深度学习影像组学新技术及其在肿瘤诊断中的应用

深度学习影像组学(deep learning radiomics,DLR)是医学影像结合人工智能分析领域的一项新技术,可以解决传统影像组学技术自动化、标准化程度低,特征提取步骤繁琐,耗时耗力的问题,并进一步提升影像组学模型在肿瘤分类诊断与预后预测中的准确性和可靠性。本文首先介绍DLR方法的原理及其工作流程,进而介绍其在肿瘤诊断、分期分型预测、生存预后评估中的研究现状,最后对其进行总结与展望。

生成对抗网络在医学图像跨模态重建中的应用及展望

医学图像跨模态重建是指基于被试某一种模态图像,预测同一被试的另一种模态图像,以实现更精准的个体化医疗。生成对抗网络(generative adversarial networks,GAN)是医学图像跨模态重建中最常见的深度学习技术,该技术通过从遵循真实数据分布的隐式分布中生成医学图像,进而快速重建出其他模态医学图像数据。随着临床对多模态影像数据需求的剧增,GAN技术在磁共振成像、计算机断层扫描和正电子发射型计算机断层扫描等多种不同的医学图像模态之间的跨模态重建任务中均得到广泛的应用,在脑、心等不同部位实现精准高效的跨模态图像重建。此外,虽然GAN在跨模态重建中取得了一定的成功,但其在稳定性、泛化能力和准确度方面仍需要进一步的改进。