【医学论文阅读笔记】“The differentiation of pancreatic neuroendocrine carcinoma from pancreatic ductal adeno “

最新推荐文章于 2024-07-30 09:45:58 发布
最新推荐文章于 2024-07-30 09:45:58 发布
阅读量218 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 深度学习 计算机视觉 机器学习
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/123607401
版权

在这里插入图片描述

单位： 浙江大学医学院第一附属医院，南京中医药大学附属医院
论文：https://link.springer.com/article/10.1186/s40644-018-0170-8

期刊：CANCER IMAGING
JCR分区：ONCOLOGY - Q4; RADIOLOGY, NUCLEAR MEDICINE & MEDICAL IMAGING - Q3
中科院分区：大类-医学 3区；小类-医学 3 区

文章目录

前言

目的：证明CT成像特征和纹理分析对区分胰腺神经内分泌癌(pancreatic neuroendocrine carcinoma, PNEC)和胰腺导管腺癌(Pancreatic ductal adenocarcinoma, PDAC)的价值。
数据来源：2012年1月至2017年7月期间确诊PNEC的患者；2017年1月至2017年7月期间确诊PDAC的患者。
样本大小：共42个患者病例。PDAC28例，PNEC14例。
成像方式：CT
提取特征数量：7
特征筛选与分类方法：卡方检验或fisher exact test、Mann-Whitney U test
评价指标：ROC曲线

论文结构

在这里插入图片描述

背景

  1. 第一段介绍了PNEC并提出了PNEC与PDAC在临床上难以区分的问题；
  2. 第二段描述了PNEC与PDAC二者的治疗方法与预后有很大的差异，所以需要在前期诊断时就要区分；
  3. 第三段介绍了关于影像组学在癌症诊断、治疗和预后方面的能力，并叙述本文的研究目的，探讨CT成像特征和纹理分析在区分PDAC与PNEC时的效用。

材料与方法

  1. 研究人群 描述了数据集来源；
  2. CT协议 记录了数据集图像采集协议；
  3. 图像分析 描述了ROI勾画方法和图像预处理方法；
  4. 纹理分析 描述了纹理特征提取方法；
  5. 统计分析 描述了特征分析方法和评价指标；

结果

第一段第二段主要叙述了PDAC与PNEC各方面参数的差异；
第三段计算了评价指标。

讨论

  1. 第一段第二段结合相关工作讨论了可以区分PDAC和PNEC的参数，给出结论，定量成像分析对鉴别PNEC和PDAC是有用的；
  2. 第三段首先叙述了影像学纹理分析在区分PNEC和PDAC方面的空白，然后称述本文在这方面的贡献；
  3. 第四段段研究局限性，第一，实验所使用数据集较小；第二，用于分析的数据使用了不能保证随机化得方法获得，因此从样本中分析的结果不能代表总体特征；第三，扫描参数（如切片厚度和重建算法）可能会影响纹理分析；第四，只分析了少数的纹理参数。

PNEC和PDAC图像

在这里插入图片描述

PNEC和PDAC在动脉期和门静脉期的对比度比较图

在这里插入图片描述

PNEC和PDAC在动脉期和门静脉期的熵值与均匀性

在这里插入图片描述

PNEC和PDAC的CT鉴别特征和纹理特征的诊断性能

在这里插入图片描述

ROC曲线

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
In vitro pancreas duodenal homeobox-1 enhances the differentiation of pancreatic ductal epithelial cells into insulin-producing cells
03-12
PDX-1促进大鼠胰腺导管上皮细胞向胰岛细胞分化的研究，刘涛，王春友，目的：研究PDX-1是否促进大鼠胰腺导管上皮细胞向胰岛细胞分化。 方法：向大鼠胰腺导管细胞后其转染XlHbox8VP16质粒，转染后检测细胞分
An empirical comparison of some techniques for the differentiation of handedness
06-29
An empirical comparison of some techniques for the differentiation of handedness AN EMPIRICAL COMPARISON OF SOME TECHNIQUES FOR THE DIFFERENTIATION OF HANDEDNESS MARGARET PROCYK AND RONALD E. ...
Combination of bFGF and NGF induces the differentiation of neural stem cells into neurons
01-03
联合应用bFGF和NGF诱导神经干细胞分化为神经元，佟雷，佟晓杰，目的：观察联合应用bFGF和NGF对成年大鼠海马神经干细胞(NSCs)为神经元的影响。方法：无菌条件下分离大鼠脑海马组织，传至第4代克隆球�
Origin and differentiation of a special fragment from Capra hircus agouti gene
01-03
山羊agouti基因中一特殊片段的起源和分化，吴伟伟，李祥龙，对136bp这一特殊片段，以前在NCBI中用BLAST和其他分子生物学软件进行分析时，认为它只存在于山羊agouti基因上，而不存在于牛、绵羊、猪�
STUDY ON THE DIFFERENTIATION OF MOUSE EMBRYONIC GERM CELLS INTO HEPATOCYTES
01-30
体外诱导小鼠胚胎干细胞分化为肝细胞的实验研究，冯智慧，刘晓萍，目的 寻找一种诱导小鼠胚芽干细胞向肝细胞定向分化的最佳诱导剂。　方法 分离提取孕11 d小鼠胚胎的原始生殖细胞,体外培养扩增�
2024钉钉杯A题思路详解
全栈川川
07-26 1935
2024钉钉杯思路
常见的文心一言的指令
知码客
07-25 1793
文心一言，作为百度研发的预训练语言模型“ERNIE 3.0”的一项功能，能够与人对话互动，回答问题，协助创作，高效便捷地帮助人们获取信息、知识和灵感。
AI智能技术驱动安全生产：智慧矿山视频智能监管新篇章
TSINGSEE青犀视频官方技术博客
07-26 782
当识别到有人员未按照要求穿戴安全帽、反光背心/工服时，将立即抓拍，并将告警信息上传到平台。
昇思25天学习打卡营第1天|快速入门
07-28 478
昇思大模型平台是一个集算法选型、创意分享、模型实验和大模型在线体验为一体的AI学习与实践社区，而且还内置了AI实验室，它覆盖多领域任务，体验全流程开发，支持用户在线训练和推理可视化，可创建自己的项目空间对待开发者很友好，提供云上开发环境，无需配置环境，既可灵活调试运行代码，每天免费使用8个小时。
重塑生态体系 深挖应用场景 萤石诠释AI时代智慧生活新图景
07-25 1359
从“1+4+N”自然进化到“2+5+N”产品生态体系，萤石十年来不断迭代、不断升级，为家居生活带来更智慧的交互、更丰富的场景，萤石的下一个十年值得期待。来自全国各地的萤石合作伙伴、行业从业者及相关媒体，共聚杭州，共同见证拥抱AI的萤石，将如何全新升级，AI加持下的智慧生活又有何不同。用户只需轻轻抬起手腕，即可实现对家中智能设备的远程操控，如智能门锁可视对讲、安全警报的查看以及智能场景的控制等，极大地提升了生活的便捷性与智能化水平。，确保了数据的安全性，为用户提供更快、更便捷、更安全的家庭存储新选择。
安卓手机部署大模型实战
奇舞周刊
07-25 1164
本文作者系360奇舞团前端开发工程师前言自ChatGPT发布以来，大语言模型（Large language model, LLM)就成了AI乃至整个计算机科学的话题中心。学术界，工业界围绕大语言模型本身及其应用展开了广泛的讨论，大量的新的实践层出不穷。由于LLM对计算资源的需求极大，有能力部署大语言模型的公司和实验室一般通过搭建集群，然后开放API或者网页demo的方式让用户可以使用模型。在人们纷...
MOE模式：或将是最好的大模型应用开发路径
AI相关从业分享
07-28 556
MOE（Mixture of Experts，混合专家）是一种机器学习模型架构，旨在通过结合多个专家网络来提高模型的性能和泛化能力。以下是传统模型和大模型中MOE模式的相关介绍及其优势。传统模型中的MOEGate网络：决定输入数据应该被路由到哪一个专家网络。Gate网络可以根据输入数据的特征来动态分配数据。Expert网络：一系列专门的网络，每个网络都是针对特定数据分布进行训练的。Expert网络可以是对特定问题有深入理解的小模型。组合层：将所有Expert网络的输出进行组合，形成最终的预测结果。
线性代数|机器学习-P26随机梯度下降
scar2016的博客
07-25 1260
122121212。
带并行卷积的水下图像背景前景分割方法
最新发布
renhongxia1的博客
07-30 392
图6，7为不同照度条件下水下图像及在不同分割方法的实验结果，其中第1，4行的原始图像为13.826 lx照度下采集的，第2，5行为6.947 lx照度下采集的，第3，6行为0.925 lx照度下采集的。在进行图像采集时，图6，7中，目标距离采集设备分别为1.4，1 m。图5是相机距目标1.4 m处采集的图像，图5a）为空气中的图像，图5b）为照度为13.826 lx条件下采集的水下图像，图5c）为照度为6.947 lx条件下采集的水下图像，图5d）为照度为0.925 lx条件下采集的水下图像。
【Python数据增强】图像数据集扩充
阿齐Archie
07-25 2334
该脚本用于图像数据增强，特别是目标检测任务中的图像和标签数据增强。通过应用一系列数据增强技术（如旋转、平移、裁剪、加噪声、改变亮度、cutout、翻转等），生成多样化的图像数据集，以提高目标检测模型的鲁棒性和准确性。
【Python】 基于Q-learning 强化学习的贪吃蛇游戏（源码+论文）【独一无二】
测试开发自动化
07-26 1513
贪吃蛇环境模块：定义了游戏规则、状态空间、动作空间，并实现了环境的重置和步进逻辑。Q-learning 算法代理模块：实现了 Q-learning 算法，用于学习和决策游戏中的动作选择。游戏窗口模块：使用 Tkinter 创建图形界面展示游戏过程，并与环境和 Q-learning 代理进行交互。该设计使得贪吃蛇游戏能够通过强化学习算法进行自动训练，并通过图形界面展示训练过程。👉👉👉 源码获取 关注【测试开发自动化】公众号，回复 “ 强化贪吃蛇 ” 获取，拿来即用。👈👈👈。
＜数据集＞手机识别数据集＜目标检测＞
qq_53332949的博客
07-29 125
YOLO与VOC格式的人员持有手机识别数据集，适用于YOLO系列、Faster Rcnn、SSD等模型训练，图片数量16172
大模型算法面试题（十三）
m0_63997552的博客
07-26 671
需要注意的是，随着技术的发展和研究的深入，预训练和微调的方法也在不断演进。综上所述，指令微调是一种在大模型基础上进行个性化调整和优化的有效方法，它不仅能够提升模型在特定任务上的性能，还能够控制模型行为、提高数据效率和训练效率，同时增强模型的可控性和用户满意度。例如，在自然语言处理（NLP）任务中，如果模型需要处理大量特定领域的文本数据，一个丰富而准确的词表能够显著提升模型的性能。多轮对话任务的模型微调是一个复杂但重要的过程，它旨在通过调整预训练模型的参数来优化模型在特定多轮对话任务上的表现。
扫地机器人离线语音识别芯片，工业级智能交互ic，NRK3301
jiuxindianzi的博客
07-25 396
NRK3301离线语音识别芯片，高性能低成本，支持5米远场识别，精准降噪，兼容多种音频格式，满足智能家居扫地机器人等设备的离线语音需求。
array differentiation
03-16
数组微分是指对数组中的每个元素进行微分操作，得到一个新的数组，其中每个元素都是原数组中对应元素的微分结果。这种操作在数学、物理和工程等领域中都有广泛的应用。在计算机科学中，数组微分也被用于图像处理、...
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