論文の概要、ライセンス

# (参考訳) Glioblastoma Multiforme 患者の生存予測 [全文訳有]

Glioblastoma Multiforme Patient Survival Prediction ( http://arxiv.org/abs/2101.10589v1 )

ライセンス: CC BY-SA 4.0
Snehal Rajput, Rupal Agravat, Mohendra Roy, Mehul S Raval(参考訳) Glioblastoma Multiformeは脳腫瘍の非常に積極的なタイプです。 空間的および時間的組織内不均質性、位置および癌組織の範囲のために、腫瘍領域を検出し、拡散することは困難である。 本稿では,手作り画像とラジオミクス機能を利用した4つの回帰器を用いた生存予後モデルを提案する。 放射能形状の特徴は生存予測と最も高い相関関係にあると仮定した。 提案手法は脳腫瘍分離(BraTS-2020)課題データセットを用いて評価した。 ランダムフォレスト・レグレッサアプローチによる画像特徴量の最高精度は,トレーニングで51.5\%,検証データセットで51.7\%であった。 形状特徴を有するグラデーションブーストレグレッサーは、トレーニングデータセットとバリデーションデータセットでそれぞれ91.5\%と62.1\%の精度を示した。 トレーニングと検証データセットのbrats 2020 survival prediction challengeの勝者よりも優れています。 その結果,手作りの特徴は生存予測と強い相関を示した。 勾配上昇と放射能形状の特徴を持つコンセンサスベースの回帰器は生存予測に最適である。

Glioblastoma Multiforme is a very aggressive type of brain tumor. Due to spatial and temporal intra-tissue inhomogeneity, location and the extent of the cancer tissue, it is difficult to detect and dissect the tumor regions. In this paper, we propose survival prognosis models using four regressors operating on handcrafted image-based and radiomics features. We hypothesize that the radiomics shape features have the highest correlation with survival prediction. The proposed approaches were assessed on the Brain Tumor Segmentation (BraTS-2020) challenge dataset. The highest accuracy of image features with random forest regressor approach was 51.5\% for the training and 51.7\% for the validation dataset. The gradient boosting regressor with shape features gave an accuracy of 91.5\% and 62.1\% on training and validation datasets respectively. It is better than the BraTS 2020 survival prediction challenge winners on the training and validation datasets. Our work shows that handcrafted features exhibit a strong correlation with survival prediction. The consensus based regressor with gradient boosting and radiomics shape features is the best combination for survival prediction.
公開日: Tue, 26 Jan 2021 06:47:14 GMT

※ 翻訳結果を表に示しています。PDFがオリジナルの論文です。翻訳結果のライセンスはCC BY-SA 4.0です。詳細はトップページをご参照ください。

翻訳結果

    Page: /      
英語(論文から抽出)日本語訳スコア
1 2 0 2 n a J 6 2 ] V I . 1 2 0 2 n a j 6 2 ] v i である。 0.82
s s e e [ 1 v 9 8 5 0 1 . s s e e e [ 1 v 9 8 5 0 1 ] である。 0.76
1 0 1 2 : v i X r a 1 0 1 2 : v i X r a 0.85
Glioblastoma Multiforme Patient Survival Prediction Glioblastoma Multiforme 患者の生存予測 0.95
Snehal Rajput1, Rupal Agravat2, Mohendra Roy1, Snehal Rajput1, Rupal Agravat2, Mohendra Roy1 0.97
and Mehul S. Raval2 とMehul S. Raval2 0.82
1 Department Pandit Deendayal Petroleum University, Gandhinagar, and Applied Science, India. 1 GandhinagarのPandit Deendayal Petroleum大学および応用科学、インド。 0.74
of School Ahmedabad University, Ahmedabad, アフマダバード大学(Ahmedabad University, Ahmedabad) 0.81
Information and Communication Technology, India. インドの情報通信技術。 0.60
of Engineering 2 [snehal.rphd19,mohend ra.roy]@sot.pdpu.ac.in 工学の 2 [snehal.rphd19,mohend ra.roy]@sot.pdpu.ac.in 0.70
mehul.raval@ahduni.e du.in, rupal.agravat@iet.ah duni.edu.in mehul.raval@ahduni.e du.in, rupal.agravat@iet.ah duni.edu.in 0.43
Abstract. very Glioblastoma Multiforme tumor. 抽象。 非常にGlioblastoma Multiforme腫瘍。 0.81
brain of type a aggressive is Due to spatial and extent and location inhomogeneity, intra-tissue the temporal of the cancer tissue, regions. 攻撃的なタイプの脳は、空間的および程度および位置不均一性、組織内がん組織、領域の時間的変化に起因する。 0.66
the detect difficult to and dissect tumor In it is regressors operating survival prognosis models using four this paper, we propose hypothesize features. 本論文では,生存予後モデルを動作させるレグレッサーであり,腫瘍の検出と解離が困難であることを示す。 0.75
We and on radiomics handcrafted the that image-based rafeatures shape correlation with highest diomics have prediction. 放射能では,画像に基づく奇形形状と高い放射能との相関が予測可能であることを手作りした。 0.43
The the survival the Brain proposed approaches were assessed Tumor Segmentation (BraTSon 2020) challenge dataset. 提案する脳の生存率を, 腫瘍分画(bratson 2020)チャレンジデータセットで評価した。 0.74
The highest accuracy image features with random of validathe and training 51.5% for approach was forest 51.7% for the regressor tion dataset. ランダムなバリデーションとトレーニングが51.5%の最も正確な画像特徴は、回帰器のデータセットの51.7%である。 0.73
The gradient boosting regressor with shape features gave an accuracy validation of 91.5% and 62.1% on training and datasets respectively. 形状特徴を有するグラデーションブーストレグレッサーは、トレーニングおよびデータセットにおいてそれぞれ91.5%と62.1%の精度検証を行った。 0.72
It is better than and the BraTS 2020 survival prediction the training challenge winners on a exhibit features handcrafted shows Our datasets. BraTS 2020サバイバル予測は、私たちのデータセットを手作りショーで展示したトレーニングチャレンジ勝者よりも優れています。 0.66
validation strong work that correlation with consensus The survival based regressor with gradiprediction. 検証 生存ベースのレグレッサーとgradipredictionのコンセンサスと相関する強力な作業。 0.62
ent boosting and radiomics shape features is best combination for survival the prediction. エントブースティングと放射能形状の特徴は生存予測に最適な組み合わせである。 0.78
Keywords: diction segmentation (BraTS 2020), glioblastoma, キーワード:辞書 segmentation (BraTS 2020), glioblastoma 0.70
survival pre- Brain tumor Introduction 生存前- 脳腫瘍 はじめに 0.68
1 primary malignant brain type of Glioblastoma multiforme (GBM) is the commonest [1]. 原発性悪性脳型Glioblastoma multiforme(GBM)は最も一般的な[1]である。 0.81
tumors brain up glioblastoma makes case the tumor. グリオ芽腫の脳腫瘍は腫瘍を発生させる。 0.72
The all 60% of adults, of In classified GBM as World Health Organization (WHO) IV type of cancer due to a grade from GBM have diffusive and invasive its suffering a poor prognosis, nature. 世界保健機関(WHO)に分類されたGBM(世界保健機関)の成人の60%は、GBMのグレードによるIV型がんが拡散し、予後の悪い自然に苦しむ。 0.63
Patients with about ten months [1]. 約10ヶ月の患者[1]。 0.62
This is due its aggressive naa median survival rate of to response and shape, location, appearance, heterogeneous ture, to unpredictable highly therapy [2]. これはアグレッシブなnaa生存率の中央値であり, 反応, 形状, 位置, 外観, 不均一性, 予測不能な高治療率 [2] である。 0.74
been widely has Magnetic examine Resonance Imaging (MRI) utilized tumors due its to high contrast and superior resolution. 磁気共鳴イメージング(MRI)は、高いコントラストと優れた解像度のために腫瘍を利用しています。 0.82
Generally, manual non-hazardousness, time consuming and prone to subjective error. 一般に、手動の非有害性、時間の消費、主観的誤りの傾向がある。 0.52
segmentation of a tumor In this is in MRI equally (cid:63) All to 腫瘍のセグメンテーション これはMRIでも同様です (cid:63) All to all 0.90
contributed this work. authors 寄稿 この仕事だ 著者 0.57
have to 持ってる へ 0.52
英語(論文から抽出)日本語訳スコア
2 Snehal Rajput 2 スネハル・ライプット(snehal rajput) 0.60
et al. (WT), Enhancing Tumor など アル (wt)腫瘍を増強する 0.54
(ET), automated can It (ET) 自動缶 それ 0.64
segmentation method would help as セグメンテーション方法が役立ちます。 0.64
in early state-of-the-art methods be of enormous diagnosis well as in delineates [3,4]. で 最先端の方法 3,4]の線で同様に巨大な診断である。 0.66
Segmentation and Tumor Core セグメンテーションと腫瘍コア 0.68
to oncologists an regards help strategy planclinicians. 腫瘍専門医に 支援戦略の計画を依頼する 0.56
and therapeutic In recent years, deep learning-based segmentation approaches have outperformed ning. 近年、深層学習に基づくセグメンテーションアプローチは、ニングよりも優れています。 0.55
traditional tumor brain into the (TC). 従来の腫瘍の脳を(TC)に。 0.85
Handcrafted feaWhole Tumor tures extracted from these segments are used to classify the survival days of the patients. これらのセグメントから抽出した手作りのfeawhole tumor tureは、患者の生存期間を分類するために使用される。 0.64
There [5], Jiang Recently, available. 現在[5], Jiang recent が利用可能です。 0.77
segmentation models are many al. セグメンテーションモデルはalが多い。 0.66
the in et BraTS 2019 proposed cascaded U-Net a challenge, two-stage [2] asymmetry structure. in et BraTS 2019では、U-Netの2段階非対称構造への挑戦を提案しました。 0.64
able Each model larger is made up of encoder a in complex extract more to to order be semantic features and a smaller decoder part for segmentation map with generating a roto proposed multiple methods [3] a et input. 有能な各モデルは、セマンティックな特徴を順序付けるためにより複雑な抽出でエンコーダで構成され、ロート提案された複数のメソッド[3]と入力を生成するセグメンテーションマップ用のより小さなデコーダ部から構成される。 0.80
Zhao the size generate al. Zhao サイズは al を生成する。 0.82
to identical processing, model data devising, bust segmentation results. 同一の処理、モデルデータ開発、バストセグメンテーション結果を得る。 0.70
They grouped it into and optimization modules. 彼らはそれを最適化モジュールにまとめました。 0.57
Multiple methods each are assimilated of these modules to into a Densenet enhance results. 複数のメソッドがこれらのモジュールを同化して、Densenetが結果を拡張します。 0.63
McKinley et al. McKinleyら。 0.58
[4] proposed based U-Net segmentation increase an bring to used dilated that Convolutions architecture. 4] 提案する u-net セグメンテーションは,畳み込みによってアーキテクチャが拡張される。 0.60
were in about were spatial retains the information. 空間が情報を保持していたのです 0.76
The model was comreceptive field, which trained by bining label loss, uncertainty binary cross-entropy and focal loss. このモデルでは,バイニングラベル損失,不確実性二元交叉エントロピー,焦点損失の訓練を行った。 0.65
Dice scores on the BraTS-2019 validation dataset were 0.91(WT), 0.83(TC), 0.77(ET), and on the BraTS0.81(ET). BraTS-2019検証データセットのダイススコアは0.91(WT), 0.83(TC), 0.77(ET), BraTS0.81(ET)であった。 0.77
Therefore, 0.83(TC), 2019 seem to researchers 0.89(WT), dataset were test segmentation. したがって、 0.83(tc), 2019 は研究者 0.89(wt) であり、データセットはテストセグメンテーションである。 0.67
for architecture favouring the U-Net based be survival overall prediction. U-Netベースのアーキテクチャは、サバイバル全体の予測です。 0.54
segmented, is tumor the Once features are extracted for segmentation. セグメント化、腫瘍は、一度特徴がセグメント化のために抽出されます。 0.57
loss focal dense used al. 損失焦点密度はal。 0.59
et Agravat [6] layers U-Net trained on the for the Random Forest Regressor statistical age, Next, train radiomic and features features dataset was test obtained the (RFR) for survival prediction and accuracy on 0.58. the and U-Net used U-Net ensembles with Wang et al. et Agravat [6] Layer U-Net for the Random Forest Regressor statistics age, Next, Train Radiomic and features features dataset は、0.58の生存予測と精度のためのRFR (RFR) を試験し、U-NetはWang et alのU-Netアンサンブルを使用した。 0.84
[7] attention soft gates trained on dice scores and cross-entropy segmentation. 7]ダイススコアとクロスエントロピーセグメンテーションで訓練された注意ソフトゲート。 0.61
For survival prediction, they proposed the the baseline model where prognosis models: following i) to used feature was age only train a linear regressor model. 生存予測のためのベースラインモデルを提案し,i) 使用する特徴は線形回帰モデルのみを訓練することであった。 0.72
ii) Radiomic model where morphological and texture feaTumor from segmentation tures were extracted iii) invasiveness model, where results. 二 セグメンテーションクチュールから形態学的およびテクスチャー性腫瘍を抽出した放射線モデルiii)侵襲性モデル、その結果。 0.73
coefficient relative (RIC) regressor invasiveness feature and age train the support vector accuracy invasive model was model. 係数相対性(ric)レグレッサー侵襲性特徴と年齢トレーニング サポートベクター精度侵襲性モデルはモデルであった。 0.68
The prediction. The survival for best found tumor survival prediction was 0.59 and 0.56 for BraTS-2019 validation and test dataset for re[8] used an ensemble of U-Net models. 予測。 最良の腫瘍生存率予測は BraTS-2019 の 0.59 と 0.56 であり,re[8] の試験データセットは U-Net モデルのアンサンブルを用いていた。 0.65
The models were spectively. モデルは軽視的だった。 0.67
Feng et al. trained on ensemble method patches is having brain pixels. fengら。 アンサンブルメソッドパッチのトレーニングは、脳のピクセルを持っている。 0.52
The main advantage of using an volume for OS Further, fine-tuned. OSのボリュームを使用する主な利点さらに、微調整。 0.64
be not the that prediction, parameter network need age and surface area features were and (ROIs) to each Region for extracted of Interest train a linear regression model. 予測ではなく、パラメータネットワークは年齢と表面領域の特徴と(rois)を各領域に与え、興味を抽出して線形回帰モデルを訓練する。 0.73
reported as accuracy was The training and testing set 0.31 and 0.55 respectively on the BraTS-2019 datasets. トレーニングセット 0.31 と 0.55 はそれぞれ BraTS-2019 データセットに記録されている。 0.72
Wang et al. [9] utilized a 3D patching methods. 王等。 9]3Dパッチ手法を利用した。 0.67
using two occurred the and U-Net-based model, phases in training the second included The first phase included both brain and background pixels, whereas to loss coefficient pixels. 2つの発生したモデルとu-netベースのモデルを用いて、第2段階は脳と背景の両方のピクセルを含む第1段階を含む。 0.63
The the train brain only dice score function was utilized 3D age were U-Net model. U-Netモデルでは, 列車脳のみのサイススコア関数を3次元年齢で利用した。 0.69
area and used Further for survival prediction, volume, surface accuracy train to the ANN model. さらに、ANNモデルに対する生存予測、容積、表面精度のトレーニングにも使われる。 0.66
The training, validation, and testing of the models ar[10] al. モデルのトレーニング、検証、およびテスト ar[10] al。 0.59
Islam et respectively. 0.448, 0.515, were 3D U-Net a proposed 0.551 and desegregated with chitecture for blocks have been the segmentation, where attention イスラム教など。 0.448, 0.515は提案された0.551の3D U-Netであり、ブロックのためのキテクチャで分離された。
訳抜け防止モード: イスラム教など。 0.448, 0.515, were 3D U - Net a proposed 0.551 ブロックのキテクチュアで分離して 注意を向けるセグメンテーションです
0.68
英語(論文から抽出)日本語訳スコア
Glioblastoma Multiforme Glioblastoma multiforme 0.84
3 histogramand fractal, geometric, various prediction, survival For decoder modules. 3 ヒストグラムとフラクタル、幾何学的、様々な予測、生存性 デコーダモジュール。 0.76
vector support i.e., regressor models, train multiple to extracted were based features random forest (MLP), and (RFR), regressor perceptron (SVM), multi-layer machine 0.329 accuracies (XGBOOST). ベクトルサポート、すなわち回帰器モデル、列車多重抽出はランダムフォレスト(MLP)、RFR、回帰器パーセプトロン(SVM)、マルチレイヤーマシン0.329のアキュラシー(XGBOOST)をベースとしていた。 0.72
were: validation for The gradient eXtreme Boosting for XGBOOST. The gradient eXtreme Boosting for XGBOOSTの検証。 0.58
0.356 for RFR and 0.429 SVM, 0.414 for MLP, handcrafted correlation to establish the between features aims The proposed paper used state-of-the-art methods the Unlike prediction. RFRは0.356、SVMは0.429、MLPは0.414であり、特徴の確立のために手作りの相関関係を定めている。 0.59
survival and for existing overall [8], predictors and sets survival prediction [6],[7], [9], the paper uses four two feature High to establish their correlation with overall survival prediction Grade Glioma of (HGG) patients. 生存率および生存予測因子 [6], [7], [9] について, 生存率予測指標 [6], [7], [9] の4つの特徴を用いて, 生存予測レベルグリオーマ (hgg) との相関性を確立した。 0.77
Shape features and gradient boosting regressors achieve better survival shape features have that It establishes prediction accuracy than state-of-the-art methods. 形状特性と勾配促進レグレッタは、最先端の手法よりも精度の高い生存形状特性を達成できる。 0.68
remainder prediction. The survival correlation with strong of a organization of the the Segmentation paper (BraTS) dataset described in is as follows: The Brain Tumor is Section 2, survival four predictors and two feature sets are in prediction methods with 3, Section the of conclusion the finally and discussions and results contains 4 Section paper is in Section 5. 残り予測だ 第2節では脳腫瘍が生存し,第3節では4つの予測因子,第2節では2つの特徴セットが予測法に含まれ,結論の節では最終結果と議論の結果が第5節では4節に含まれている。
訳抜け防止モード: 残り予測だ セグメンテーション・ペーパー(BraTS)データセットの強度と生存率の相関は以下の通りである。 脳腫瘍は第2節である。 生存には4つの予測器と 2つの特徴集合は3の予測方法である。 結論の節 最終及び議論の結果は、第5節第4節を含む。
0.69
a 2 BraTS dataset segbrain evaluating tumor in differences and standards different Due the dataset, to challenge. あ... 2 brats データセット segbrain は、データセットによって異なる違いと標準で腫瘍を評価する。 0.41
Neversurvival is a and predicting overall objectively mentation methods prediction techand survival comparison segmentation tumor different theless, for of [11,12,13] has become a popuniques, the BraTS (brain tumor segmentation challenge) that are included in this platform. Neversurvivalは、テクノロジーと生存比較セグメンテーション腫瘍を予測して予測する全体的な客観的なインメンテーション方法であり、このプラットフォームに含まれる[11,12,13]のポピュニク、BraTS(脳腫瘍セグメンテーションチャレンジ)となっています。 0.72
lar platform. ラー・プラットフォーム 0.61
Since the year 2018, there are three tasks segmenting the brain tumor. 2018年以来、脳腫瘍を分割する3つのタスクがあります。 0.78
The second task is predicting the process of task is The first the overall the predicted survival (OS) and the third task is estimating the uncertainty for involves segmentation tumor sub-regions. 第2のタスクはタスクのプロセスを予測することです。第1のタスクは、予測生存率(OS)全体、第3のタスクは、セグメント化腫瘍のサブリージョンに関する不確実性を推定するものです。
訳抜け防止モード: 第2のタスクはタスクのプロセスを予測することです。 そして、第3の課題は、セグメンテーションのサブ領域を含む不確実性を推定することである。
0.69
The process of tumor the tumor delineating sub-regions, into core, tumor the namely, three tuenhancing the and tumor, the whole score as Dice as well sensitivity metrics Specificity and Hausdorff Distance mor. 腫瘍が部分領域を境界づける過程で、コア、腫瘍、すなわち3つの腫瘍、および腫瘍を3つ、スコア全体がdiceであり、感度の指標特異性とハウスドルフ距離モーである。
訳抜け防止モード: 腫瘍がサブ−領域を脱線してコアに転移する過程 腫瘍 ;3つの腫瘍を調節し、全スコアをダイスとして、感度指標の特異性を示す ハウスドルフ距離モー
0.79
and are used for evaluating performance. パフォーマンスを評価するのに役立ちます 0.61
survival The overall prediction task classifies survival days into catethe following (>15 months), long-term survivors gories: (between intermediate-survivo rs 15 and 10 status GTR (gross (<10 months). 生存期間 総合予測タスクでは、生存期間を以下の分類(>15ヶ月)、長期生存期間:(中間生存期間15と10のステータスGTR(10ヶ月)に分類する。 0.76
Samples with resection short-survivors and months), the OS prediction. 切除短生存者および数ヶ月のサンプル)、OSの予測。 0.68
An accuracy mettotal resection) are used to rate the performance of error evaluation, whereas mean and median square ric is used for performance are used for postanalysis [14]. 誤差評価のパフォーマンスを評価するために、精度のメートル法切除(Matetotal Resection)が用いられるのに対し、平均および中央の正方形リックは、後分析に使用される[14]。 0.71
samples volumetric dataset includes training 369 2020 high-grade of The BraTS (LGG) glioma (HGG) and low-grade glioma includes metadata of 236 samples It cases. サンプル容積データセットには、The BraTS (LGG) glioma (HGG) のトレーニング3692020ハイグレードが含まれ、低グレードグリオーマには236サンプルのメタデータが含まれている。 0.63
status such as age, survival days, and resection prediction for survival days (Grosstotal and NA = (STR) Sub-total Resection 119, (GTR) Resection valida10, = = 107). 生存日(Grosstotal and NA = (STR) Sub-total Resection 119, (GTR) Resection valida10, = 107)の年齢、生存日、切除予測などの状態。 0.77
The survival days, and resection includes 125 sample images and metadata (age, tion dataset 29 images status) with having a GTR resection status. 生存日および切除は、GTR切除ステータスを有する125のサンプル画像およびメタデータ(年齢、tionデータセット29画像ステータス)を含む。 0.69
Each subject four MRI includes and FLAIR) (T1-weighted, T1-CE, T2-weighted, scans that are preoperative and manresults. それぞれ4つのmri(t1-weighted, t1-ce, t2-weighted, scans that are preoperative and manresults)を含む。 0.67
The ually annotated ground truth truth include Necrotic ground of Tumor (label-2), Active Edema core NCR/NET tumor and Non-Enhancing else. 一般的な接地真理には、腫瘍の壊死性地面(label-2)、アクティブEdemaコアNCR/NET腫瘍、および非エンハンシング他が含まれます。
訳抜け防止モード: 上述の接地真理には、壊死性腫瘍(ラベル2)がある。 Active Edema core NCR / NET tumor と Non - Enhancing else 。
0.70
0 and (label-4), for everything The been the pre-processed, i.e., all 0 と (label-4) であり、すべては前処理された、すなわち、すべてである。 0.64
annotations (label-1), dataset has アノテーション (label-1) データセット 0.80
英語(論文から抽出)日本語訳スコア
4 Snehal Rajput 4 スネハル・ライプット(snehal rajput) 0.60
et al. to co-registered are scans resolution isotropic to an and 240, are 240, sample など アル 共登録 スキャン 解像度は an と 240 に等方性で サンプルは 240 0.55
the of 155 same 1 × 1 × 1 respectively. 155年 それぞれ 1 × 1 × 1 である。 0.65
anatomical mm3. stripped skull structure, height, The width, and 解剖学的mm3 切り抜かれた頭蓋骨の構造、高さ、幅、そして 0.70
and depth resampled of each 深さは それぞれを例に 0.60
Survival Prediction Methodology 3 Isensee by et proposed al. Survival Prediction Methodology 3 Isensee by et proposed al。 0.78
segmentation brain for 3D U-Net model use We tumor the BraTS in 2017. 3D U-Netモデルのためのセグメンテーション脳は、2017年にBraTSを腫瘍化する。 0.65
U-Net Like the and simple model the ranking highest is This [15]. u-net と単純なモデル ランキングの最高位はこの [15] である。 0.75
extract more feature information [15] comprises [2], this model a contracting path to path to generate a segmentation with increasing network depth. より多くの特徴情報[15]を抽出します[2]、このモデルは、ネットワーク深度の増加を伴うセグメンテーションを生成するためのパスへの収縮パスです。 0.72
It has an expansion refeature better information localization precise mask with for connection skip and a used have path. 接続スキップと使用済みのパスのための拡張再機能より良い情報局在化精密マスクを持っています。 0.75
expansion our work we bias construction at every stage of the In the clipping maximum/ minimum intensity field correction, normalization, to remove outto liers, rescaled to and setting non-brain pixels 0. 拡張 私たちの作業は、クリップ最大/最小強度フィールド補正、正規化、外部ライアーの除去、非ブレインピクセル0へのリスケール、設定など、すべての段階でバイアス構成を行います。 0.68
The model was trained on [0, input MRI modalities. そのモデルは [0, input MRI modalities で訓練された。 0.83
the from all generated randomly 128×128×128, a of size patch is 0.880(WT), 0.858(TC), The obtained dice score on the BraTS 2020 validation dataset validation 0.759(ET). すべての生成したランダムな128×128×128、サイズパッチのaは0.880(wt)、0.858(tc)であり、brats 2020 validationデータセットのdiceスコアは 0.759(et)である。
訳抜け防止モード: ランダムに生成されたすべての128×128×128から、サイズパッチは0.880(WT )である 0.858(TC ), BraTS 2020 Validation dataset validation 0.759(ET )。
0.87
The segmentation of tumor tissue of a sample in 1. shown as is The image and image. 1のサンプルの腫瘍組織のセグメンテーションは、画像と画像で示されています。 0.73
comparison of an input flair a predicted figures show a The prognosis methods the segmented prediction with survival for used then parts with 1) Image-based features, 2) Radiomics based features, and the following four predictors. 入力フレアaの予測値の比較により,1)画像に基づく特徴量,2)放射能に基づく特徴量,および以下の4つの予測因子を用いたセグメント予測法が得られた。 0.78
visual are 1] Predictors 視覚は 1] 予測者 0.72
and Parameter Tuning 3.1 and parameter We have used four predictors are (1) Artificial Neural Nettuning. そしてパラメータチューニング 3.1と4つの予測器を用いたパラメータは、(1)人工ニューラルネットチューニングである。 0.65
These (ANN) [9,10], (2) Linear Regressor work (3) Gradient Boosting Regressor (LR) [7,8], these Random Forest (4) [10], (GBR) and predictors (RFR) Regressor [6,15,10]. これら(ANN) [9,10], (2) 線形回帰作業 (3) 勾配ブースティングレグレシタ(LR) [7,8], これらのランダムフォレスト (4) [10], (GBR) および予測器(RFR) レグレシタ [6,15,10] 0.83
All challenges. These BraTS performing models used top by the were in preall recent image-based deal with a small and dictors dataset prognosis problems. すべての挑戦。 これらのブラットは、最新の画像ベースで、小規模でディクターのデータセットの予後問題に対処している。 0.70
The overfitting overfitting. We method uses only seven features making it less vulnerable to retain defor GBR and RFR are hyper-tuned for ANN and LR, while parameters fault parameters the number tuned search. 過度に適合する。 GBRとRFRはANNとLRのためにハイパーチューニングされているが、パラメータの障害パラメータは検索数をチューニングしている。
訳抜け防止モード: 過度に適合する。 We method uses only seven features that it less vulnerable to keep defor GBR RFR は ANN と LR 用に調整されるが、パラメーターは検索数を調整する。
0.61
We the sample tree, of depth estimators, of grid a using split, the number of estimathe RFR, for and learning rate parameters In the case of the GBR. 我々は,GBRの場合,格子a使用率,RFR推定数,学習率パラメータの標本木,深さ推定器について検討した。 0.69
predictors with tors and the depth of the tree were hyper tuned. ねじれのある予測器と木の深さはハイパーチューニングされた。 0.67
The radiomics features tuned. 放射能はチューニングされています。 0.43
were also that out better layers was hidden it features an ANN with turns For radiomics five number epochs, tuned compared to 2 or 3 hidden layers. また、より良い層が隠されていたため、2または3の隠された層と比較して調整された、ターンフォーラジオミックスの5つの番号のエポックを持つANNが特徴でした。 0.55
Further, we learning rate, of the LR model, neurons, and an optimizer for ANN. さらに、我々はLRモデル、ニューロン、ANNのためのオプティマイザの学習率。 0.69
In a search was also performed for feature of up-grading iterations, of number the term, penalty the and using parameters number regressor. In a search was also performed for feature of up-grading iterations, of number the term, penalty the and using parameters number regressor。 0.87
We ridge LASSO and estimators, maximum depth, the tuned a of the RFR model, we of and learning rate for the GBR. 我々は、LASSOと推定器、最大深度、RFRモデルの調整されたa、GBRの学習率を下げる。 0.67
In tuned the number estimators, in maximum depth of the tree, minimum sample split, minimum samples node, a leaf and maximum features parameters. 数推定器のチューニングでは、木の最大深さでは、最小サンプル分割、最小サンプルノード、葉、最大特徴パラメータが設定された。 0.72
Since random forest and gradient boosting rethe gressor work to prone less and efficient, robust, are they learning, ensemble-based on overfitting. ランダムフォレストとグラデーションの強化 gressor の作業はより少なく、効率的で堅牢になるため、オーバーフィッティングに基づいて学習し、アンサンブル化される。
訳抜け防止モード: 無作為林と勾配増進レセプターの作業が減少する 効率的で堅牢で、過剰適合に基づいて学習し、アンサンブルしています。
0.57
英語(論文から抽出)日本語訳スコア
Glioblastoma Multiforme Glioblastoma multiforme 0.84
5 (a) (d) (b) 5 (a) (d) (b) 0.85
(e) (c) (f) (e) (c) (f) 0.85
(g) (h) Fig. 1: Segmentation results of training set: (a) Axial FLAIR slice slice FLAIR Coronal (d) Segmentation truth Axial (c) Coronal (e) Sagittal Ground (h) Sagittal (g) Segmentation Coronal FLAIR slice Segmentation, four codes are: Brown for label-1(NCR/NET), color 4(Active Tumor), orange for label-2(Edema), black for label-0(back (g) (h)図。 1: トレーニングセットのセグメンテーション結果: (a) Axial FLAIR slice slice FLAIR Coronal (d) Segmentation truth Axial (c) Coronal (e) Sagittal Ground (h) Sagittal (g) Segmentation Coronal FLAIR slice Segmentation, 4コード: Brown for label-1(NCR/NET), color 4(Active Tumor), orange for label-2(Edema), black for label-0(back) 0.81
(i) (b) Axial Ground truth Ground (f) truth Sagittal (i) for white labelground) (i)(b)軸方向基底真理グラウンド(f)ホワイトラベルグラウンドの真理矢状(i) 0.73
Prognosis using Features 3.2 [8,9] Image-based features Shape features extracted from the segmentation were used of the WT, TC, volume the OS prediction. 特徴を用いた予後 3.2 [8,9] 画像に基づく形状特徴をセグメンテーションから抽出し, wt, tc, ボリュームosの予測に用いた。 0.65
These in features were area and ET, surface predicting decisive tumor Since ET, of factor the size was the age. これらの特徴は, 面積と ET であり, 年齢の要因は ET による決定的腫瘍の予測であった。 0.85
and TC, the WT, area and cancer various surface volume the for types, we extracted and of the WT, TC, segmentation maps ET. そしてTC、WT、区域および癌のさまざまな表面の容積はタイプのために、私達抽出し、WT、TCのセグメンテーションの地図ET。 0.71
The features were extracted from the and input images without any library dependency. 特徴はライブラリに依存しない画像と入力画像から抽出された。 0.79
Training with fewer features has the advantage it limits that did the model space. 機能が少ないトレーニングは、モデルスペースを制限する利点があります。 0.72
Hence, of the found overfit. したがって、見つかったオーバーフィットの。 0.62
However, we not feature dimensions to saturation in the in the model. しかし、我々はモデル内の飽和への寸法を特色にしません。 0.68
high bias performance high‐ bias performance 0.91
due Radiomics based features [16] Radiomics based feature extraction is widely used for breast lung like prediction survival and disease classification, and Alzheimer’s size [19]. 期日 放射線による特徴 [16] 放射線による特徴抽出は, 生存予測や疾患分類, アルツハイマーの大きさ [19] など, 胸部肺に広く用いられている。 0.54
Along with the disease cancer explorof diagnosis, [18], がんの発見と共に 診断, [18] 0.57
[17], tumor, 腫瘍[17], 腫瘍 0.61
cancer the 癌... 0.50
英語(論文から抽出)日本語訳スコア
6 Snehal Rajput 6 スネハル・ライプット(snehal rajput) 0.60
et al. 1. 2. など アル 1. 2. 0.66
3. increase to crucial is prediction of survival other the correlation the ing features with problem. 3. 重要になるのは 生存の予測と 問題のあるingの特徴の相関です 0.76
this addresses features predictor models. これは予測モデルに対処します 0.57
Radiomics the performance the of from radioand texture intensity, extracting various allows It features statistical, shape, radiomics allow extracting features from many imaging techniques. 放射能 放射能とテクスチャの強度によるパフォーマンス、様々な抽出により、統計的、形状、放射能が特徴となり、多くの撮像技術から特徴を抽出することができる。
訳抜け防止モード: radiomics (複数形 radiomics) 様々なものを抽出する 統計的、形状、放射能を特徴とし、多くの撮像技術から特徴を抽出することができる。
0.67
graphic scans. グラフィックスキャン。 0.63
Also, features were package PyRadiomics Using the following 107 extracted: [16]: the axis flatness, Shape Elongation, features: vollengths, maximum diameter, mesh area, ume, surface volume surface sphericity, and co-occurrence matrix (GLSZ), Gray-level features: Gray-level size Gray level zone (GLCM), Gray-level run-length matrix (GLRLM), Gray-level dependence Matrix (GLDM), and neighbouring gray-tone difference matrix (NGTDM). また、パッケージPyRadiomics 抽出された以下の107を使用して:[16]:軸の平坦度、形状の伸長、特徴:Vollengths、最大直径、メッシュ領域、ume、表面体積表面球状性、および共起マトリックス(GLSZ)、グレーレベルの特徴:グレーレベルのサイズグレーレベルゾーン(GLCM)、グレーレベルの実行波長マトリックス(GLRLM)、グレーレベルの依存性マトリックス(GLDM)、および隣接するグレートーン差行列(NGTDM)。
訳抜け防止モード: また,以下の107点を用いたピラトミック・パッケージの特徴: [16] : 軸平坦性, 形状伸長,特徴 : 長さ,最大径,メッシュ面積, ume,表面体積表面球性およびco-存在行列(glsz) グレー-レベル特徴 : グレー-レベルサイズグレーレベルゾーン(glcm) gray - level run - length matrix (glrlm ), gray - level dependence matrix (gldm ) 隣り合う灰色 - トーン差行列(ngtdm)。
0.90
entropy, Energy, First-order value, minimum maxiintensity features: statistical mum intensity value, mean, median, Interquartile range, percentiles, absolute deviation, and uniformity. エントロピー、エネルギー、第一次値、最小最大強度機能:統計的ラム強度値、平均、中央値、インタークアタイル範囲、パーセンタイル、絶対偏差、均一性。
訳抜け防止モード: entropy, Energy, First -order value, minimum maxiintensity features : 統計的ラム強度値 平均、中央値、インタークアタイル範囲、パーセンタイル、絶対偏差、 そして均等性。
0.80
kurtosis, skewness, variance, corthe hence [20]; redundant and typically multi-collinear Radiomics features are between needs problems. Kurtosis, skewness, variance, corthe, corthe[20]; 冗長で典型的にはマルチコリニアラジオミクスの機能は、ニーズ間の問題である。 0.70
real-world be for validated specific to these features relation recursive [21] elimination performed feature (RFE) to rethrough feature selection We weaker curse the of dimensionality. Real-world be for Validd specific to these features Recursive [21] eliminate performed feature (RFE) to rethrough feature selection 我々は次元のより弱い呪いをする。 0.82
RFE an example of is features and avoid move principal elimination. RFEの例は機能であり、移動プリンシパル除去を避けます。 0.72
With backward it estimators, number given the feature selects of features recursively feature from the set. 後方の推定器では、その特徴がセットから再帰的に特徴の選択を与えられた数である。 0.65
It refits the model until the desired number of is eventually reached. 最終的に所望の数に到達するまで、モデルに再適合する。 0.71
Out of 107 features, we selected 20 best selected features ranking features. 107の機能の中から、20のベストセレクションのランキング機能を選びました。 0.55
LR, predictors: ANN, RFR, and GBR, are summary, the applied to: i) the In four radiomics principal 20 iii) radiomics 107 ii) features, image-based seven feafeatures, dominance suggests radiomics iv) features. lr, 予測器: ann, rfr, gbr, is summary, the applied to: i) the in four radiomics principal 20 iii) radiomics 107 ii) features, image-based seven feafeatures, dominant suggests radiomics iv) features. 0.82
Literature also [6,15] and only tures, shape all also of shape features so we used predictors with only shape features for survival prediction. 文献も [6,15] と ture のみであり, 形状特徴もすべて備えており, 形状特徴のみの予測器を用いて生存予測を行った。 0.79
We trained the models with resection status (i.e., GTR, STR, and all the the dataset NA) overfitting. 我々は、切除状態(すなわち、GTR、STR、およびすべてのデータセットNA)がオーバーフィットするモデルを訓練した。 0.74
reduce and size database the to increase given with 4 Results and Discussions the BraTS and dataset, from the BraTS 2019 derived prediction feature Image-based is are results extraction. 縮小とサイズデータベース 4つの結果で与えられる増加と、brats 2019から派生した画像に基づく予測機能isから得られるブラッツとデータセットは、結果抽出である。 0.71
The feature based radiomics used dataset was shown in 2020 for challenge to and do not have Tables 4. 2020年、Tables 4にチャレンジし、使用していない機能ベースの放射能データセットが示されました。 0.64
We have not 1 participated in the BraTS training and validation the access to test dataset. BraTSトレーニングやテストデータセットへのアクセス検証には1つも参加していません。 0.69
Therefore, results are derived the datasets. したがって、結果はデータセットを導出する。 0.74
4.1 Image-based feature prediction We observe ensemble-based models, i.e., GBR Their dataset. 4.1 画像に基づく特徴予測 アンサンブルに基づくモデル、すなわちGBRのデータセットを観察する。 0.68
validation and formance on validation accuracy suggests that the model does not 4.2 Radiomics feature-based prediction radiomic extracted we As mentioned, the 2020 images and them as 検証精度の検証と定式化は、モデルが4.2Radiomics特徴ベースの予測放射能を抽出していないことを示唆しています。 0.75
and RFR, consistency overfit. そしてRFR、一貫性のオーバーフィット。 0.55
results of LR, ANN, LR、ANNの結果。 0.65
from the four segmentation regressor models; 4人から セグメンテーション回帰モデル 0.51
features input to show a the in 入力される特徴 show (複数形 shows) 0.61
better training perand より良い訓練 ペラン 0.60
that the the training BraTS あれは 訓練は BraTS 0.71
107 fed ratio. 2020 on 107fe 比率。 2020年 0.70
英語(論文から抽出)日本語訳スコア
Table 1: OS dation BraTS-2019 square error, median coefficient. 表1: OS dation BraTS-2019 square error 中央値係数。 0.75
ranking Dataset Training ランキングデータセットトレーニング 0.82
using Performance comparison dataset. パフォーマンス比較データセットを使用する。 0.69
MSE, medianSE, standard square error, MSE Regressor Accuracy ANN 0.51 86148.10 0.49 87724.00 LR GBR 0.52 63234.40 63234.40 0.52 RFR 098312.70 0.45 ANN 100509.00 0.52 LR GBR 0.52 102999.00 RFR 0.52 102999.00 MSE, centralSE, standard square error, MSE Regressor Accuracy ANN 0.51 86148.10 0.49 87724.00 LR GBR 0.52 63234.40 63234.40 0.52 RFR 098312.70 ANN 100509.00 0.52 LR GBR 0.52 102999.00 RFR 0.52 102999.00 0.64
Validation 7 Glioblastoma Multiforme and on training feature image-based valistdSE, and the mean SpearmanR denote error, deviation squared and Spearman’s stdSE SpearmanR 181346 183685 126534 126534 141392 141263 152694 152694 検証 7 Glioblastoma Multiformeおよび訓練の特徴のイメージベースのvalistdSE、および平均SpearmanRの印の間違い、偏差の正方形およびSpearmanのstdSE SpearmanR 181346 183685 126534 126534 141392 141263 152694 152694。 0.74
medianSE 21316 20736 16900 16900 39204 38809 36481 36481 medianSE 21316 20736 16900 16900 39204 38809 36481 36481 0.85
0.48 0.47 0.61 0.61 0.24 0.29 0.27 0.27 0.48 0.47 0.61 0.61 0.24 0.29 0.27 0.27 0.42
GBR, that RFR gave observed It was and RFR. RFRが与えたGBRは、それとRFRである。 0.80
in shown are they and results, best the Table performed regressors other 2. 表と結果が示すように、最善のテーブルはレグレッサーを他の2.2で実行します。 0.54
The poorly finethe even and to RFR, compared reasons possible The performance. たとえ粗悪な微妙さとRFRであっても、パフォーマンスを比較できた。 0.65
the improve parameters of tuning are did not the of redundant the nature [20], over radiomics complexity due to too many features and fewer training samples. チューニングのパラメータは[20]の冗長性ではなく、機能多すぎることやトレーニングサンプルが少ないことなどから、放射線の複雑さが増す。 0.75
Radiomics features are shallow and low-order image features, and unable to fully describe distinct image characteristics [22]. 放射能の特徴は浅く低次な画像特徴であり、異なる画像特性を完全に記述できない [22]。 0.82
Also, when the number of ill-posed an is prediction survival features, extracted large less is observations problem [20]. また、is予測サバイバル特徴が不適切である場合、抽出量が大幅に少ない場合には、観察問題[20]である。 0.62
for Table 2: OS Regressor. ですから 表2:OS Regressor。 0.63
Dataset Training Validation データセットトレーニング検証 0.77
performance Accuracy 0.479 0.379 パフォーマンス精度 0.479 0.379 0.62
using evaluation MSE 079176.96 115424.30 利用 MSE 079176.96 115424.30の評価 0.62
107 radiomics medianSE 20702.21 28779.30 107 放射能中央値20702.21 28779.30 0.43
features stdSE 169474.53 214028.11 機能 stdSE 169474.53 214028.11 0.62
and Random Forest SpearmanR 0.684 0.138 and Random Forest SpearmanR 0.684 0.138 0.75
set feature observed from Table stateyield to unable is large the that 2 be can It recursive applying by set feature the reduced results. テーブルステートyieldから観測される集合的特徴は、小さくなった結果をセットすることで再帰的に適用できるほど大きい。 0.68
Therefore, we accuracy of-the-art obtained features to feature features. そこで本研究では,得られた特徴の精度について述べる。 0.52
Dominant dominant 20 most find elimination using RFE are: age, amount of edema, elongation, maximum 2D diameter slice, sphericsurface-volum e ity, ratio, minimum and maximum intensity, range, skewness, inverse kurtosis, shade, root mean and coarseness, variance, the on regressors feature dominant set, and performance has been RFEを用いた支配的20の除去は, 年齢, 浮腫量, 伸長量, 最大2次元径スライス, 球面体積度, 比, 最大および最大強度, 範囲, 歪, 逆硬変, 陰影, 根平均および粗さ, 分散, オンレグレクターの特徴的支配的集合, 性能などである。 0.78
prominence, cluster then variance. プロミネンス、クラスタ、そしてばらつき。 0.59
We applied in Table 3. noted interquartile cluster four 表3に記入しました Interquartile cluster 4 0.73
absolute dependence deviation, the 絶対依存 偏差 はあ? 0.45
on Training Table 3: OS performance Accuracy Dataset 0.393 0.462 0.923 0.744 0.448 0.483 0.414 0.448 オン 訓練 表3: OSパフォーマンス精度データセット 0.393 0.462 0.923 0.744 0.448 0.483 0.414 0.448 0.65
Regressor Models ANN LR GBR RFR ANN LR GBR RFR Regressor Models ANN LR GBR RFR ANN LR GBR RFR 0.85
comparison MSE 8.90E+12 96853.55 17213.25 31829.75 2.20E+20 2.73E+08 255096.40 098369.46 MSE 8.90E+12 96853.55 17213.25 31829.75 2.20E+20 2.73E+08 255096.40 098369.46の比較 0.34
Validation 20 principal medianSE 2.46E+12 33279.52 00000.00 06077.32 3.46E+12 056167.55 101995.06 035521.48 検証 20主要中央値 2.46e+12 33279.52 00000.00 06077.32 3.46e+12 056167.55 101995.06 035521.48 0.51
radiomics stdSE 3.36E+13 190733.00 074717.13 075572.44 8.03E+20 9.86E+08 420861.25 126218.18 stdSE 3.36E+13 190733.00 074717.13 075572.44 8.03E+20 9.86E+08 420861.25 126218.18 0.34
features. SpearmanR 0.125 0.417 0.938 0.810 0.290 0.456 0.025 0.126 特徴。 SpearmanR 0.125 0.417 0.938 0.810 0.290 0.456 0.025 0.126 0.58
英語(論文から抽出)日本語訳スコア
8 Snehal Rajput 8 スネハル・ライプット(snehal rajput) 0.60
et al. We observe など アル 私たち 観察 0.57
linear reother the that outperforms all provides the gression models with highest dataset. 線形リザーブは、全てを上回り、最高データセットのグレスモデルを提供する。 0.66
LR also similar accuracy for the training and validation datasets. LRはトレーニングと検証データセットの精度も類似している。 0.75
The Spearman-R is also highest In contrast, RFR achieves for LR. Spearman-Rも最高であるのに対して、RFRはLRで達成している。 0.58
(MSE) on the validation dataset. (MSE)の検証データセット。 0.68
regressor with regularisation accuracy on the validation the lowest mean square error 検証における正則化精度の低い平均二乗誤差の回帰器 0.69
shape Radiomic based features prediction between rathe Reviewing correlation shape radiomic play features a survival features prediction, we and diomics found that statistical difin survival prediction [6,15]. 形状 放射能による放射能特性予測では, 放射能特性予測では, 統計的ディフィン生存予測 [6,15] が検出された。 0.77
Shape role crucial show significant features related to ferences across ROIs [23]. rois [23] にまたがる参照に関連する重要な特徴を示す形状の役割 0.75
Hence, features capture can tumor features shape survival prediction. したがって、腫瘍を捕捉する特徴は、形状の生存予測を特徴付ける。 0.61
We formulate the hypothgenetic anomalies and profoundly impact prediction. 我々は下垂体異常を定式化し, 予測に大きな影響を与える。 0.53
survival profoundly features shape impact validate order to In that esis the hypothesis, we amount trained predictor models with the following shape features: the of necrotic, edema, the extent of the tumor, coordinates of tumor, enhancing tumor, column, 2D diameter lengths, elongation, flatness, 2 D diameter row, 2D diameter axis slice, maximum 3D diameter, mesh volume, surface area, sphericity, surface volume racentroid of necrosis tio, and age information. 生存は深く、形状の影響の検証順序を特徴とする仮説、我々は次の形状の特徴を持つ訓練された予測モデルを量る:壊死性、浮腫、腫瘍の程度、腫瘍の座標、強化腫瘍、カラム、2D直径の長さ、伸展、平坦性、2D直径行、2D直径軸スライス、最大3D直径、メッシュボリューム、表面積、球面性、壊死性チオの表面体積ラジェントロイド、および年齢情報。 0.78
The performance of each predictor model has been noted in Table 4. performance OS Table 4: features set. 各予測モデルのパフォーマンスは、Table 4のパフォーマンスOS Table 4: 機能セットで言及されている。 0.83
Dataset Predictor Models ANN LR GBR RFR ANN LR GBR RFR that regressor achieves 回帰器が達成するデータセット予測モデル ANN LR GBR RFR ANN LR GBR RFR 0.92
comparison on BraTS-2020 dataset radiomics Accuracy MSE medianSE stdSE SpearmanR 0.400 4.41E+11 7.15E+10 7.97E+11 0.149 0.470 89890.41 35160.09 162137.20 0.461 0.915 31068.75 00000.00 150724.63 0.849 0.615 62930.78 18562.88 130788.18 0.759 0.448 4.73E+11 2.14E+11 5.97E+11 0.149 0.414 087228.24 47820.00 111960.30 0.215 0.621 141065.30 23528.48 236728.70 0.338 0.448 109746.60 34689.29 200725.98 0.116 GBR and RFR have better performance. BraTS-2020データセット 放射能 精度 MSE stdSE SpearmanR 0.400 4.41E+11 7.15E+10 7.97E+11 0.149 0.470 89890.41 35160.09 162137.20 0.461 0.915 31068.75 00000.00 150724.63 0.949 0.615 62930.78 18562.88 130788.18 0.759 0.448 4.73E+11 2.14E+11 0.149 0.414 087228.24 47820.00 1960.30 0.215 0.621 141065.30 23528.28.6728.30 0.34484828.30 0.4484848.30 0.3448.46.46.29.16 2007 GBR.46.16 0.1 0.39
Specifically, the gradiLR with In regression models. 具体的には、回帰モデル付き gradiLR です。 0.75
other outperforms contrast, all lowest mean the square error (MSE) on the validation dataset. 他の性能は対照的に、全ての最低値は検証データセットの平方誤差(MSE)を意味する。 0.66
We observe ent boosting regularization 私たちは ent boosting regularization を観察します 0.60
Validation Training shape using 検証 訓練 形状 利用 0.73
that suited classical machine for 適当に 古典的な機械 0.68
Discussions 4.3 observed It than been has better techniques the deep learning neural network-based models for survival prediction. 議論 4.3 観察された 生存予測のためのディープラーニングニューラルネットワークベースのモデルよりも優れた技術がある。 0.75
Radiomics based approaches are well algorithms Traditional interpretability than deep learning-based algorithms, have better learnfewer sample data. ラジオミクスに基づくアプローチは、ディープラーニングベースのアルゴリズムよりも伝統的に解釈可能であり、サンプルデータより学習しやすい。 0.62
A large sample than CNN, and perform better with smaller able parameters crucial dataset from image modalities using CNN. CNNよりも大きなサンプルで、CNNを使用して画像モダリティからより小さな可能なパラメータ重要なデータセットでより良いパフォーマンスを発揮します。 0.59
for direct for training is regression on trained predictors features underperformed. 訓練のための直接は訓練された予測器の特徴の回帰です。 0.59
The predicThe the 107 radiomics tors modelled on the 20 principal features to alleviimproved the performance. 107 radiomics torsは20の主な特徴をモデル化し、性能を改善させた。 0.83
Further, and features predictors and experimented ate found on trained performance, we features a strong survival prediction. さらに、訓練された性能で見つかった特徴予測器と実験食は、我々は強い生存予測を特徴とする。 0.66
the consensus Shape on performed regression they have コンセンサスの形は 回帰を行ない 0.44
learning prediction. correlation with 予測の学習。 相関関係と 0.78
shape trained survival 形状訓練 生存 0.75
英語(論文から抽出)日本語訳スコア
Glioblastoma Multiforme Glioblastoma multiforme 0.84
9 observed the that It was state-of-the-art accuracy. 9 最先端の正確さが観察された。 0.74
survival prediction obtained model bealgorithms classical regressor model than other performed better boosting gradient expressive becomes more the model tree and with built, each of: cause additive model, learning model. 生存予測が得られたモデルベラルゴリテムズ古典レグレッセプタモデルは、より優れた昇降勾配表現性を持つ他のモデルよりも、モデルツリーとなり、それぞれが構築される: 原因モデル、学習モデル。
訳抜け防止モード: モデルベゴリズムの古典回帰モデルによる生存予測は、他のより優れた強化勾配表現がモデルツリーになる そして、ビルディングでは、それぞれ:原因付加モデル、学習モデル。
0.80
The proposed GBR model compared with the is based on the ensemble 2020 of BraTS challenge winners prediction the accuracy and survival prediction board(cid:63) (cid:63) (cid:63). 提案したGBRモデルは、BraTSチャレンジ勝者が精度と生存予測ボード(cid:63)(cid:63)を予測した2020年のアンサンブルに基づいている。 0.77
TA perforleader obtained from the unranked state-of-the-art methods was mance the GBR model with top-ranking models has been noted in Table comparison of the with features observed boosting gradient shape-based regressor that 5. TAperforleaderは、トップランクのモデルを持つGBRモデルをマンスした最新鋭の方法から得られたが、テーブル比較では5のグラデーション形状ベースのレグレッサーをブーストする観察された特徴との比較が指摘されている。 0.57
It can be outperform the best-ranking methods over the validation dataset. バリデーションデータセットよりも最高のメソッドよりも優れています。 0.58
Table 5: OS performance idation Accuracy Team name SCAN 0.414 Redneucon 0.517 0.379 VLB COMSATS-MIDL 0.483 Proposed 0.621 表5: OS パフォーマンス idation Accuracy チーム名 SCAN 0.414 Redneucon 0.517 0.379 VLB COMSATS-MIDL 0.483 提案 0.621 0.70
comparison with top-ranking models on the BraTS-2020 valSpearmanR 0.253 0.134 0.280 0.134 0.338 BraTS-2020 valSpearmanR 0.253 0.134 0.280 0.134 0.338の上位モデルとの比較 0.60
medianSE 36100.00 70305.26 67348.26 37004.93 23528.40 medianSE 36100.00 70305.26 67348.26 37004.93 23528.40 0.48
stdSE 152175.57 157673.99 102092.41 146375.99 236728.70 stdSE 152175.57 157673.99 102092.41 146375.99 236728.70 0.48
MSE 098704.65 122515.76 093859.54 105079.42 141065.30 MSE 098704.65 122515.76 093859.54 105079.42 141065.30 0.48
dataset. for データセット。 ですから 0.61
Conclusion 5 from challenges is outcomes oncological Predicting always to multiple due tricky very sets two feature perspectives. 課題からの結論5は、結果のオンコロジー予測常に複数のデュートリッキーに非常に2つの特徴の視点を設定します。 0.56
and clinical engineering In evaluated have this work, we prognosis based radiomic and image-based the four over predictors. 評価した臨床工学では, 予後と画像に基づく4つのオーバー予測因子について検討した。 0.68
We the proposed survival prediction. 提案された生存予測。 0.73
The image-based prognosis models performed well, approaches for of because saturates but the performance beyond a certain point fewer features, and learn models could not complexity. 画像ベースの予後モデルは良好に機能し、そのアプローチは飽和するが、特定の点を超える性能は少なく、学習モデルは複雑さを増すことができなかった。 0.70
Similar 107 observations are also made for the above combination. 同様の107の観測も上記の組み合わせで行われている。 0.72
All and features principal / features radiomics regressor the the 20 prediction. すべておよび特徴の主/特徴の放射能のregressor 20の予測。 0.78
However, we survival exhibited combinations correlation with recommend regressor that shape based features with the gradient boosting best combination the is found for survival prediction. しかし、生存予測のために発見されたグラデーションブーストベストコンビネーションに基づいた特徴を形づける推奨レグレッサーとの組合せ相関を示した。 0.75
Comparing models, it was learning that ensemble-based robustness. モデルと比較すると、アンサンブルベースの堅牢性を学びました。 0.50
Whereas their for survival prediction because of models became more useful speedily compared to classical models but due to lack of ample training ANN converges easily. モデルによる生存予測は古典的モデルに比べて急速に有用になったが、十分な訓練が不十分なため、ANNは容易に収束する。 0.72
With the it overfits samples, large dataset and more clinical nonimaging information such as gender robust. サンプル、大規模なデータセット、およびジェンダー堅牢性などのより臨床的な非画像情報にオーバーフィットします。 0.62
It survival prediction can be can further be applied to clinical References J.S., Skelding, K.A. 生存予測は、J.S.、Skelding、K.A.の臨床基準にさらに適用することができます。 0.64
: Glioblastoma multiforme: An 1. : Glioblastoma multiforme: 1。 0.72
Taylor, O.G., Brzozowski, targets. Taylor, O.G., Brzozowski, ターゲット。 0.88
Frontiers in 963 therapeutic emerging (2019) Convolutional P., Fischer, Ronneberger, O., T.: U-net: Brox, 2. networks International Conference on Medical age segmentation. The Frontiers in 963 treatment emerging (2019) Convolutional P., Fischer, Ronneberger, O., T.: U-net: Brox, 2. Network International Conference on Medical age segmentation 0.92
In: image (2015) 234–241. in: image (2015) 234–241。 0.88
Springer pp. スプリンガー pp. 。 0.59
assisted intervention. Zhao, Y.X., Zhang, Y.M., Liu, C.L. 補助的介入 Zhao, Y.X., Zhang, Y.M., Liu, C.L. 0.67
: Bag 3d mri of tricks for brain 210–220. : bag 3d mriによる脳210-220のトリック 0.75
Springer pp. スプリンガー pp. 。 0.59
International MICCAI Brainlesion Workshop. 国際MICCAIブレインレジオンワークショップ。 0.64
https://www.cbica.up enn.edu/BraTS20/lboa rdValidation.html https://www.cbica.up enn.edu/BraTS20/lboa rdValidation.html 0.25
overview of imcomputing and computertumor In: (2019) ImcomputingとComputertumorの概要In:(2019) 0.67
availability of a and treatment, practice. aと治療の可用性、実践。 0.70
segmentation. oncology 9, セグメンテーション 腫瘍学9 0.49
biomedical for 3. 生物医学 ですから 3. 0.70
(cid:63) (cid:63) (cid:63) (cid:63)(cid:63) 0.92
英語(論文から抽出)日本語訳スコア
10 Snehal Rajput 10 スネハル・ライプット(snehal rajput) 0.60
et al. Y., F., and など アル Y! f・・ 0.52
unet. 4. 5. unet。 4. 5. 0.83
6. 7. 8. 9. 6. 7. 8. 9. 0.85
10. 11. 12. 10. 11. 12. 0.85
13. 14. 15. 13. 14. 15. 0.85
16. 17. 18. 16. 17. 18. 0.85
19. 20. 21. 19. 20. 21. 0.85
22. 23. In: In: 22. 23. 内 内 0.59
ensemble of アンサンブル ですから 0.43
3d-to-2d uncertainty 3d-to-2d 不確実性 0.37
brain tumor Dai, and pp. 脳 tumor ダイ、p。 0.67
label-uncertainty label‐uncertainity 0.52
for In: tumour u-net International MICCAI ですから 内:腫瘍 u-net International MICCAI 0.68
3d 1st to Brainlesion Workshop. 3d 1st to Brainlesion Workshop(英語) 0.70
solution place survival (2019) Automatic 解決法 場所 生存(2019年)自動 0.76
prediction. brain C., Mo, biophysics-guided 61–72. 予測だ 脳 C., Mo, Biophysics-guided 61–72。 0.74
Springer R., Triplanar cnns R., Wiest, R.: Rebsamen, M., Meier, McKinley, International MICCAI Brainlesion In: segmentation. ばね R., Triplanar cnns R., Wiest, R.: Rebsamen, M., Meier, McKinley, International MICCAI Brainlesion In: segmentation。 0.64
tumor brain with (2019) 379–387. 腫瘍脳 (2019) 379-387。 0.85
Springer pp. スプリンガー pp. 。 0.59
Workshop. Jiang, Z., Ding, C., Liu, M., Tao, D.: brats Two-stage u-net: cascaded pp. ワークショップ。 Jiang, Z., Ding, C., Liu, M., Tao, D.: brats Two-stage u-net: cascaded pp。 0.79
In: challenge segmentation 2019 International MICCAI task. in: challenge segmentation 2019 international miccai task(英語) 0.80
231–241. Springer (2019) and Agravat, R.R., Raval, M.S. 231–241. Springer (2019) and Agravat, R.R., Raval, M.S. 0.81
: Brain tumor segmentation Interna338–348. 脳腫瘍の分節Interna338-348。 0.67
Springer tional MICCAI Brainlesion Workshop. Springer tional MICCAI Brainlesion Workshop。 0.79
pp. Angelini, Wang, Bai, W.: Guo, E., segY., S., International MICCAI Brainlesion prediction. pp. Angelini, Wang, Bai, W.: Guo, E., segY., S., International MICCAI Brainlesion 予測。 0.85
mentation survival In: Workshop. mentation survival in: workshop (英語) 0.71
(2019) Feng, X., Dou, Q., Tustison, N., Meyer, C.: Brain tumor segmentation with estiInternational MICCAI Brainlesion Workshop. (2019) Feng, X., Dou, Q., Tustison, N., Meyer, C.: Brain tumor segmentation with esti International MICCAI Brainlesion Workshop 0.85
pp. survival prediction. mation and overall (2019) 304–314. pp. 生存予測 mation and overall (2019) 304-314。 0.73
Springer based L., Meng, C., Biswal, B.: Zheng, Wang, segmenJiang, R., prediction. SpringerはL., Meng, C., Biswal, B.: Zheng, Wang, segmenJiang, R.をベースとしている。 0.84
Brainlesion Workshop. 脳卒中ワークショップ。 0.64
pp. tation survival days 131–141. pp. 生存期間は131-141。 0.75
Springer (2019) Jose, V.J.M., Wijethilake, N., Utkarsh, U., Ren, H.: Brain tumor Islam, M., Vibashan, V., seg3d attention prediction using International MICCAI Brainmentation survival and In: (2019) 262–272. Springer (2019) Jose, V.J.M., Wijethilake, N., Utkarsh, U., Ren, H.: Brain tumor Islam, M., Vibashan, V., seg3d attention prediction using International MICCAI Brainmentationviv and In: (2019) 262–272。 0.98
Springer lesion Workshop. Springer lesion Workshop の略。 0.65
pp. Freymann, J.S., Kirby, Rozycki, M., Bilello, M., A., Sotiras, Akbari, Bakas, S., J.B., H., Farahani, collections Advancing the K., Davatzikos, C.: atlas cancer genome glioma mri (2017) 4, data labels with expert segmentation and radiomic features. pp. Freymann, J.S., Kirby, Rozycki, M., Bilello, M., A., Sotiras, Akbari, Bakas, S., J.B., H., Farahani, Collection Advancing the K., Davatzikos, C.: atlas cancer cells glioma mri (2017) 4 専門家のセグメンテーションと放射線学的特徴を持つデータラベル。 0.88
Scientific 170117 Jakab, A., Bauer, S., Rempfler, M., Crimi, A., Shinohara, R.T., Berger, Bakas, S., Reyes, M., C., Ha, S.M., Rozycki, M., et al. 科学170117 Jakab, A., Bauer, S., Rempfler, M., Crimi, A., Shinohara, R.T., Berger, Bakas, S., Reyes, M., C., Ha, S.M., Rozycki, M., et al。 0.90
: Identifying the best machine learning algorithms for brain in survival overall assessment, progression tumor and brats the prediction segmentation, (2018) arXiv:1811.02629 arXiv preprint challenge. 2018年, arXiv:1811.02629 arXiv preprint Challengeにおいて, 脳の総合的評価, 進行腫瘍, 予測セグメンテーションに最適な機械学習アルゴリズムを同定した。 0.80
J., Burren, Y., Farahani, K., Kirby, S., Kalpathy-Cramer, Jakab, A., Bauer, Menze, B.H., J., tumor Porz, N., Slotboom, al. J., Burren, Y., Farahani, K., Kirby, S., Kalpathy-Cramer, Jakab, A., Bauer, Menze, B.H., J., tumor Porz, N., Slotboom, al。 0.92
: The multimodal J., Wiest, R., et brain image segmentation 1993–2024 benchmark (brats). : マルチモーダル J., Wiest, R., et brain image segmentation 1993–2024 ベンチマーク (brats)。 0.82
imaging 34(10), (2014) IEEE transactions on medical and segmentation Rajput, S., Raval, M.S. imaging 34(10), (2014) IEEE transaction on medical and segmentation Rajput, S., Raval, M.S. 0.88
: A review on for end-to-end methods tumor brain (2020) arXiv:2006.01632 survival overall Isensee, F., Kickingereder, P., Wick, W., Bendszus, M., Maier-Hein, K.H. The review on for end-to-end Method tumor brain (2020) arXiv:2006.01632 survival overall Isensee, F., Kickingereder, P., Wick, W., Bendszus, M., Maier-Hein, K.H。 0.85
: Brain segtumor prediction: Contribution brats and mentation to the 2017 challenge. :脳セグタノール予測:2017年チャレンジへの貢献ブラットとメンテーション 0.76
In: 287–297. 内:287-297。 0.50
Springer International MICCAI Brainlesion Workshop. Springer International MICCAI Brainlesion Workshopに参加。 0.85
(2017) Van Griethuysen, Parmar, C., Hosny, A., Aucoin, N., Narayan, V., Beetssystem to Computational S., Aerts, H.J. (2017) Van Griethuysen, Parmar, C., Hosny, A., Aucoin, N., Narayan, V., Beetssystem to Computational S., Aerts, H.J。 0.90
: R.G., Tan, radiomics Fillion-Robin, Pieper, e104–e107 77(21), research radiographic phenotype. R.G., Tan, Radiomics Fillion-Robin, Pieper, e104–e107 77(21), Research Radioographic phenotype。 0.84
Cancer the decode (2017) He, basing Z.G. cancer the decode (2017) he, basing z.g. 0.88
: A biomarker J.Y., Han, D., Pi, raB., Zhao, W., Zhang, Jiang, Y.M., the of prediction diomics for survival in non–small cell lung cancer patients. : バイオマーカーJ.Y., Han, D., Pi, raB., Zhao, W., Zhang, Jiang, Y.M., 非小細胞肺癌患者における生存予知因子の推定 0.85
Respioverall (2018) ratory research 19(1), 1–8 Liu, C., Ding, J., Spuhler, K., Gao, Y., Serrano Sosa, M., Moriarty, M., Hussain, S., He, X., of prediction Preoperative Liang, C.: C., Huang, breast of Magnetic Journal contrast-enhanced mri. Respioverall (2018) ratory research 19(1), 1-8 Liu, C., Ding, J., Spuhler, K., Gao, Y., Serrano Sosa, M., Moriarty, M., Hussain, S., He, X., of prediction Preoperative Liang, C.: C., Huang, breast of Magnetic Journal contrast-enhanced mri。 0.86
from dynamic signatures radiomic by cancer Resonance 131–140 Imaging 49(1), (2019) feature a Radiomics: novel C.: Zuo, Li, Y., Jiang, J., Lu, J., Jiang, extracJ., Zhang, H., imaging using disease tion method for neuron degeneration brain 18f-fdg pet and its impleimpairment. 癌共鳴によるダイナミックシグネチャ131–140イメージング49(1),(2019)には、新しいc.:zuo, li, y., jiang, j., lu, j., jiang, extracj., zhang, h., imaging using disease tion method for neuron degeneration brain 18f-fdg pet and its impleimpairmentが特徴である。 0.74
Therapeutic Advances mentation cognitive disease alzheimer’s in and mild for 12, Neurological Disorders 1756286419838682 (2019) Weninger, L., Haarburger, C., Merhof, D.: Robustness of survival prediction of radiomics tumor brain patients depending neuroscience 73 13, (2019) Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., Blondel, M., the al. Therapeutic Advances mentation cognitive disease alzheimer’s in and mild for 12, Neurological Disorders 1756286419838682 (2019) Weninger, L., Haarburger, C., Merhof, D.: 神経科学73 13, (2019) Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., Blondel, M., the al., the al. 0.73
: Scikit-learn: Machine Prettenhofer, P., Weiss, R., Dubourg, V., et 12, research of machine Learning Journal (2011) 2825–2830 Lao, Chen, Y., Z.C., J., Zhang, J., raJ., Li, Q., Liu, Zhai, G.: A deep reports 7(1), in glioblastoma multiforme. :Scikit-learn: Machine Prettenhofer, P., Weiss, R., Dubourg, V., et 12, Research of Machine Learning Journal (2011) 2825–2830 Lao, Chen, Y., Z.C., J., Zhang, J., raJ., Li, Q., Liu, Zhai, G.: A deep report 7(1), in glioblastoma multiforme. (英語) 0.94
Scientific for prediction of diomics model survival 1–8 (2017) C.: A quantitative C., Hassan, Chaddad, A., Desrosiers, L., Tanougast, study of shape dephenotypes multiforme glioblastoma scriptors The outcome. diomics model survival 1–8 (2017) c.: a quantitative c., hassan, chaddad, a., desrosiers, l., tanougast, study of shape dephenotypes multiforme glioblastoma scriptors the outcome. 0.78
survival for 20160575 (2016) 89(1068), British radiology of 20160575(2016)89(106 8)の生存、英国の放射線学。 0.73
arXiv preprint survival Fedorov, A., arXiv preprint survival Fedorov, A. 0.82
prediction. radiomics J.J., 予測だ Radiomics J.J. 0.69
in python. learning-based で python。 学習ベース 0.74
for computational on resection 計算のために オン 切除 0.61
status. Frontiers ステータス。 フロンティア 0.59
in from journal sentinel で 雑誌から センチネル 0.60
lymph node metastasis リンパ node + metastasis 0.63
in J.C., pp. で J.C. pp. 0.74
learning predicting Li, on 学習 予測 リー。 オン 0.66
                     ページの最初に戻る

翻訳にはFugu-Machine Translatorを利用しています。