論文の概要: Predicting survival outcomes using topological features of tumor
pathology images
- arxiv url: http://arxiv.org/abs/2012.12102v1
- Date: Mon, 7 Dec 2020 18:16:59 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-16 20:46:50.260188
- Title: Predicting survival outcomes using topological features of tumor
pathology images
- Title(参考訳): 腫瘍病理画像の位相的特徴を用いた予後予測
- Authors: Chul Moon, Qiwei Li, Guanghua Xiao
- Abstract要約: 本稿では,デジタル病理画像から腫瘍進展を特徴付けるトポロジカルな特徴を提案する。
病理像に対する距離変換を開発し, 腫瘍形状, 大きさ, 分布, 結合度をトポロジカルサマリー統計学的に定量化する。
その結果, 年齢, 性別, 喫煙状況, ステージ, 腫瘍の大きさを調節し, 生存予後を予測した。
- 参考スコア(独自算出の注目度): 1.0742675209112622
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Tumor shape and size have been used as important markers for cancer diagnosis
and treatment. Recent developments in medical imaging technology enable more
detailed segmentation of tumor regions in high resolution. This paper proposes
a topological feature to characterize tumor progression from digital pathology
images and examine its effect on the time-to-event data. We develop distance
transform for pathology images and show that a topological summary statistic
computed by persistent homology quantifies tumor shape, size, distribution, and
connectivity. The topological features are represented in functional space and
used as functional predictors in a functional Cox regression model. A case
study is conducted using non-small cell lung cancer pathology images. The
results show that the topological features predict survival prognosis after
adjusting for age, sex, smoking status, stage, and size of tumors. Also, the
topological features with non-zero effects correspond to the shapes that are
known to be related to tumor progression. Our study provides a new perspective
for understanding tumor shape and patient prognosis.
- Abstract(参考訳): 腫瘍の形状と大きさは、がんの診断と治療の重要なマーカーとして使われてきた。
医用画像技術の最近の進歩は、高解像度の腫瘍領域のより詳細なセグメンテーションを可能にする。
本稿では,デジタル病理画像から腫瘍進展を特徴付けるトポロジ的特徴と時間-時間データへの影響について検討する。
我々は,病理画像の距離変換を開発し,持続的ホモロジーによって計算されたトポロジ的要約統計が腫瘍の形状,大きさ,分布,接続性を定量化することを示す。
位相的特徴は関数空間で表現され、関数cox回帰モデルの関数予測器として用いられる。
非小細胞肺癌画像を用いた症例的検討を行った。
その結果, 腫瘍の年齢, 性別, 喫煙状況, 病期, 大きさを調整し, 予後を予測できた。
また、非ゼロ効果のトポロジカルな特徴は、腫瘍の進行に関連することが知られている形状に対応する。
本研究は腫瘍の形状と予後を理解するための新しい視点を提供する。
関連論文リスト
- Spatio-spectral classification of hyperspectral images for brain cancer
detection during surgical operations [0.0]
脳腫瘍の手術は神経外科において大きな問題である。
手術中の腫瘍境界の同定は困難である。
本研究では,ハイパースペクトル画像の空間特性とスペクトル特性を考慮した新しい分類法の開発について述べる。
論文 参考訳(メタデータ) (2024-02-11T12:58:42Z) - Treatment-aware Diffusion Probabilistic Model for Longitudinal MRI
Generation and Diffuse Glioma Growth Prediction [0.5806504980491878]
今後,腫瘍マスクを生成できる新しいエンドツーエンドネットワークと,腫瘍が今後どのように見えるかの現実的なMRIを提示する。
我々のアプローチは、最先端拡散確率モデルとディープセグメンテーションニューラルネットワークに基づいている。
論文 参考訳(メタデータ) (2023-09-11T12:12:52Z) - 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) - Learn-Morph-Infer: a new way of solving the inverse problem for brain
tumor modeling [1.1214822628210914]
本稿では,T1GdとFLAIR MRIから患者特異的な脳腫瘍の空間分布を推定する手法を提案する。
itLearn-Morph-Inferと組み合わせたこの手法は、広く利用可能なハードウェア上で、数分のオーダーでリアルタイムのパフォーマンスを実現する。
論文 参考訳(メタデータ) (2021-11-07T13:45:35Z) - MAG-Net: Mutli-task attention guided network for brain tumor
segmentation and classification [0.9176056742068814]
本稿では,MRI画像を用いて脳腫瘍領域の分類と分類を行うマルチタスク注意誘導エンコーダネットワーク(MAG-Net)を提案する。
このモデルは既存の最先端モデルと比較して有望な結果を得た。
論文 参考訳(メタデータ) (2021-07-26T16:51:00Z) - Learned super resolution ultrasound for improved breast lesion
characterization [52.77024349608834]
超高分解能超音波局在顕微鏡は毛細血管レベルでの微小血管のイメージングを可能にする。
この作業では、これらの課題に対処するために、信号構造を効果的に活用するディープニューラルネットワークアーキテクチャを使用します。
トレーニングしたネットワークを利用することで,従来のPSF知識を必要とせず,UCAの分離性も必要とせず,短時間で微小血管構造を復元する。
論文 参考訳(メタデータ) (2021-07-12T09:04:20Z) - Discovering Clinically Meaningful Shape Features for the Analysis of
Tumor Pathology Images [2.864559331994679]
腫瘍組織スライドのデジタル画像化は、がん診断の日常的な臨床方法になりつつある。
近年のディープラーニング手法の進歩により,病理画像中の腫瘍領域を大規模に検出し,特徴付けることが可能になった。
論文 参考訳(メタデータ) (2020-12-09T05:56:41Z) - Topological Data Analysis of copy number alterations in cancer [70.85487611525896]
癌ゲノム情報に含まれる情報を新しいトポロジに基づくアプローチで捉える可能性を探る。
本手法は, 癌体性遺伝データに有意な低次元表現を抽出する可能性を秘めている。
論文 参考訳(メタデータ) (2020-11-22T17:31:23Z) - Spectral-Spatial Recurrent-Convolutional Networks for In-Vivo
Hyperspectral Tumor Type Classification [49.32653090178743]
ハイパースペクトル画像とディープラーニングを用いたin-vivo腫瘍型分類の可能性を示した。
我々の最良のモデルは76.3%のAUCを達成し、従来の学習手法とディープラーニング手法を著しく上回っている。
論文 参考訳(メタデータ) (2020-07-02T12:00:53Z) - Gleason Grading of Histology Prostate Images through Semantic
Segmentation via Residual U-Net [60.145440290349796]
前立腺癌の最終診断は、病理学者による前立腺生検におけるGleasonパターンの視覚的検出に基づいている。
コンピュータ支援診断システムは、組織内のがんのパターンを分類し分類することができる。
この研究の方法論的核心は、がん組織を分節できる残留ブロックで修正された画像分割のためのU-Net畳み込みニューラルネットワークである。
論文 参考訳(メタデータ) (2020-05-22T19:49:10Z) - 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。