Fusioner om ultralyd og magnetisk resonansafbildning for intelligent at planlægge meget konform ablations termisk felt for hepatocellulært karcinom

Termisk ablation er en vigtig minimalt invasiv behandling af hepatocellulært karcinom (HCC), men lokal tumorprogression (LTP) efter ablation begrænser effektiviteten og status for ablationsteknologi og truer alvorligt patientens overlevelse. Utilstrækkelig dækning af termisk felt er en vigtig faktor for forekomsten af ​​LTP. Nuværende termisk feltplanlægning er afhængig af tumorkonturer og lægeoplevelse, og sikkerhedsmargenen er ensartet. Derfor kan det ikke klare problemet med utilstrækkelig dækning af termisk felt forårsaget af de forskellige invasionsfunktioner for forskellige tumorer og forskellige dele af den samme tumor. Dette projekt har til hensigt at integrativt analysere gråskala ultralyd, kontrastforbedret ultralyd, magnetisk resonansafbildning og klinisk information om HCC gennem dyb kanonisk korrelationsanalyse; Opsummer den forudgående viden om LTP -risikofaktorer i tidligere undersøgelser og udfør sammenkoblet analyse individuelle sagsdata og fælles konklusioner gennem videngraf; Forudsigende forudsige LTP-risikoen og de højrisiko-LTP-placeringer gennem linkforudsigelse; Forudsig nøjagtigt den ablationssikkerhedsmargin, der kræves for forskellige tumordele gennem graf neurale netværk, og opnå meget konform termisk feltplanlægning baseret på forskellige invasionsfunktioner for at minimere LTP -risikoen for HCC. Projektet udnytter tumor-multimodal billeddannelse og forudgående viden som indgangspunkt, udfører meget konform planlægning af ablations-termisk felt gennem kunstig intelligensteknologi og giver en ny metode til præcis ablation.