論文の概要: Predicting Distant Metastases in Soft-Tissue Sarcomas from PET-CT scans using Constrained Hierarchical Multi-Modality Feature Learning

• arxiv url: http://arxiv.org/abs/2104.11416v1
• Date: Fri, 23 Apr 2021 05:12:02 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-26 13:10:50.864889
• Title: Predicting Distant Metastases in Soft-Tissue Sarcomas from PET-CT scans using Constrained Hierarchical Multi-Modality Feature Learning
• Title（参考訳）: 制約付き階層型多モード特徴学習を用いたPET-CTスキャンによる軟部分布サルコマの遠隔転移予測
• Authors: Yige Peng, Lei Bi, Ashnil Kumar, Michael Fulham, Dagan Feng, Jinman Kim
• Abstract要約: Distant metastases (DM) は軟部肉腫 (STS) 患者における主要な死因である STS患者が転移を発症する画像研究から判断することは困難である。 PET-CTデータから患者のDMを予測する3D CNNについて概説する。
• 参考スコア（独自算出の注目度）: 14.60163613315816
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Distant metastases (DM) refer to the dissemination of tumors, usually, beyond the organ where the tumor originated. They are the leading cause of death in patients with soft-tissue sarcomas (STSs). Positron emission tomography-computed tomography (PET-CT) is regarded as the imaging modality of choice for the management of STSs. It is difficult to determine from imaging studies which STS patients will develop metastases. 'Radiomics' refers to the extraction and analysis of quantitative features from medical images and it has been employed to help identify such tumors. The state-of-the-art in radiomics is based on convolutional neural networks (CNNs). Most CNNs are designed for single-modality imaging data (CT or PET alone) and do not exploit the information embedded in PET-CT where there is a combination of an anatomical and functional imaging modality. Furthermore, most radiomic methods rely on manual input from imaging specialists for tumor delineation, definition and selection of radiomic features. This approach, however, may not be scalable to tumors with complex boundaries and where there are multiple other sites of disease. We outline a new 3D CNN to help predict DM in STS patients from PET-CT data. The 3D CNN uses a constrained feature learning module and a hierarchical multi-modality feature learning module that leverages the complementary information from the modalities to focus on semantically important regions. Our results on a public PET-CT dataset of STS patients show that multi-modal information improves the ability to identify those patients who develop DM. Further our method outperformed all other related state-of-the-art methods.
• Abstract（参考訳）: 異時性転移(Distant metastases, DM)とは、腫瘍が発生した臓器の外側にある腫瘍をいう。 軟部肉腫(STSs)患者の死因としては、これらが最も多い。 PET-CT(Positron emission tomography-computed tomography)は, STSにおける画像モダリティとして評価されている。 STS患者が転移を発症する画像研究から判断することは困難である。 「放射線」とは医用画像からの定量的特徴の抽出・分析であり、その腫瘍の同定に用いられている。 放射能の最先端は畳み込みニューラルネットワーク(CNN)に基づいている。 ほとんどのCNNは単モードイメージングデータ(CTまたはPETのみ)用に設計されており、解剖学的および機能的な画像モダリティの組み合わせがあるPET-CTに埋め込まれた情報を活用していない。 さらに、ほとんどの放射線学的手法は、腫瘍の起伏、定義、放射線学的特徴の選択のために、画像スペシャリストからの手動入力に依存している。 しかし、このアプローチは複雑な境界を持つ腫瘍や、他の複数の疾患部位が存在する場合に拡張性がない可能性がある。 PET-CTデータから,STS患者のDM予測を支援する3D CNNについて概説した。 3D CNNは制約付き特徴学習モジュールと階層型多モード特徴学習モジュールを使用して、モダリティからの補完情報を活用して意味的に重要な領域にフォーカスする。 STS患者のPET-CTデータセットを用いた結果、マルチモーダル情報により、DMを発症した患者を特定する能力が改善された。 さらに,本手法は,他の最先端手法よりも優れていた。

関連論文リスト

• Lung-CADex: Fully automatic Zero-Shot Detection and Classification of Lung Nodules in Thoracic CT Images [45.29301790646322]
  コンピュータ支援診断は早期の肺結節の検出に役立ち、その後の結節の特徴づけを促進する。 MedSAMと呼ばれるSegment Anything Modelの変種を用いて肺結節をゼロショットでセグメント化するためのCADeを提案する。 また、放射能特徴のギャラリーを作成し、コントラスト学習を通じて画像と画像のペアを整列させることにより、良性/良性としての結節的特徴付けを行うCADxを提案する。
  論文  参考訳（メタデータ） (2024-07-02T19:30:25Z)
• 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)
• Post-Hoc Explainability of BI-RADS Descriptors in a Multi-task Framework for Breast Cancer Detection and Segmentation [48.08423125835335]
  MT-BI-RADSは乳房超音波(BUS)画像における腫瘍検出のための新しい深層学習手法である。 放射線科医が腫瘍の悪性度を予測するための意思決定プロセスを理解するための3つのレベルの説明を提供する。
  論文  参考訳（メタデータ） (2023-08-27T22:07:42Z)
• CancerUniT: Towards a Single Unified Model for Effective Detection, Segmentation, and Diagnosis of Eight Major Cancers Using a Large Collection of CT Scans [45.83431075462771]
  ヒトの読者や放射線医は、臨床実践において、全身多臓器多臓器の検出と診断を日常的に行う。 ほとんどの医療用AIシステムは、いくつかの疾患のリストの狭い単一の臓器に焦点を当てて構築されている。 CancerUniT は、マルチ腫瘍予測の出力を持つクエリベースの Mask Transformer モデルである。
  論文  参考訳（メタデータ） (2023-01-28T20:09:34Z)
• Cross-Modality Deep Feature Learning for Brain Tumor Segmentation [158.8192041981564]
  本稿では, マルチモーダルMRIデータから脳腫瘍を抽出するクロスモーダルディープ・フィーチャーラーニング・フレームワークを提案する。 中心となる考え方は、不十分なデータスケールを補うために、マルチモダリティデータにまたがる豊富なパターンをマイニングすることだ。 on the BraTS benchmarks, this proposed cross-modality deep feature learning framework could effective improve the brain tumor segmentation performance。
  論文  参考訳（メタデータ） (2022-01-07T07:46:01Z)
• 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)
• 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)
• Spatio-Temporal Dual-Stream Neural Network for Sequential Whole-Body PET Segmentation [10.344707825773252]
  連続体PETスキャンをセグメント化する「デュアルストリーム」ニューラルネットワーク(ST-DSNN)を提案する。 我々のST-DSNNは、時間とともに行われたPET画像から画像の特徴を学習し、蓄積する。 その結果,本手法は最新のPET画像分割法よりも優れていた。
  論文  参考訳（メタデータ） (2021-06-09T10:15:20Z)
• Multimodal Spatial Attention Module for Targeting Multimodal PET-CT Lung Tumor Segmentation [11.622615048002567]
  マルチモーダル空間アテンションモジュール(MSAM)は腫瘍に関連する領域を強調することを学ぶ。 MSAMは一般的なバックボーンアーキテクチャやトレーニングされたエンドツーエンドに適用できる。
  論文  参考訳（メタデータ） (2020-07-29T10:27:22Z)
• Multi-Modality Information Fusion for Radiomics-based Neural Architecture Search [10.994223928445589]
  既存の放射能法では、手作りの放射能の特徴とその抽出と選択が必要である。 畳み込みニューラルネットワーク(CNN)に基づく最近の放射線学手法も、ネットワークアーキテクチャ設計において手動入力を必要とする。 放射能に最適なマルチモーダル画像特徴を自動的に導出するマルチモーダルニューラルネットワーク探索法(MM-NAS)を提案する。
  論文  参考訳（メタデータ） (2020-07-12T14:35:13Z)
• Experimenting with Convolutional Neural Network Architectures for the automatic characterization of Solitary Pulmonary Nodules' malignancy rating [0.0]
  コンピュータ・トモグラフィ(CT)胸部CTにおける孤立性肺結節(SPN)の早期および自動診断は,早期治療と経時的治療からの医師の解放をもたらす可能性がある。 本研究では,PET/CTスキャナーから得られたCT画像における良性肺結節と悪性肺結節の診断的分類の問題点を考察する。 具体的には、実験的な畳み込みニューラルネットワーク(CNN)アーキテクチャを開発し、パラメータをチューニングし、その振る舞いを調べ、正確な分類のための最適な設定を定義する。
  論文  参考訳（メタデータ） (2020-03-15T11:46:00Z)

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。