DC
David Collins
Author with expertise in Radiomics in Medical Imaging Analysis
Achievements
Cited Author
Key Stats
Upvotes received:
0
Publications:
8
(38% Open Access)
Cited by:
3,171
h-index:
55
/
i10-index:
131
Reputation
Biology
< 1%
Chemistry
< 1%
Economics
< 1%
Show more
How is this calculated?
Publications
0

Stacked Autoencoders for Unsupervised Feature Learning and Multiple Organ Detection in a Pilot Study Using 4D Patient Data

Hoo-Chang Shin et al.Dec 31, 2012
Medical image analysis remains a challenging application area for artificial intelligence. When applying machine learning, obtaining ground-truth labels for supervised learning is more difficult than in many more common applications of machine learning. This is especially so for datasets with abnormalities, as tissue types and the shapes of the organs in these datasets differ widely. However, organ detection in such an abnormal dataset may have many promising potential real-world applications, such as automatic diagnosis, automated radiotherapy planning, and medical image retrieval, where new multimodal medical images provide more information about the imaged tissues for diagnosis. Here, we test the application of deep learning methods to organ identification in magnetic resonance medical images, with visual and temporal hierarchical features learned to categorize object classes from an unlabeled multimodal DCE-MRI dataset so that only a weakly supervised training is required for a classifier. A probabilistic patch-based method was employed for multiple organ detection, with the features learned from the deep learning model. This shows the potential of the deep learning model for application to medical images, despite the difficulty of obtaining libraries of correctly labeled training datasets and despite the intrinsic abnormalities present in patient datasets.
0

Predicting Response of Colorectal Hepatic Metastasis: Value of Pretreatment Apparent Diffusion Coefficients

Dow‐Mu Koh et al.Mar 21, 2007
OBJECTIVE. The purposes of this study were to determine whether the pretreatment apparent diffusion coefficients (ADCs) of hepatic metastatic lesions from colorectal cancer are predictive of response to chemotherapy and to compare the ADCs of metastatic lesions before and after chemotherapy. SUBJECTS AND METHODS. Twenty patients with potentially operable hepatic lesions larger than 1 cm in diameter metastatic from colorectal carcinoma were prospectively evaluated with diffusion-weighted imaging at three b values before and after chemotherapy. Quantitative ADC maps were calculated with images with b values of 0, 150, and 500 s/mm2 (ADC0-500) and with images with b values of 150 and 500 s/mm2 (ADC150-500). Regions of interest were drawn around metastatic lesions and randomly over liver. The mean ADC0-500 and mean ADC150-500 of metastatic lesions before and after chemotherapy were compared according to response defined by Response Evaluation Criteria in Solid Tumors criteria. RESULTS. Twenty-five responding and 15 nonresponding metastatic lesions were evaluated. Nonresponding lesions had a significantly higher pretreatment mean ADC0-500 and mean ADC150-500 than did responding lesions (Mann-Whitney U test, p < 0.002). There was a linear regression relation (r2 = 0.34, p = 0.02) between percentage size reduction of metastatic lesions and pretreatment mean ADC150-500. After chemotherapy, responding lesions had a significant increase in mean ADC0-500 and ADC150-500 (Wilcoxon's signed rank, p = 0.025). No significant change was observed in nonresponding metastatic lesions (Wilcoxon's signed rank, p > 0.5) or in normal liver parenchyma (Wilcoxon's signed rank, p >0.4). CONCLUSION. High pretreatment mean ADC0-500 and mean ADC150-500 of colorectal hepatic metastatic lesions were predictive of poor response to chemotherapy. A significant increase in mean ADC0-500 and ADC150-500 was observed in metastatic lesions that responded to chemotherapy. These findings may have implications for development of individualized therapy.
0

METastasis Reporting and Data System for Prostate Cancer: Practical Guidelines for Acquisition, Interpretation, and Reporting of Whole-body Magnetic Resonance Imaging-based Evaluations of Multiorgan Involvement in Advanced Prostate Cancer

Anwar Padhani et al.Jun 16, 2016
Comparative reviews of whole-body magnetic resonance imaging (WB-MRI) and positron emission tomography/computed tomography (CT; with different radiotracers) have shown that metastasis detection in advanced cancers is more accurate than with currently used CT and bone scans. However, the ability of WB-MRI and positron emission tomography/CT to assess therapeutic benefits has not been comprehensively evaluated. There is also considerable variability in the availability and quality of WB-MRI, which is an impediment to clinical development. Expert recommendations for standardising WB-MRI scans are needed, in order to assess its performance in advanced prostate cancer (APC) clinical trials. To design recommendations that promote standardisation and diminish variations in the acquisition, interpretation, and reporting of WB-MRI scans for use in APC. An international expert panel of oncologic imagers and oncologists with clinical and research interests in APC management assessed biomarker requirements for clinical care and clinical trials. Key requirements for a workable WB-MRI protocol, achievable quality standards, and interpretation criteria were identified and synthesised in a white paper. The METastasis Reporting and Data System for Prostate Cancer guidelines were formulated for use in all oncologic manifestations of APC. Uniformity in imaging data acquisition, quality, and interpretation of WB-MRI are essential for assessing the test performance of WB-MRI. The METastasis Reporting and Data System for Prostate Cancer standard requires validation in clinical trials of treatment approaches in APC. METastasis Reporting and Data System for Prostate Cancer represents the consensus recommendations on the performance, quality standards, and reporting of whole-body magnetic resonance imaging, for use in all oncologic manifestations of advanced prostate cancer. These new criteria require validation in clinical trials of established and new treatment approaches in advanced prostate cancer.