論文の概要: Glioblastoma Multiforme Prognosis: MRI Missing Modality Generation,
Segmentation and Radiogenomic Survival Prediction
- arxiv url: http://arxiv.org/abs/2104.01149v2
- Date: Fri, 30 Apr 2021 14:28:26 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-07 20:52:03.418610
- Title: Glioblastoma Multiforme Prognosis: MRI Missing Modality Generation,
Segmentation and Radiogenomic Survival Prediction
- Title（参考訳）: Glioblastoma multiforme prognosis : MRIの欠失によるモダリティ生成, セグメンテーション, 放射線学的生存予測
- Authors: Mobarakol Islam, Navodini Wijethilake, Hongliang Ren
- Abstract要約: 本稿では, 遺伝子発現データに形状, 形状, 臨床情報などの放射線学的特徴を組み込むことにより, 放射線ゲノミック総合生存率(OS)予測手法を提案する。
我々はTCGAデータセットを利用して、条件付き生成逆数ネットワーク(cGAN)における完全畳み込みネットワーク(FCN)を用いて、欠落したMRIモダリティを合成する。
提案手法は, 合成, セグメンテーション, および全体生存率(OS)予測における最先端モデルとの比較実験により評価された。
- 参考スコア（独自算出の注目度）: 17.40988637746532
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The accurate prognosis of Glioblastoma Multiforme (GBM) plays an essential
role in planning correlated surgeries and treatments. The conventional models
of survival prediction rely on radiomic features using magnetic resonance
imaging (MRI). In this paper, we propose a radiogenomic overall survival (OS)
prediction approach by incorporating gene expression data with radiomic
features such as shape, geometry, and clinical information. We exploit TCGA
(The Cancer Genomic Atlas) dataset and synthesize the missing MRI modalities
using a fully convolutional network (FCN) in a conditional Generative
Adversarial Network (cGAN). Meanwhile, the same FCN architecture enables the
tumor segmentation from the available and the synthesized MRI modalities. The
proposed FCN architecture comprises octave convolution (OctConv) and a novel
decoder, with skip connections in spatial and channel squeeze & excitation
(skip-scSE) block. The OctConv can process low and high-frequency features
individually and improve model efficiency by reducing channel-wise redundancy.
Skip-scSE applies spatial and channel-wise excitation to signify the essential
features and reduces the sparsity in deeper layers learning parameters using
skip connections. The proposed approaches are evaluated by comparative
experiments with state-of-the-art models in synthesis, segmentation, and
overall survival (OS) prediction. We observe that adding missing MRI modality
improves the segmentation prediction, and expression levels of gene markers
have a high contribution in the GBM prognosis prediction, and fused
radiogenomic features boost the OS estimation.
- Abstract（参考訳）: Glioblastoma Multiforme(GBM)の正確な予後は、関連した手術と治療の計画に不可欠である。
生存予測の従来のモデルは磁気共鳴画像(mri)を用いた放射能特性に依存する。
本稿では, 形状, 形状, 臨床情報などの放射線学的特徴を有する遺伝子発現データを組み込んだ放射線遺伝学的総合生存予測手法を提案する。
我々はTCGA(The Cancer Genomic Atlas)データセットを利用して,cGAN(Generalrative Adversarial Network)の完全畳み込みネットワーク(FCN)を用いて,MRIの欠如を合成する。
一方、同じFCNアーキテクチャは、利用可能なおよび合成されたMRIモダリティから腫瘍のセグメンテーションを可能にする。
提案するfcnアーキテクチャは、オクターブ畳み込み(octconv)と新しいデコーダを含み、空間的およびチャネル圧縮および励起(skip-scse)ブロック内のスキップ接続を有する。
OctConvは低周波の特徴を個別に処理でき、チャネルの冗長性を低減してモデル効率を向上させることができる。
Skip-scSE は空間的およびチャネル的励起を用いて,本質的な特徴を表現し,スキップ接続を用いた深層学習パラメータの空間性を低減する。
提案手法は, 合成, セグメンテーション, および全体生存予測における最先端モデルとの比較実験により評価された。
mriモダリティの欠如により、セグメンテーション予測が改善され、遺伝子マーカーの発現レベルはgbmの予後予測に高い寄与を示し、融合された放射性ゲノミクス機能はos推定を促進する。
関連論文リスト
- Prototype Learning Guided Hybrid Network for Breast Tumor Segmentation in DCE-MRI [58.809276442508256]
本稿では,畳み込みニューラルネットワーク(CNN)とトランスフォーマー層を組み合わせたハイブリッドネットワークを提案する。
プライベートおよびパブリックなDCE-MRIデータセットの実験結果から,提案したハイブリッドネットワークは最先端の手法よりも優れた性能を示した。
論文 参考訳（メタデータ） (2024-08-11T15:46:00Z) - Spatiotemporal Graph Neural Network Modelling Perfusion MRI [12.712005118761516]
Per vascular MRI (pMRI) は腫瘍について貴重な洞察を与え、腫瘍の遺伝子型を予測することを約束する。
しかし、4D pMRIに合わせた効果的なモデルはまだ不足している。
本研究は,GNNモデルを用いた4次元pMRIのモデル化の試みである。
論文 参考訳（メタデータ） (2024-06-10T16:24:46Z) - Cross-modality Guidance-aided Multi-modal Learning with Dual Attention
for MRI Brain Tumor Grading [47.50733518140625]
脳腫瘍は世界で最も致命的ながんの1つであり、子供や高齢者に非常に多い。
本稿では,MRI脳腫瘍グレーディングの課題に対処するために,新たな多モード学習法を提案する。
論文 参考訳（メタデータ） (2024-01-17T07:54:49Z) - DiffGAN-F2S: Symmetric and Efficient Denoising Diffusion GANs for
Structural Connectivity Prediction from Brain fMRI [15.40111168345568]
構造接続(SC)と機能的磁気共鳴イメージング(fMRI)の信頼性非直線マッピング関係を橋渡しすることは困難である
脳のfMRIからエンド・ツー・エンド・エンドの方法でSCを予測するために,新しい拡散生成逆ネットワークを用いたfMRI-to-SCモデルを提案する。
論文 参考訳（メタデータ） (2023-09-28T06:55:50Z) - K-Space-Aware Cross-Modality Score for Synthesized Neuroimage Quality
Assessment [71.27193056354741]
クロスモダリティな医用画像合成をどう評価するかという問題は、ほとんど解明されていない。
本稿では,この課題の進展を促すため,新しい指標K-CROSSを提案する。
K-CROSSは、トレーニング済みのマルチモードセグメンテーションネットワークを使用して、病変の位置を予測する。
論文 参考訳（メタデータ） (2023-07-10T01:26:48Z) - Brain Imaging-to-Graph Generation using Adversarial Hierarchical Diffusion Models for MCI Causality Analysis [44.45598796591008]
機能的磁気共鳴画像(fMRI)を軽度認知障害解析のための効果的な接続性にマッピングするために,脳画像から画像へのBIGG(Brain Imaging-to-graph generation)フレームワークを提案する。
発電機の階層変換器は、複数のスケールでノイズを推定するように設計されている。
ADNIデータセットの評価は,提案モデルの有効性と有効性を示す。
論文 参考訳（メタデータ） (2023-05-18T06:54:56Z) - Multi-modal learning for predicting the genotype of glioma [14.93152817415408]
Isocitrate dehydrogenase (IDH)遺伝子変異はグリオーマの診断と予後に必須なバイオマーカーである。
焦点腫瘍像と幾何学的特徴をMRIから派生した脳ネットワーク特徴と統合することにより、グリオーマ遺伝子型をより正確に予測できることが期待されている。
本稿では,3つのエンコーダを用いたマルチモーダル学習フレームワークを提案し,局所腫瘍像,腫瘍幾何学,大域脳ネットワークの特徴を抽出する。
論文 参考訳（メタデータ） (2022-03-21T10:20:04Z) - Feature-enhanced Generation and Multi-modality Fusion based Deep Neural
Network for Brain Tumor Segmentation with Missing MR Modalities [2.867517731896504]
主な問題は、すべてのMRIが常に臨床検査で利用できるわけではないことである。
今回我々は1つ以上のモダリティが欠落した場合に新しい脳腫瘍分節ネットワークを提案する。
提案ネットワークは,機能強化ジェネレータ,相関制約ブロック,セグメンテーションネットワークの3つのサブネットワークで構成されている。
論文 参考訳（メタデータ） (2021-11-08T10:59:40Z) - Adaptive unsupervised learning with enhanced feature representation for
intra-tumor partitioning and survival prediction for glioblastoma [12.36330256366686]
そこで本研究では, 腫瘍内パーティショニングとグリオ芽腫生存予測のための適応型非教師なし学習手法を提案する。
新規かつ問題特異的な自動エンコーダ(FAE)を開発した。
以上の結果から, 提案手法は, 堅牢で臨床的に関連のあるMRIサブリージョンと, 統計的に有意な生存予測をもたらすことが示唆された。
論文 参考訳（メタデータ） (2021-08-21T02:47:59Z) - Functional Magnetic Resonance Imaging data augmentation through
conditional ICA [44.483210864902304]
本稿では,高速機能型磁気共鳴イメージング(fMRI)データ拡張技術である条件独立成分分析(Conditional ICA)を紹介する。
本研究では,コンディショナルICAが観測不可能なデータの合成に成功しており,脳の復号化問題における分類精度の向上が期待できることを示す。
論文 参考訳（メタデータ） (2021-07-11T22:36:14Z) - G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for
Biomarker Identification and Disease Classification [49.53651166356737]
診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。
2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
論文 参考訳（メタデータ） (2021-01-27T19:28:04Z)
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。