radiomics
PulseAugur coverage of radiomics — every cluster mentioning radiomics across labs, papers, and developer communities, ranked by signal.
2 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。
-
新研究探索影像组学-图像融合用于肾癌分类
两篇新研究论文探讨了影像组学和图像数据融合在肾细胞癌 (RCC) 分类中的应用。第一篇论文评估了将影像组学添加到基于图像的模型中如何超越简单的判别能力来提高概率性能，发现融合通常会同时增强这两个指标，其中一个 3D MedVAE 门控融合模型表现出强劲的结果。第二篇论文深入研究了这些融合模型的解释，区分了门控权重如何将重要性分配给中间特征，以及特征对最终分类决策的实际贡献，并强调结构权重可能与有效主导地位存在显著差异。
-
基础模型在癌症预测方面显示出潜力，但面临泛化挑战
研究人员正在探索使用基础模型预测头颈癌复发，并将其性能与传统的影像组学和深度学习方法进行比较。一项研究发现，源自CT图像的基础模型在预测远处转移风险方面优于影像组学和深度学习模型，AUC达到0.791。然而，另一项调查强调了这些基础模型在不同临床环境和图像分布中泛化的挑战，表明将影像特征与临床数据相结合仍然是预后预测最准确的方法。
-
胶质母细胞瘤放射组学研究质疑用于生存预测的特征鲁棒性
一项发表在arXiv上的新研究调查了放射组学特征的鲁棒性与其在胶质母细胞瘤（GBM）生存建模中的预测效用之间的关系。研究人员分析了来自GBM患者多参数MRI扫描的4,752个放射组学特征，并使用类内相关系数评估特征鲁棒性。研究结果表明，相当一部分特征不具备鲁棒性，并且仅通过鲁棒性进行筛选并未改善生存预测模型。该研究表明，鲁棒性本身可能不足以作为放射组学生存分析中选择特征的标准。
-
ConRad框架增强了医学影像组学的一致性预测
研究人员开发了ConRad，一个用于影像组学一致性预测的新框架，旨在提高医学影像测量值的效率和可靠性。ConRad通过构建适应性预测区间来解决过度自信或校准不佳的分割模型问题，这些区间整合了测试时信息，如图像外观、掩模几何形状和分割不确定性。跨多个数据集和影像组学目标的实验表明，ConRad在保持覆盖率保证的同时实现了更好的特征级效率，其中分割边界不确定性被确定为其性能的关键因素。
-
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出最具影响力的特征。GL-RFE框架成功识别出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。
-
医疗基础模型在肾脏病变CT分析方面落后于放射组学
一项新的基准研究评估了三种医疗基础模型（FMs）在CT扫描中对肾脏病变进行分层的有效性。虽然基础模型显示出潜力，其性能与从头训练的3D ResNet相当，且计算能力要求显著降低，但它们并未超越传统的放射组学分类器。研究表明，当前通用的基础模型嵌入可能尚未捕捉到区分病变亚型至关重要的详细纹理和形状变化，因此放射组学仍然是该特定任务的当前最先进技术。
-
新的多视图VAE框架改进了胶质母细胞瘤MRI放射组学预测
研究人员开发了一种新颖的多视图潜在表示学习框架，使用变分自编码器（VAEs）从MRI扫描中预测胶质母细胞瘤的MGMT启动子甲基化状态。该方法在紧凑的概率潜在空间中保留了特定模态的放射组学结构，同时实现了后期融合。多视图VAE在测试中达到了0.77的AUC，显著优于基线模型，并展示了互补MRI信息的改进集成。