Fugu-MT 論文翻訳(概要): Glioblastoma Multiforme Patient Survival Prediction

論文の概要: Glioblastoma Multiforme Patient Survival Prediction

arxiv url: http://arxiv.org/abs/2101.10589v1
Date: Tue, 26 Jan 2021 06:47:14 GMT
ステータス: 処理完了
システム内更新日: 2021-03-14 13:36:26.713849
Title: Glioblastoma Multiforme Patient Survival Prediction
Title（参考訳）: Glioblastoma Multiforme 患者の生存予測
Authors: Snehal Rajput, Rupal Agravat, Mohendra Roy, Mehul S Raval
Abstract要約: 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。
参考スコア（独自算出の注目度）: 1.0650780147044159
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: 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.
Abstract（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。

関連論文リスト

Brain Tumor Classification on MRI in Light of Molecular Markers [61.77272414423481]
1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
論文参考訳（メタデータ） (2024-09-29T07:04:26Z)
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)
SurvRNC: Learning Ordered Representations for Survival Prediction using Rank-N-Contrast [4.5445892770974154]
Survival Rank-N Contrast (SurvRNC) は、生存時間に基づいて順序付けられた表現を得るための正規化器としての損失関数である。訓練にSurvRNC法を用いることで,異なる深層生存モデルにおいて高い性能が得られることを示す。
論文参考訳（メタデータ） (2024-03-15T18:00:11Z)
Pathology-and-genomics Multimodal Transformer for Survival Outcome Prediction [43.1748594898772]
大腸癌生存予測に病理学とゲノム学的知見を統合したマルチモーダルトランスフォーマー(PathOmics)を提案する。ギガピクセル全スライド画像における組織ミクロ環境間の内在的相互作用を捉えるための教師なし事前訓練を強調した。我々は,TCGA大腸癌と直腸癌コホートの両方に対するアプローチを評価し,提案手法は競争力があり,最先端の研究より優れていることを示す。
論文参考訳（メタデータ） (2023-07-22T00:59:26Z)
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)
Breast Cancer Induced Bone Osteolysis Prediction Using Temporal Variational Auto-Encoders [65.95959936242993]
骨分解性骨病変の進展を正確に予測し,可視化する深層学習フレームワークを開発した。乳癌患者の骨格関連事象(SRE)を予防するための治療戦略の計画と評価を支援する。
論文参考訳（メタデータ） (2022-03-20T21:00:10Z)
Survival Prediction of Children Undergoing Hematopoietic Stem Cell Transplantation Using Different Machine Learning Classifiers by Performing Chi-squared Test and Hyper-parameter Optimization: A Retrospective Analysis [4.067706269490143]
効率的な生存率分類モデルが包括的に提示される。欠落した値を入力し、ダミー変数符号化を用いてデータを変換し、チ二乗特徴選択を用いて59個の特徴から11個の最も相関した特徴にデータセットを圧縮することにより、合成データセットを生成する。この点に関しては、決定木(Decision Tree)、ランダムフォレスト(Random Forest)、ロジスティック回帰(Logistic Regression)、K-Nearest Neighbors(K-Nearest Neighbors)、グラディエントブースティング(Gradient Boosting)、Ada Boost(Ada Boost)、XG Boost(XG Boost)など、いくつかの教師付きML手法が訓練された。
論文参考訳（メタデータ） (2022-01-22T08:01:22Z)
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)
Analysis of MRI Biomarkers for Brain Cancer Survival Prediction [0.3093890460224435]
マルチモーダルMRIによる脳がん患者の総合生存率(OS)の予測は、研究の難しい分野である。生存予測に関する既存の文献のほとんどは、放射能の特徴に基づいている。年齢は最も重要な生物学的予測因子であることがわかった。
論文参考訳（メタデータ） (2021-09-03T05:35:47Z)
Glioma Prognosis: Segmentation of the Tumor and Survival Prediction using Shape, Geometric and Clinical Information [13.822139791199106]
我々は,ハイパーコラムを用いた畳み込みニューラルネットワーク(cnn)を用いて,健常脳組織から腫瘍を分離する。私たちのモデルは、腫瘍全体、腫瘍コアおよび増強腫瘍の平均ダイス精度87.315%、77.04%および70.22%を達成した。
論文参考訳（メタデータ） (2021-04-02T10:49:05Z)
Novel Radiomic Feature for Survival Prediction of Lung Cancer Patients using Low-Dose CBCT Images [3.510687032586989]
腫瘍の異種性を考慮した生存予測モデルを提案する。画像中のX線密度に関する情報とGTV(Grog tumor volume)の併用により腫瘍の均一性を測定する。本稿では,GTV を用いた既存モデルと比較して生存率の予測を改良する,GTV 内腫瘍マス(TMG)と呼ばれる新機能を提案する。
論文参考訳（メタデータ） (2020-03-07T08:47:26Z)

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。