[1] LAMBIN P,RIOS-VELAZQUEZ E,LEIJENAAR R,等.放射学:利用高级特征分析从医学图像中提取更多信息[J]。欧洲癌症杂志,2012,48(4):441-446。 [2] 刘士远.加强医学影像数据库建设 推动行业快速发展[J] ●●●●。中华放射学杂志,2022,56(9):931-934. 刘淑英重视并加强医学影像数据库建设,促进医学影像的快速发展[J]。中华放射学杂志,2022,56(9):931-934。 [3] GILLIES R J,KINAHAN P E,HRICAK H。放射学:图像不仅仅是图片,它们是数据[J]。放射学,2016278(2):563-577。 [4] ATTENBERGER U I,LANGS G。辐射学实际上是如何工作的-综述[J]。R?(右)?Fo,2021193(6):652-657。 [5] 崔毅,尹凤凤.图像质量对辐射应用的影响[J]。医学与生物学物理学,2022,67(15):1-22。 [6] SHINOHARA R T,OH J,NAIR G,等。多发性硬化症单个受试者协调多部位脑MRI研究的容量分析[J]。美国神经放射学杂志,2017,38(8):1501-1509。 [7] MADABHUSHI A,UDUPA J K。基于广义尺度的MR图像强度标准化新方法[J]。医学物理学,2006,33(9):3426-3434。 [8] NYL L G,UDUPA J K。关于磁共振成像强度标度的标准化[J]。医学磁共振,1999,42(6):1072-1081。 [9] ISAKSSON L J,RAIMONDI S,BOTTA F,等.MRI图像归一化技术在前列腺癌放射治疗中的作用[J]。《内科学》,2020,71(1):7-13。 [10] 胡忠,庄强,肖勇,等.磁共振成像归一化——精确磁共振成像辐射分析的前提条件[J]。生物与医学计算机,2021133(6):1-12。 [11] RONNEBERGER O,FISCHER P,BROX T.U-Net:用于生物医学图像分割的卷积网络[C]//医学图像计算和计算机辅助干预国际会议的处理。查姆:斯普林格,2015:234-241。 [12] LOI S,MORI M,BENEDETTI G,等.胰腺神经内分泌肿瘤CT辐射特征对图像离散化和插值的鲁棒性[J]。《物理医学》,2020,76(3):125-133。 [13] PARK S H,LIM H,BAE B K,等.子宫颈癌患者磁共振辐射特征对像素大小重采样和插值的鲁棒性[J]。癌症成像,2021,21(1):1-11。 [14] YANG S,WU N,ZHANG L,et al.线性插值法校正层厚对肺实性结节放射特征值影响的评价:一项前瞻性患者研究[J]。转化医学年鉴,2021,9(4):279。 [15] 杨鹏,徐磊,万毅,等。基于深度神经网络的肝癌放射分析再现性改进方法:对图像重采样的影响[J]。医学与生物学物理学,2021,66(16):1-10。 [16] 梅耶尔·M,罗纳尔德·J,VERNUCCIO F,等。同一患者CT辐射特征的再现性:辐射剂量和CT重建设置的影响[J]。放射学,2019293(3):583-591。 [17] FERNANDEZ P M,CERDA A L,SANGUESA N C,et al.MR去噪提高了肿瘤成像中放射性生物标志物的精确度和再现性[J]。数字成像杂志,2021,34(5):1134-1145。 [18] 雅德特·C,WEYTS K,LECHERVY A,等.基于人工智能CNN的去噪对FDG PET辐射学的影响[J]。肿瘤前沿,2021,11:1-9。 [19] 陈杰,魏磊,德克尔A,等.利用循环GANs提高低剂量CT辐射学的再现性和性能[J]。应用临床医学物理学杂志,2022,23(10):1-17。 [20] 潘毅,刘明,连成,等.利用MRI与循环一致生成对抗网络合成缺失pet用于阿尔茨海默病诊断[C]//医学图像计算与计算机辅助干预国际会议。查姆:施普林格,2018:455-463。 [21]MCCORMICK M,LIU X,JOMIER J,et al.ITK:实现可再生研究和开放科学[J]。神经信息学前沿,2014,8(13):1-11。 [22]SZCZYPINSKI P M,STRZELECKI M,MATERKA A.Mazda-纹理分析软件[C]//2007信息技术融合国际研讨会(ISITC 2007),2007:245-249。 [23]SZCZYPINSKI P M,STRZELECKI M,MATERKA A,et al.MaZda-图像纹理分析软件包[J]。生物医学中的计算机方法和程序,2009,94(1):66-76。 [24]STRZELECKI M,SZCZYPINSKI P,MATERKA A,等.二维/三维医学图像自动分类与分割的软件工具[J]。物理研究中的核仪器和方法A部分:加速器、光谱仪、探测器和相关设备,2013702(4):137-140。 [25]FEDOROV A,BEICHEL R,KALPATHY-CRAMER J,et al.3D Slicer作为定量成像网络的图像计算平台[J]。磁共振成像,2012,30(9):1323-1341。 [26] 彭璟,罗浩宇,赵淦森,等.深度学习下的医学影像分割算法综述[J] ●●●●。计算机工程与应用,2021,57(3):44-57. PENG J,LUO H Y,ZHAO G S,et al.深度学习中的医学图像分割算法综述[J]。计算机工程与应用,2021,57(3):44-57。 [27]HELLER N,ISENSEE F,MAIER-HEIN K H,等.增强CT成像中肾脏和肾脏肿瘤分割的最新进展:KiTS19挑战的结果[J]。医学图像分析,2021,67(1):1-16。 [28]PRATONDO A,CHUI C K,ONG S H。医学图像分割中机器学习与基于区域的活动轮廓模型的集成[J]。视觉传达与图像表征杂志,2017,43(1):1-9。 [29]郑Q,李H,范B,等。集成支持向量机和图切割用于医学图像分割[J]。视觉传达与图像表征杂志,2018,55(3):157-165。 [30]LONG J,SHELHAMER E,DARRELL T。语义分割的全卷积网络[C]//IEEE计算机视觉与模式识别会议论文集,2015:3431-3440。 [31]NIE D,WANG L,GAO Y,et al.STRAINet:MRI盆腔器官分割的空间变化随机残差对抗网络[J]。IEEE神经网络和学习系统汇刊,2019,30(5):1552-1564。 [32]SCHLEMPER J,OKTAY O,SCHAAP M,等.注意门控网络:学习利用医学图像中的显著区域[J]。医学图像分析,2019,53(2):197-207。 [33]何凯,张X,任S,等.基于深度剩余学习的图像识别[C]//IEEE计算机视觉与模式识别会议论文集,2016:770-778。 [34]HARALICK R M,SHANMUGAM K,DINSTEIN I H.图像分类的纹理特征[J]。IEEE系统、人与控制论汇刊,1973年,SMC-3(6):610-621。 [35]NANNI L,LUMINI A,BRAHNAM S.局部二元模式变体作为医学图像分析的纹理描述符[J]。医学人工智能,2010,49(2):117-125。 [36]THIBAULT G,ANGULO J,MEYER F.纹理表征的高级统计矩阵:在细胞分类中的应用[J]。IEEE生物医学工程学报,2013,61(3):630-637。 [37]MAYERHOEFER M E,MATERKA A,LANGS G,等.辐射学导论[J]。核医学杂志,2020,61(4):488-495。 [38]JAYENDER J,GOMBOS E,CHIKARMANE S,等.乳腺癌原位和浸润性分割的统计学习算法[J]。计算机化医学成像和图形,2013,37(4):281-292。 [39]VAN GRIETHUYSEN J J M,FEDOROV A,PARMAR C,et al.解码射线显型的计算辐射系统[J]。癌症研究,2017,77(21):104-107。 [40]NIOCHE C,ORLHAC F,BOUGHDAD S,et al.LIFEx:多模态成像中辐射特征计算的免费软件,以加速肿瘤异质性表征的进展[J]。癌症研究,2018,78(16):4786-4789。 [41]ZHANG L,FRIED D V,FAVE X J,et al.IBEX:一个开放的基础设施软件平台,用于促进放射组学的协作工作[J]。医学物理学,2015,42(3):1341-1353。 [42]YANG M,YAN Y,WANG H.IMAge/enGINE:一种免费的高维量化快速计算软件[J]。医学和外科定量成像,2019,9(2):210-218。 [43]王毅,邵杰,王平,等.深度学习放射治疗预测肝门部胆管癌区域淋巴结分期[J]。肿瘤前沿,2021,11(10):1-10。 [44]TRINH D L,KIM S H,YANG H J,等.形状放射和深度特征对深度学习预测胶质母细胞瘤生存率的作用[J]。电子学,2022,11(7):1-13。 [45]谢X,NIU J,LIU X,等.将领域知识融入医学图像分析深度学习的调查[J]。医学图像分析,2021,69(1):1-25。 [46]DASH M,LIU H.分类的特征选择:综述[J]。智能数据分析,1997,1(3):131-156。 [47]ABDI H,WILLIAMS L J.主成分分析[J]。威利跨学科评论:计算统计,2010,2(4):433-459。 [48]DEMIRCIOGLU A.辐射学中的基准特征选择方法[J]。研究放射学,2022,57(7):433-443。 [49]田Q,严立夫,张X,等。利用多参数MRI纹理特征进行神经胶质瘤分级的放射组学策略[J]。磁共振成像杂志,2018,48(6):1518-1528。 [50]DE JONG E E C,SANDERS K J C,DEIST T M,et al.放射能有助于预测骨骼肌对IV期非小细胞肺癌化疗的反应吗?[J] ●●●●。欧洲癌症杂志,2019120(19):107-113。 [51]NASIEF H,ZHENG C,SCHOTT D,等.基于机器学习的δ-射线组学方法在胰腺癌治疗反应早期预测中的应用[J]。NPJ精准肿瘤学,2019,3(1):1-10。 [52]MA Y,MA W,XU X,等。三角放射组学如何更好地区分侵袭前GGN和侵袭性GGN?[J] ●●●●。肿瘤前沿,2020,10(7):1-7。 [53]张国明,韩玉强,魏建伟,等.基于mri的放射成像作为生物标志物,通过预测前列腺癌从活检到根治性前列腺切除术的升级来指导治疗[J]。磁共振成像杂志,2020,52(4):1239-1248。 [54]吴强,王S,李磊,等.计算机断层摄影的放射学分析有助于预测新型冠状病毒肺炎的不良预后[J]。《热学》,2020,10(16):7231-7244。 [55]黄旭,舒洁,颜毅,等.基于磁共振成像的放射特征用于肝外胆管癌术前分期预测的可行性[J]。欧洲癌症杂志,2021155(17):227-235。 [56]童X,冯X,彭芙,等.基于形态学的放射特征:识别多发性颅内动脉瘤破裂的新决定因素[J]。老龄化(纽约州奥尔巴尼市),2021,13(9):13195-13210。 [57]EERTINK J J,VAN DE BRUG T,WIEGERS S E,等.18F-FDG PET基线放射特征改善了对弥漫性大B细胞淋巴瘤治疗结果的预测[J]。欧洲核医学和分子成像杂志,2022,49(3):932-942。 [58]VAN DER LUBBE M,VAIDYANATHAN A,DE WIT M,et al.利用常规磁共振成像上的辐射学和机器学习对梅尼埃病进行无创性自动诊断:一项多中心、病例对照可行性研究[J]。放射医学,2022127(1):72-82。 [59]LI Z,HOLZGREVE A,UNTERRAINER L M,等.联合治疗前动态[18F]FET PET放射和常规临床参数对IDH野生型胶质母细胞瘤患者生存分层的研究[J]。欧洲核医学和分子成像杂志,2022:1-11。 [60]JOLISSAINT JS,WANG T,SOARES K C等。机器学习放射组学可以预测肝内胆管癌切除后的早期肝脏复发[J]。HPB(牛津),2022,24(8):1341-1350。 [61]保德,赵勇,李磊,等.基于MRI的鼻咽癌放射性颞叶损伤预测模型[J]。欧洲放射学,2022,32(10):6910-6921。 [62]ZARAGORI T,OSTER J,ROCH V,等.18F-FDOPA PET用于胶质瘤分子参数的无创预测:放射研究[J]。核医学杂志,2022,63(1):147-157。 [63]王涛,佘毅,杨毅,等.放射学在临床和病理分期IA纯固体非小细胞肺癌生存风险分层中的应用[J]。放射学,2022302(2):425-434。 [64]吴伟,廖S,卢忠.基于辐射学和深度学习的白细胞图像分类[J]。IEEE接入,2022,10:124036-124052。 [65]TIAN Y,KOMOLAFE T E,ZHENG J,et al.基于深度学习和放射组学特征的HCC术前MRI评估PD-L1表达水平[J]。诊断,2021,11(10):1-15。 [66]LAMBIN P,LEIJENAAR R T H,DEIST T M,等.放射学:医学成像与个性化医学之间的桥梁[J]。《自然评论》临床肿瘤学,2017,14(12):749-762。 [67]波西格利昂A,斯坦齐昂A,CUOCOLO R,等.心脏CT和MRI放射性:文献系统综述和放射性质量评分评估[J]。欧洲放射学,2022,32(11):2629-2638。 [68]ZWANENBURG A,VALLIERES M,ABDALAH M A等。图像生物标志物标准化倡议:高通量图像表型的标准化定量放射组学[J]。放射学,2020295(2):328-338。 [69]CRADDOCK C,BENHAJALI Y,CARLTON C,等.神经局预处理倡议:开放共享预处理的神经影像数据及其衍生物[J]。神经信息学前沿,2013,7(8):27。 [70]BAID U,GHODASARA S,BILELLO M,等.脑肿瘤分割和放射基因组分类的RSNA-ASNR-MICCAI BraTS 2021基准[J].arXiv:2107.023142021。 [71]MENZE B H,JAKAB A,BAUER S,等.多模态脑肿瘤图像分割基准(BRATS)[J]。IEEE医学成像学报,2014,34(10):1993-2024。 [72]BAKAS S,AKBARI H,SOTIRAS A,等.利用专家分割标签和放射特征推进肿瘤基因组图谱脑胶质瘤MRI采集[J]。科学数据,2017,4(1):1-13。 [73]王旭,彭毅,卢磊,等.胸部X射线8:医院级胸部X射线数据库和常见胸部疾病弱监督分类和定位基准[C]//IEEE计算机视觉和模式识别会议论文集,2017:2097-2106。 [74]HEATH M,BOWYER K,KOPANS D,et al.筛查乳房X射线照相的数字数据库[C]//第五届数字乳房X射线摄影国际研讨会论文集(IWDM-2000),2020:212-218。 [75]HEATH M,BOWYER K,KOPANS D,et al.筛查乳房X射线照相数字数据库的现状[M]//数字乳房X射线摄影。多德雷赫特:施普林格,1998:457-460。 [76]ARMATO III S G,MCLENNAN G,BIDAUT L,et al.肺部图像数据库联盟(LIDC)和图像数据库资源计划(IDRI):CT扫描肺结节的完整参考数据库[J]。医学物理学,2011,38(2):915-931。 [77]RAJPURKAR P,IRVIN J,BAGUL A,等.穆拉:用于肌肉骨骼影像异常检测的大型数据集[J].arXiv:1712.069572017。 [78]BAKR S,GEVAERT O,ECHEGARAY S,等.非小细胞肺癌放射基因组数据集[J]。科学数据,2018,5(1):1-9。 [79]MARCUS D S,WANG T H,PARKER J,等.开放存取成像研究系列(OASIS):年轻、中年、非痴呆和痴呆老年人的横断面MRI数据[J]。认知神经科学杂志,2007,19(9):1498-1507。 [80]MARCUS D S,FOTENOS A F,CSERNANSKY J G,等.开放存取成像研究系列:非痴呆和痴呆老年人的纵向MRI数据[J]。认知神经科学杂志,2010,22(12):2677-2684。 [81]拉蒙塔涅P J,本辛格T L S,莫里斯J C,等。OASIS-3:正常衰老和阿尔茨海默病的纵向神经成像、临床和认知数据集[J]。medRxiv,2019:1-37。 [82]KOENIG L N,DAY G S,SALTER A,et al.选择阿尔茨海默病(SARA)中的萎缩区域:识别阿尔茨海默病痴呆的改进体积模型[J]。神经影像:临床,2020,26(3):1-33。 [83]杨X,何X,赵J,等.新型冠状病毒冠状病毒CT-数据集:一种新冠肺炎的CT扫描数据集[J].arXiv:2003.138652020。 [84]BULTEN W,KARTASALO K,CHEN P H C,等.前列腺癌诊断与Gleason分级的人工智能:PANDA挑战[J]。《自然医学杂志》,2022,28(1):154-163。 |