全自动多模态MRI多任务学习用于胶质瘤分割和IDH基因分型的研究报告 研究背景 胶质瘤是中枢神经系统中最常见的原发性脑肿瘤，根据世界卫生组织（WHO）2016年分类，胶质瘤分为低级别胶质瘤（LGG，级别II和III）和高级别胶质瘤（HGG，级别IV）。异柠檬酸脱氢酶（Isocitrate Dehydrogenase, IDH）突变状态是胶质瘤中最重要的预后标志之一。临床研究发现，含有IDH突变的低级别胶质瘤患者预后通常优于IDH野生型患者。传统的胶质瘤手工分割费时费力，而准确的IDH基因分型和精确的胶质瘤分割对于指导治疗和评估预后具有重要意义。由于多模态磁共振成像（Magnetic Resonance Imaging, MRI）的非侵入性和日常临床实践中的重要作用，它被认为是最有前途的候选技...

注意引导的CNN框架用于3D MRI扫描的胶质瘤分割和评级研究 胶质瘤是人类最致命的脑肿瘤形式，及时诊断这些肿瘤是有效肿瘤治疗的重要一步。磁共振成像（MRI）通常提供对脑部病变的无创检查。然而，手动检查MRI扫描中的肿瘤需要大量时间，并且容易出错。因此，自动诊断肿瘤在胶质瘤的临床管理和外科干预中起着至关重要的作用。在这项研究中，我们提出了一个基于卷积神经网络（CNN）的框架，用于从3D MRI扫描中无创分级肿瘤。 背景介绍 胶质瘤是常见且致命的脑肿瘤，根据其侵袭性和恶性程度可以分为四级。低级别肿瘤（I-III级）通常较不具侵袭性且对治疗反应较好。然而，高级别肿瘤（IV级）具有高度侵袭性，例如胶质母细胞瘤，其治疗效果较差，仅有5%的患者能存活5年。 为了使用医疗影像开展胶质瘤的研究，研究者通常...

脑胶质瘤分割的上下文感知网络研究报告 脑胶质瘤是一种常见的成人脑肿瘤，它对健康有严重的损害，并且具有高死亡率。为了提供早期诊断、手术规划和术后观察的充分证据，多模态磁共振成像（MRI）已经广泛应用于该领域。本文研究的目的是在脑胶质瘤的自动化分割中纳入上下文信息，这在处理局部模糊性方面提供了基本线索。 研究背景 先前的研究表明，基于深度神经网络的方法在脑胶质瘤分割中显示了很有希望的技术。然而，这些方法缺乏强有力的策略来结合肿瘤细胞及其周围的上下文信息。已有的自动分割方法虽然提高了分割精度，但仍然存在局部模糊性问题，没有充分考虑肿瘤细胞与其周围环境的关系。 论文来源 该研究由Zhihua Liu, Lei Tong, Long Chen, Feixiang Zhou, Zheheng Jiang...

胶质瘤预后的透明化机器学习和解释性洞察力应用于解释性人工智能的赋能 学术背景 本研究致力于开发一种可靠的技术，来通过多种机器学习方法及深度学习方法，结合解释性人工智能（XAI，Explainable Artificial Intelligence）技术检测患者是否患有特定类型的脑肿瘤——胶质瘤。胶质瘤（glioma）是起源于胶质细胞的中枢神经系统癌症的一种，具有快速生长和侵袭健康脑组织的特性，常见的治疗方法包括手术、放射治疗、化疗等。通过整合患者数据，包括医疗记录、遗传档案等，机器学习算法能够预测每个个体对不同医疗干预的反应。 论文来源 该论文由Anisha Palkar、Cifha Crecil Dias（IEEE高级会员）、Krishnaraj Chadaga和Niranjana Sam...

基于群稀疏先验的荧光分子断层成像用于胶质瘤形态重建技术的研究报告 一、学术背景和研究动机 荧光分子断层成像（Fluorescence Molecular Tomography，FMT）是一种重要的生命科学工具，通过该技术可以实现荧光源位置的非侵入实时三维（3D）可视化。由于其敏感度高、成本低的优点，FMT被广泛应用于肿瘤研究。然而，FMT的重建过程复杂且困难。尽管近年来FMT重建方法发展迅速，但形态重建依然是一个难题。因此，本研究的目的是在胶质瘤研究中实现FMT的形态重建性能。 二、论文来源与作者信息 本论文发表于IEEE Transactions on Biomedical Engineering期刊2020年5月第67卷第5期上，题为“Fluorescence Molecular Tom...

脑胶质瘤患者的生存分析研究：数据工程赋能综述 引言 脑胶质瘤是一种在胶质细胞中发生的肿瘤，它们占全部原发性脑和中央神经系统肿瘤的26.7%。由于肿瘤异质性的存在，脑胶质瘤患者的生存分析成为了临床管理中的一个关键任务。在过去几十年里，研究者们提出了多种生存分析方法，结合不同类型的数据，如影像和遗传信息。尤其是近年来，机器学习技术和深度学习的兴起改变了传统的基于统计分析的生存分析方法。本文综述了利用诊断影像技术和基因组平台获得的预后参数，以及用于预后预测的技术、学习和统计分析算法，突出了现有生存预测研究的挑战，并提出了该领域研究的未来方向。 作者及出版信息 作者: Navodini Wijethilake (斯里兰卡莫拉图瓦大学计算机科学与工程系研究成员) 合著者: Dulani Meedeni...