論文の概要: Continuous-Time Deep Glioma Growth Models

• arxiv url: http://arxiv.org/abs/2106.12917v1
• Date: Wed, 23 Jun 2021 14:40:44 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-26 10:24:29.872525
• Title: Continuous-Time Deep Glioma Growth Models
• Title（参考訳）: 連続時間深部グリオーマ成長モデル
• Authors: Jens Petersen and Fabian Isensee and Gregor K\"ohler and Paul F. J\"ager and David Zimmerer and Ulf Neuberger and Wolfgang Wick and J\"urgen Debus and Sabine Heiland and Martin Bendszus and Philipp Vollmuth and Klaus H. Maier-Hein
• Abstract要約: 最近の研究は、深層学習と変分推論を通じてグリオーマ成長モデル問題にアプローチし、実際の患者データ分布から完全に学習する。 本稿では,時系列の条件モデルであるNeural Processesを拡張して,時間的生成的注意機構を含む階層的なマルチスケール表現符号化を実現することにより,これらの制限を克服する。 このアプローチは他の学習された成長モデルよりも優れた性能を示し、画像のグローバルおよびよりきめ細かなバリエーションを捉えることに成功した。
• 参考スコア（独自算出の注目度）: 3.147638981634818
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: The ability to estimate how a tumor might evolve in the future could have tremendous clinical benefits, from improved treatment decisions to better dose distribution in radiation therapy. Recent work has approached the glioma growth modeling problem via deep learning and variational inference, thus learning growth dynamics entirely from a real patient data distribution. So far, this approach was constrained to predefined image acquisition intervals and sequences of fixed length, which limits its applicability in more realistic scenarios. We overcome these limitations by extending Neural Processes, a class of conditional generative models for stochastic time series, with a hierarchical multi-scale representation encoding including a spatio-temporal attention mechanism. The result is a learned growth model that can be conditioned on an arbitrary number of observations, and that can produce a distribution of temporally consistent growth trajectories on a continuous time axis. On a dataset of 379 patients, the approach successfully captures both global and finer-grained variations in the images, exhibiting superior performance compared to other learned growth models.
• Abstract（参考訳）: 将来、腫瘍がどのように進化するかを推定できる能力は、治療決定の改善から放射線治療における線量分布の改善まで、大きな臨床効果をもたらす可能性がある。 最近の研究は、深層学習と変分推論を通じてグリオーマ成長モデル問題にアプローチし、実際の患者データ分布から完全に学習する。 これまでのところ、このアプローチは画像取得間隔と固定長のシーケンスに制約されており、より現実的なシナリオにおける適用性を制限する。 本稿では,確率的時系列の条件生成モデルであるNeural Processesを拡張し,時空間の注意機構を含む階層的マルチスケール表現符号化を行う。 その結果、任意の数の観測で条件付けできる学習的成長モデルとなり、連続時間軸上で時間的に一貫した成長軌道の分布を生成することができる。 379人の患者のデータセット上で、この手法は画像のグローバルおよびよりきめ細かなバリエーションを捉え、他の学習された成長モデルよりも優れたパフォーマンスを示す。

関連論文リスト

• Towards Graph Neural Network Surrogates Leveraging Mechanistic Expert Knowledge for Pandemic Response [41.94295877935867]
  我々は、空間的かつ人口統計学的に解決された伝染病モデルを構築し、パンデミックの初期段階を表すデータセットのためのグラフニューラルネットワークを訓練する。 提案手法は、オンザフライ実行の可能性をもたらし、低バリアWebアプリケーションにおける病気のダイナミクスモデルの統合をもたらす。
  論文  参考訳（メタデータ） (2024-11-10T15:54:09Z)
• Unscrambling disease progression at scale: fast inference of event permutations with optimal transport [2.9087305408570945]
  疾患進行モデルでは、慢性変性状態として、患者の特徴の変化の群レベルの時間的軌跡を推定する。 本研究では,Birkhoff polytopeに属する事象の潜在置換行列として,最適な輸送からモデル疾患進行へのアイデアを活用する。 実験は、シミュレーションにおけるノイズに対する速度、精度、堅牢性の増加を実証する。
  論文  参考訳（メタデータ） (2024-10-18T11:44:29Z)
• Deep State-Space Generative Model For Correlated Time-to-Event Predictions [54.3637600983898]
  そこで本研究では,様々な種類の臨床イベント間の相互作用を捉えるために,潜伏状態空間生成モデルを提案する。 また,死亡率と臓器不全の関連性について有意な知見が得られた。
  論文  参考訳（メタデータ） (2024-07-28T02:42:36Z)
• On the Resurgence of Recurrent Models for Long Sequences -- Survey and Research Opportunities in the Transformer Era [59.279784235147254]
  この調査は、Recurrenceの統一の傘の下に構築されたこれらのトレンドの概要を提供することを目的としている。 長いシーケンスを処理するという考え方を捨てる際に顕著になる新しい研究機会を強調している。
  論文  参考訳（メタデータ） (2024-02-12T23:55:55Z)
• Learning Sequence Representations by Non-local Recurrent Neural Memory [61.65105481899744]
  教師付きシーケンス表現学習のためのNon-local Recurrent Neural Memory (NRNM)を提案する。 我々のモデルは長距離依存を捉えることができ、潜伏した高レベル特徴を我々のモデルで抽出することができる。 我々のモデルは、これらのシーケンスアプリケーションごとに特別に設計された他の最先端の手法と比較して好意的に比較する。
  論文  参考訳（メタデータ） (2022-07-20T07:26:15Z)
• Multivariate Time Series Forecasting with Dynamic Graph Neural ODEs [65.18780403244178]
  動的グラフニューラル正規微分方程式(MTGODE)を用いた多変量時系列予測連続モデルを提案する。 具体的には、まず、時間進化するノードの特徴と未知のグラフ構造を持つ動的グラフに多変量時系列を抽象化する。 そして、欠落したグラフトポロジを補完し、空間的および時間的メッセージパッシングを統一するために、ニューラルODEを設計、解決する。
  論文  参考訳（メタデータ） (2022-02-17T02:17:31Z)
• 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)
• Closed-form Continuous-Depth Models [99.40335716948101]
  連続深度ニューラルモデルは高度な数値微分方程式解法に依存している。 我々は,CfCネットワークと呼ばれる,記述が簡単で,少なくとも1桁高速な新しいモデル群を提示する。
  論文  参考訳（メタデータ） (2021-06-25T22:08:51Z)
• A Twin Neural Model for Uplift [59.38563723706796]
  Upliftは条件付き治療効果モデリングの特定のケースです。 相対リスクのベイズ解釈との関連性を利用して定義した新たな損失関数を提案する。 本提案手法は,シミュレーション設定の最先端と大規模ランダム化実験による実データとの競合性を示す。
  論文  参考訳（メタデータ） (2021-05-11T16:02:39Z)
• Neural Pharmacodynamic State Space Modeling [1.589915930948668]
  本研究では,治療が疾患状態に与える影響を物理にインスパイアした,新たな注意に基づくニューラルアーキテクチャを活用した深層生成モデルを提案する。 提案モデルでは, 一般化が大幅に改善され, 実世界の臨床データから, 癌進展のダイナミクスに関する解釈可能な知見が得られる。
  論文  参考訳（メタデータ） (2021-02-22T17:51:11Z)
• Amortised Learning by Wake-Sleep [14.777274711706651]
  我々は、覚醒時のモンテカルロ戦略を用いて、最大値のパラメータ更新を直接見積もる関数を学習する。 蓄積学習は、生成モデルから潜伏者や観察者のサンプルをシミュレートするときに可能となる。
  論文  参考訳（メタデータ） (2020-02-22T17:24:28Z)

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。