背景：动态对比度增强MR成像（DCE-MR）已成为诊断成人乳腺癌和其他癌症的广泛接受的补充方法。 预测肿瘤对抗癌治疗的反应并监测肿瘤对治疗的反应是有用的。 这种形式的成像技术尚未在儿科肿瘤学患者中得到充分探索。 目的：确定动态对比增强磁共振成像（DCE-MR）在常规临床环境中对儿童和年轻成人颅外肿瘤的诊断和治疗反应监测的潜在作用。 方法：招募怀疑患有颅外实体瘤的儿童，包括新诊断或随访的确诊肿瘤病例。 DCE-MR静脉注射0.1 mmol / kg造影剂。 绘制了增强时间曲线，并将增强模式分为1、2和3型曲线。 比较了新诊断病例中肿瘤的增强曲线图和最大增强强度。 在随访病例中，将彩色图上无效区域的术前百分位数与切除标本组织切片上的坏死区域进行了比较。 使用Pearson卡方检验和不配对的两次样本t检验进行统计分析。 结果：36例患者中，恶性28例，良性8例。 3型曲线有14条（均为恶性肿瘤），2型曲线有6条，1型曲线有16条。 所有良性病例（n = 8）均显示出1型曲线（准确性和阴性预测值= 100％）。 治疗后所有恶性病例均显示2型或1型曲线。 对于那些随后进行手术的病例，肿瘤坏死的程

:训练U-Net 深度学习模型对乳腺动态增强磁共振图像(DCE-MRI)上乳腺肿块进行 自动分割、定位和体积测量,并将结果自动导入结构化报告中,探讨其植入临床工作流程的可行性,旨在提高诊断效率和效能

tv模型matlab程序代码基于迭代参数和间接深度学习的重构方法的比较 这些 Matlab 和 Python 代码用作以下工作的一部分： 这篇文章被接受发表在医学物理杂志上 Aditya Rastogi 和 Phaneendra K. Yalavarthy，“乳房高度欠采样 DCE-MR 成像中迭代参数化和基于间接深度学习的重建方法的比较”，医学物理学，（2020 年）， 由于代码的大小、测试数据（患者 B）和经过训练的模型权重，代码被上传到 Google Drive。 代码链接附在下面：- 如果您在下载、执行或理解代码时遇到任何问题，请发送邮件至adityar[at]iisc[dot]ac[dot]in 。 逆模型 Tracer Kinetic 参数估计问题的正反建模如下图所示： 代码 代码有 4 个文件夹：- Test_Direct :- 使用迭代直接重建技术构建 Ktrans 映射。这将生成以下内容 完全采样的 Ktrans（地面实况） 零填充的 Ktrans（美国） 无正则化 (L2)、TV+L1 正则化、仅 L1 正则化和仅 TV 正则化的 Ktrans。 此代码基于 Yi