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.
1 天有情绪数据
-
AI 为乳腺 MRI 分割生成 BI-RADS 合理性
研究人员开发了一种新颖的方法，用于为乳腺 MRI 分割生成自然语言的合理性说明，旨在提高可解释性和临床集成度。该方法利用乳腺影像报告和数据系统 (BI-RADS) 指南，创建一个决策树，从分割掩码及其动态对比增强系列中提取量化描述符。然后，大型语言模型将这些描述符转换为文本合理性说明，在 MAMA-MIA 数据集上实现了高保真度和反事实准确性分数。
-
AI模型在肿瘤分割和pCR预测挑战赛中获得第二名
来自英国医学科学院院士团队详细介绍了他们为MAMA-MIA挑战赛设计的方案，重点关注使用动态增强MRI进行肿瘤分割和病理完全缓解（pCR）预测。他们的分割方法采用了基于减法的输入的nnU-Net集成模型，取得了0.713的Dice分数，总体排名第二。在pCR预测方面，他们集成了25个预训练的3D视频分类器，获得了0.664的综合分数，但他们也指出了仅凭基线DCE-MRI预测pCR的局限性。
-
新AI模型合成乳腺MRI扫描用于癌症诊断
研究人员开发了MAMA-FLUX.2，一种新颖的图像到图像合成模型，用于生成对比后乳腺DCE-MRI扫描。该方法利用基于FLUX.2-Klein-4B模型的条件潜流匹配技术，通过LoRA微调和专门的区域训练目标进行调整。该方法结合了全局流匹配、肿瘤区域监督和前景正则化，以提高临床相关性，并在肿瘤聚焦指标上展示了更高的准确性。
-
新的MRI方法预测乳腺癌复发风险
研究人员开发了一个新的框架，利用预处理的动态对比增强MRI熵来更好地预测接受新辅助治疗的乳腺癌患者的复发风险。该方法分析肿瘤内增强的异质性，以识别具有有利或不利结构状态的患者，即使在达到病理完全缓解的患者中也是如此。该四级框架在总计1200名患者的四个队列中进行了测试，显示复发率存在显著差异，不利的结构状态与较高的风险相关。虽然不能取代pCR或RCB等现有终点，但这种基于MRI的方法为优化反应质量评估和识别可能受益于进一步干预的患者提…
-
新的潜在桥接匹配框架从对比前图像合成乳腺MRI
研究人员开发了一种名为潜在桥接匹配（LBM）的新框架，用于从对比前图像合成增强对比的乳腺DCE-MRI。该方法利用潜在扩散模型（LDM）方法，但学习配对的对比前和峰值增强VAE潜在变量之间的条件桥接，从而实现迭代优化。在验证队列上的评估表明，与标准的LDM基线相比，LBM（特别是带有肿瘤条件）在均方误差（MSE）和弗雷歇距离（FRD）等性能指标上有所提高。
-
AI模型利用纵向MRI扫描预测乳腺癌反应
研究人员开发了一个新的纵向框架，该框架结合了冻结的3D基础编码器Pillar-0和时间动态网络（TDN），以预测乳腺癌患者的新辅助化疗反应。该模型分析了在四个临床时间点拍摄的系列动态对比增强（DCE）MRI扫描，并将这些影像数据与临床和治疗信息相结合。在来自I-SPY2和ACRIN-6698试验的982名患者队列上进行评估时，该框架达到了73.6%的测试AUROC和69.1%的平衡准确率，表明纵向3D成像为预测病理完全缓解（pCR）提…
-
AI合成了乳腺癌MRI造影剂增强，改善了肿瘤分割
研究人员开发了一种用于合成动态对比增强磁共振成像（DCE-MRI）以治疗乳腺癌的新颖框架。该方法通过单次前向传播预测造影剂增强，旨在减少对钆基造影剂的依赖，钆基造影剂对某些患者群体存在局限性，并带来环境问题。与现有模型相比，该方法在空间真实感和时间连续性方面表现出改进，并显著增强了下游肿瘤分割性能。一项读者研究表明，在大多数情况下，合成图像在管理决策方面具有临床可行性，预示着更安全、更快速的成像工作流程的潜力。
-
PRISM-Net AI框架利用对侧乳房参考改进乳腺癌分类
研究人员开发了PRISM-Net，一个新颖的、用于乳腺DCE-MRI分类的AI框架。该无需配准的系统利用对侧乳房特征作为患者特异性参考，学习背景感知表示，从而提高不对称模式的区分能力。在ODELIA数据集上，PRISM-Net在分布内测试集上取得了84.11%的宏观AUC，在独立机构测试集上取得了68.51%的性能指标，优于现有的基线方法。
-
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…