XiaoMi-AI文件搜索系统
World File Search SystemLGG
LGG 工具公司简介
• Thirupathi P（质量保证工程师）：拥有 6 年经验的工程师，精通 AS 和 ISO 质量标准。出厂质量保证工程师，RVB Shourlube Industries Private Ltd. 坎普尔。
使用基于 WFL 的 3D U-Net 对 HGG 和 LGG MRI 图像进行脑肿瘤分割
脑肿瘤的语义分割是医疗治疗计划中的重要阶段。由于肿瘤的特性，图像分割的主要困难之一是类别之间的严重不平衡。此外，类别不平衡的数据集是多模态3D脑MRI中常见的问题。尽管存在这些问题，但大多数脑肿瘤分割研究仍然偏向于过度代表的肿瘤类别（多数类别），而忽略了小规模的肿瘤类别（少数类别）。在本文中，我们提出了一种基于3D U-Net的改进损失函数加权焦点损失（WFL），以增强脑肿瘤分割的预测。使用我们提出的损失函数（WFL）通过给予少数类较高的权重和给予多数类较低的权重来解决类别之间的不平衡和权重之间的不平衡。在将这些权重分配给不同的像素值后，我们的工作能够解决像素退化问题，这是模型训练期间损失函数的局限性之一。根据我们的实验，在脑肿瘤分割挑战赛 (BraTS) 2019 数据集中，针对高级别胶质瘤 (HGG) 和低级别胶质瘤 (LGG) 的 3D U-Net 模型上，提出的函数 (WFL) 对肿瘤核心 (TC)、整个肿瘤 (WT) 和增强肿瘤 (ET) 显示出良好的结果，其中 HGG 的平均骰子分数为：0.830、0.913、0.815，LGG 的骰子分数为 TC：0.731、WT：0.775 和 ET：0.685。此外，我们在 BraTS 2020 上部署了训练，获得了平均 Dice 分数 HGG：TC：0.843、WT：0.892、ET：0.871，以及 Dice 分数 LGG：TC、WT 和 ET 分别为 0.7501、0.7985、0.6103。
利用基于 Cas9 的内源性鼠李糖乳杆菌 GG (LGG) 基因组编辑进行精准食品发酵和活体生物治疗
（未经同行评审认证）是作者/资助者。保留所有权利。未经许可不得重复使用。此预印本的版权所有者此版本于 2025 年 1 月 21 日发布。；https://doi.org/10.1101/2025.01.21.634116 doi：bioRxiv preprint
使用 Amazon Sagemaker 的预训练卷积神经网络在多模态 MRI 中分割 HGG 和 LGG 脑肿瘤
摘要：多模态 MRI 的自动脑肿瘤分割在辅助胶质母细胞瘤和下脑胶质瘤的诊断、治疗和手术方面发挥着重要作用。在本文中，我们提出应用 AWS SageMaker 框架中实现的几种深度学习技术。不同的 CNN 架构经过调整和微调，以达到脑肿瘤分割的目的。对实验进行评估和分析，以获得所创建模型的最佳参数。所选架构在公开的 BraTS 2017-2020 数据集上进行训练。分割区分了背景、健康组织、整个肿瘤、水肿、增强肿瘤和坏死。此外，还提出了一种随机搜索参数优化的方法，以进一步改进获得的架构。最后，我们还计算了由所述六个模型的加权平均值创建的集成模型的检测结果。集成的目标是改善肿瘤组织边界的分割。我们的结果与 BraTS 2020 竞赛和排行榜进行了比较，根据骰子分数的排名，我们的结果位列前 25%。
补体和凝结级联反应与预后和下级神经胶质瘤的免疫微环境有关
几项研究探讨了磁共振成像与LGG的恶性进展之间的关系，发现在纵向灌注加权磁共振成像下测得的相对脑血容量的变化可以预测LGG的恶性转化（11,12）。完全手术切除是当前可行的LGG的主要治疗方法（9）。尽管如此，侵入性生长和涉及LGG区域的特征使得在某些LGG患者中很难完全切除手术（13,14）。由于LGG的异质性和脑血屏障的存在，诸如化学疗法和免疫疗法之类的疗法并不令人满意（15,16）。因此，寻找新的生物标志物并制定治疗LGG的新治疗策略至关重要（17,18）。
神经肿瘤学
抽象背景。患有手术治疗的低度神经胶质瘤（LGG）的患者通常功能良好，并且预后良好。但是，LGG会影响神经认知功能。迄今为止，这些患者中的社会认知（SC）知之甚少，尽管SC受损与社会行为问题和社会参与不佳有关。正面大脑区域对于SC很重要，LGG经常有额叶位置。因此，本研究的目的是研究情绪识别（SC的关键组成部分）是否受到损害，并且与一般认知，肿瘤位置，横向性，肿瘤体积和组织病理学特征有关，术后和辅助治疗开始之前。方法。总共121例LGG患者与169个健康对照组（HC）匹配。肿瘤位置[包括（额叶）子区域；在MRI扫描时，确定了岛，前扣带回皮层，外侧前额叶皮层（LPFC），眶额 - 内侧PFC]和肿瘤体积。情感识别是通过Ekman 60面对情绪刺激和测试（Feest）面部表情的测试来测量的。结果。LGG患者的耗时效果明显低于HC，与标准数据相比，有33.1％的患者显示出损害。情绪识别与额叶肿瘤的位置，横向性和组织病理学特征没有显着相关，并且与一般认知和肿瘤体积显着但弱相关。结论。LGG患者的情绪识别受损，但与特定肿瘤特征或一般认知无关。因此，对这些患者的单个神经心理学评估进行测量至关重要，无论肿瘤特征如何，都可以将可能的损害告知临床医生，并因此提供适当的护理。
利用集成分子数据的病理图像深度神经网络分析增强胶质瘤分类和分级
神经胶质瘤是源自神经胶质细胞的原发性脑肿瘤。对这些肿瘤的分类和分级对于预后和治疗计划至关重要。世界卫生组织 (WHO) 于 2016 年推出了现行的中枢神经系统 (CNS) 神经胶质瘤分类标准。该神经胶质瘤分类标准需要将组织学与基因组学相结合。2017 年，中枢神经系统肿瘤分类分子和实用方法信息联盟 (cIMPACT-NOW) 成立，旨在为中枢神经系统肿瘤分类提供最新的建议，预计 WHO 将在即将发布的分类中采纳这些建议。在这项工作中，我们提出了一种新颖的神经胶质瘤分析方法，这是文献中首次根据最新的 WHO 标准将从脑组织病理学图像数字分析中获得的细胞特征与分子特征相结合。我们首先提出了一种新颖的过度分割策略，用于在大型组织病理学全幻灯片图像 (WSI) 中选择感兴趣区域 (ROI)。然后，基于深度神经网络 (DNN) 的分类方法将分子特征与细胞特征融合，以提高肿瘤分类性能。我们使用来自癌症基因组图谱 (TCGA) 数据集的 549 个患者病例对所提出的方法进行了评估。使用常规 DNN 对低级别胶质瘤 (LGG) 和高级别胶质瘤 (HGG) 的交叉验证分类准确率为 93.81%，使用残差神经网络 (ResNet) DNN 对 LGG II 和 LGG III 的交叉验证分类准确率为 73.95%。我们的实验表明，深度学习的类型对 LGG II 与 LGG III 之间的肿瘤亚型区分有显著影响。这些结果优于对 LGG II 与 LGG III 进行分类的最先进方法。 LGG III，在文献中区分 LGG 与 HGG 方面具有竞争力。此外，我们还研究分子
使用杂交卷积神经网络跨MRI图像对下级神经胶质瘤进行脑肿瘤分割
摘要：低度神经胶质瘤（LGG）是最常见的恶性脑肿瘤，可大大定义患者的表现率。跨磁共振成像（MRI）的LGG分割是诊断和治疗计划所必需的。为了达到这一具有挑战性的临床需求，这是一种基于U-NET和SEGNET的杂交结合卷积神经网络（CNN）的深度学习方法。实际上，为了将其与最常用的模型U-NET进行比较，建立了一种采用的侦察模型。分割使用110名LGG患者的反转恢复（FLAIR）进行培训和评估。混合模型实现的最高平均值和中值骰子系数（DC）为83％和85。分别为7％。获得的这项工作的结果导致在MRI图像中使用深度学习的潜力，以便为许多相关的临床应用提供无创的LGG分割工具。
分形维度：分析其作为使用机器学习
结果：来自肿瘤和非肿瘤区域的FD措施能够区分LGG和HGG患者。在15种不同的FD度量中，增强肿瘤区域的一般结构FD值高精度（93％），敏感性（97％），特定城市（98％）和接收器工作特征曲线（AUC）分数（98％）下的面积（98％）。无肿瘤的GM骨骼FD值也得出了良好的准确性（83.3％），灵敏度（100％），特异性（60％）和AUC分数（80％），以分类肿瘤等级。在LGG和HGG患者之间，还发现这些措施显着（P <0.05）。另一方面，在25种纹理特征（增强的肿瘤区域特征）中，即对比度，相关性和熵，揭示了LGG和HGG之间的显着差异。在机器学习中，增强的肿瘤区域纹理特征具有很高的精度，灵敏度，特定的牙齿和AUC分数。
达拉非尼联合曲美替尼治疗 1 岁及以上儿童和青少年的 BRAF V600E 突变阳性胶质瘤
3.1 神经胶质瘤是儿童和年轻人中最常见的脑癌类型。它们由支持大脑和脊髓神经细胞的神经胶质细胞发展而来。神经胶质瘤根据其生长速度进行分类。大多数神经胶质瘤为 1 级或 2 级，称为低级别神经胶质瘤 (LGG)，不生长或仅生长缓慢。3 级和 4 级神经胶质瘤称为高级别神经胶质瘤 (HGG)，生长迅速。因此，HGG 的结果比 LGG 更差。BRAF 是一种编码蛋白质 B-Raf 的基因，它会影响细胞生长。BRAF V600E 突变阳性的 LGG 患者的寿命比没有突变的神经胶质瘤患者短。患者专家强调了神经胶质瘤诊断对儿童和年轻人、他们的家人和照顾者的创伤性，以及当前治疗的局限性。他们指出，神经胶质瘤及其治疗可能会延迟教育、限制社交，并导致持久的情绪