Fugu-MT 論文翻訳(概要): Brain Tumor Survival Prediction using Radiomics Features

論文の概要: Brain Tumor Survival Prediction using Radiomics Features

arxiv url: http://arxiv.org/abs/2009.02903v1
Date: Mon, 7 Sep 2020 06:14:40 GMT
ステータス: 処理完了
システム内更新日: 2022-10-21 03:32:14.253115
Title: Brain Tumor Survival Prediction using Radiomics Features
Title（参考訳）: 放射能特徴を用いた脳腫瘍生存予測
Authors: Sobia Yousaf, Syed Muhammad Anwar, Harish RaviPrakash, Ulas Bagci
Abstract要約: 脳腫瘍と診断された患者の手術計画は生存予後に依存する。深層学習のアプローチは脳腫瘍のセグメンテーションに広く用いられている。放射能に基づく研究は、工学的/手技的な特徴によりより有望であることを示している。
参考スコア（独自算出の注目度）: 5.556008014747938
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Surgery planning in patients diagnosed with brain tumor is dependent on their survival prognosis. A poor prognosis might demand for a more aggressive treatment and therapy plan, while a favorable prognosis might enable a less risky surgery plan. Thus, accurate survival prognosis is an important step in treatment planning. Recently, deep learning approaches have been used extensively for brain tumor segmentation followed by the use of deep features for prognosis. However, radiomics-based studies have shown more promise using engineered/hand-crafted features. In this paper, we propose a three-step approach for multi-class survival prognosis. In the first stage, we extract image slices corresponding to tumor regions from multiple magnetic resonance image modalities. We then extract radiomic features from these 2D slices. Finally, we train machine learning classifiers to perform the classification. We evaluate our proposed approach on the publicly available BraTS 2019 data and achieve an accuracy of 76.5% and precision of 74.3% using the random forest classifier, which to the best of our knowledge are the highest reported results yet. Further, we identify the most important features that contribute in improving the prediction.
Abstract（参考訳）: 脳腫瘍と診断された患者の手術計画は生存予後に依存する。予後不良はより積極的な治療と治療計画を必要とし、良好な予後はよりリスクの低い手術計画を可能にする可能性がある。したがって、正確な生存予後は治療計画の重要なステップである。近年,脳腫瘍の分節にディープラーニングが応用され,予後に深い特徴が用いられるようになった。しかし、放射能に基づく研究は、工学的/手技的な特徴によってより有望であることが示されている。本稿では,多クラス生存予後の3段階的アプローチを提案する。第1段階では、複数の磁気共鳴画像モダリティから腫瘍領域に対応する画像スライスを抽出する。この2dスライスから放射線の特徴を抽出する。最後に,機械学習の分類器を訓練して分類を行う。提案手法を一般公開されたbrats 2019データ上で評価し,76.5%の精度と74.3%の精度をランダム森林分類器を用いて達成した。さらに,予測の改善に寄与する最も重要な特徴を明らかにする。

関連論文リスト

Improving Breast Cancer Grade Prediction with Multiparametric MRI Created Using Optimized Synthetic Correlated Diffusion Imaging [71.91773485443125]
乳がん治療計画において、グレーディングは重要な役割を担っている。現在の腫瘍グレード法では、患者から組織を抽出し、ストレス、不快感、医療費の上昇につながる。本稿では,CDI$s$の最適化による乳癌の診断精度の向上について検討する。
論文参考訳（メタデータ） (2024-05-13T15:48:26Z)
Using Multiparametric MRI with Optimized Synthetic Correlated Diffusion Imaging to Enhance Breast Cancer Pathologic Complete Response Prediction [71.91773485443125]
ネオアジュバント化学療法は乳癌の治療戦略として最近人気を集めている。ネオアジュバント化学療法を推奨する現在のプロセスは、医療専門家の主観的評価に依存している。本研究は, 乳癌の病理組織学的完全反応予測に最適化されたCDI$s$を応用することを検討した。
論文参考訳（メタデータ） (2024-05-13T15:40:56Z)
Survival and grade of the glioma prediction using transfer learning [0.0]
本研究では,トランスファーラーニング技術を用いた新しい手法を提案する。 EfficientNet、ResNet、VGG16、Inceptionなど、事前訓練されたネットワークがテストされた。実験の結果、生存予測では65%の精度を示し、患者を短期、中長期、長期の生存カテゴリーに分類した。低次グリオーマ (LGG) と高次グリオーマ (HGG) を正確に区別した。
論文参考訳（メタデータ） (2024-02-04T09:07:07Z)
Semi-supervised ViT knowledge distillation network with style transfer normalization for colorectal liver metastases survival prediction [1.283897253352624]
本稿では,H&EおよびHPSで染色した組織学的スライドを用いて,自動予後予測のためのエンドツーエンドアプローチを提案する。まずGAN(Generative Adversarial Network)を用いてスライス正規化を行い、染色のばらつきを低減し、予測パイプラインへの入力として使用される画像の全体的な品質を向上させる。転移性結節および周囲組織から抽出した特徴を利用して予後モデルを訓練し,同時に知識蒸留フレームワークで視覚変換器(ViT)を訓練し,予後予測の性能を再現し,向上させる。
論文参考訳（メタデータ） (2023-11-17T03:32:11Z)
Cancer-Net BCa-S: Breast Cancer Grade Prediction using Volumetric Deep Radiomic Features from Synthetic Correlated Diffusion Imaging [82.74877848011798]
乳がんの流行は成長を続けており、2023年には米国で約30万人の女性に影響を及ぼした。金標準のScarff-Bloom-Richardson(SBR)グレードは、化学療法に対する患者の反応を一貫して示すことが示されている。本稿では,合成相関拡散(CDI$s$)画像を用いた乳がん鑑定における深層学習の有効性について検討する。
論文参考訳（メタデータ） (2023-04-12T15:08:34Z)
Prediction of brain tumor recurrence location based on multi-modal fusion and nonlinear correlation learning [55.789874096142285]
深層学習に基づく脳腫瘍再発位置予測ネットワークを提案する。まず、パブリックデータセットBraTS 2021上で、マルチモーダル脳腫瘍セグメンテーションネットワークをトレーニングする。次に、事前訓練されたエンコーダを、リッチなセマンティックな特徴を抽出するために、プライベートデータセットに転送する。 2つのデコーダは、現在の脳腫瘍を共同に分断し、将来の腫瘍再発位置を予測するために構築されている。
論文参考訳（メタデータ） (2023-04-11T02:45:38Z)
Radiomics-enhanced Deep Multi-task Learning for Outcome Prediction in Head and Neck Cancer [11.795108660250843]
PET/CT画像から結果を予測するために,放射能を増強したディープマルチタスクフレームワークを提案する。我々は最近提案したDeep Multi-task Survival Model(DeepMTS)の強化として放射能を取り入れることが新しい。テストセットではCインデックス0.681を達成し,第2位は第1位よりCインデックス0.00068低いリーダボードに配置した。
論文参考訳（メタデータ） (2022-11-10T08:28:56Z)
Enhancing Clinical Support for Breast Cancer with Deep Learning Models using Synthetic Correlated Diffusion Imaging [66.63200823918429]
深層学習モデルを用いた乳癌に対する臨床支援の強化について検討した。我々は、体積畳み込みニューラルネットワークを利用して、前処理コホートから深い放射能特徴を学習する。提案手法は, グレードと処理後応答予測の両方において, より良い性能を実現することができる。
論文参考訳（メタデータ） (2022-11-10T03:02:12Z)
An Uncertainty-aware Hierarchical Probabilistic Network for Early Prediction, Quantification and Segmentation of Pulmonary Tumour Growth [2.5212378555147823]
本稿では,腫瘍の成長を予測し,その大きさを定量化し,将来の結節の意味的外観を与える新しい方法を提案する。この手法を独立した試験セットで評価した結果、腫瘍成長バランスの取れた精度は74%、腫瘍増殖サイズは1.77mm、腫瘍分割度は78%であった。
論文参考訳（メタデータ） (2021-04-18T09:48:58Z)
Glioblastoma Multiforme Patient Survival Prediction [1.0650780147044159]
そこで我々は,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。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。
論文参考訳（メタデータ） (2021-01-26T06:47:14Z)
Stan: Small tumor-aware network for breast ultrasound image segmentation [68.8204255655161]
本研究では,小腫瘍認識ネットワーク(Small tumor-Aware Network,STAN)と呼ばれる新しいディープラーニングアーキテクチャを提案する。提案手法は, 乳腺腫瘍の分節化における最先端のアプローチよりも優れていた。
論文参考訳（メタデータ） (2020-02-03T22:25:01Z)

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。