radiomics
PulseAugur coverage of radiomics — every cluster mentioning radiomics across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
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。
-
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。