0
点赞
收藏
分享

微信扫一扫

欧放ER-2024年1月 AI论文速递


期刊基本信息

期刊名称:EUROPEAN RADIOLOGY

期刊ISSN:0938-7994

影像因子/SCI分区:5.9/二区

出版周期:Monthly

European Radiology(ER)是一本涵盖放射学、影像学及其相关领域的高质量国际期刊,发表最新的研究成果和技术进展。

每个月为大家推送医疗AI领域顶刊论文速递。第一时间获取最新研究成果,拓展学术视野,激发创新灵感,提升科研水平。

在本文中,为大家整理了 ER 2024年1月最新接收论文(本期一共接收 56 篇,其中AI 10篇左右)。可以说ER是每个放射人梦中情刊,因为比起它大哥Radiology来讲,命中率会高很多。所以每期认真读,学习它,模仿它,发表它!

概览

  1. 基于机器学习的经动脉化疗栓塞或动脉化疗治疗不可切除肝细胞癌的预后预测和风险分层
  2. 基于深度学习的 CT 上白质病变体积与急性缺血性中风后的预后相关
  3. 通过乳房 X 线摄影放射组学特征和临床特征预测乳腺癌中人表皮生长因子受体 2 (HER2) 状态:一项多中心研究
  4. 使用自配置 nnU-Net 基于深度学习的 CT 和 MRI 口咽鳞状细胞癌多模态分割
  5. MI-DenseCFNet:基于深度学习的金黄色葡萄球菌和曲霉菌肺炎多模态诊断模型
  6. 自动 MRI 肝脏分割:用于解剖分割、肝脏体积测定和放射组学提取
  7. 基于 CT 的全肺放射组学列线图:识别慢性阻塞性肺病患者心血管疾病风险的工具
  8. 基于 CT 放射组学特征的机器学习模型术前预测喉癌和下咽癌的 T2/T3 分期
  9. 基于CT的合成脑T1w MRI临床应用可行性研究:与常规T1w MRI的比较

2024年1月论文合集

1. Prognosis prediction and risk stratification of transarterial chemoembolization or intraarterial chemotherapy for unresectable hepatocellular carcinoma based on machine learning

中文标题:基于机器学习的经动脉化疗栓塞或动脉化疗治疗不可切除肝细胞癌的预后预测和风险分层

摘要

Objective:开发和验证风险评分量表模型 (RSSM),用于对肝细胞癌 (HCC) 动脉内治疗 (IAT) 后的预后风险进行分层。

Methods:2014年2月至2022年10月期间,连续招募了2338名接受初始IAT的HCC患者。五年死亡被用来预测结果。输入 34 条临床信息和 5 种监督机器学习 (ML) 算法,包括XGBoost、CatBoost、GBDT、LGBT 和 RF使用接收器工作特性 (AUC) 下的面积与 DeLong 测试进行比较。具有最重要的 ML 分数的变量用于通过逐步 Cox 回归构建 RSSM。

Results:CatBoost模型在输入了12个顶级变量时取得了最佳的鉴别能力,TD的AUC为0.851,ITD为0.817,ETD为0.791。Kaplan-Meier分析证实了RSSM在风险分层中的作用(p <0.001)。

Conclusions:RSSM 可以准确地对接受 IAT 的 HCC 患者的预后风险进行分层。在此基础上,在线计算器可以轻松实现该模型

2.Deep learning-based white matter lesion volume on CT is associated with outcome after acute ischemic stroke

中文标题:基于深度学习的 CT 上白质病变体积与急性缺血性中风后的预后相关

摘要

Background:急性缺血性卒中的血管内治疗(EVT)之前的静脉溶栓(IVT)可能会引起脑出血,从而对患者的预后产生负面影响。使用深度学习 (DL-WML) 测量白质病变大小可能有助于安全指导 IVT 管理。我们的目的是开发、验证和评估 CT 上的 DL-WML 体积与 Fazekas 量表 (WML-Faz) 的比较,作为 IVT 后立即接受 EVT 的患者的危险因素和 IVT 效果调节剂。

Methods:我们开发了一种用于 CT 上的 WML 分割的深度学习模型(nnUNet),并使用内部和外部测试集进行了验证。在 MR CLEAN No-IV 试验的事后分析中,我们根据改良 Rankin 量表 (mRS) 将 DL-WML 体积和 WML-Faz 与症状性脑出血 (sICH) 和 90 天功能结果相关联。我们使用 WML 测量和 IVT 给药之间的乘法交互项来评估 IVT 治疗效果修改。回归模型用于报告未调整和调整后的共同比值比 (cOR/acOR)。

Results:总共分析了 MR CLEAN No-IV 试验的 516 名患者。DL-WML 体积和 WML-Faz 均与 sICH相关…

Conclusion:DL-WML 体积和 WML-Faz 与功能结果和 sICH 具有相似的关系。尽管接受 IVT 的更严重 WML-Faz 患者可能会发生更多 sICH,但没有观察到更差的功能结果。

3.Prediction of human epidermal growth factor receptor 2 (HER2) status in breast cancer by mammographic radiomics features and clinical characteristics: a multicenter study

中文标题:通过乳房 X 线摄影放射组学特征和临床特征预测乳腺癌中人表皮生长因子受体 2 (HER2) 状态:一项多中心研究

摘要

Objectives:在多供应商和多中心的基础上,利用乳房 X 线摄影放射组学特征和临床特征来术前评估乳腺癌中人表皮生长因子 2 (HER2) 的状态

Methods:2个中心 1512 名患有非特殊类型浸润性导管癌 (IDC-NST) 的中国女性和五台设备(A中心训练,B中心作为外部验证)。采用 GBM 建立放射组学和多组学模型。

Results:对比了仅基于放射组学特征的放射组学模型和放射组学特征与临床特征相结合模型的AUC,结果加了临床特征的模型更优(内部测试0.788,外部0.722)。

Conclusions:我们的研究表明,基于放射组学特征和临床特征的模型有可能跨多个设备和中心准确预测乳腺癌患者的 HER2 状态。

4. Deep learning–based multimodal segmentation of oropharyngeal squamous cell carcinoma on CT and MRI using self-configuring nnU-Net

中文标题:使用自配置 nnU-Net 基于深度学习的 CT 和 MRI 口咽鳞状细胞癌多模态分割

摘要

Purpose:使用 CT 和 MRI 以及 nnU-Net 评估基于深度学习的口咽鳞状细胞癌 (OPSCC) 分割模型。

Methods:这项单中心回顾性研究纳入了 91 名 OPSCC 患者(训练56,测试12,测试22)。在开发队列中,OPSCC 在 CT、MR 和共同配准的 CT-MR 图像上然后使用自配置 nnU-Net 训练多模态和多通道输入图像

Results:

  • 测试队列 1 中的 DSC 为 0.64 ± 0.33 (CT)、0.67 ± 0.27 (MR) 和 0.65 ± 0.29 (CT-MR)
  • 测试队列2中的 DSC 为 0.57 ± 0.31 (CT), 0.77 ± 0.08 (MR), and 0.73 ± 0.18 (CT-MR)

Conclusions:自配置 nnU-Net 在 CT 和 MRI 上证明了 OPSCC 的可靠且准确的分割。多模态 CT-MR 模型在 CT 和 MRI 上的同步分割方面显示出有希望的结果。

欧放ER-2024年1月 AI论文速递_sed

Tina姐:到目前4篇文章,已经有2篇用nnUNet了,还不知道nnUNet怎么使用,查看我之前的教程👇
【添加链接】

5. MI-DenseCFNet: deep learning–based multimodal diagnosis models for Aureus and Aspergillus pneumonia

中文标题:MI-DenseCFNet:基于深度学习的金黄色葡萄球菌和曲霉菌肺炎多模态诊断模型

摘要

Objectives:构建并合并称为多输入 DenseNet 与临床特征融合的诊断模型 (MI-DenseCFNet),用于区分金黄色葡萄球菌肺炎 (SAP) 和曲霉肺炎 (ASP),并评估每个临床特征在确定这两种疾病时的显着相关性使用随机森林二分诊断模型诊断肺炎类型。这将提高区分 SAP 和 ASP 的诊断准确性和效率

Methods:本研究纳入了中国昆明四家大型三级医院收治的 60 名临床确诊的 SAP 和 ASP 患者。提取所有患者的胸部高分辨率CT肺窗,并收集每位患者相应的临床数据。

欧放ER-2024年1月 AI论文速递_深度学习_02

Results:MI-DenseCFNet 诊断模型展示了曲线下面积 (AUC) 为 0.92 的内部验证集。其外部验证集的 AUC 为 0.83。通过随机森林二分诊断模型筛选出11个显着的临床特征。

6. Automated MRI liver segmentation for anatomical segmentation, liver volumetry, and the extraction of radiomics

中文标题:自动 MRI 肝脏分割:用于解剖分割、肝脏体积测定和放射组学提取

摘要

Objectives:开发和评估深度卷积神经网络 (DCNN),用于在对比增强门静脉相磁共振成像 (MRI) 上进行自动肝脏分割、体积测定和放射组学特征提取。

Methods:这项回顾性研究包括来自机构数据库的门静脉 MRI 肝细胞癌患者。手动分割后,数据被随机分为独立的训练集、验证集和内部测试集。来自合作机构的去识别化扫描被用于外部测试。公共 LiverHccSeg 数据集用于进一步的外部验证。 3D DCNN 经过训练可以自动分割肝脏。相对于手动分割,分割精度通过 Dice 相似系数 (DSC) 进行量化。 Mann-Whitney U检验用于比较内部和外部测试集。使用组内相关系数(ICC)评估体积和放射组学特征的一致性。

Results:总共有 470 名患者符合纳入标准(63.9±8.2 岁;376 名男性),20 名患者用于外部验证(41±12 岁;13 名男性)。 DCNN 的 DSC 分割精度在内部 (0.97±0.01) 和外部 (0.96±0.03) 测试集之间同样较高 ( p = 0.28),并且在公共测试中表现出强大的分割性能 (0.93±0.03)。肝脏容量测定在内部(ICC,0.99)、外部(ICC,0.97)和公共(ICC,0.85)测试集中的一致性令人满意。放射组学特征在内部(平均 ICC,0.98±0.04)、外部(平均 ICC,0.94±0.10)和公共(平均 ICC,0.91±0.09)数据集中表现出极好的一致性。

欧放ER-2024年1月 AI论文速递_机器学习_03

Conclusions:自动肝脏分割可在 MRI 数据上产生强大且可概括的分割性能,并可用于体积测定和放射组学特征提取。

代码开源:https://github.com/OnofreyLab/volumetry-net

Tina姐: 本文用的MONAI的3D Unet,关于monai的使用我也出了很多教程了,基本就是那一套,用在自己的数据集上。

另外思考:这篇单纯的肝脏分割,也没有模型创新,为什么可以发ER?毕竟器官分割早就烂大街了,我最近的文章totalsegmentator分割肝脏也很好。

7. CT-based whole lung radiomics
nomogram: a tool for identifying the risk of cardiovascular disease in patients with chronic obstructive pulmonary disease

中文标题:基于 CT 的全肺放射组学列线图:识别慢性阻塞性肺病患者心血管疾病风险的工具

摘要

Objectives:评估基于 CT 的全肺放射组学列线图对于识别慢性阻塞性肺疾病 (COPD) 患者心血管疾病 (CVD) 风险的价值。

Methods:来自三家医院的 974 名 COPD 患者被分为训练队列(n  = 402)、内部验证队列(n  = 172)和外部验证队列(n = 400)。分析临床数据和 CT 结果。从平扫胸部 CT 图像中提取全肺的放射组学特征。使用算法构建放射组学特征。结合放射组学评分和独立临床因素,采用多因素Logistic回归分析建立放射组学列线图。采用ROC曲线来分析模型的预测性能。

Tina姐:首先使用开源深度学习模型 U-net( https://github.com/JoHof/lungmask )自动分割右肺和左肺,左右肺一起提取放射学特征。

Results:在内部验证队列中,组合模型(AUC,0.727) 比临床因素模型(AUC,0.629)表现更好。在外部验证队列中,组合模型(AUC,0.725) 比临床因素模型(AUC,0.690)表现更好

Conclusions:基于 CT 的全肺放射组学列线图有可能识别 COPD 患者的 CVD 风险。

8. Machine learning model to preoperatively predict T2/T3 staging of laryngeal and hypopharyngeal cancer based on the CT radiomic signature

中文标题: 基于 CT 放射组学特征的机器学习模型术前预测喉癌和下咽癌的 T2/T3 分期

摘要

Objectives:开发和评估基于放射组学的预测模型,用于区分喉和下咽鳞状细胞癌 (LHSCC) 的 T2/T3 分期

Methods:共有 118 名经病理证实的 LHSCC 患者参加了这项回顾性研究。我们基于增强 CT 图像中的 851 个放射组学特征进行特征处理,并通过结合三种特征选择方法和七个机器学习分类器建立了多个放射组学模型。受试者工作特征曲线下面积 (AUC)、准确性、敏感性和特异性用于评估模型的性能。从最佳模型获得的放射组学特征和统计显着的形态学图像特征被纳入预测列线图中。通过校准曲线和决策曲线分析评估列线图的性能。

Results:使用方差分析 (ANOVA) 特征选择和逻辑回归 (LR) 分类器生成最佳模型。训练集、验证集和测试集的 AUC 分别为 0.919、0.857 和 0.817。基于整合放射组学特征和形态学成像特征(可疑甲状软骨侵犯)的模型的列线图显示 C 指数为 0.899(95% 置信区间 (CI) 0.843–0.955),与校准曲线拟合良好 (p > 0.05 ) 。决策曲线分析进一步证实了列线图的临床实用性。

欧放ER-2024年1月 AI论文速递_sed_04

Conclusions:基于增强 CT 图像放射组学模型的列线图对于区分 LHSCC 的 T2/T3 分期具有良好的诊断性能。

9. Feasibility study on the clinical application of CT-based synthetic brain T1-weighted MRI: comparison with conventional T1-weighted MRI

中文标题:基于CT的合成脑T1w MRI临床应用可行性研究:与常规T1w MRI的比较

摘要

Objectives:本研究旨在检验基于计算机断层扫描 (CT) 的合成 T1 加权成像 (T1WI) 与传统 T1WI 在脑形态定量评估方面的等效性。

Materials and methods:这项前瞻性研究对 35 名接受脑部磁共振成像 (MRI) 和 CT 扫描的成年患者进行了检查。使用基于深度学习模型的图像合成方法从 CT 数据生成合成 T1WI (sT1WI)。两名资深放射科医生在不同场合使用 sT1WI 和常规 T1WI 独立测量临床相关的脑形态参数。使用统计一致性检查评估传统 T1WI 和合成 T1WI 之间的可靠性和一致性,包括阅读器内、阅读器间和方法间一致性。

欧放ER-2024年1月 AI论文速递_深度学习_05

Results:除了由于放射科医生之间的测量差异而导致的一些较差的一致性之外,阅读器内、阅读器间和方法间的可靠性和变异性大多表现出所需的性能。 sT1WI 的所有测量值均与 T1WI 的测量结果等效,间隔为 5%。

Conclusion:这项研究证明了基于 CT 的 sT1WI 与传统 T1WI 在定量评估大脑形态方面的等效性,从而通过单次 CT 扫描提供更多关于影像诊断的信息。

总结

  • 这期的AI相关文章机器学习和影像组学占比大
  • 图像分割有2篇直接上nnUNet,无需魔改,多加点临床意义
  • ER上对深度学习模型创新度要求不高,讲好临床故事

我是Tina, 我们下篇博客见~

白天工作晚上写文,呕心沥血

觉得写的不错的话最后,求点赞,评论,收藏。或者一键三连

欧放ER-2024年1月 AI论文速递_人工智能_06


举报

相关推荐

0 条评论