Fugu-MT 論文翻訳(概要): Post-hoc Overall Survival Time Prediction from Brain MRI

論文の概要: Post-hoc Overall Survival Time Prediction from Brain MRI

arxiv url: http://arxiv.org/abs/2102.10765v1
Date: Mon, 22 Feb 2021 04:27:03 GMT
ステータス: 処理完了
システム内更新日: 2021-02-24 03:03:26.881462
Title: Post-hoc Overall Survival Time Prediction from Brain MRI
Title（参考訳）: 脳MRIによるポストホック全生存時間予測
Authors: Renato Hermoza, Gabriel Maicas, Jacinto C. Nascimento, Gustavo Carneiro
Abstract要約: トレーニングにセグメンテーションマップアノテーションを必要としないOS時間予測のための新しいポストホック手法を提案する。本モデルでは,OSの時間と腫瘍の局在を推定するために,医用画像と患者の人口動態を入力として用いた。トレーニングにセグメンテーションラベルを必要としないという利点を生かして、プレホックメソッドに比べて競争力のある結果が得られる。
参考スコア（独自算出の注目度）: 25.6451669155944
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Overall survival (OS) time prediction is one of the most common estimates of the prognosis of gliomas and is used to design an appropriate treatment planning. State-of-the-art (SOTA) methods for OS time prediction follow a pre-hoc approach that require computing the segmentation map of the glioma tumor sub-regions (necrotic, edema tumor, enhancing tumor) for estimating OS time. However, the training of the segmentation methods require ground truth segmentation labels which are tedious and expensive to obtain. Given that most of the large-scale data sets available from hospitals are unlikely to contain such precise segmentation, those SOTA methods have limited applicability. In this paper, we introduce a new post-hoc method for OS time prediction that does not require segmentation map annotation for training. Our model uses medical image and patient demographics (represented by age) as inputs to estimate the OS time and to estimate a saliency map that localizes the tumor as a way to explain the OS time prediction in a post-hoc manner. It is worth emphasizing that although our model can localize tumors, it uses only the ground truth OS time as training signal, i.e., no segmentation labels are needed. We evaluate our post-hoc method on the Multimodal Brain Tumor Segmentation Challenge (BraTS) 2019 data set and show that it achieves competitive results compared to pre-hoc methods with the advantage of not requiring segmentation labels for training.
Abstract（参考訳）: 総合生存時間予測はグリオーマの予後の最も一般的な推定値の1つであり、適切な治療計画を設計するために使用される。 OSタイム予測のための最先端の(SOTA)手法は、OSタイムを推定するためにグリオーマ腫瘍サブリージョン(壊死性、浮腫性腫瘍、増強腫瘍)のセグメンテーションマップを計算する必要があるプリホックアプローチに従います。しかし, セグメンテーション手法の訓練には, 難易度が高く, 入手に費用がかかる地下の真理セグメンテーションラベルが必要である。病院から入手可能な大規模なデータセットの多くは、そのような正確なセグメンテーションを含まないため、これらのSOTA手法は適用範囲が限られている。本稿では,訓練用セグメンテーションマップアノテーションを必要としないOS時間予測のためのポストホック法を提案する。本モデルでは,手術画像と患者の人口統計(年齢別に表される)を入力として,OS時刻を推定し,腫瘍を局在化するサリエンシーマップを推定し,OS時刻予測をポストホックな方法で説明する。私たちのモデルは腫瘍を局在化することができますが、トレーニング信号として地上の真実のOS時間のみを使用する、すなわちセグメンテーションラベルは必要ありません。マルチモーダル脳腫瘍分画チャレンジ(brats)2019データセットのポストホック法を評価し,トレーニングに分節ラベルを必要とせず,プレホック法と比較して競争力のある結果が得られることを示した。

関連論文リスト

Anatomically-aware Uncertainty for Semi-supervised Image Segmentation [12.175556059523863]
半教師付き学習は、ラベルなしデータを活用することにより、画像セグメンテーションのための大きなピクセル単位のラベル付きデータセットの必要性を緩和する。不確実性推定法は、トレーニングの各ステップで計算しなければならないモデル予測からの複数の推論に依存する。本研究では,セグメント化マスクのグローバル情報を活用することによってセグメント化の不確実性を推定する手法を提案する。
論文参考訳（メタデータ） (2023-10-24T18:03:07Z)
CenTime: Event-Conditional Modelling of Censoring in Survival Analysis [49.44664144472712]
CenTimeは、イベントへの時間を直接見積もる、サバイバル分析の新しいアプローチである。本手法は,非検閲データが少ない場合でも,堅牢なイベント条件検閲機構を特徴とする。以上の結果から,CenTimeは同等の性能を維持しつつ,死までの時間を予測する上で,最先端のパフォーマンスを提供することがわかった。
論文参考訳（メタデータ） (2023-09-07T17:07:33Z)
SegPrompt: Using Segmentation Map as a Better Prompt to Finetune Deep Models for Kidney Stone Classification [62.403510793388705]
深層学習は、内視鏡画像を用いた腎臓結石分類のための奨励的な結果を生み出している。注釈付きトレーニングデータの不足は、トレーニングされたモデルの性能と一般化能力を改善する上で深刻な問題を引き起こす。本稿では,セグメンテーションマップを2つの側面から活用することにより,データ不足問題を軽減するためにSegPromptを提案する。
論文参考訳（メタデータ） (2023-03-15T01:30:48Z)
Multi-Modal Evaluation Approach for Medical Image Segmentation [4.989480853499916]
本稿では,異なるセグメンテーション手法の有効性を評価するために,新しいマルチモーダル評価(MME)手法を提案する。本稿では, 検出特性, 境界アライメント, 均一性, 総体積, 相対体積など, 関連性, 解釈可能な新しい特徴を紹介する。提案するアプローチはオープンソースで,使用することができる。
論文参考訳（メタデータ） (2023-02-08T15:31:33Z)
PCA: Semi-supervised Segmentation with Patch Confidence Adversarial Training [52.895952593202054]
医用画像セグメンテーションのためのPatch Confidence Adrial Training (PCA) と呼ばれる半教師付き対向法を提案する。 PCAは各パッチの画素構造とコンテキスト情報を学習し、十分な勾配フィードバックを得る。本手法は, 医用画像のセグメンテーションにおいて, 最先端の半教師付き手法より優れており, その有効性を示している。
論文参考訳（メタデータ） (2022-07-24T07:45:47Z)
Imputation-Free Learning from Incomplete Observations [73.15386629370111]
本稿では,不備な値を含む入力からの推論をインプットなしでトレーニングするIGSGD法の重要性について紹介する。バックプロパゲーションによるモデルのトレーニングに使用する勾配の調整には強化学習(RL)を用いる。我々の計算自由予測は、最先端の計算手法を用いて従来の2段階の計算自由予測よりも優れている。
論文参考訳（メタデータ） (2021-07-05T12:44:39Z)
Learning Inductive Attention Guidance for Partially Supervised Pancreatic Ductal Adenocarcinoma Prediction [73.96902906734522]
膵管腺癌(PDAC)は、アメリカ合衆国で3番目に多いがん死の原因である。本稿では,全てのトレーニングデータに対して安価な画像レベルのアノテーションが提供され,それらのサブセットに対してのみ,コストのかかるvoxelアノテーションが利用可能となる,部分教師付き設定について考察する。 Inductive Attention Guidance Network (IAG-Net) を提案し、通常の/PDAC分類のためのグローバル画像レベルの分類器と半教師付きPDAC分類のためのローカルボクセルレベルの分類器を共同で学習する。
論文参考訳（メタデータ） (2021-05-31T08:16:09Z)
Brain Tumor Detection and Classification based on Hybrid Ensemble Classifier [0.6091702876917281]
本稿では,ランダムフォレスト(RF)とK-ニアレストネイバー(K-Nearest Neighbour)と決定木(DT)を用いたハイブリッドアンサンブル法を提案する。腫瘍領域の面積を計算し、脳腫瘍を良性および悪性に分類することを目的としている。提案手法は,トレーニングとテストにそれぞれ85:15で使用される2556画像のデータセット上でテストを行い,97.305%の精度を示す。
論文参考訳（メタデータ） (2021-01-01T11:52:29Z)
STELAR: Spatio-temporal Tensor Factorization with Latent Epidemiological Regularization [76.57716281104938]
我々は,多くの地域の流行傾向を同時に予測するテンソル法を開発した。 stelarは離散時間差分方程式のシステムを通じて潜在時間正規化を組み込むことで長期予測を可能にする。我々は、カウンティレベルと州レベルのCOVID-19データの両方を用いて実験を行い、このモデルが流行の興味深い潜伏パターンを識別できることを示します。
論文参考訳（メタデータ） (2020-12-08T21:21:47Z)
Deep Interactive Learning: An Efficient Labeling Approach for Deep Learning-Based Osteosarcoma Treatment Response Assessment [1.5551044212347103]
畳み込みニューラルネットワーク(CNN)は、骨肉腫スライド画像上の生存可能な腫瘍と壊死性腫瘍の自動分割に使用できる。教師あり学習のボトルネックの1つは、トレーニングに大量の正確なアノテーションが必要であることである。本稿では,ディープ・インタラクティブ・ラーニング(DIaL)をCNNの学習における効果的なラベリング手法として記述する。
論文参考訳（メタデータ） (2020-07-02T20:46:53Z)

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。