Fully Automated Brain Tumor Segmentation and Survival Prediction of Gliomas using Deep Learning and MRI

来源:bioRxiv

ABSTRACT

实现了一个三组框架,每组由三个3D-Density-UNet组成,分别分割整个肿瘤(WT)、肿瘤核心(TC)和增强肿瘤(ET)。该

阅读全文

Diagnosis of glioma recurrence using multiparametric dynamic 18F-fluoroethyl-tyrosine PET-MRI

来源:European Journal of Radiology

Objectives

探讨18F-氟乙基酪氨酸(FET)-PET/MRI联合显像在胶质瘤复发与治疗相关改变鉴别诊断中的价值。

阅读全文

Deep-Learning Convolutional Neural Networks Accurately Classify Genetic Mutations in Gliomas

发表杂志:ORIGINAL RESEARCH ADULT BRAIN

Abstract

材料:259例低级别或高级别胶质瘤患者的MR影像资料(T2、FLAIR和T1WI的增强前后采集)和分子信息(从癌症基因组图谱获得)

阅读全文

Deep Transfer Learning and Radiomics Feature Prediction of Survival of Patients with High-Grade Gliomas

BACKGROUND AND PURPOSE

结合放射组学特征的深度学习模型有望从大脑MR成像中提取与反应和预后相关的信息。我们报告了深度学习和放射组学相结合的模型的初步结果,以预测高级别胶质瘤患者的clinically heterogeneous cohort的总体生存率。

阅读全文

Deep Learning Radiomics Algorithm for Gliomas (DRAG) Model A Novel Approach Using 3D UNET Based Deep Convolutional Neural Network for Predicting Survival in Gliomas

会议:MICCAI Workshop2018

Abstract

BRATS 2018第三名

本文提出了一种基于深度学习放射组学算法的胶质瘤分割和生存预测的新方法,并在2018年脑肿瘤分割挑战(BRATS)中使用了基于3D patch-based U-net模型的胶质瘤模型,对肿瘤进行放射组学特征提取和分类,用于Overall Survival(OS)预测任务。模型在BRATS 2018验证数据集上的初步结果表明,该方法对整个肿瘤、肿瘤核心和增强肿瘤的Dice评分分别为0.88、0.83和0.75,取得了较好的效果,在验证数据集上获得了57.1%的准确率。

阅读全文

Deep learning can see the unseeable predicting molecular markers from MRI of brain gliomas

Radiogenomics

放射基因组学一直被用来指两种不同的东西:这个术语最早的用法是描述放射治疗的敏感性或有效性,以及正在治疗的肿瘤的基因组特性的影响。另一个定义,也是我们将在本文中关注的,是使用放射成像来预测组织的基因组特性。

阅读全文