論文の概要: Morphological Change Forecasting for Prostate Glands using Feature-based
Registration and Kernel Density Extrapolation
- arxiv url: http://arxiv.org/abs/2101.06425v1
- Date: Sat, 16 Jan 2021 10:45:55 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-28 04:28:36.847395
- Title: Morphological Change Forecasting for Prostate Glands using Feature-based
Registration and Kernel Density Extrapolation
- Title（参考訳）: 特徴ベース登録とカーネル密度推定を用いた前立腺の形態変化予測
- Authors: Qianye Yang, Tom Vercauteren, Yunguan Fu, Francesco Giganti, Nooshin
Ghavami, Vasilis Stavrinides, Caroline Moore, Matt Clarkson, Dean Barratt,
Yipeng Hu
- Abstract要約: 臓器形態は前立腺疾患の診断と予後の重要な指標である。
このような変化を現在より早く検出できる能力は、タイムリーな治療や不必要な確認生検を回避できる可能性がある。
- 参考スコア（独自算出の注目度）: 2.2564650228496608
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Organ morphology is a key indicator for prostate disease diagnosis and
prognosis. For instance, In longitudinal study of prostate cancer patients
under active surveillance, the volume, boundary smoothness and their changes
are closely monitored on time-series MR image data. In this paper, we describe
a new framework for forecasting prostate morphological changes, as the ability
to detect such changes earlier than what is currently possible may enable
timely treatment or avoiding unnecessary confirmatory biopsies. In this work,
an efficient feature-based MR image registration is first developed to align
delineated prostate gland capsules to quantify the morphological changes using
the inferred dense displacement fields (DDFs). We then propose to use kernel
density estimation (KDE) of the probability density of the DDF-represented
\textit{future morphology changes}, between current and future time points,
before the future data become available. The KDE utilises a novel distance
function that takes into account morphology, stage-of-progression and
duration-of-change, which are considered factors in such subject-specific
forecasting. We validate the proposed approach on image masks unseen to
registration network training, without using any data acquired at the future
target time points. The experiment results are presented on a longitudinal data
set with 331 images from 73 patients, yielding an average Dice score of 0.865
on a holdout set, between the ground-truth and the image masks warped by the
KDE-predicted-DDFs.
- Abstract（参考訳）: 臓器形態は前立腺疾患の診断と予後の重要な指標である。
例えば, 活動監視下の前立腺癌患者の縦断的研究では, 容積, 境界の滑らかさ, その変化を時系列MR画像データで綿密に監視する。
本稿では, 前立腺形態変化の予測のための新しい枠組みについて述べる。この変化を早期に検出できる能力は, 適度な治療が可能か, または不要な確認生検を回避できる。
本研究は, 重心動揺場 (DDF) を用いて形態変化を定量化するために, 脱線した前立腺カプセルを配向させる効率的な特徴ベースMR画像登録法を開発した。
次に, DDF で表現された \textit{future morphology change} の確率密度のカーネル密度推定 (KDE) を, 将来のデータが利用可能になる前に, 現時点と将来の時刻の間で行うことを提案する。
kdeは、形態、発達段階、変化の持続時間を考慮した新しい距離関数を利用しており、これらの主題固有の予測の要因と考えられている。
我々は,将来の目標地点で取得したデータを使わずに,登録ネットワークトレーニングに見えない画像マスクに対する提案手法を検証する。
実験結果は,73症例の331画像からなる縦断データに示され,kde予測ddfsにより干渉された地上面と画像マスクとの間に,ホールドアウトセットで平均0.865のサイススコアが得られた。
関連論文リスト
- Extrapolating Prospective Glaucoma Fundus Images through Diffusion Model in Irregular Longitudinal Sequences [46.80977922491862]
緑内障進行予測のための経時的データセットの利用は、早期治療の介入を支援するための説得力のあるアプローチを提供する。
本研究では, 既往の経時的底面像を外挿し, 将来像を予測できる新しい拡散モデルを提案する。
論文 参考訳（メタデータ） (2024-10-28T15:31:47Z) - Detecting Unforeseen Data Properties with Diffusion Autoencoder Embeddings using Spine MRI data [7.757515290013924]
深層学習は、診断と予後を改善するために大規模なデータセットを利用することによって、医療画像に大きく貢献してきた。
大規模なデータセットには、主題の選択と取得による固有のエラーが伴うことが多い。
拡散オートエンコーダの埋め込みによるデータ特性とバイアスの解明と理解について検討する。
論文 参考訳（メタデータ） (2024-10-14T07:24:26Z) - Individualized multi-horizon MRI trajectory prediction for Alzheimer's Disease [0.0]
我々は、新しいアーキテクチャをトレーニングして潜伏空間の分布を構築し、そこからサンプルを抽出し、将来的な解剖学的変化の予測を生成する。
いくつかの代替手法と比較することにより,より高解像度でより個別化された画像を生成することを示す。
論文 参考訳（メタデータ） (2024-08-04T13:09:06Z) - Deep Bayesian segmentation for colon polyps: Well-calibrated predictions in medical imaging [0.0]
我々は,さまざまなベイズニューラルネットワークを用いて,大腸ポリプ画像のセマンティックセグメンテーションを開発する。
その結果、これらのモデルが、この医療データセットのセグメンテーションにおける最先端のパフォーマンスを提供するだけでなく、正確な不確実性の推定値が得られることがわかった。
論文 参考訳（メタデータ） (2024-07-23T16:13:27Z) - Multi-scale Spatio-temporal Transformer-based Imbalanced Longitudinal
Learning for Glaucoma Forecasting from Irregular Time Series Images [45.894671834869975]
緑内障は、進行性視神経線維損傷と不可逆性失明を引き起こす主要な眼疾患の1つである。
逐次画像入力に適した変換器アーキテクチャに基づくマルチスケール時空間変換器ネットワーク(MST-former)を提案する。
本手法は, 軽度認知障害とアルツハイマー病の予測に90.3%の精度で, アルツハイマー病神経画像イニシアチブ(ADNI)MRIデータセットに優れた一般化能力を示す。
論文 参考訳（メタデータ） (2024-02-21T02:16:59Z) - Improving Diffusion Models for ECG Imputation with an Augmented Template
Prior [43.6099225257178]
ノイズと品質の悪い録音は、モバイルヘルスシステムを使って収集された信号にとって大きな問題である。
近年の研究では、確率的時系列モデルによるECGの欠落値の計算が検討されている。
本稿では,様々な健康状態の事前情報として,テンプレート誘導型拡散確率モデル(DDPM)PulseDiffを提案する。
論文 参考訳（メタデータ） (2023-10-24T11:34:15Z) - An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。
半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。
本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
論文 参考訳（メタデータ） (2020-12-06T18:55:07Z) - DeepRite: Deep Recurrent Inverse TreatmEnt Weighting for Adjusting
Time-varying Confounding in Modern Longitudinal Observational Data [68.29870617697532]
時系列データにおける時間変化の相違に対するDeep Recurrent Inverse TreatmEnt重み付け(DeepRite)を提案する。
DeepRiteは、合成データから基底的真理を復元し、実際のデータから偏りのない処理効果を推定する。
論文 参考訳（メタデータ） (2020-10-28T15:05:08Z) - Development and Validation of a Novel Prognostic Model for Predicting
AMD Progression Using Longitudinal Fundus Images [6.258161719849178]
本研究では,不均一な時間間隔の縦画像データを用いて,疾患の進行を予測できる新しい深層学習手法を提案する。
年齢関連黄斑変性症(AMD)を呈する4903眼における眼底画像の経時的データセットについて検討した。
本手法では, 0.878の感度, 0.887の特異性, 0.950の受信機動作特性下での面積を測定できる。
論文 参考訳（メタデータ） (2020-07-10T00:33:19Z) - Short Term Blood Glucose Prediction based on Continuous Glucose
Monitoring Data [53.01543207478818]
本研究では,デジタル意思決定支援ツールの入力として連続グルコースモニタリング(Continuous Glucose Monitoring, CGM)データを利用する方法について検討する。
短時間の血液グルコース (STBG) 予測において, リカレントニューラルネットワーク (Recurrent Neural Networks, RNN) をどのように利用できるかを検討する。
論文 参考訳（メタデータ） (2020-02-06T16:39:44Z) - Learning Dynamic and Personalized Comorbidity Networks from Event Data
using Deep Diffusion Processes [102.02672176520382]
コンコルビンド病は、個人によって異なる複雑な時間的パターンを通じて発生し進行する。
電子的な健康記録では、患者が持つ異なる疾患を観察できるが、それぞれの共死状態の時間的関係を推測できるだけである。
我々は「ダイナミック・コオービディティ・ネットワーク」をモデル化するための深層拡散プロセスを開発する。
論文 参考訳（メタデータ） (2020-01-08T15:47:08Z)
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。