multiparametric magnetic resonance imaging
PulseAugur coverage of multiparametric magnetic resonance imaging — every cluster mentioning multiparametric magnetic resonance imaging across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
CHIMERA挑战赛：前列腺癌复发预测的多模态基准测试
CHIMERA挑战赛推出了一项新的多模态基准测试，用于预测前列腺癌患者的生化复发。该挑战整合了来自两家机构的267名患者的术前mpMRI、前列腺切除术后组织病理学以及患者特征。虽然仅使用临床和临床医生衍生变量的模型在排行榜上取得了最高性能，但多模态模型通过直接从影像数据中保留预后信号，即使在专家注释被撤销或随机化的情况下，也表现出更强的鲁棒性。
-
新的深度学习框架改进了MRI肿瘤分类
研究人员开发了一种新颖的异质性感知深度学习分类（HA-DLC）框架，旨在改进多参数MRI（mp-MRI）的肿瘤分类。该框架通过识别和对齐不同患者肿瘤内的子区域来显式建模肿瘤内异质性。HA-DLC框架将局部异质性感知特征与全局肿瘤表示相结合，在肝脏病变和脑肿瘤数据集上优于现有的影像组学和深度学习方法。
-
新AI框架KOAL利用MRI和LLM知识改进前列腺癌分级
研究人员开发了KOAL，一种使用多参数MRI（mpMRI）预测前列腺癌Gleason Grade Group（GGG）的新型框架。KOAL通过整合年龄和PSA等非图像数据，并考虑Gleason模式的层级性质，解决了现有方法的局限性。该框架包括临床上下文调制模块、利用LLM提取专家知识的知识引导原型对齐模块，以及确保病理分级一致性的层级序数感知约束模块。
-
量子CNN高精度预测胶质母细胞瘤甲基化状态
研究人员开发了一种新颖的量子卷积神经网络（IA-QCNN），旨在预测胶质母细胞瘤患者的MGMT启动子甲基化状态。这种基于量子学的方法利用叠加和纠缠等原理，从高维MRI数据中改进特征学习，克服了经典模型的局限性。IA-QCNN在参数更少、过拟合减少的情况下展现出高精度，并确定T1Gd MRI序列比mpMRI对该预测更具区分度。