XiaoMi-AI文件搜索系统
World File Search SystemMMRI
上下文意识到脑肿瘤细分的深度学习...
脑肿瘤是大脑中癌细胞的不受控制的生长。肿瘤的准确分割和分类对于随后的预后和治疗计划至关重要。这项工作提出了有关使用结构多模式磁共振图像（MMRI）的脑肿瘤分割，亚型分类和总生存预测的深入学习的上下文学习。我们首先提出了3D上下文意识深度学习，该学习认为放射学MMRI图像子区域中肿瘤位置的不确定性以获得肿瘤分割。然后，我们将常规的3D卷积神经网络（CNN）应用于肿瘤段，以实现肿瘤亚型分类。最后，我们使用深度学习和机器学习的混合方法进行生存预测。为了评估性能，我们将提出的方法应用于2019年多模式脑肿瘤分割挑战（BRATS 2019）数据集，以进行肿瘤分割和整体生存预测，以及计算精度医学放射学-Pathology（CPM- rad Path）对脑肿瘤分类2019年对Tumor Classification for Tumor Classification的数据集。我们还基于流行的评估指标，例如骰子得分系数，Hausdorff距离（HD95）（HD95），分类准确性和均方误差，进行广泛的绩效评估。结果表明，所提出的方法分别提供了稳健的肿瘤分割和存活预测。此外，在2019年CPM-Radpath全球挑战的测试阶段，肿瘤分类导致这项工作排名第二。
使用放射基因组学对胶质母细胞瘤患者进行 MGNT 分类的不确定性评估
多形性胶质母细胞瘤 (GBM) 是所有高级别脑癌中最恶性的脑肿瘤之一。替莫唑胺 (TMZ) 是胶质母细胞瘤患者的一线化疗方案。O6-甲基鸟嘌呤-DNA-甲基转移酶 (MGMT) 基因的甲基化状态是肿瘤对 TMZ 化疗敏感性的预后生物标志物。然而，评估 MGMT 甲基化状态的标准化程序是侵入性手术活检，其准确性易受切除样本和肿瘤异质性的影响。最近，将放射图像表型与基因或分子突变相关联的放射基因组学在放射治疗的非侵入性评估中显示出良好的前景。本研究利用从多模态磁共振成像 (mMRI) 中提取的成像特征，提出了一种用于 MGMT 分类的机器学习框架，并进行不确定性分析。成像特征包括常规纹理、体积和复杂分形以及多分辨率分形纹理特征。使用公开的 BraTS-TCIA-GBM 术前扫描和 114 名患者的 TCGA 数据集对所提出的方法进行了评估。10 倍交叉验证实验表明，分形和多分辨率分形纹理特征可以更好地预测 MGMT 状态。使用随机梯度朗之万增强模型集合和多分辨率分形特征的不确定性分析可提供 71.74% 的准确率和 0.76 的曲线下面积。最后，分析表明，与文献中不同的知名方法相比，我们提出的具有不确定性分析的方法具有更好的预测性能。
脑磁共振成像的进展
摘要：Prader – Willi综合征（PWS），这是一种罕见的表观遗传疾病，绘制了15q11.2-Q13.3的印迹式循环结构域，以不同阶段的形式表现出常规的神经发育轨迹。PWS的当前多模式磁共振成像（MRI）方法集中在形态MRI（MMRI），扩散MRI（DMRI）和功能性MRI（fMRI）上，以揭示脑改变。该技术提供了另一种观点，可以理解PWS的潜在神经发育和神经病理过程，此外，除了特定的分子基因表达模式，各种临床表现和代谢表型。PWS患者的多模式MRI研究表明，灰质体积，纤维段的完整性以及某些网络的激活和连通性的大脑变化。这些发现主要表明，额叶奖励回路和边缘系统的大脑改变与分子遗传学和临床表现有关（例如，压倒性的饮食，强迫性的强迫行为和皮肤采摘）。使用大型样本量和高级MRI技术以及人工智能算法的进一步探索将是研究PWS的结构和功能变化以及潜在的发病机理的主要研究方向。
2023-2024 年年度报告
一个高度跨学科的项目（AiMS 和 MMRI 之间）由工程学院（UBCO）、护理系（UBCO）、计算机科学系（UBCO）、工程学院（澳大利亚皇家墨尔本理工大学）、教育学院（美国加州州立大学富尔顿分校）组成。这项工作作为一个案例研究，介绍了一个混合现实 (MR) 平台以及用于静脉 (IV) 输液训练的数据分析。我们的研究团队通过采用四种通信模式（计算机代理文本、代理音频、人机文本和人机音频）并评估它们在学习期间对高级护理学生的影响，探索了基于 MR 的学生指导学习 (SDL) 工具的有效性。该研究针对八名高级护理学生，随后进行了三十分钟的组装指导和十五分钟的问卷调查，并包括对信任、可靠性、有用性、满意度和易用性等各种因素的主观评估。结果强调了代理文本模式在所有因素方面的优越性。 Jason Reich 因最佳新脉冲序列荣获 Stefan E Fischer 奖 BC Cancer 使用 Gel Dosimetry 委托立体定向放射外科治疗，这样患者就可以在 Okanagan 一次性接受这些治疗（而不是前往温哥华或选择简单的姑息治疗）。还引入了虚拟锥技术来治疗三叉神经痛。
结合上下文编码的深度学习用于脑肿瘤语义分割和患者生存预测
基于深度学习的脑肿瘤分割模型遇到的最具挑战性的问题之一是，由于类别表示固有的不平衡，导致肿瘤组织类别分类错误。因此，在训练用于脑肿瘤分割的大规模深度学习模型时，通常会考虑强正则化方法，以克服对代表性组织类型的过度偏见。然而，这些正则化方法往往在计算上是详尽的，并且可能无法保证学习代表输入 MRI 示例中存在的所有肿瘤组织类型的特征。最近使用深度 CNN 模型进行上下文编码的工作已显示出对自然场景语义分割的希望，特别是由于改进了代表性特征学习，小物体分割得到了改善。因此，我们提出了一种新颖、高效的基于 3DCNN 的深度学习框架，该框架具有上下文编码，用于使用多模态磁共振成像 (mMRI) 进行语义脑肿瘤分割。所提模型中的上下文编码模块强制进行丰富的、与类别相关的特征学习，以提高整体多标签分割性能。随后，我们在基于机器学习的生存预测管道中使用上下文增强特征来提高预测性能。使用公开的2019年脑肿瘤分割（BraTS）和生存预测挑战数据集对所提方法进行评估，结果表明，所提方法显著提高了肿瘤组织分割性能和整体生存预测性能。
Albert Tianxiang Liu div>
2024 MMRI教师研究者奖，密歇根材料研究所2023 ACS PRF博士新研究者奖，美国化学学会2023年复杂粒子系统中心（Compass），Natioanl Science Foundation 2023 Michigan Bold Bold Challist Challenge Boost Boost Boost Boost Boost奖星级，IEEE固态电路协会2020材料研究协会研究生奖（春季），材料研究协会2019年研究生聚合物研究卓越，美国化学工程师研究所，2019年个人成就引用，部门。of Chemical Engineering, MIT 2019 Outstanding Graduate Teaching Assistant Award (for 10.65 – Chemical Reaction Engineering), MIT 2019 Teaching Development Fellowship , MIT 2018 Inorganic Materials Graduate Student Award ( 1 st place ), American Institute of Chemical Engineers 2018 PPG Polymer Engineering Award , Macromolecular Science & Engineering Symposium, University of Michigan 2018 Judge's Choice ( 1 st place team ), Harvard Surgical Program in创新，哈佛医学院2017材料研究协会研究生奖（秋季），材料研究协会2017年电子和光子材料研究生奖，决赛入围，美国化学工程师研究所2017年杰出研究生助教奖（10.50 - 交通现象），MIT 2017年Goodwin教学奖章，最终主义者，Dept.化学工程），麻省理工学院2016年碳纳米材料研究生奖（1 ST PLACE），美国化学工程师研究所，2014年总统研究生研究生奖学金，麻省理工学院2014年戈登·伍·沃（Gordon WU Award, Caltech 2013 David S. Koons Research Fellowship, Caltech 2013 Don Shepard Award, Caltech 2013 Andrew W. Archibald Prize for Highest Scholarship ( Valedictorian ), Grinnell 2013 Chemistry Alumni Award, Department of Chemistry, Grinnell 2013 Phi Beta Kappa , Iowa Beta Chapter 2011 ACS Polymer Chemistry Award , Polymer Education Committee , American Chemical Society 2011–13 Summer本科研究奖学金（三个学期），加州大学2011 Snyder奖学金（拒绝），伊利诺伊州Urbana-Champaign大学2010年，2010年伊利诺伊大学指导的高级项目奖学金，格林内尔2010年银牌，格林内尔学院，爱荷华州大学数学竞赛格林内尔学院团队Grinnell 2003银牌，国家数学奥林匹克运动会，中国数学学会