相关实验视频

Updated: Jan 13, 2026

Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma

Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma

Published on: October 10, 2018

鼻癌的LG-UNet基于细分和生存预测使用多模式MRI成像

Yuhao Yang¹, Junhao Wen¹, Tianyi Wu¹

¹College of Electronic Engineering (College of Artificial Intelligence), South China Agricultural University, Guangzhou 510642, China.

Bioengineering (Basel, Switzerland)

|October 29, 2025

概括

这项研究引入了LG-UNet,用于在MRI扫描中对鼻癌 (NPC) 瘤进行细分,提高准确性并帮助预测生存率. 该模型增强了NPC患者的临床决策.

科学领域:

医疗成像医学成像
在瘤学中使用人工智能
无线电学 (Radiomics) 是一种辐射学.

背景情况:

在鼻癌 (NPC) 中,总瘤体积 (GTV) 的准确细分对于治疗规划和预后至关重要.
现有的细分模型可能会与复杂的瘤边界和多模态MRI数据作斗争.

研究的目的:

开发一个改进的3D-UNet模型 (LG-UNet),用于精确的NPC GTV细分.
将细分与风险预测模型 (Lung-Net和Cox模型) 集成在一起,用于NPC中的转移概率估计.

主要方法:

一个增强的3D-UNet (LG-UNet) 包含深条卷积,通道注意,动态大卷积内核 (DLCK) 和全球特征融合 (GFF) 模块.
来自442名NPC患者的多模态MRI数据被用于细分和生存预测.
肺网模型和Cox比例危险模型用于风险分层和生存分析.

主要成果:

LG-UNet实现了0.8223的子相似系数 (DSC),0.8235的准确性,0.8297的回忆力和1.6807毫米的HD95.
与基线模型相比,观察到显著的改善:DSC +7.73%,精度 +4.52%,回忆 +3.40%.
综合风险预测模型显示C指数为0.756和5年AUC为0.789.

结论:

拟议的LG-UNet模型从MRI扫描中提供NPC GTV的准确和强大的细分.
综合细分和风险预测框架为NPC管理中的临床决策提供了有价值的辅助工具.
这种方法有可能通过更精确的诊断和预后来改善患者的治疗结果.

关键词:

在LG-UNet中使用.深度学习是一种深度学习.图像细分图像细分转移预测转移的预测鼻癌 (nasopharyngeal carcinoma) 是一种发生在鼻的癌症.

更多相关视频

Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography

Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography

Published on: November 30, 2022

Comparison of Predictive Performance of Three Lymph Node Staging Systems in Colorectal Signet Ring Cell Carcinoma Based on Machine Learning Model

Comparison of Predictive Performance of Three Lymph Node Staging Systems in Colorectal Signet Ring Cell Carcinoma Based on Machine Learning Model

Published on: April 18, 2025

相关概念视频