修车大队一品楼qm论坛51一品茶楼论坛,栖凤楼品茶全国楼凤app软件 ,栖凤阁全国论坛入口,广州百花丛bhc论坛杭州百花坊妃子阁

oe1(光电查) - 科学论文

6 条数据
?? 中文（中国） ▾

  • [2019年欧洲激光与电光会议暨欧洲量子电子学会议（CLEO/Europe-EQEC） - 德国慕尼黑（2019.6.23-2019.6.27）] 2019年欧洲激光与电光会议暨欧洲量子电子学会议（CLEO/Europe-EQEC） - 利用膜界面水探测神经元活动

    摘要： 利用多参数磁共振成像（MP-MRI）提取的大容量定量放射组学特征进行前列腺肿瘤自动检测正日益受到关注，因其能提供海量可挖掘数据，这些数据既可用于前列腺癌检测，也可用于预后评估。当前基于体素分辨率的放射组学驱动前列腺肿瘤检测方法独立运用与单个体素相关的定量放射组学特征，而整合体素间空间关系及放射组学特征信息的做法对实现更可靠的检测性能具有重大潜力。受此启发，我们提出一种采用放射组学驱动条件随机?。≧D-CRF）框架的前列腺癌自动检测新方法。该RD-CRF框架除高通量提取和利用全面的体素级定量放射组学特征外，还利用体素间空间与放射组学特征关系，确保自动检测出的肿瘤候选区域呈现反映恶性肿瘤的互联组织特征。我们使用20例患者的临床前列腺MP-MRI数据评估该框架性能，结果表明RD-CRF框架在自动体素分辨率前列腺癌检测的定量放射组学领域较现有最先进技术有显著提升。

    关键词： 多参数磁共振成像（MP-MRI）、前列腺癌自动检测、放射组学、特征模型、条件随机?。–RF）

    更新于2025-09-23 15:21:01

  • <sup>18</sup>F-FDG-PET影像放射组学分析的优化特征提取

    摘要： 18F-FDG-PET/CT图像的影像组学分析有望实现更精准的体内疾病特征描述。迄今多项研究表明，由于患者准备、成像方案、病灶勾画及特征提取的差异，纹理特征存在显著波动。本研究旨在分析18F-FDG-PET数据影像组学分析前的特征变异情况，并确定能最小化不同PET成像系统间影像组学特征变异的特征提取与成像参数。方法：采用13台PET/CT系统（12个中心）按当地方案对全身美国电气制造商协会图像质量模体进行成像，选取模体中4个最大球体（17-37mm）相关的37个影像组学特征?；谔逅卮笮　⒅狈酵挤窒浼安≡钐寤浠淖酆戏治?，建立特征与成像系统排序。通过单因素方差分析（ANOVA）评估体素大小、分箱大小及病灶体积亚组间的特征变异依赖性及趋势变化。结果：特征排序显示灰度共生矩阵（GLCM）和形态特征对PET成像系统变异最不敏感；成像系统排序表明使用点扩散函数（PSF）、小体素尺寸及窄高斯后滤波可有效减小特征变异。ANOVA亚组分析证实，在给定体素大小和分箱参数条件下，37个特征的变异均可实现最小化。结论：本研究为18F-FDG-PET/CT研究的优化特征选择提供指导，证实特定图像参数与成像系统组合可最小化特征变异，有助于影像专家与特征工程师提升未来PET/CT影像组学研究质量。

    关键词： 放射组学、18F-FDG PET/CT、特征提取

    更新于2025-09-23 15:21:01

  • [2018年IEEE工程复杂性研讨会（COMPENG）- 意大利佛罗伦萨（2018.10.10-2018.10.12）] 2018年IEEE工程复杂性研讨会（COMPENG）- 分形放射组学作为CT与MRI癌症图像的复杂性分析

    摘要： 癌症是全球第二大死亡原因。早期诊断可通过干预降低死亡率，但由于癌症结构复杂且不同肿瘤及同一病灶内存在空间异质性，传统影像技术难以将其与健康组织区分。量化其复杂性可作为抗击该疾病的预后工具。近年来，临床影像借助影像组学（从图像中提取特征）实现了这种量化。本研究采用盒计数法，检测了计算机断层扫描（CT）和磁共振（MR）图像中不同类型癌症的分形维数（FD）与空隙度（L）。我们的目标是突出基于分形分析特征的潜力，以获得能检测肿瘤空间复杂性与异质性的新指标。结果表明，FD和L均显示出影像组学估算的复杂性与潜在生物学模型之间缺乏关联的问题。

    关键词： 癌症异质性、孔隙度、复杂性、分形分析、癌症、放射组学

    更新于2025-09-23 15:21:01

  • [2019年IEEE电气工程与光子学国际会议(EExPolytech) - 俄罗斯圣彼得堡(2019.10.17-2019.10.18)] 2019年IEEE电气工程与光子学国际会议(EExPolytech) - 影像组学：利用内窥镜成像提取更多特征

    摘要： 癌症是全球首要死因，而检测延迟是其高死亡率的最主要因素。计算机可辅助放射科医师分析医学影像并检测癌症。放射组学是指通过计算机从医学影像中提取信息，利用机器学习算法有望实现更快速、更精准的癌症筛查。内镜成像与X射线成像（计算机断层扫描）是医学影像中两种常用方法。本文探讨了内镜与CT扫描图像的优势与局限，分析了可从这两种成像中提取的特征，并最终对这两种影像方法在计算机辅助检测系统中的应用进行了比较研究。

    关键词： 特征提取、计算机断层扫描（CT）、内镜图像、放射组学、纹理特征

    更新于2025-09-12 10:27:22

  • 混合18F-FDG-PET/MRI测量标准化摄取值联合阴阳1因子特征在转移性乳腺癌中的应用：一项初步研究

    摘要： 目的：早期检测乳腺癌（BC）转移对评估疾病进展状态至关重要。影像分析是肿瘤患者管理的重要工具。我们前期研究联合混合18F-FDG-PET/MRI成像参数与转录因子阴阳1（YY1）的表达水平来检测早期转移。 方法：研究纳入n=217例疑似乳腺癌患者接受18F-FDG-PET/MRI扫描，回顾性分析n=55例受试者（n=40例乳腺癌患者，n=15例影像学阴性女性健康受试者）。从PET/MRI图像提取标准放射组学参数，通过实时逆转录聚合酶链反应（qRT-PCR）检测外周血单个核细胞中YY1表达水平，酶联免疫吸附试验（ELISA）测定血清YY1蛋白含量。采用Mann-Whitney U检验和Spearman相关分析进行亚组间比较。 结果：乳腺癌患者的Greg级共生矩阵（GLCM）与标准化摄取值最大值（SUVmax）呈显著正相关（r=0.8）。与异时性转移（MM）及健康受试者相比，雌激素受体阳性/孕激素受体阳性/人表皮生长因子受体2阴性（ER+/PR+/HER2-）亚型乳腺癌患者在初诊时即伴同步转移（SM）的YY1水平显著过表达（p<0.001），且与18F-FDG摄取参数（SUVmax）显著相关（r=0.48）。 结论：功能影像18F-FDG-PET/MRI参数与YY1分子检测的联合应用，较单独使用18F-FDG-PET/MRI能更准确地预测同步转移性疾病，是一种新型综合评估方法。

    关键词： 标记物、阴阳1、成像、乳腺、放射组学

    更新于2025-09-12 10:27:22

  • 基于深度学习的个性化质量保证：通过卷积神经网络对伽马图像进行影像组学分析以识别放疗实施中的错误

    摘要： 目的：针对调强放射治疗（IMRT）的患者特异性质量保证（QA）是临床常规操作，但传统方法常因对误差不敏感或效果不及其他物理检测手段而受到质疑。近期学界开始关注将影像组学（即图像特征的定量提取技术）应用于放疗质量保证领域。本研究采用深度学习方法，通过患者特异性QA数据判断治疗实施过程中是否存在人为引入的放疗误差。 方法：分析23个IMRT计划中186个射野的平面剂量图，每个计划均移植至圆柱形模体CT几何结构。每组计划导出三类平面剂量数据：1）无误差情况；2）随机多叶准直器（MLC）误差情况；3）系统性MLC误差情况。通过电子射野影像装置（EPID）获取实际照射剂量，结合计划剂量计算生成558幅伽马图像（使用EPID剂量分析软件）。研究采用两种影像组学方法：其一为基于三元组学习的卷积神经网络提取伽马图像特征；其二为手工设计的纹理特征提取法。将两类方法获得的指标输入四种机器学习分类器（支持向量机、多层感知器、决策树和k近邻算法），判断图像是否包含引入误差。设置双实验对照：二分类实验区分无误差与任意MLC误差图像；三分类实验区分无误差、随机MLC误差及系统性MLC误差图像。同时计算传统阈值通过标准作为对比。 结果：使用303幅伽马图像训练模型，255幅进行测试。深度学习方法取得最高分类准确率——二分类实验达77.3%，三分类实验为64.3%。纹理特征手工方法的性能较低（二分类最高66.3%，三分类53.7%）。四种机器学习分类器在深度学习方案中的结果差异性小于纹理特征方案。两种影像组学方法均优于传统阈值标准。 结论：基于卷积神经网络的深度学习技术能有效通过患者特异性伽马图像判断放疗实施误差的存在性。其性能超越纹理特征手工方法，且两种影像组学方案均优于传统阈值标准。结果表明影像组学质量保证是放疗临床应用的重要发展方向。

    关键词： 放射组学、调强放疗质量保证、深度学习、质量保证、纹理特征

    更新于2025-09-04 15:30:14