期刊导航
期刊开放获取
cqvip
退出
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
2
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于纵向时间影像动态增强模式分析的乳腺癌新辅助化疗疗效预测
被引量：
4
1
作者
苏天放
范明
厉力华
《中国生物医学工程学报》
CAS
CSCD
北大核心
2023年第2期139-147,共9页
新辅助化疗由于其较长的治疗周期,对化疗最终疗效早期准确的预测具有重要的临床参考价值。传统影像组学方法由于肿瘤异质性及影像部分容积效应等因素的存在,使得预测的精度难以进一步提高。本研究通过深度影像分解生成不同动态增强模式...
新辅助化疗由于其较长的治疗周期,对化疗最终疗效早期准确的预测具有重要的临床参考价值。传统影像组学方法由于肿瘤异质性及影像部分容积效应等因素的存在,使得预测的精度难以进一步提高。本研究通过深度影像分解生成不同动态增强模式影像,对深度模式进行分析并基于纵向时间影像特征对新辅助化疗疗效进行预测分析。实验将采集的191例乳腺癌患者影像进行预处理,得到肿瘤和腺体感兴趣区域影像并分别提取影像组学特征,计算纵向时间特征变化率。使用随机森林模型对疗效进行预测分析并结合AUC指标对模型分类性能进行评估分析。结果表明,在分解前原始影像的预测任务中取得0.791的最佳AUC。在影像深度分解实验中,肿瘤影像的纵向模式变化在疗效组别中分布更具显著差异(P<0.01),在不同动态模式影像特征的预测任务中取得0.888的最佳AUC。综上,通过结合多区域影像和纵向时间特征,相比于分解前影像,深度分解后的不同模式影像进一步提升了基于特征水平的疗效预测能力,有望对患者早期诊断和方案调整提供重要的参考依据。
展开更多
关键词
乳腺癌
动态对比增强磁共振影像分解
新辅助化疗
纵向
时间
分析
下载PDF
职称材料
基于纵向时间深度网络融合的乳腺癌新辅助化疗疗效预测
被引量：
1
2
作者
薛泰龙
范明
+1 位作者
陈淑君
厉力华
《中国生物医学工程学报》
CAS
CSCD
北大核心
2022年第2期186-194,共9页
新辅助化疗提高了乳腺癌的治愈率,但并不是对所有患者都有效,准确预测化疗疗效可以为患者治疗方案的制定提供参考价值。本研究使用深度学习的方法,融合纵向时间的动态增强磁共振成像(DCE-MRI)的影像特征对新辅助化疗疗效进行预测。分析...
新辅助化疗提高了乳腺癌的治愈率,但并不是对所有患者都有效,准确预测化疗疗效可以为患者治疗方案的制定提供参考价值。本研究使用深度学习的方法,融合纵向时间的动态增强磁共振成像(DCE-MRI)的影像特征对新辅助化疗疗效进行预测。分析164例进行了乳腺癌新辅助化疗患者的DCE-MRI影像,从每例患者影像数据集中挑选肿瘤最大径及上下2张切片以扩充数据量至442例,并随机划分为训练集312例,测试集130例。DCE-MRI影像共6个序列,分割每个序列的乳房区域,去除皮肤和胸腔,使用深度学习模型分别根据化疗前影像、2个疗程化疗后影像、化疗前和2个疗程化疗后影像相融合对新辅助化疗疗效进行预测,并绘制预测结果的ROC曲线,计算对应曲线下面积(AUC)评估模型的分类性能。深度学习模型对化疗前影像、2个疗程化疗后影像的疗效预测的最佳AUC分别为0.775和0.808,融合化疗前和2个疗程化疗后影像对疗效进行预测的最佳AUC为0.863,预测效果优于仅使用化疗前的影像。实验结果表明,相较于单独使用化疗前影像,融合使用纵向时间的影像可以提高对新辅助化疗疗效的预测性能。
展开更多
关键词
乳腺癌
深度学习
新辅助化疗疗效
动态增强磁共振成像
纵向
时间
分析
下载PDF
职称材料
题名
基于纵向时间影像动态增强模式分析的乳腺癌新辅助化疗疗效预测
被引量：
4
1
作者
苏天放
范明
厉力华
机构
杭州电子科技大学生物医学工程与仪器研究所
出处
《中国生物医学工程学报》
CAS
CSCD
北大核心
2023年第2期139-147,共9页
基金
浙江省自然科学基金(LR23F010002)
国家自然科学基金(62271178,U21A20521)。
文摘
新辅助化疗由于其较长的治疗周期,对化疗最终疗效早期准确的预测具有重要的临床参考价值。传统影像组学方法由于肿瘤异质性及影像部分容积效应等因素的存在,使得预测的精度难以进一步提高。本研究通过深度影像分解生成不同动态增强模式影像,对深度模式进行分析并基于纵向时间影像特征对新辅助化疗疗效进行预测分析。实验将采集的191例乳腺癌患者影像进行预处理,得到肿瘤和腺体感兴趣区域影像并分别提取影像组学特征,计算纵向时间特征变化率。使用随机森林模型对疗效进行预测分析并结合AUC指标对模型分类性能进行评估分析。结果表明,在分解前原始影像的预测任务中取得0.791的最佳AUC。在影像深度分解实验中,肿瘤影像的纵向模式变化在疗效组别中分布更具显著差异(P<0.01),在不同动态模式影像特征的预测任务中取得0.888的最佳AUC。综上,通过结合多区域影像和纵向时间特征,相比于分解前影像,深度分解后的不同模式影像进一步提升了基于特征水平的疗效预测能力,有望对患者早期诊断和方案调整提供重要的参考依据。
关键词
乳腺癌
动态对比增强磁共振影像分解
新辅助化疗
纵向
时间
分析
Keywords
breast cancer
dynamic contrast-enhancement magnetic resonance imaging(DCE-MRI)decomposition
neoadjuvant chemotherapy
longitudinal analysis
分类号
R318 [医药卫生—生物医学工程]
下载PDF
职称材料
题名
基于纵向时间深度网络融合的乳腺癌新辅助化疗疗效预测
被引量：
1
2
作者
薛泰龙
范明
陈淑君
厉力华
机构
杭州电子科技大学生物医学工程与仪器研究所
浙江省肿瘤医院放射科
出处
《中国生物医学工程学报》
CAS
CSCD
北大核心
2022年第2期186-194,共9页
基金
国家自然科学基金(61871428)
浙江省自然科学基金(J19H180004)
浙江省公益技术应用社会发展项目(LGF18H180006)。
文摘
新辅助化疗提高了乳腺癌的治愈率,但并不是对所有患者都有效,准确预测化疗疗效可以为患者治疗方案的制定提供参考价值。本研究使用深度学习的方法,融合纵向时间的动态增强磁共振成像(DCE-MRI)的影像特征对新辅助化疗疗效进行预测。分析164例进行了乳腺癌新辅助化疗患者的DCE-MRI影像,从每例患者影像数据集中挑选肿瘤最大径及上下2张切片以扩充数据量至442例,并随机划分为训练集312例,测试集130例。DCE-MRI影像共6个序列,分割每个序列的乳房区域,去除皮肤和胸腔,使用深度学习模型分别根据化疗前影像、2个疗程化疗后影像、化疗前和2个疗程化疗后影像相融合对新辅助化疗疗效进行预测,并绘制预测结果的ROC曲线,计算对应曲线下面积(AUC)评估模型的分类性能。深度学习模型对化疗前影像、2个疗程化疗后影像的疗效预测的最佳AUC分别为0.775和0.808,融合化疗前和2个疗程化疗后影像对疗效进行预测的最佳AUC为0.863,预测效果优于仅使用化疗前的影像。实验结果表明,相较于单独使用化疗前影像,融合使用纵向时间的影像可以提高对新辅助化疗疗效的预测性能。
关键词
乳腺癌
深度学习
新辅助化疗疗效
动态增强磁共振成像
纵向
时间
分析
Keywords
breast cancer
deep learning
efficacy of neoadjuvant chemotherapy
dynamic contrast-enhanced magnetic resonance imaging(DCE-MRI)
longitudinal analysis
分类号
R318 [医药卫生—生物医学工程]
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于纵向时间影像动态增强模式分析的乳腺癌新辅助化疗疗效预测
苏天放
范明
厉力华
《中国生物医学工程学报》
CAS
CSCD
北大核心
2023
4
下载PDF
职称材料
2
基于纵向时间深度网络融合的乳腺癌新辅助化疗疗效预测
薛泰龙
范明
陈淑君
厉力华
《中国生物医学工程学报》
CAS
CSCD
北大核心
2022
1
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
