实体
PyRadiomics
PyRadiomics
PulseAugur coverage of PyRadiomics — every cluster mentioning PyRadiomics across labs, papers, and developer communities, ranked by signal.
总计 · 30天
2
90 天内 3
发布 · 30天
0
90 天内 0
论文 · 30天
2
90 天内 3
层级分布 · 90 天
主题
情绪 · 30 天
2 天有情绪数据
最近 · 第 1/1 页 · 共 3 条
-
新框架READII-2-ROQC识别影像AI模型中的混淆因素
一个名为READII-2-ROQC的新开源框架已被开发出来，用于解决放射组学和影像基础模型中的混淆因素。该框架使用保持体积的阴性对照来评估提取的特征是否真正代表肿瘤生物学，还是受到肿瘤体积或采集伪影等因素的影响。当应用于公开的癌症影像队列时，READII-2-ROQC表明，一些模型即使在空间结构被破坏后仍能保持性能，这表明存在体积驱动的混淆，而其他模型则对扰动敏感。
-
新的放射组学框架解耦CT/MRI中的体素几何与信号变化
研究人员开发了一个新的放射组学框架，该框架考虑了医学成像（特别是计算机断层扫描（CT）和磁共振成像（MRI））中的体素间距。这种体素间距感知（VS）方法旨在将真实的体素几何与各向异性图像中常见的插值引起的信号变化分离开来。实验表明，在一致性方面，VS方法与原始的、未重采样提取（NR）方法非常接近，并能保持预测性能，为放射组学分析提供了一种更连贯的替代方案。
-
深度学习辅助影像组学特征选择以检测肺癌
研究人员开发了一个名为梯度损失递归特征消除（GL-RFE）的新框架，以改进用于肺癌分期检测的影像组学特征选择。该方法利用深度神经网络的梯度敏感性分析，从高维医学影像数据中识别最具影响力的特征。GL-RFE框架成功识别了15个顶级特征，并使用这些特征训练了一个分类器，在区分早期和晚期肺癌分期方面达到了90%以上的准确率。