論文の概要: Initial condition assessment for reaction-diffusion glioma growth
models: A translational MRI/histology (in)validation study
- arxiv url: http://arxiv.org/abs/2102.01719v1
- Date: Tue, 2 Feb 2021 19:21:48 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-04 17:03:38.199184
- Title: Initial condition assessment for reaction-diffusion glioma growth
models: A translational MRI/histology (in)validation study
- Title（参考訳）: re-diffusion glioma growth modelの初期条件評価:translational mri/histology (in)validation study
- Authors: Corentin Martens, Laetitia Lebrun, Christine Decaestecker, Thomas
Vandamme, Yves-R\'emi Van Eycke, Antonin Rovai, Thierry Metens, Olivier
Debeir, Serge Goldman, Isabelle Salmon, Gaetan Van Simaeys
- Abstract要約: 反応拡散成長モデルでは、MRIで見るマージンを超えるグリオーマ細胞の浸潤を外挿するために何十年も提案されてきた。
腫瘍細胞密度関数とMRIで見られる異常のアウトラインを関連付ける研究がいくつか提案されているが、基礎となる仮定は確認されていない。
本研究は、グリオ芽腫を有する非手術脳の立体的組織学的解析により、これらの仮定を検証することを提案する。
- 参考スコア（独自算出の注目度）: 1.7183079620559387
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Diffuse gliomas are highly infiltrative tumors whose early diagnosis and
follow-up usually rely on magnetic resonance imaging (MRI). However, the
limited sensitivity of this technique makes it impossible to directly assess
the extent of the glioma cell invasion, leading to sub-optimal treatment
planing. Reaction-diffusion growth models have been proposed for decades to
extrapolate glioma cell infiltration beyond margins visible on MRI and predict
its spatial-temporal evolution. These models nevertheless require an initial
condition, that is the tumor cell density values at every location of the brain
at diagnosis time. Several works have proposed to relate the tumor cell density
function to abnormality outlines visible on MRI but the underlying assumptions
have never been verified so far. In this work we propose to verify these
assumptions by stereotactic histological analysis of a non-operated brain with
glioblastoma using a tailored 3D-printed slicer. Cell density maps are computed
from histological slides using a deep learning approach. The density maps are
then registered to a postmortem MR image and related to an MR-derived geodesic
distance map to the tumor core. The relation between the edema outlines visible
on T2 FLAIR MRI and the distance to the core is also investigated. Our results
suggest that (i) the previously suggested exponential decrease of the tumor
cell density with the distance to the tumor core is not unreasonable but (ii)
the edema outlines may in general not correspond to a cell density iso-contour
and (iii) the commonly adopted tumor cell density value at these outlines is
likely overestimated. These findings highlight the limitations of using
conventional MRI to derive glioma cell density maps and point out the need of
validating other methods to initialize reaction-diffusion growth models and
make them usable in clinical practice.
- Abstract（参考訳）: 拡散性グリオーマは高浸潤性腫瘍であり、早期診断とフォローアップは通常磁気共鳴画像(MRI)に依存する。
しかし、この技術の感度が限られているため、グリオーマ細胞浸潤の程度を直接評価することは不可能であり、最適以下の治療計画につながる。
反応拡散成長モデルは、MRIで見るマージンを超えてグリオーマ細胞の浸潤を外挿し、その時空間的進化を予測するために何十年も提案されてきた。
これらのモデルは、診断時に脳のあらゆる位置における腫瘍細胞密度値である初期状態を必要とする。
腫瘍細胞密度関数とMRIで見られる異常のアウトラインを関連付ける研究がいくつか提案されているが、基礎となる仮定は確認されていない。
本研究では,3Dプリンティングスライサーを用いたグリオ芽腫を有する非手術脳の立体的組織学的解析により,これらの仮定を検証することを提案する。
細胞密度マップは、深層学習アプローチを用いて、組織学的スライドから計算される。
次に、密度マップは、死後MR画像に登録され、腫瘍コアへのMR由来測地距離マップと関連付けられる。
T2 FLAIR MRIで見られる浮腫アウトラインとコアの距離との関係についても検討した。
以上の結果から, (i) 腫瘍コアまでの距離で腫瘍細胞密度が指数関数的に減少することは理にかなわないが, (ii) 浮腫アウトラインは一般に細胞密度 iso-contour と一致せず, (iii) これらのアウトラインで一般的に採用されている腫瘍細胞密度値が過大評価される可能性が示唆された。
これらの知見は、従来のmriを用いたグリオーマ細胞密度マップの導出の限界を浮き彫りにして、他の方法による反応拡散成長モデルの初期化と臨床応用の必要性を指摘している。
関連論文リスト
- Volumetric Reconstruction Resolves Off-Resonance Artifacts in Static and
Dynamic PROPELLER MRI [76.60362295758596]
磁気共鳴イメージング(MRI)におけるオフ共鳴アーティファクトは、画像ボリューム内のスピンの実際の共鳴周波数が空間情報を符号化するのに使用される期待周波数と異なる場合に発生する視覚歪みである。
本稿では,2次元MRI再構成問題を3次元に引き上げ,このオフ共鳴をモデル化するための「スペクトル」次元を導入することで,これらのアーチファクトを解決することを提案する。
論文 参考訳（メタデータ） (2023-11-22T05:44:51Z) - Style transfer between Microscopy and Magnetic Resonance Imaging via
Generative Adversarial Network in small sample size settings [49.84018914962972]
磁気共鳴イメージング(MRI)のクロスモーダル増強と、同じ組織サンプルに基づく顕微鏡イメージングが期待できる。
コンディショナル・ジェネレーティブ・逆境ネットワーク (cGAN) アーキテクチャを用いて, コーパス・カロサムのMRI画像から顕微鏡組織像を生成する方法を検討した。
論文 参考訳（メタデータ） (2023-10-16T13:58:53Z) - 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) - Artificial-intelligence-based molecular classification of diffuse
gliomas using rapid, label-free optical imaging [59.79875531898648]
DeepGliomaは人工知能に基づく診断スクリーニングシステムである。
ディープグリオーマは、世界保健機関が成人型びまん性グリオーマ分類を定義するために使用する分子変化を予測することができる。
論文 参考訳（メタデータ） (2023-03-23T18:50:18Z) - Deep Learning for Reaction-Diffusion Glioma Growth Modelling: Towards a
Fully Personalised Model? [0.2609639566830968]
グリオーマの成長を捉えるために、反応拡散モデルが何十年も提案されてきた。
ディープ畳み込みニューラルネットワーク(DCNN)は、現場でよく見られる落とし穴に対処することができる。
このアプローチは,腫瘍予後および治療計画に対する反応拡散成長モデルの臨床応用の視点を開放する可能性がある。
論文 参考訳（メタデータ） (2021-11-26T10:16:57Z) - 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) - 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) - Radiomic Deformation and Textural Heterogeneity (R-DepTH) Descriptor to
characterize Tumor Field Effect: Application to Survival Prediction in
Glioblastoma [2.1916334019121537]
腫瘍野効果の概念は、がんが可視性腫瘍を超える影響を持つ全身疾患であることを意味する。
r-DepTH (r-DepTH) を用いたMRI ベースの記述器, 放射能とテクスチュラルな異質性について述べる。
この記述子は、質量効果による周囲の正常発作全体の組織変形の微妙な摂動の測定を含む。
論文 参考訳（メタデータ） (2021-03-12T17:38:54Z) - Expectation-Maximization Regularized Deep Learning for Weakly Supervised
Tumor Segmentation for Glioblastoma [8.24450401153384]
本研究では,弱監督腫瘍分割のためのEM正規化ディープラーニング(EMReDL)モデルを提案する。
この枠組みは周囲の脳組織への拡散浸潤を特徴とする悪性腫瘍の一種であるグリオ芽腫に特化していた。
論文 参考訳（メタデータ） (2021-01-21T18:14:43Z) - 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) - Segmentation of the Myocardium on Late-Gadolinium Enhanced MRI based on
2.5 D Residual Squeeze and Excitation Deep Learning Model [55.09533240649176]
本研究の目的は,LGE-MRIを用いた心筋境界領域の深部学習モデルに基づく正確な自動セグメンテーション法を開発することである。
合計320回の試験(平均6回の試験)と28回の試験が行われた。
ベーススライスとミドルスライスにおけるアンサンブルモデルの性能解析は, サーバ内調査と同等であり, アトピーススライスではわずかに低かった。
論文 参考訳（メタデータ） (2020-05-27T20:44:38Z)
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。