Fugu-MT 論文翻訳(概要): Prediction of 5-year Progression-Free Survival in Advanced Nasopharyngeal Carcinoma with Pretreatment PET/CT using Multi-Modality Deep Learning-based Radiomics

論文の概要: Prediction of 5-year Progression-Free Survival in Advanced Nasopharyngeal Carcinoma with Pretreatment PET/CT using Multi-Modality Deep Learning-based Radiomics

arxiv url: http://arxiv.org/abs/2103.05220v1
Date: Tue, 9 Mar 2021 04:43:33 GMT
ステータス: 処理完了
システム内更新日: 2021-03-10 15:03:40.800226
Title: Prediction of 5-year Progression-Free Survival in Advanced Nasopharyngeal Carcinoma with Pretreatment PET/CT using Multi-Modality Deep Learning-based Radiomics
Title（参考訳）: 多モードディープラーニングを用いたPET/CTによる進行鼻咽頭癌の5年間生存予測
Authors: Bingxin Gu, Mingyuan Meng, Lei Bi, Jinman Kim, David Dagan Feng, and Shaoli Song
Abstract要約: 先進NPCにおける5年間のプログレクションフリー生存を予測するために, エンドツーエンドマルチモーダリティDLRモデルを開発した。 3次元畳み込みニューラルネットワーク(CNN)は,前処理によるPET/CT画像から深い特徴を抽出するために最適化された。本研究は,先進npcにおける生存予測のための放射能に基づく予後予測モデルを特定し,dlrががん治療の補助となる可能性を示唆する。
参考スコア（独自算出の注目度）: 15.386240118882569
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Deep Learning-based Radiomics (DLR) has achieved great success on medical image analysis. In this study, we aim to explore the capability of DLR for survival prediction in NPC. We developed an end-to-end multi-modality DLR model using pretreatment PET/CT images to predict 5-year Progression-Free Survival (PFS) in advanced NPC. A total of 170 patients with pathological confirmed advanced NPC (TNM stage III or IVa) were enrolled in this study. A 3D Convolutional Neural Network (CNN), with two branches to process PET and CT separately, was optimized to extract deep features from pretreatment multi-modality PET/CT images and use the derived features to predict the probability of 5-year PFS. Optionally, TNM stage, as a high-level clinical feature, can be integrated into our DLR model to further improve prognostic performance. For a comparison between CR and DLR, 1456 handcrafted features were extracted, and three top CR methods were selected as benchmarks from 54 combinations of 6 feature selection methods and 9 classification methods. Compared to the three CR methods, our multi-modality DLR models using both PET and CT, with or without TNM stage (named PCT or PC model), resulted in the highest prognostic performance. Furthermore, the multi-modality PCT model outperformed single-modality DLR models using only PET and TNM stage (PT model) or only CT and TNM stage (CT model). Our study identified potential radiomics-based prognostic model for survival prediction in advanced NPC, and suggests that DLR could serve as a tool for aiding in cancer management.
Abstract（参考訳）: Deep Learning-based Radiomics (DLR) は医用画像解析において大きな成功を収めている。本研究では,NPCにおけるDLRの生存予測能力について検討する。高度NPCにおける5年間の進行自由生存(PFS)を予測するために,前処理PET/CT画像を用いたエンドツーエンドマルチモダリティDLRモデルを開発した。病理学的に進行性NPC(TNMステージIIIまたはIVa)を認めた患者は合計170名であった。 PETとCTを別々に処理する2つの枝を持つ3次元畳み込みニューラルネットワーク (CNN) を用いて, 処理前のPET/CT画像から深い特徴を抽出し, 得られた特徴を用いて5年間のPFSの確率を予測する。オプションとして,高レベルな臨床的特徴であるTNMステージをDLRモデルに統合し,予後の向上を図る。 CRとDLRを比較し,1456個の手作り特徴を抽出し,54種類の特徴選択法と9種類の分類法の組み合わせから,上位CR法を3つのベンチマークとして選択した。 3つのCR法と比較して,TNMステージ(PCTまたはPCモデル)の有無にかかわらず,PETとCTの両方を用いた多モードDLRモデルが最も高い予後を示した。さらに,マルチモダリティPCTモデルは,PETおよびTNMステージ(PTモデル)およびCTおよびTNMステージ(CTモデル)のみを用いて,単一モダリティDLRモデルよりも優れていた。本研究は,先進npcにおける生存予測のための放射能に基づく予後予測モデルを特定し,dlrががん治療の補助となる可能性を示唆する。

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)
2.5D Multi-view Averaging Diffusion Model for 3D Medical Image Translation: Application to Low-count PET Reconstruction with CT-less Attenuation Correction [17.897681480967087]
ポジトロン・エミッション・トモグラフィ(PET)は重要な臨床画像診断ツールであるが、患者や医療機関に必然的に放射線障害をもたらす。非減衰補正低線量PETを減衰補正標準線量PETに変換する3D法の開発が望ましい。近年の拡散モデルは、従来のCNNベースの手法よりも優れた画像から画像への翻訳のための最先端のディープラーニング手法として登場した。 NACを用いた3次元画像から画像への変換のための新しい2.5次元マルチビュー平均拡散モデル(MADM)を開発した。
論文参考訳（メタデータ） (2024-06-12T16:22:41Z)
Functional Imaging Constrained Diffusion for Brain PET Synthesis from Structural MRI [5.190302448685122]
新しい制約拡散モデル (CDM) を用いて, 入力条件として2組構造MRIを用いた3次元脳PET画像合成のためのフレームワークを提案する。 FICDはPETにノイズを導入し、CDMで徐々に除去する。 CDMは、各denoized PETと基底真理との間のボクセルワイドアライメントを確保するために、機能的イメージング制約を導入して、denoized PETを予測することを学ぶ。
論文参考訳（メタデータ） (2024-05-03T22:33:46Z)
PEMMA: Parameter-Efficient Multi-Modal Adaptation for Medical Image Segmentation [5.056996354878645]
CTとPETの両方のスキャンが利用可能であれば、それらをセグメンテーションモデルへの入力の2つのチャネルとして組み合わせることが一般的である。この方法は、トレーニングと推論の両方のスキャンタイプを必要とし、PETスキャンの可用性が制限されているため、課題を提起する。変圧器を用いたセグメンテーションモデルの軽量アップグレードのためのパラメータ効率・マルチモーダル適応フレームワークを提案する。
論文参考訳（メタデータ） (2024-04-21T16:29:49Z)
Revolutionizing Disease Diagnosis with simultaneous functional PET/MR and Deeply Integrated Brain Metabolic, Hemodynamic, and Perfusion Networks [40.986069119392944]
マルチモーダルなMiXture-of-expertsアライメント再構成とモデルであるMX-ARMを提案する。モダリティは分離可能で交換可能であり、異なる多層パーセプトロン(「専門家の混合」)を学習可能な重みを通して動的に割り当て、異なるモダリティからそれぞれの表現を学ぶ。
論文参考訳（メタデータ） (2024-03-29T08:47:49Z)
Head and Neck Tumor Segmentation from [18F]F-FDG PET/CT Images Based on 3D Diffusion Model [2.4512350526408704]
頭頸部がん(H&N)は、世界で最も多いがんの1つである。近年,様々な画像生成タスクにおいて拡散モデルが顕著な性能を示した。
論文参考訳（メタデータ） (2024-01-31T04:34:31Z)
Contrastive Diffusion Model with Auxiliary Guidance for Coarse-to-Fine PET Reconstruction [62.29541106695824]
本稿では, 粗い予測モジュール (CPM) と反復的修正モジュール (IRM) から構成される粗大なPET再構成フレームワークを提案する。計算オーバーヘッドの大部分をCPMに委譲することで,本手法のサンプリング速度を大幅に向上させることができる。 2つの追加戦略、すなわち補助的な誘導戦略と対照的な拡散戦略が提案され、再構築プロセスに統合される。
論文参考訳（メタデータ） (2023-08-20T04:10:36Z)
Optimizing Sampling Patterns for Compressed Sensing MRI with Diffusion Generative Models [75.52575380824051]
圧縮センシングマルチコイルMRIにおけるサブサンプリングパターンを最適化する学習手法を提案する。拡散モデルとMRI計測プロセスにより得られた後部平均推定値に基づいて1段階の再構成を行う。本手法では,効果的なサンプリングパターンの学習には5つのトレーニング画像が必要である。
論文参考訳（メタデータ） (2023-06-05T22:09:06Z)
DeepMTS: Deep Multi-task Learning for Survival Prediction in Patients with Advanced Nasopharyngeal Carcinoma using Pretreatment PET/CT [15.386240118882569]
鼻咽頭癌(Nasopharyngeal Carcinoma, NPC)は、世界の悪性上皮癌である。深層学習は、NPCを含む様々ながんの生存予測に導入されている。本研究では,小データによるオーバーフィッティング問題に対処するため,マルチタスクが深層生存モデルに傾くという概念を導入した。
論文参考訳（メタデータ） (2021-09-16T04:12:59Z)
Deep Implicit Statistical Shape Models for 3D Medical Image Delineation [47.78425002879612]
解剖学的構造の3次元デライン化は、医用画像解析の基本的な目標である。ディープラーニング以前は、解剖学的制約を課し高品質の表面を作り出す統計的形状モデルはコア技術だった。我々は,CNNの表現力とSSMの頑健さを合体させるデライン化の新しい手法であるディープ暗黙的統計的形状モデル(DISSMs)を提案する。
論文参考訳（メタデータ） (2021-04-07T01:15:06Z)
Revisiting 3D Context Modeling with Supervised Pre-training for Universal Lesion Detection in CT Slices [48.85784310158493]
CTスライスにおける普遍的病変検出のための3Dコンテキスト強化2D特徴を効率的に抽出するための修飾擬似3次元特徴ピラミッドネットワーク(MP3D FPN)を提案する。新たな事前学習手法により,提案したMP3D FPNは,DeepLesionデータセット上での最先端検出性能を実現する。提案された3Dプリトレーニングウェイトは、他の3D医療画像分析タスクのパフォーマンスを高めるために使用できる。
論文参考訳（メタデータ） (2020-12-16T07:11:16Z)

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。