XiaoMi-AI文件搜索系统
World File Search System脑膜瘤
一种结合 SqueezeNet 模型与 SVM 和微调的脑肿瘤分类新方法
摘要：脑癌在老年人和年轻人中最为常见，并且对老年人和年轻人都可能是致命的。如果能迅速诊断和治疗，脑肿瘤可以更好地治愈。在处理医学图像时，深度学习方法对于帮助人类诊断各种疾病至关重要。对脑肿瘤进行分类是一个必不可少的步骤，它在很大程度上依赖于医生的经验和培训。一个用于检测和分类这些肿瘤的智能系统对于使用 MRI（磁共振成像）图像进行脑肿瘤的非侵入性诊断至关重要。这项工作提出了一种基于 CNN 的新型混合深度学习结构，通过 MRI 扫描区分三种不同类型的人脑肿瘤。本文提出了一种使用深度学习和 CNN 进行分类的双重方法。第一种方法将用于模式分类的 SVM 无监督分类与用于特征提取的预训练 CNN（即 SqueezeNet）相结合。第二种方法将监督式软最大分类器与精细调整的 SqueezeNet 相结合。为了评估所提方法的有效性，使用脑部 MRI 扫描分析了总共 1937 张胶质瘤肿瘤图像、926 张脑膜瘤肿瘤图像、926 张垂体肿瘤图像和 396 张正常脑部图像。根据实验结果，精细调整的 SqueezeNet 模型的准确率为 96.5%。然而，当使用 SqueezeNet 作为特征提取器并应用 SVM 分类器时，识别准确率提高到 98.7%。
tumordetnet：一种用于脑肿瘤检测和分类的统一深度学习模型
在较早阶段对脑肿瘤类型的准确诊断对于治疗过程至关重要，并有助于挽救全球大量人的生命。因为他们是无创和备用的患者，因此经常使用磁共振成像（MRI）扫描来识别肿瘤。肿瘤的手动识别很困难，由于大量的三二次图像，需要大量时间，这是一个患者大脑从各个角度产生的MRI扫描。进一步，脑肿瘤的位置，大小和形状的变化也使检测和对不同类型的肿瘤进行分类的挑战。因此，已经提出了计算机辅助诊断系统（CAD）系统以检测脑肿瘤。在本文中，我们提出了一种新型的统一端到端深度学习模型，称为肿瘤肿瘤检测和分类。我们的Tumordetnet框架采用了48个带有漏水（LRELU）和RELU激活功能的卷积层来计算最独特的深度特征图。此外，平均合并和辍学层也用于学习区分模式并减少过度拟合。最后，使用一个完全连接的和软层层来检测并将脑肿瘤分为多种类型。我们在六个标准的kaggle脑肿瘤MRI数据集上评估了我们方法的表现，以将脑肿瘤检测和分类为（恶性和良性），以及（神经胶质瘤，垂体和脑膜瘤）。我们的模型成功地鉴定出了99.83％的明显精度，分类的良性和恶性脑肿瘤，理想的精度为100％，而脑膜化，垂体和胶质瘤肿瘤的精度为99.27％。这些结果揭示了对可靠鉴定和分类脑肿瘤的建议方法的效力。
使用内镜外科导航晚期术中术中增强现实的可视化术中型型型肿瘤切除术。
内窥镜型型方法（ETSA）是一种常用的技术，可以微创地去除卖出和羊角菌病变。假设 ETSA中的增强现实（AR）应用是通过将3D重建模型集成到手术领域中来增强术中可视化的。 本研究描述了与内窥镜外科导航高级平台（EndoSNAP，手术剧院，俄亥俄州克利夫兰，俄亥俄州，俄亥俄州，俄亥俄州，美国）相关的工作流程和手术结果，这是一个用于手术规划和销售术中术中导航的AR平台。 我们分析了使用内核NAP进行ETSA肿瘤切除的患者队列。 术前MRI和CT扫描被重建，并使用手术排练平台软件合并为单个360°AR模型。 然后将模型导入到内osnap中，该模型与内窥镜和神经验证系统集成在一起，以实时术中使用。 记录了患者人口统计学，肿瘤特征，切除程度（EOR）以及内分泌和神经系统结局。 包括新诊断的18名成年患者（83％），复发性（17％）肿瘤包括在内。 病理学由垂体腺瘤（72％），颅咽管瘤（11％），脑膜瘤（11％）和脊全瘤（6％）组成。 56％的患者存在视觉压缩，其中70％的术前视觉缺陷。 在17％的肿瘤中观察到海绵窦侵袭。 分别在56％和28％的病例中注意到术前激素过量和不足。 平均EOR为93.6±3.6％。ETSA中的增强现实（AR）应用是通过将3D重建模型集成到手术领域中来增强术中可视化的。本研究描述了与内窥镜外科导航高级平台（EndoSNAP，手术剧院，俄亥俄州克利夫兰，俄亥俄州，俄亥俄州，俄亥俄州，美国）相关的工作流程和手术结果，这是一个用于手术规划和销售术中术中导航的AR平台。我们分析了使用内核NAP进行ETSA肿瘤切除的患者队列。术前MRI和CT扫描被重建，并使用手术排练平台软件合并为单个360°AR模型。然后将模型导入到内osnap中，该模型与内窥镜和神经验证系统集成在一起，以实时术中使用。记录了患者人口统计学，肿瘤特征，切除程度（EOR）以及内分泌和神经系统结局。包括新诊断的18名成年患者（83％），复发性（17％）肿瘤包括在内。病理学由垂体腺瘤（72％），颅咽管瘤（11％），脑膜瘤（11％）和脊全瘤（6％）组成。56％的患者存在视觉压缩，其中70％的术前视觉缺陷。海绵窦侵袭。分别在56％和28％的病例中注意到术前激素过量和不足。平均EOR为93.6±3.6％。平均术前肿瘤体积为21.4±17cm³，术后降至0.4±0.3cm³。术后并发症包括需要手术修复的CSF泄漏（17％），癫痫发作，与先前存在的半球外伤有关（6％），肺栓塞（6％），深静脉血栓形成（6％）和鼻窦炎（6％）。这些发现表明，通过内部NAP的AR-增强可视化是ETSA的可行且潜在的有益辅助功能，可用于Sellar和Parasellar肿瘤切除。
利用深度学习进行 MRI 脑肿瘤分类
MRI（磁共振成像）是一种广泛使用的非侵入性肿瘤检测诊断工具。该项目比较了各种机器和深度学习模型在 MRI 扫描中对脑肿瘤（神经胶质瘤、脑膜瘤、垂体瘤和无肿瘤）进行分类时的表现，并与受过训练的放射科医生设定的标准进行了比较。部署的模型包括卷积神经网络 (CNN)、源向量机 (SVM)、随机森林分类器 (RFC)、几种迁移学习模型以及 MobleNetV2 到 SVM 的混合模型。每个模型都根据预处理和标准化数据的相同训练测试分割进行训练。采用适当的超参数调整和模型特定的优化来实现最高准确度并保持稳健性。生成了准确度指标和混淆矩阵来评估模型的有效性。此外，人工降级了一个单独的测试数据集来模拟低场 MRI 扫描，以评估模型的稳健性。在有和没有数据增强的情况下评估模型性能，数据增强包括对训练集进行随机降级、旋转、翻转和缩放。研究表明，放射科医生的总体诊断准确率为 87%：RFC 准确率为 94%，SVM 准确率为 95%，VGG16（最准确的迁移学习模型）准确率为 97.9%，混合 MobileNetV2/SVM 准确率为 98.2%，CNN 准确率为 97.6%。所有模型的放射科医生平均准确率更高，其中混合模型表现最佳。在降级数据集上测试以模拟低场 MRI 时，增强大大改善了 SVM 和 RFC 模型的结果；但是，在降级图像上测试时，CNN 模型的准确性受到的影响很小，增强无效。
F-1241 机器学习利用神经影像特征区分脑结核和脑肿瘤
背景：脑结核 (TB) 的表现常常与原发性和转移性脑肿瘤以及其他脑部感染性病变相似，因此很难诊断。它是造成严重后遗症和死亡的罪魁祸首，尤其是在发展中国家。需要一种快速准确的诊断方法来防止因延迟或错误诊断而导致的惨淡后果。我们的目标是开发一种分类器，利用机器学习帮助脑 MRI 上呈现的各种放射学特征将脑结核与脑肿瘤和其他感染区分开来。方法：纳入巴基斯坦卡拉奇阿迦汗大学医院的 72 例脑结核病和 146 例非结核病（包括脑膜瘤、神经胶质瘤、脑转移、真菌和细菌性脑感染），并将其分为训练数据集和测试数据集。使用相关矩阵选择特征；并包括从脑 MRI 记录的放射学特征，即环状增强、均匀增强、基底脑膜增强、脑膜增强（非基底）、均匀扩散受限、远端梗塞、脑积水、双侧多灶性病变、单侧多灶性病变和同一叶内多个病变，以及年龄和性别。在应用合成少数过采样技术 (SMOTE)、SMOTE-Tomek 链接、编辑最近邻 (ENN) SMOTE-ENN 和自适应合成 (ADASYN) 技术平衡数据集后，使用两个模型测试分类器准确性：逻辑回归和随机森林。结果：使用逻辑回归以及 SMOTE+TOMEK 获得最高精度 (90.9%)，曲线下面积为 95.4%，F1 得分为 92.8%。将 SMOTE+TOMEK 应用于 Logistic 回归模型后，准确率提高了 6.81%。结论：机器学习在临床决策支持系统中显示出良好的作用，可以快速、无创地区分脑肿瘤和感染。这些分类器可以作为临床设置中使用的移动应用程序的基础。应采用采样技术来提高分类器的性能。关键词：脑肿瘤；脑结核；神经影像学；机器学习
分子特征可指导原发性脑肿瘤成年患者的个性化医疗：ProfiLER 试验的结果
摘要 免疫组织化学和最新的分子技术逐步指导了个性化抗肿瘤治疗。我们探讨了分子分析对晚期脑肿瘤患者的可行性、有效性和影响。这项多中心前瞻性试验 ProfiLER 招募了原发性脑肿瘤患者，这些患者之前至少接受过一线抗癌治疗，并且使用下一代测序和/或比较基因组杂交对肿瘤、复发或活检的新鲜或存档样本获得了分子分析结果。分子肿瘤委员会每周分析结果并提出基于分子的推荐疗法 (MBRT)。从 2013 年 2 月到 2015 年 12 月，我们招募了 141 名原发性脑肿瘤患者，并分析了 105 名已获得肿瘤基因组分析的患者。组织学主要确诊为胶质母细胞瘤 ( N = 46, 44%)、低级别胶质瘤 ( N = 26, 25%)、高级别胶质瘤 ( N = 12, 11%) 和非典型及间变性脑膜瘤 ( N = 8, 8%)。43 名 (41%) 患者出现至少一种可操作的分子改变。在确诊的 61 种改变中，最常见的改变是 CDKN2A ( N = 18)、EGFR ( N = 12)、PDGFRa ( N = 8)、PTEN ( N = 8)、CDK4 ( N = 7)、KIT ( N = 6)、PIK3CA ( N = 5) 和 MDM2 ( N = 3)。16 名 (15%) 患者因早逝 ( N = 5)、缺乏可用的临床试验 ( N = 9) 或结果不合适 ( N = 2) 而无法接受 MBRT。在 27 名 (26%) 拟进行 MBRT 的患者中，只有 6 名 (6%) 最终开始 MBRT（依维莫司 ( N = 3)、厄洛替尼 ( N = 1)、芦可替尼 ( N = 1) 和索拉非尼 ( N = 1)），但因毒性 ( N = 4) 或临床进展 ( N = 2) 而停止治疗。脑肿瘤患者可常规进行高通量测序，尤其是在有宏观手术样本时；尽管如此，仍应减少延误。应重新考虑脑肿瘤患者的临床试验入组标准，并应开发一组专门针对神经系统肿瘤的基因来帮助临床实践中的决策。
使用微创技术切除颅内病变……
摘要目的位于皮质下区域的病变难以安全进入。管状牵开器越来越多地被成功使用，通过最大限度地减少脑牵开创伤和径向分布压力来进入病变，并发症少。双目手术显微镜和单目外窥镜均可用于通过管状牵开器观察病变。我们提出了最大规模的多外科医生、多机构系列研究，以确定经皮质-经管状方法切除颅内病变的有效性和安全性，同时实现显微镜和外窥镜可视化。方法我们回顾了一系列多外科医生、多机构病例，包括使用 BrainPath（NICO，印第安纳州印第安纳波利斯）或 ViewSite 脑通路系统（VBAS，Vycor Medical，佛罗里达州博卡拉顿）管状牵开器（n = 113）进行经皮质-经管状颅内病变切除术。结果共进行了 113 例颅内病变经管状切除术。患者的病变种类多样，包括 25 例海绵状血管瘤（21.2%）、15 例胶质囊肿（13.3%）、26 例胶质母细胞瘤（23.0%）、2 例脑膜瘤（1.8%）、27 例转移瘤（23.9%）、9 例神经胶质瘤（7.9%）和 9 例其他病变（7.9%）。病变深度低于皮质表面的平均深度为 4.4 cm，平均病变大小为 2.7 cm。81 例（71.7%）患者实现了全切除。永久性并发症发生率为 4.4%。一名患者（0.8%）出现一次术后早期癫痫发作（术后 < 1 周）。没有患者出现晚期癫痫发作（> 1 周随访）。术后平均住院时间为 4.1 天。结论管状牵开器为切除颅内病变提供了微创手术通道。它们为神经外科器械库提供了一种有效的工具，可以切除皮质下病变且并发症发生率低。
全自动脑肿瘤分割用于增强现实中的3D评估
目的是目前可用的增强现实工作流程，需要使用手动或半自动分段创建3D模型，这是一个耗时的过程。作者创建了一种自动分割算法，该算法从单个T1加权MR序列中生成3D模型的皮肤，大脑，心室和对比度增强的肿瘤，并将该模型嵌入自动工作流中，以在云环境中增强现实的解剖结构的3D评估。在这项研究中，作者验证了该自动分割算法对脑肿瘤的准确性和效率，并将其与手动分割的地面真实集进行了比较。包括五十个对比度增强的T1加权序列，这些序列包括对比增强病变，测量至少5 cm 3。手动分割了地面真相集的所有切片。相同的扫描是在云环境中进行的，以进行自动分割。分割时间。将算法的准确性与手动分割的精度进行了比较，并根据Sørensen-Dice相似性系数（DSC），平均对称的表面距离（ASSD）和Hausdorff距离的95％（HD 95）进行了评估。结果自动分割算法的平均值±SD计算时间为753±128秒。平均值±SD DSC为0.868±0.07，ASSD为1.31±0.63 mm，HD 95为4.80±3.18 mm。脑膜瘤（平均0.89和中位0.92）的DSC大于转移（平均0.84和中值0.85）。自动分割的测量DSC（平均0.86和中位数为0.87）和HD 95（平均3.62 mm和中位3.11 mm）的上流转移的准确性要比依次转移的转移（平均0.82和中位数0.81 and 0.81 and dsc;平均值5.26 mm和median 4.72毫米）的HD 95 95毫米（平均0.82和中位数0.81），用于H.472 95 95 95 95 95 95 95 95 95 95毫米。结论通过提供3D增强对比度增强颅内病变的现实可视化，测量至少5 cm 3，基于云的分割算法是可靠，准确且足够快的，可以在日常临床实践中有助于神经外科医生。下一步涉及将其他序列合并并通过3D微调提高准确性，以扩大增强现实工作流程的范围。
通过计算建模和模拟的爆炸创伤性脑损伤的临床模式
在现代军事冲突中爆炸脑损伤无处不在，发病率显着和死亡。然而，爆炸超压波引起人类特定颅内损伤的机制尚不清楚。审查了接触BLAST的服务成员的神经角膜神论者和神经外科医生的临床经验，揭示了对脑血管的损伤模式，表现为蛛网膜下腔出血，假脑膜瘤，早期弥漫性弥漫性大脑肿瘤。此外，在以下组织界面处的爆炸性脑损伤受害者（TBI）的受害者的精神病学病例系列（TBI）显示出独特的星形胶质疤痕模式：亚皮拉神经胶质板，血管周围，周围性脑膜周围和脑灰白色界面。BLAST TBI中临床和神经病理发现的统一特征是材料界面的损伤的共同点，无论是固体液体还是固差界面。这激发了以下假设：BLAST TBI是颅内机械界面处的损伤。为了研究颅内界面动力学，我们使用模型的人头简化但包含Gyri，Sulci，脑脊液（CSF），心室和脉管系统的模型进行了新的计算模拟，并具有高空间分辨率。模拟是在混合欧拉（Lagrangian仿真套件）中进行的（通过Zapotec耦合到Sierra Mechanics）。由于较大的计算网格，模拟需要高性能计算资源。这些空化事件与亚型神经胶质板处的高界面应变速率相邻。在多种曝光场景中进行了二十个模拟，包括150、250和500 kPa的超压，1 ms超压持续时间 - 在材料模型参数（脑剪切特性，颅骨弹性模块）中，多次爆炸暴露（前爆炸，侧面爆炸和壁爆炸）在材料模型参数（脑剪切特性，脑剪切特性）中。所有模拟都可以预测CSF内（脑脉管系统驻留的地方）内的流体空化，空化发生在深层且扩散成脑硫。较大的过压模拟（250和500kPa）表现出脑室内的气蚀，这也与邻近的高脑室应变率有关。此外，嵌入式核内血管结构的模型（直径较小至0.6 mm），可预测的血管内空化，邻近高血管周围应变率。
从减少剂量到最大化对比度：深度学习能否放大造影剂对脑部 MRI 图像质量的影响？一项读者研究
材料和方法 这项回顾性单中心研究考虑纳入 2019 年 11 月至 2021 年 3 月在 Gustave Roussy 癌症园区（法国维尔瑞夫）获取的共 250 张多参数脑 MRI。定义了独立的训练（107 例，年龄 55 岁±14 岁，58 名女性）和测试（79 例，年龄 59 岁±14 岁，41 名女性）样本。患者患有神经胶质瘤、脑转移、脑膜瘤或无增强病变。在所有病例中均获取了具有可变翻转角的梯度回波和涡轮自旋回波对比后 T1 序列。对于形成训练样本的病例，还获取了使用 0.025 mmol/kg 造影剂注射的“低剂量”对比后梯度回波 T1 图像。以标准剂量 T1 MRI 为参考，训练了一个深度神经网络来合成增强低剂量 T1 采集。训练完成后，对比增强网络用于处理测试梯度回波 T1 图像。然后由两名经验丰富的神经放射科医生进行读片，以评估原始和处理后的 T1 MRI 序列的对比增强和病变检测性能，以快速自旋回波序列为参考。结果对于增强病变的病例，处理后图像的对比噪声比（44.5 比 9.1 和 16.8，p<.001）、病变与脑组织比（1.66 比 1.31 和 1.44，p<.001）和对比增强百分比（112.4% 比 85.6% 和 92.2%，p<.001）均优于原始梯度回波和参考快速自旋回波 T1 序列。两位读者都更喜欢处理后的 T1 的整体图像质量（平均评分为 3.4/4 比 2.7/4，p<.001）。最后，对于大于 10 毫米的病变，所提出的处理方法将梯度回波 T1 MRI 的平均灵敏度从 88% 提高到 96%（p=.008*），而误检率则没有差异（两种情况下均为 0.02/例，p>.99）。考虑所有大于 5 毫米的病变时观察到了相同的效果：灵敏度从 70% 提高到 85%（p<.001*），而误检率保持相似（0.04/例 vs 0.06/例，p=.48）。如果包括所有病变，无论其大小如何，原始和处理后的 T1 图像的灵敏度分别为 59% 和 75%（p<.001*），相应的误检率为 0.05/例和 0.14/例（p=.06）。