Fugu-MT 論文翻訳(概要): An Uncertainty-aware Hierarchical Probabilistic Network for Early Prediction, Quantification and Segmentation of Pulmonary Tumour Growth

論文の概要: An Uncertainty-aware Hierarchical Probabilistic Network for Early Prediction, Quantification and Segmentation of Pulmonary Tumour Growth

arxiv url: http://arxiv.org/abs/2104.08789v1
Date: Sun, 18 Apr 2021 09:48:58 GMT
ステータス: 処理完了
システム内更新日: 2021-04-20 13:36:35.836573
Title: An Uncertainty-aware Hierarchical Probabilistic Network for Early Prediction, Quantification and Segmentation of Pulmonary Tumour Growth
Title（参考訳）: 不確実性を考慮した階層的確率ネットワークによる肺腫瘍増殖の早期予測・定量化・分節化
Authors: Xavier Rafael-Palou, Anton Aubanell, Mario Ceresa, Vicent Ribas, Gemma Piella, Miguel A. Gonz\'alez Ballester
Abstract要約: 本稿では,腫瘍の成長を予測し,その大きさを定量化し,将来の結節の意味的外観を与える新しい方法を提案する。この手法を独立した試験セットで評価した結果、腫瘍成長バランスの取れた精度は74%、腫瘍増殖サイズは1.77mm、腫瘍分割度は78%であった。
参考スコア（独自算出の注目度）: 2.5212378555147823
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Early detection and quantification of tumour growth would help clinicians to prescribe more accurate treatments and provide better surgical planning. However, the multifactorial and heterogeneous nature of lung tumour progression hampers identification of growth patterns. In this study, we present a novel method based on a deep hierarchical generative and probabilistic framework that, according to radiological guidelines, predicts tumour growth, quantifies its size and provides a semantic appearance of the future nodule. Unlike previous deterministic solutions, the generative characteristic of our approach also allows us to estimate the uncertainty in the predictions, especially important for complex and doubtful cases. Results of evaluating this method on an independent test set reported a tumour growth balanced accuracy of 74%, a tumour growth size MAE of 1.77 mm and a tumour segmentation Dice score of 78%. These surpassed the performances of equivalent deterministic and alternative generative solutions (i.e. probabilistic U-Net, Bayesian test dropout and Pix2Pix GAN) confirming the suitability of our approach.
Abstract（参考訳）: 腫瘍の早期発見と定量化は、臨床医がより正確な治療を処方し、より良い手術計画を提供するのに役立つ。しかし,肺腫瘍進展の多因子および異種性は増殖パターンの同定を阻害する。本研究では, 放射線学的ガイドラインに基づき, 腫瘍の増殖を予測し, そのサイズを定量化し, 将来の結節の意味的外観を提供する, 階層的・確率的枠組みに基づく新しい手法を提案する。従来の決定論的解とは異なり、我々の手法の生成特性は予測の不確実性、特に複雑で疑わしい場合において、推定することができる。本法を独立試験群で評価した結果, 腫瘍成長バランス精度は74%, 腫瘍成長サイズは1.77mm, 腫瘍セグメンテーションDiceスコアは78%であった。これらは等価な決定論的解と代替生成解(つまり)のパフォーマンスを上回った。確率的U-Net、ベイズテストドロップアウト、Pix2Pix GANは、我々のアプローチの適合性を確認する。

関連論文リスト

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)
Using Multiparametric MRI with Optimized Synthetic Correlated Diffusion Imaging to Enhance Breast Cancer Pathologic Complete Response Prediction [71.91773485443125]
ネオアジュバント化学療法は乳癌の治療戦略として最近人気を集めている。ネオアジュバント化学療法を推奨する現在のプロセスは、医療専門家の主観的評価に依存している。本研究は, 乳癌の病理組織学的完全反応予測に最適化されたCDI$s$を応用することを検討した。
論文参考訳（メタデータ） (2024-05-13T15:40:56Z)
Treatment-aware Diffusion Probabilistic Model for Longitudinal MRI Generation and Diffuse Glioma Growth Prediction [0.5667953366862138]
本稿では,腫瘍マスクの将来の予測と,腫瘍が今後の治療計画にどう対応するかのマルチパラメトリック磁気共鳴画像(MRI)を提案する。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)
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)
Radiomics-enhanced Deep Multi-task Learning for Outcome Prediction in Head and Neck Cancer [11.795108660250843]
PET/CT画像から結果を予測するために,放射能を増強したディープマルチタスクフレームワークを提案する。我々は最近提案したDeep Multi-task Survival Model(DeepMTS)の強化として放射能を取り入れることが新しい。テストセットではCインデックス0.681を達成し,第2位は第1位よりCインデックス0.00068低いリーダボードに配置した。
論文参考訳（メタデータ） (2022-11-10T08:28:56Z)
Recurrence-free Survival Prediction under the Guidance of Automatic Gross Tumor Volume Segmentation for Head and Neck Cancers [8.598790229614071]
自動原発性腫瘍 (GTVp) とリンパ節郭清法 (GTVn) を開発した。腫瘍の分節体積から放射能の特徴を抽出し,RFS予測モデルを構築した。
論文参考訳（メタデータ） (2022-09-22T18:44:57Z)
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)
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)
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)
Brain Tumor Survival Prediction using Radiomics Features [5.556008014747938]
脳腫瘍と診断された患者の手術計画は生存予後に依存する。深層学習のアプローチは脳腫瘍のセグメンテーションに広く用いられている。放射能に基づく研究は、工学的/手技的な特徴によりより有望であることを示している。
論文参考訳（メタデータ） (2020-09-07T06:14:40Z)
Stan: Small tumor-aware network for breast ultrasound image segmentation [68.8204255655161]
本研究では,小腫瘍認識ネットワーク(Small tumor-Aware Network,STAN)と呼ばれる新しいディープラーニングアーキテクチャを提案する。提案手法は, 乳腺腫瘍の分節化における最先端のアプローチよりも優れていた。
論文参考訳（メタデータ） (2020-02-03T22:25:01Z)

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。