論文の概要: Spatial-And-Context aware (SpACe) "virtual biopsy" radiogenomic maps to
target tumor mutational status on structural MRI
- arxiv url: http://arxiv.org/abs/2006.09878v1
- Date: Wed, 17 Jun 2020 13:57:59 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-19 21:39:55.153328
- Title: Spatial-And-Context aware (SpACe) "virtual biopsy" radiogenomic maps to
target tumor mutational status on structural MRI
- Title（参考訳）: 空間的・文脈的認識(SpACe)"仮想生検"ラジオゲノミクスマップによる構造MRI上の腫瘍突然変異の標的
- Authors: Marwa Ismail, Ramon Correa, Kaustav Bera, Ruchika Verma, Anas Saeed
Bamashmos, Niha Beig, Jacob Antunes, Prateek Prasanna, Volodymyr Statsevych,
Manmeet Ahluwalia, Pallavi Tiwari
- Abstract要約: 仮想生検(virtual biopsy)マップは、共局在バイオプシーサイトからの文脈特徴と、人口のアトラスからの空間的優位性を含む。
SpACeマップは、EGFR増幅状態の特定において90%(n=71)と90.48%(n=21)のトレーニングと試験の精度を得た。
SpACeマップは、がんの特定のドライバ遺伝子を標的にするためのサンプリングサイトのローカライゼーションを改善するために、外科的ナビゲーションを提供する可能性がある。
- 参考スコア（独自算出の注目度）: 0.7573687311514342
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: With growing emphasis on personalized cancer-therapies,radiogenomics has
shown promise in identifying target tumor mutational status on routine imaging
(i.e. MRI) scans. These approaches fall into 2 categories: (1)
deep-learning/radiomics (context-based), using image features from the entire
tumor to identify the gene mutation status, or (2) atlas (spatial)-based to
obtain likelihood of gene mutation status based on population statistics. While
many genes (i.e. EGFR, MGMT) are spatially variant, a significant challenge in
reliable assessment of gene mutation status on imaging has been the lack of
available co-localized ground truth for training the models. We present
Spatial-And-Context aware (SpACe) "virtual biopsy" maps that incorporate
context-features from co-localized biopsy site along with spatial-priors from
population atlases, within a Least Absolute Shrinkage and Selection Operator
(LASSO) regression model, to obtain a per-voxel probability of the presence of
a mutation status (M+ vs M-). We then use probabilistic pair-wise Markov model
to improve the voxel-wise prediction probability. We evaluate the efficacy of
SpACe maps on MRI scans with co-localized ground truth obtained from
corresponding biopsy, to predict the mutation status of 2 driver genes in
Glioblastoma: (1) EGFR (n=91), and (2) MGMT (n=81). When compared against
deep-learning (DL) and radiomic models, SpACe maps obtained training and
testing accuracies of 90% (n=71) and 90.48% (n=21) in identifying EGFR
amplification status,compared to 80% and 71.4% via radiomics, and 74.28% and
65.5% via DL. For MGMT status, training and testing accuracies using SpACe were
88.3% (n=61) and 71.5% (n=20), compared to 52.4% and 66.7% using radiomics,and
79.3% and 68.4% using DL. Following validation,SpACe maps could provide
surgical navigation to improve localization of sampling sites for targeting of
specific driver genes in cancer.
- Abstract（参考訳）: 放射線ゲノミクスは、パーソナライズされたがん治療に重点を置いているため、定期的なMRI(MRI)スキャンで標的となる腫瘍の突然変異状態を特定することは約束されている。
これらのアプローチは、(1)深層学習/放射線学(コンテキストベース)、(2)個体群統計に基づく遺伝子変異の確率を得るために、腫瘍全体の画像特徴を用いて遺伝子変異のステータスを同定する2つのカテゴリに分類される。
多くの遺伝子(EGFR、MGMTなど)は空間的変異であるが、画像上での遺伝子変異状態の信頼性評価における重要な課題は、モデルを訓練するための共局在基底真理の欠如である。
本研究では,空間的・文脈的認識 (Spatial-And-Context aware) "仮想生検 (virtual biopsy)" マップを,集団アトラスからの空間的優位性とともに,最小の絶対収縮・選択操作子 (LASSO) 回帰モデル内に導入し,変異の有無 (M+ vs M-) のボクセル当たりの確率を求める。
次に確率的ペアワイドマルコフモデルを用いてボクセルワイド予測確率を改善する。
対応する生検から得られた共局在基底真理を伴うmriスキャンにおける空間地図の有効性を評価し,(1)egfr(n=91),(2)mgmt(n=81)の2つのドライバ遺伝子の変異状態を予測した。
深層学習(DL)と放射能モデルと比較して、SpACeマップは、EGFR増幅状態の同定において90%(n=71)と90.48%(n=21)のトレーニングとテストの精度を得た。
mgmtは88.3% (n=61) と71.5% (n=20) であり、放射能は52.4% と66.7%、dlは79.3% と68.4%であった。
バリデーションの後、SpACeマップは外科的ナビゲーションを提供し、がんの特定のドライバ遺伝子を標的とするサンプリングサイトの位置を改善することができる。
関連論文リスト
- Quantifying intra-tumoral genetic heterogeneity of glioblastoma toward
precision medicine using MRI and a data-inclusive machine learning algorithm [3.2507684591996036]
Glioblastoma (GBM) は最も攻撃的で致命的なヒト癌の一つである。
バイオプシーは侵襲的であり、非侵襲的なMRIベースの機械学習(ML)モデルの開発を動機付けている。
我々は,MRIを用いて各GBM腫瘍の局所的遺伝的変化を予測するための新しいWeakly Supervised Ordinal Support Vector Machine (WSO-SVM)を提案する。
論文 参考訳（メタデータ） (2023-12-30T03:28:51Z) - Breast Ultrasound Tumor Classification Using a Hybrid Multitask
CNN-Transformer Network [63.845552349914186]
胸部超音波(BUS)画像分類において,グローバルな文脈情報の収集が重要な役割を担っている。
ビジョントランスフォーマーは、グローバルなコンテキスト情報をキャプチャする能力が改善されているが、トークン化操作によって局所的なイメージパターンを歪めてしまう可能性がある。
本研究では,BUS腫瘍分類とセグメンテーションを行うハイブリッドマルチタスクディープニューラルネットワークであるHybrid-MT-ESTANを提案する。
論文 参考訳（メタデータ） (2023-08-04T01:19:32Z) - Improving Deep Learning Models for Pediatric Low-Grade Glioma Tumors
Molecular Subtype Identification Using 3D Probability Distributions of Tumor
Location [0.0]
pLGGサブタイプ同定のためのCNNモデルは腫瘍セグメンテーションに依存している。
我々はMRIデータにおける腫瘍位置確率を用いてCNNモデルを拡張することを提案する。
腫瘍位置をCNNモデルに組み込むことにより,統計的に有意な改善が得られた。
論文 参考訳（メタデータ） (2022-10-13T18:30:11Z) - Corneal endothelium assessment in specular microscopy images with Fuchs'
dystrophy via deep regression of signed distance maps [48.498376125522114]
本稿では,UNetをベースとしたセグメンテーション手法を提案する。
これは、フックスのジストロフィーの全度にわたって、信頼できるCE形態計測と腸骨同定を実現する。
論文 参考訳（メタデータ） (2022-10-13T15:34:20Z) - MRI-based classification of IDH mutation and 1p/19q codeletion status of
gliomas using a 2.5D hybrid multi-task convolutional neural network [0.18374319565577152]
グリオーマにおけるIsocitrate dehydrogenase変異と1p/19q符号欠失は重要な予後マーカーである。
我々の目標は、MRIからこれらの分子変化を非侵襲的に決定する人工知能ベースの手法を開発することであった。
2.5Dハイブリッド畳み込みニューラルネットワークは、腫瘍を同時に局在させ、その分子状態を分類するために提案された。
論文 参考訳（メタデータ） (2022-10-07T18:46:39Z) - Open-radiomics: A Collection of Standardized Datasets and a Technical
Protocol for Reproducible Radiomics Machine Learning Pipelines [0.0]
オープンラジオミクス、一連のラジオミクスデータセット、包括的なラジオミクスパイプラインを紹介する。
BraTS 2020オープンソースMR(Magnetic Resonance Imaging)データセットで実験が行われた。
binWidthや画像正規化とは異なり,腫瘍の亜領域と画像の配列はモデルの性能に大きく影響した。
論文 参考訳（メタデータ） (2022-07-29T16:37:46Z) - Federated Learning Enables Big Data for Rare Cancer Boundary Detection [98.5549882883963]
6大陸にわたる71の医療機関のデータを含む,これまでで最大のフェデレーテッドML研究の結果を報告する。
グリオ芽腫の稀な疾患に対する腫瘍境界自動検出装置を作製した。
当科では, 外科的に標的とした腫瘍の悪性度を高めるために, 33%の改善率を示し, 腫瘍全体に対する23%の改善率を示した。
論文 参考訳（メタデータ） (2022-04-22T17:27:00Z) - EMT-NET: Efficient multitask network for computer-aided diagnosis of
breast cancer [58.720142291102135]
乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。
腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。
腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
論文 参考訳（メタデータ） (2022-01-13T05:24:40Z) - Cancer Gene Profiling through Unsupervised Discovery [49.28556294619424]
低次元遺伝子バイオマーカーを発見するための,新しい,自動かつ教師なしのフレームワークを提案する。
本手法は,高次元中心型非監視クラスタリングアルゴリズムLP-Stabilityアルゴリズムに基づく。
私達の署名は免疫炎症および免疫砂漠の腫瘍の区別の有望な結果報告します。
論文 参考訳（メタデータ） (2021-02-11T09:04:45Z) - Comparison of Machine Learning Classifiers to Predict Patient Survival
and Genetics of GBM: Towards a Standardized Model for Clinical Implementation [44.02622933605018]
放射線モデルは、グリオ芽腫(GBM)の結果予測のための臨床データを上回ることが示されています。
GBM患者の生存率(OS),IDH変異,O-6-メチルグアニン-DNA-メチルトランスフェラーゼ(MGMT)プロモーターメチル化,EGFR(EGFR)VII増幅,Ki-67発現の9種類の機械学習分類器を比較した。
xgb は os (74.5%), ab for idh 変異 (88%), mgmt メチル化 (71,7%), ki-67 発現 (86,6%), egfr増幅 (81。
論文 参考訳（メタデータ） (2021-02-10T15:10:37Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。