XiaoMi-AI文件搜索系统
World File Search System放射线学
弥合基于MRI的放射线学的差距
放射线学取决于提取各种基于图像的特征来提供决策支持。磁共振成像（MRI）有助于对患者护理的个性化，但高度依赖于获取和重建参数。今天，在放射线学背景下对MR图像的最佳预处理没有指南，这对于公布基于图像的签名至关重要。本研究旨在评估MRI中通常使用的三种不同强度归一化方法（NYUL，Whitestripe，Z-Score）的影响，以及两种强度离散化方法（固定的BIN大小和固定的BIN数字）。对这些方法的影响进行了评估对从脑MRI提取的一阶放射素学特征，从而为未来的放射线学研究建立了统一的方法。使用了两个独立的MRI数据集。第一个（DataSet1）包括20名患有II级和III Gliomas的机构患者，他们接受了对比后3D轴向T1加权（T1W-GD）和T2加信的轴向T2加权流体衰减反转反转恢复（T2W-FLAIR）序列（T2W-FLAIR）序列（T2W-FLAIR）在两个不同的MR设备上（1.5 T和3.0 T和3.0 T and）。Jensen -Shannon差异用于比较标准化前后的强度直方图对。使用一致性相关系数和阶层内相关系数分析了两个采集之间一阶和二阶特征的稳定性。强度归一化高度提高了一阶特征的鲁棒性和随后的分类模型的性能。从公共TCIA数据库中提取第二个数据集（DataSet2），其中包括108例WHO II级和III级神经胶质瘤的患者，以及135例WHO IV级胶质母细胞瘤的患者。使用五种完善的机器学习算法，根据肿瘤等级分类任务（平衡精度测量）评估了归一化和离散方法的影响。For the T1w-gd sequence, the mean balanced accuracy for tumour grade classification was increased from 0.67 (95% CI 0.61–0.73) to 0.82 (95% CI 0.79–0.84, P = .006), 0.79 (95% CI 0.76–0.82, P = .021) and 0.82 (95% CI 0.80–0.85, P = 。005）分别使用NYUL，Whitestripe和Z得分归一化方法，而没有归一化。相对离散化使得不必要地将强度归一化用于二阶放射线学特征。即使离散化的垃圾箱对分类表现有很小的影响，也获得了良好的妥协
在脑肿瘤中使用放射线学的前景
抽象放射素学是诊断的新方向，可以确保更有效地利用医疗设备，减少医生在患者上花费的时间，并提高各种医学领域的鉴别诊断准确性。审查提供了有关肿瘤学中放射组学和放射基因组学的一般信息，近年来该领域的研究结果特别关注这些方法在神经肿瘤学中的作用，并解决了脑肿瘤诊断的问题。上述研究结果关于神经肿瘤学中的放射组学和放射基因组学表明这些技术的毫无希望，但是，与其他医学和生物学领域一样，不能完全排除错误，并且参与其中的专家团队的任务是最小化这一概率。简介
叙事评论整合了FDG-PET/CT，放射线学和...
通过部署荧光脱氧葡萄糖 - 质子发射断层扫描/计算机断层扫描（FDG-PET/CT）成像来区分炎症性和肿瘤病变，对于准确的诊断和患者管理肿瘤学是必要的。这些实体之间的代谢活动造成了挑战，这可能会使解释和阻碍诊断确定性变得复杂。本评论全面探讨了成像参数，例如最大和峰标准化吸收值（Suvmax和Suvpeak），突出了它们在临床实践中的优势和局限性。它进一步详细阐述了整合高级成像方式的添加价值，例如正电子发射断层扫描/磁共振成像（PET/MRI），提供了出色的软组织对比度，功能性见解和在复杂病例中增强的诊断准确性。此外，从这些新兴技术如何优化病变表征并降低观察者的变异性的方面讨论了人工智能（AI）和放射线学的作用。此外，通过整合定量分析，解剖成像特征和相关的临床数据，提出了一种临床算法，用于病变分化，以提供实际指导。该实用指导使临床医生拥有必要的工具，以在其实践中运用知识。
使用放射线学和机器学习区分脑肿瘤的辐射坏死和转移性进展
（Am J Clin Oncol 2023; 00：000 - 000）B雨转移通常很难管理，通常会降低患者的生活质量，从而表现出迹象和症状，例如头痛，人格变化，记忆力，癫痫发作等。不同的治疗技术，例如全脑放射疗法，立体定向放射外科手术（SRS），伽马刀等。已用于治疗脑转移。目前，由于多叶胶胶的设计以及无需过滤器的光束（FFF）的发明，SRS被广泛用于治疗脑转移。1不幸的是，辐射坏死（RN）是该治疗技术的常见不良影响，因为将高剂量的辐射递送到一个分数或几个分数中。该技术被称为低分定位式放射疗法。2015年，Kohutek等人2报道说，使用SRS Technique在25.8％的治疗脑病变中观察到RN。Minniti等人3进行了一项研究，研究了SRS治疗后脑放射性症的风险，并显示24％的治疗病变发生了RN。诊断患有神经系统症状的患者通常接受诊断测试，包括磁共振成像（MRI）。4后续成像通常是为了监测放射疗法的治疗效果，以评估治疗反应，例如完全或部分反应，进行性疾病，稳定疾病等。不幸的是，由于血脑屏障的破坏，RN和肿瘤的过程在常规MRI序列上看起来相似。5因此，对于临床医生和放射科医生来说，至关重要的任务是将RN和肿瘤复发与这些MRI图像区分的能力。最近，放射素学已用于医学中，包括放射疗法，以预测或评估治疗结果。不同的研究已经使用放射线学进行了分析和评估后续图像。6 - 8在该领域，MRI起着至关重要的作用，因为MR图像能够产生有关大脑和其他颅骨结构的卓越解剖信息，这些信息比其他成像方法更清晰，更详细。此外，MRI是一种无创和无损的方法，可反复检查肿瘤以评估对治疗的反应，因此可以将其整合到治疗策略中。6放射素学是一种从医学图像中提取可最小数据的方法，并在肿瘤学中广泛使用。从MR成像中提取这些数据并将其与潜在的组织动态联系起来具有扩大癌症成像研究范围的巨大潜力。此外，放射线学是一种无创方法，可提供无限信息，可用于癌症检测，预后确认，对治疗的反应前词和疾病监测
定量成像（放射线学）和人工智能在精确肿瘤学中的新作用
癌症是致命的疾病，是全球第二大死亡的原因。癌症治疗是一个复杂的过程，需要一种基于多模式的方法。癌症检测和治疗始于筛查/诊断，并一直持续到患者还活着。筛查/诊断疾病是癌症管理的开始，并且继续进行疾病的分期，计划和提供治疗，治疗监测以及持续的监测和随访。成像在癌症管理的所有阶段都起着重要作用。常规肿瘤学实践认为，所有患者在疾病类型中均相似，而生物标志物亚群则是一种疾病类型的患者，这会导致精确肿瘤学的发展。放射线过程的利用促进了在精确肿瘤学中找到应用的各种成像生物标志物的进步。过去，许多研究人员研究了成像生物标志物和人工智能（AI）在肿瘤学中的作用。现有文献暗示了成像生物标志物和AI在肿瘤学中的作用的日益增加。但是，也对放射线特征的稳定性也受到质疑。放射线群落已经认识到，放射线特征的不稳定性对基于放射素的预测模型的全球概括构成了危险。为了在肿瘤学中建立基于放射素的成像生物标志物，需要优先建立放射线特征的鲁棒性。这是因为在一个机构中开发的放射线模型在其他机构中经常表现不佳，这很可能是由于放射性特征不稳定性所致。为了概括肿瘤学中的基于放射素的预测模型，包括定量成像网络（QIN），定量成像生物标志物联盟（QIBA）和图像生物标记标准化计划（IBSI）的许多计划已发起以稳定辐射特征。
放射学的未来派趋势
I.引言将来会影响放射学的各种关键收入。这些是大数据分析，人工智能，云存储，机器人和智能机器，3D打印，增强现实和虚拟现实（AR＆VR），放射基因组学，大脑计算机接口等万维网遥控性影响全球放射线服务以及放射学成像和患者数据的易于访问性。[1] II。 人工智能（AI）AI有助于尽早发现疾病过程，确定隐藏的异常，增加患者的可及性并增加偏远/农村患者进入的偏远地区覆盖范围。 [2] AI还减少了放射学人员的短缺。 [3] iii。 提高精度和高级成像精度药物的自动化已成为疾病治疗和预防的方法。 因此，放射线学已发展为新的放射学领域。 使用放射线学，放射科医生和计算机使用深度学习来帮助AI查找像素的模式。 精确医学和放射线学将继续增长，随之而来的是某些放射科医生的任务是自动化的机会，留下了更多的时间去做其他工作，例如介入放射学。 iv。 高级成像技术在放射学中有许多新技术。 [4]当前正在发展和流行。 与放射线学，光声成像和Terahertz成像一起起作用，并发挥重要作用。 这些技术将允许与当前可能的更详细和准确地拍摄身体的图像。[1] II。人工智能（AI）AI有助于尽早发现疾病过程，确定隐藏的异常，增加患者的可及性并增加偏远/农村患者进入的偏远地区覆盖范围。[2] AI还减少了放射学人员的短缺。[3] iii。提高精度和高级成像精度药物的自动化已成为疾病治疗和预防的方法。因此，放射线学已发展为新的放射学领域。使用放射线学，放射科医生和计算机使用深度学习来帮助AI查找像素的模式。精确医学和放射线学将继续增长，随之而来的是某些放射科医生的任务是自动化的机会，留下了更多的时间去做其他工作，例如介入放射学。iv。高级成像技术在放射学中有许多新技术。[4]当前正在发展和流行。与放射线学，光声成像和Terahertz成像一起起作用，并发挥重要作用。这些技术将允许与当前可能的更详细和准确地拍摄身体的图像。V.放射基因组学
个性化医学和临床研究
Montagnon E等。（2020）放射学深度学习工作流程：底漆。对成像的见解，11（1）。Huang EP等。 （2022）。 将放射线学转化为临床有用的测试的标准。 nat Rev Clin ONC，1-14。Huang EP等。（2022）。将放射线学转化为临床有用的测试的标准。nat Rev Clin ONC，1-14。
验证血浆细胞外囊泡PD-L1的多素模型和用于预测NSCLC免疫疗法反应的放射线学
©作者2024。Open Access本文是根据Creative Commons Attribution 4.0 International许可获得许可的，该许可允许以任何媒介或格式使用，共享，适应，分发和复制，只要您对原始作者和来源提供适当的信誉，请提供与创意共享许可证的链接，并指出是否进行了更改。本文中的图像或其他第三方材料包含在文章的创意共享许可中，除非在信用额度中另有说明。如果本文的创意共享许可中未包含材料，并且您的预期用途不受法定法规的允许或超过允许的用途，则您需要直接从版权所有者那里获得许可。要查看此许可证的副本，请访问http://creativecommons.org/licenses/4.0/。Creative Commons公共领域奉献豁免（http://creativecommons.org/publicdomain/zero/zero/1.0/）适用于本文中提供的数据，除非在信用额度中另有说明。
放射素和阿尔茨海默氏病管理中的AI
阿尔茨海默氏病（AD）是痴呆症的主要原因，由于人口老龄化而构成了日益严重的全球健康挑战。早期和准确的诊断对于优化治疗和管理至关重要，但是传统的诊断方法通常在解决AD病理学的复杂性方面通常不足。放射组学和人工智能（AI）的最新进步通过整合定量成像功能和机器学习算法来增强诊断和预后精度，从而提供了新的解决方案。本综述探讨了放射线学和AI在AD中的应用，重点介绍了PET和MRI等关键成像方式，以及结合结构和功能数据的多模式方法。我们讨论了这些技术鉴定疾病特异性生物标志物，预测疾病进展并指导个性化干预措施的潜力。此外，该评论还解决了关键挑战，包括数据标准化，模型解释性以及将AI集成到临床工作流程中。通过强调当前的成就并确定未来的方向，本文强调了AI驱动的放射线学在重塑AD诊断和护理方面的变革潜力。