Ändra sökning
Avgränsa sökresultatet
1 - 3 av 3
RefereraExporteraLänk till träfflistan
Permanent länk
Referera
Referensformat
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf
Träffar per sida
  • 5
  • 10
  • 20
  • 50
  • 100
  • 250
Sortering
  • Standard (Relevans)
  • Författare A-Ö
  • Författare Ö-A
  • Titel A-Ö
  • Titel Ö-A
  • Publikationstyp A-Ö
  • Publikationstyp Ö-A
  • Äldst först
  • Nyast först
  • Skapad (Äldst först)
  • Skapad (Nyast först)
  • Senast uppdaterad (Äldst först)
  • Senast uppdaterad (Nyast först)
  • Disputationsdatum (tidigaste först)
  • Disputationsdatum (senaste först)
  • Standard (Relevans)
  • Författare A-Ö
  • Författare Ö-A
  • Titel A-Ö
  • Titel Ö-A
  • Publikationstyp A-Ö
  • Publikationstyp Ö-A
  • Äldst först
  • Nyast först
  • Skapad (Äldst först)
  • Skapad (Nyast först)
  • Senast uppdaterad (Äldst först)
  • Senast uppdaterad (Nyast först)
  • Disputationsdatum (tidigaste först)
  • Disputationsdatum (senaste först)
Markera
Maxantalet träffar du kan exportera från sökgränssnittet är 250. Vid större uttag använd dig av utsökningar.
  • 1.
    Astaraki, Mehdi
    et al.
    KTH, Skolan för kemi, bioteknologi och hälsa (CBH), Medicinteknik och hälsosystem.
    Toma-Dasu, I.
    Smedby, Örjan
    KTH, Skolan för kemi, bioteknologi och hälsa (CBH), Medicinteknik och hälsosystem.
    Wang, Chunliang
    KTH, Skolan för kemi, bioteknologi och hälsa (CBH), Medicinteknik och hälsosystem.
    Normal Appearance Autoencoder for Lung Cancer Detection and Segmentation2019Ingår i: 22nd International Conference on Medical Image Computing and Computer-Assisted Intervention, MICCAI 2019, Springer, 2019, Vol. 11769, s. 249-256Konferensbidrag (Refereegranskat)
    Abstract [en]

    One of the major differences between medical doctor training and machine learning is that doctors are trained to recognize normal/healthy anatomy first. Knowing the healthy appearance of anatomy structures helps doctors to make better judgement when some abnormality shows up in an image. In this study, we propose a normal appearance autoencoder (NAA), that removes abnormalities from a diseased image. This autoencoder is semi-automatically trained using another partial convolutional in-paint network that is trained using healthy subjects only. The output of the autoencoder is then fed to a segmentation net in addition to the original input image, i.e. the latter gets both the diseased image and a simulated healthy image where the lesion is artificially removed. By getting access to knowledge of how the abnormal region is supposed to look, we hypothesized that the segmentation network could perform better than just being shown the original slice. We tested the proposed network on the LIDC-IDRI dataset for lung cancer detection and segmentation. The preliminary results show the NAA approach improved segmentation accuracy substantially in comparison with the conventional U-Net architecture.

  • 2.
    Astaraki, Mehdi
    et al.
    KTH, Skolan för kemi, bioteknologi och hälsa (CBH), Medicinteknik och hälsosystem, Medicinsk avbildning.
    Wang, Chunliang
    KTH, Skolan för kemi, bioteknologi och hälsa (CBH), Medicinteknik och hälsosystem, Medicinsk avbildning.
    Buizza, G.
    Toma-Dasu, I.
    Lazzeroni, M.
    Smedby, Örjan
    KTH, Skolan för kemi, bioteknologi och hälsa (CBH), Medicinteknik och hälsosystem, Medicinsk avbildning.
    Early survival prediction in non-small cell lung cancer with PET/CT size aware longitudinal pattern2019Ingår i: Radiotherapy and Oncology, ISSN 0167-8140, E-ISSN 1879-0887, ISSN 0167-8140, Vol. 133, s. S208-S209Artikel i tidskrift (Refereegranskat)
  • 3.
    Astaraki, Mehdi
    et al.
    KTH, Skolan för kemi, bioteknologi och hälsa (CBH), Medicinteknik och hälsosystem, Medicinsk avbildning. Karolinska Inst, Dept Oncol Pathol, Karolinska Univ Sjukhuset, SE-17176 Stockholm, Sweden.
    Wang, Chunliang
    KTH, Skolan för kemi, bioteknologi och hälsa (CBH), Medicinteknik och hälsosystem, Medicinsk avbildning.
    Buizza, Giulia
    Politecn Milan, Dept Elect Informat & Bioengn, Piazza Leonardo da Vinci 42, I-20133 Milan, Italy..
    Toma-Dasu, Iuliana
    Karolinska Inst, Dept Oncol Pathol, Karolinska Univ Sjukhuset, SE-17176 Stockholm, Sweden.;Stockholm Univ, Dept Phys, SE-10691 Stockholm, Sweden..
    Lazzeroni, Marta
    Karolinska Inst, Dept Oncol Pathol, Karolinska Univ Sjukhuset, SE-17176 Stockholm, Sweden.;Stockholm Univ, Dept Phys, SE-10691 Stockholm, Sweden..
    Smedby, Örjan
    KTH, Skolan för kemi, bioteknologi och hälsa (CBH), Medicinteknik och hälsosystem, Medicinsk avbildning.
    Early survival prediction in non-small cell lung cancer from PET/CT images using an intra-tumor partitioning method2019Ingår i: Physica medica (Testo stampato), ISSN 1120-1797, E-ISSN 1724-191X, Vol. 60, s. 58-65Artikel i tidskrift (Refereegranskat)
    Abstract [en]

    Purpose: To explore prognostic and predictive values of a novel quantitative feature set describing intra-tumor heterogeneity in patients with lung cancer treated with concurrent and sequential chemoradiotherapy. Methods: Longitudinal PET-CT images of 30 patients with non-small cell lung cancer were analysed. To describe tumor cell heterogeneity, the tumors were partitioned into one to ten concentric regions depending on their sizes, and, for each region, the change in average intensity between the two scans was calculated for PET and CT images separately to form the proposed feature set. To validate the prognostic value of the proposed method, radiomics analysis was performed and a combination of the proposed novel feature set and the classic radiomic features was evaluated. A feature selection algorithm was utilized to identify the optimal features, and a linear support vector machine was trained for the task of overall survival prediction in terms of area under the receiver operating characteristic curve (AUROC). Results: The proposed novel feature set was found to be prognostic and even outperformed the radiomics approach with a significant difference (AUROC(sALop) = 0.90 vs. AUROC(radiomic) = 0.71) when feature selection was not employed, whereas with feature selection, a combination of the novel feature set and radiomics led to the highest prognostic values. Conclusion: A novel feature set designed for capturing intra-tumor heterogeneity was introduced. Judging by their prognostic power, the proposed features have a promising potential for early survival prediction.

1 - 3 av 3
RefereraExporteraLänk till träfflistan
Permanent länk
Referera
Referensformat
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf