DCE-MRI PET Bevacizumab Study in Rectal Cancer
PulseAugur coverage of DCE-MRI PET Bevacizumab Study in Rectal Cancer — every cluster mentioning DCE-MRI PET Bevacizumab Study in Rectal Cancer across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
新的图神经网络可预测乳腺癌治疗反应
研究人员开发了一种新颖的3D时空框架，使用图神经网络来预测乳腺癌患者的治疗反应。该方法模拟医学影像数据中的时间交互，并结合自监督学习目标进行轨迹表示。在ISPY-2数据集上对585名患者进行的实验显示，与现有的视觉和自监督学习基线相比，该方法表现出显著的优越性，为预测病理完全缓解（pCR）设定了新基准。研究还分析了可用影像时间点和扫描间时间差异的影响，强调了纵向医学影像在治疗预测中的价值。
-
AI模型ClinRAG-GRAPH改进乳腺癌pCR预测
研究人员开发了ClinRAG-GRAPH，一个用于预测接受新辅助化疗的乳腺癌患者病理完全缓解（pCR）的新型框架。该模型使用图卷积网络整合了包括DCE-MRI、临床变量和病理生物标志物在内的多模态数据。为了解决多中心成像的异质性，采用了领域对抗学习策略来减轻MRI协议偏差。此外，一个由LLM驱动的检索增强生成模块通过引用类似的既往病例进行pCR推断，增强了可解释性。该框架在多个数据集上表现出稳健的性能，在内部测试集上达到了0.815的…
-
新的扩散框架可从不完整的序列合成定量DCE-MRI
研究人员开发了Spatio-Temporal Mixture-of-Modality-Experts (ST-MoME)，一个新颖的扩散框架，旨在从不完整的MR序列合成定量动态对比增强MRI (DCE-MRI) 参数图。该方法通过融合来自各种MRI模态的特征，解决了由于造影剂风险和方案可变性导致DCE-MRI数据不可用的挑战。ST-MoME利用时空门控网络生成体素级别的权重，并使用基于Swin的骨干网络指导图像空间中的去噪过程。在16…