PyRadiomics
PulseAugur coverage of PyRadiomics — every cluster mentioning PyRadiomics across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新的PyRadiomics扩展增强了各向异性医学图像纹理分析
研究人员开发了一个增强版的PyRadiomics，旨在精确分析具有各向异性体素间距采集的医学成像数据中的纹理特征。新框架在不插值灰度级的情况下，考虑了相同体素偏移量代表的不同物理距离。该系统跨Python、C和计算后端运行，修改了GLCM、NGTDM和GLRLM等特定纹理族以适应各向异性。使用合成3D体模进行的验证证明了其准确性，并突出了运行时和内存使用量的适度增加，为未来在异构医学成像中的放射组学评估提供了坚实的技术基础。
-
胶质母细胞瘤数据集 CFB-GBM v2.0 增强了完整的 GTV 分割
研究人员发布了 CFB-GBM v2.0，这是一个用于胶质母细胞瘤研究的扩展数据集，现已包含 264 名患者的完整肿瘤体积 (GTV) 描绘。该数据集可在 The Cancer Imaging Archive 上获取，使用 nnU-Net 模型进行分割，并提供衍生的 volumetric RANO 2.0 反应标签。此外，它还包括预先计算的大脑掩码和影像组学特征，以促进可复现的计算方法，用于治疗反应预测和疾病进展建模。
-
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。