 第二段开头叙述了研究发现，越小的归一化逆差和越大的非相似性，患者的生存时间越长。然后描述相关工作，与肺、胸等其他肿瘤部位研究相比较，发现从ROI中提取到的特征确实与肿瘤患者的生存时间呈正相关；
  3. 第三段开始画大饼，CT影像的纹理特征在预测肿瘤患者的预后有着光明的未来；
  4. 第四段研究局限性，先抑后扬。第一，实验所使用数据集较小；第二，应该增加独立验证实验，去除偶然概率。

胰腺与肿瘤图像

在这里插入图片描述

特征计算方式

在这里插入图片描述

人口统计学信息

在这里插入图片描述

正常组织与肿瘤组织的对比

在这里插入图片描述

预测结果

在这里插入图片描述
在这里插入图片描述

对两显著特征的分析

在这里插入图片描述
在这里插入图片描述

陈路达
关注
  • 1
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
【论文阅读笔记】NeurIPS2020文章列表Part1
zincrain的博客
12-09 2万+
A graph similarity for deep learning An Unsupervised Information-Theoretic Perceptual Quality Metric Self-Supervised MultiModal Versatile Networks Benchmarking Deep Inverse Models over time, and the Neural-Adjoint method Off-Policy Evaluation and Learning.
【论文阅读笔记】NeurIPS2020文章列表Part2
zincrain的博客
12-09 5845
Online Multitask Learning with Long-Term Memory Fewer is More: A Deep Graph Metric Learning Perspective Using Fewer Proxies Adaptive Graph Convolutional Recurrent Network for Traffic Forecasting On Reward-Free Reinforcement Learning with Linear Function A.
论文阅读笔记之——《Recovering Realistic Texture in Image Super-resolution by Deep Spatial Feature Transform》
gwpscut的博客
12-02 7182
本博文是文章《Recovering Realistic Texture in Image Super-resolution by Deep Spatial Feature Transform》也就是SFTGAN的学习笔记。附上论文的连接（https://arxiv.org/pdf/1804.02815.pdf）本博文属于本人阅读该论文时写下的阅读笔记，思路按本人阅读的跳跃式思路，仅供本人理解用。 ...
CBIR: Texture Features 基于内容的图像检索：纹理特征
GarfieldEr007的专栏
12-23 4875
CBIR: Texture Features QBE Using Texture Features Texture DescriptionTexture Features and Co-occurrence MatricesTamura's Texture FeaturesMarkov Random Field Texture ModelsSimilarity Measures for
基于深度学习的表面缺陷检测方法综述-论文阅读笔记
weixin_43749999的博客
03-02 1万+
//2022.3.2日阅读笔记 原文链接：基于深度学习的表面缺陷检测方法综述 (aas.net.cn) 个人对本篇综述内容的大致概括 论文首先介绍了表面缺陷检测中不同场景下的成像方案，主要根据表面颜色或表面反射性质来制定；接着介绍了工业界中存在的缺陷检测挑战（关键问题），例如：缺陷成像和北京差异小、缺陷尺度不一致、缺陷图片中存在大量的噪声等。 接着论文对缺陷检测问题的定义、缺陷检测的定义作了详细的介绍。而后从四个大方向（基于全监督学习，半监督，无监督，其他）展开文章。 在全监督方面
【Unity3D】纹理贴图 ( 纹理 Texture 简介 | 为 3D 模型设置纹理贴图 )
让 学习 成为一种 习惯 ( 韩曙亮 の 技术博客 )
11-09 7040
一、纹理 Texture 简介、 二、为 3D 模型设置纹理贴图、
【论文阅读】2022年最新迁移学习综述笔注（Transferability in Deep Learning: A Survey）
一只热爱奔跑的程序猿
07-03 1万+
愚公移山
CVPR2020开源论文（部分带阅读笔记）
热门推荐
知识混子_的博客
05-29 3万+
CVPR2020论文开源项目合集CNNExploring Self-attention for Image RecognitionImproving Convolutional Networks with Self-Calibrated ConvolutionsRethinking Depthwise Separable Convolutions: How Intra-Kernel Correlations Lead to Improved MobileNets图像分类Compositional Convo
论文阅读笔记之——Contextual Loss
gwpscut的博客
11-30 5749
给出几篇论文的链接（ https://arxiv.org/pdf/1803.02077.pdf https://arxiv.org/pdf/1803.04626.pdf） 无论是风格转换的任务中，还是超分辨率重建的任务中，有一个核心内容是找到生成图像跟目标图像特征之间的相似性度量。对于超分任务，从概率的角度看，也是希望生成图像跟目标图像的分布尽可能相似，因此提出使用一个比较特征分布的目标函数...
gray.rar_co occurrence matrix_gray_texture_texture features_特征
07-15
基于灰度共生矩阵实现图象纹理特征的提取。
Multiclass boosting SVM using different texture features in HEp-2 cell staining pattern classification
02-09
Multiclass boosting SVM using different texture features in HEp-2 cell staining pattern classification
A system for detection of cervical precancerous in field emission scanning electron microscope images using texture features
02-22
This study develops a novel cervical precancerous detection system by using texture analysis of field emission scanning electron microscopy (FE-SEM) images. The processing scheme adopted in the ...
论文研究-A supervised learning framework for pancreatic islet segmentation with multi-scale color-texture features and rolling guidance filters.pdf
08-19
一种基于多尺度特征和滚动引导滤波的病理图像胰岛监督学习分割算法，黄悦，，病理图像中的感兴趣区域（ROI）分割一直是病理图像分析中的热点。本文提出了一个基于监督学习的ROI提取框架。该框架分为两个部分，
Persymmetric adaptive detection of distributed targets in compound-Gaussian sea clutter with Gamma texture
02-07
Persymmetric adaptive detection of distributed targets in compound-Gaussian sea clutter with Gamma texture
RANSAC算法概述
点云侠的博客
05-20 856
RANSAC算法概述
让动物世界触手可及——好用的动物识别API合集
最新发布
youqingy的博客
05-21 925
用户只需要上传一张包含动物的图像或视频，API就能够自动识别出其中的动物种类，并给出相应的分类结果。通过API接口，用户可以上传动物的照片，API会自动识别动物的种类和特征，并提供相关的标签和描述，帮助用户在社交媒体上更好地展示和分享自己的宠物。通过API接口，犬只安全管理部门可以上传犬只的鼻纹图像，API会自动识别和匹配犬只的身份信息和安全等级，帮助监测和保护公共区域和设施的安全。通过API接口，用户可以上传犬只的鼻纹图像，API会自动识别和记录犬只的身份信息和来源，帮助监控和管理犬只的流通和交易过程。
使用多实例学习进行乳腺癌组织病理学图像分类和定位
qq_47896523的博客
05-16 1264
乳腺癌是女性最主要的死亡原因，病理学家根据病理切片中观察到的各种视觉特征（例如细胞核的形态特征、细胞核的微观和宏观结构等）做出决定。计算机辅助诊断（CAD）系统可以帮助病理学家自动做出决策。卷积神经网络是最广泛使用的深度学习框架，用于学习图像类别之间的复杂判别特征。多年来，VGG16 [3] 和 ResNet18 [4] 等各种 CNN 架构在海量 ImageNet 数据集上产生了出色的结果。CNN 被用于医学图像以产生最先进的结果。为图像中存在的所有类别提供了定位信息。
四非、双非计算机保研夏令营入营情况
小蒋的博客
05-19 832
厦大 信息学院，电影学院，CS，人工智能浙软（海营，预推免入场券）、工程师华东科技大学网安中国科学技术大学 先进技术研究院，空间应用工程与技术中心，信工所，软件所，计算与网络中心，计算技术研究所北京师范大学 认知神经科学与学习国家重点实验室山东大学 网络空间与安全学院，SE天津大学 智能与计算机学部华中师范大学 计算机学院、大数据北航计算机南开计算机，SE吉大计算机、SE、人工智能湖南信息山大计院（不发offer），网安成电计算机，网安。
features := gen_feature_vector(ImageAffine, 'color', 'shape', 'texture')
06-01
这行代码的作用是基于经过仿射变换后的图像ImageAffine生成一个特征向量features，其中特征包括颜色、形状和纹理。这个特征向量可以用于机器学习或者模式识别等任务中。具体实现的过程可能包括以下步骤： 1. 对...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

陈路达

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值