論文の概要: Reproducible radiomics through automated machine learning validated on twelve clinical applications

• arxiv url: http://arxiv.org/abs/2108.08618v1
• Date: Thu, 19 Aug 2021 11:03:54 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-20 14:20:01.252288
• Title: Reproducible radiomics through automated machine learning validated on twelve clinical applications
• Title（参考訳）: 自動機械学習による再生可能放射能の臨床的応用
• Authors: Martijn P. A. Starmans, Sebastian R. van der Voort, Thomas Phil, Milea J. M. Timbergen, Melissa Vos, Guillaume A. Padmos, Wouter Kessels, David Hanff, Dirk J. Grunhagen, Cornelis Verhoef, Stefan Sleijfer, Martin J. van den Bent, Marion Smits, Roy S. Dwarkasing, Christopher J. Els, Federico Fiduzi, Geert J. L. H. van Leenders, Anela Blazevic, Johannes Hofland, Tessa Brabander, Renza A. H. van Gils, Gaston J. H. Franssen, Richard A. Feelders, Wouter W. de Herder, Florian E. Buisman, Francois E. J. A. Willemssen, Bas Groot Koerkamp, Lindsay Angus, Astrid A. M. van der Veldt, Ana Rajicic, Arlette E. Odink, Mitchell Deen, Jose M. Castillo T., Jifke Veenland, Ivo Schoots, Michel Renckens, Michail Doukas, Rob A. de Man, Jan N. M. IJzermans, Razvan L. Miclea, Peter B. Vermeulen, Esther E. Bron, Maarten G. Thomeer, Jacob J. Visser, Wiro J. Niessen, Stefan Klein (for the Alzheimers Disease Neuroimaging Initiative)
• Abstract要約: 本研究の目的は,アプリケーション毎の放射能ワークフローを自動的に構築し,最適化するフレームワークを提案することで,アプリケーション全体の放射能を一般化することである。 画像とセグメント化前処理,特徴抽出,特徴抽出,サンプル前処理,マシンラーニングなど,いくつかのコンポーネントから構成されるモジュールワークフローとして放射能を定式化する。 今回本手法を12種類の臨床応用で評価した結果,脂肪肉腫(0.83),デスモイド型線維腫症(0.82),原発性肝腫瘍(0.81),消化管間質腫瘍(0.77),大腸癌(0。
• 参考スコア（独自算出の注目度）: 1.5801513945868058
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Radiomics uses quantitative medical imaging features to predict clinical outcomes. While many radiomics methods have been described in the literature, these are generally designed for a single application. The aim of this study is to generalize radiomics across applications by proposing a framework to automatically construct and optimize the radiomics workflow per application. To this end, we formulate radiomics as a modular workflow, consisting of several components: image and segmentation preprocessing, feature extraction, feature and sample preprocessing, and machine learning. For each component, a collection of common algorithms is included. To optimize the workflow per application, we employ automated machine learning using a random search and ensembling. We evaluate our method in twelve different clinical applications, resulting in the following area under the curves: 1) liposarcoma (0.83); 2) desmoid-type fibromatosis (0.82); 3) primary liver tumors (0.81); 4) gastrointestinal stromal tumors (0.77); 5) colorectal liver metastases (0.68); 6) melanoma metastases (0.51); 7) hepatocellular carcinoma (0.75); 8) mesenteric fibrosis (0.81); 9) prostate cancer (0.72); 10) glioma (0.70); 11) Alzheimer's disease (0.87); and 12) head and neck cancer (0.84). Concluding, our method fully automatically constructs and optimizes the radiomics workflow, thereby streamlining the search for radiomics biomarkers in new applications. To facilitate reproducibility and future research, we publicly release six datasets, the software implementation of our framework (open-source), and the code to reproduce this study.
• Abstract（参考訳）: radiomicsは定量的な医療画像機能を用いて臨床結果を予測する。 多くの放射線学的手法が文献に記述されているが、これらは一般に単一の用途のために設計されている。 本研究の目的は,アプリケーション毎の放射能ワークフローを自動的に構築し,最適化するフレームワークを提案することで,アプリケーション全体の放射能を一般化することである。 この目的のために,画像およびセグメンテーション前処理,特徴抽出,特徴とサンプル前処理,機械学習など,いくつかのコンポーネントからなるモジュール化ワークフローとしてラジオミックを定式化する。 各コンポーネントには共通のアルゴリズムのコレクションが含まれている。 アプリケーション毎のワークフローを最適化するために,ランダム検索とアンサンブルを用いた自動機械学習を採用する。 We evaluate our method in twelve different clinical applications, resulting in the following area under the curves: 1) liposarcoma (0.83); 2) desmoid-type fibromatosis (0.82); 3) primary liver tumors (0.81); 4) gastrointestinal stromal tumors (0.77); 5) colorectal liver metastases (0.68); 6) melanoma metastases (0.51); 7) hepatocellular carcinoma (0.75); 8) mesenteric fibrosis (0.81); 9) prostate cancer (0.72); 10) glioma (0.70); 11) Alzheimer's disease (0.87); and 12) head and neck cancer (0.84). 結論として,本手法はラジオミクスのワークフローを自動的に構築し,最適化し,新しい用途におけるラジオミクスバイオマーカーの検索を合理化する。 再現性と今後の研究を容易にするため、我々は6つのデータセット、フレームワークのソフトウェア実装(オープンソース)、この研究を再現するためのコードを公開した。

関連論文リスト

• BrainMetDetect: Predicting Primary Tumor from Brain Metastasis MRI Data Using Radiomic Features and Machine Learning Algorithms [0.0]
  脳転移 (BM) はがん患者に一般的であり, 腫瘍部位の決定は治療に重要である。 本研究は, 放射能特徴と高度な機械学習アルゴリズムを用いて, BM MRIデータから一次腫瘍部位を予測することを目的とする。
  論文  参考訳（メタデータ） (2024-07-06T11:34:00Z)
• Unraveling Radiomics Complexity: Strategies for Optimal Simplicity in Predictive Modeling [4.1032659987778315]
  放射線的特徴セットの高次元性、放射線的特徴タイプの変動性、そして潜在的に高い計算要求は、全て、与えられた臨床問題に対する最小の予測的特徴セットを特定する効果的な方法の必要性を浮き彫りにしている。 我々は,最小限の放射線学的特徴を識別し,説明するための方法論とツールを開発する。
  論文  参考訳（メタデータ） (2024-07-05T23:14:46Z)
• Brain Tumor Segmentation (BraTS) Challenge 2024: Meningioma Radiotherapy Planning Automated Segmentation [47.119513326344126]
  BraTS-MEN-RTの課題は、脳MRIを計画する放射線治療の最大のマルチ機関データセットを使用して、自動セグメンテーションアルゴリズムを進化させることである。 それぞれの症例には、3D後T1強調放射線治療計画MRIがネイティブな取得スペースに含まれている。 ターゲットボリュームアノテーションは、確立された放射線治療計画プロトコルに準拠している。
  論文  参考訳（メタデータ） (2024-05-28T17:25:43Z)
• Deep Learning-based Prediction of Breast Cancer Tumor and Immune Phenotypes from Histopathology [3.9270231212340354]
  各患者の腫瘍に対する腫瘍および免疫性表現型を再現的に測定する方法は広くは存在しない。 原発性乳癌のヘマトキシリンおよびエオシンスライドから10種類の生物学的関連経路の活性を評価するために,MILアルゴリズムを適用した。 訓練されたモデルでは,H&Eから細胞サブ集団の生物学的に関連する空間パターンを認識できる。
  論文  参考訳（メタデータ） (2024-04-25T08:15:37Z)
• A Clinical Guideline Driven Automated Linear Feature Extraction for Vestibular Schwannoma [2.7219200491616378]
  前庭神経腫(Vestibular Schwannoma)は、バランス神経の1つから成長する良性脳腫瘍である。 患者は手術、放射線治療、あるいは保守的な「待機とスキャン」戦略で治療される。 本研究は,深層学習に基づくセグメンテーションを用いて,計算アルゴリズムを用いて関連する臨床特徴を抽出することにより,このプロセスの自動化と改善を目的とする。
  論文  参考訳（メタデータ） (2023-10-30T09:54:24Z)
• Segmentation of glioblastomas in early post-operative multi-modal MRI with deep neural networks [33.51490233427579]
  手術前セグメンテーションのための2つの最先端ニューラルネットワークアーキテクチャをトレーニングした。 最高の成績は61%のDiceスコアで、最高の分類性能は80%のバランスの取れた精度で達成された。 予測セグメンテーションは、患者を残存腫瘍と全切除患者に正確に分類するために用いられる。
  論文  参考訳（メタデータ） (2023-04-18T10:14:45Z)
• Preoperative brain tumor imaging: models and software for segmentation and standardized reporting [0.0]
  症例は4例のコホートで, グリオーマ, 下等グリオーマ, 髄膜腫, 転移について検討した。 腫瘍セグメンテーションモデルは、AGU-Netアーキテクチャを使って、異なる前処理ステップとプロトコルで訓練された。 2つのソフトウェアソリューションが開発され、トレーニングされたモデルと標準化された臨床報告を簡単に利用できるようになった。
  論文  参考訳（メタデータ） (2022-04-29T16:29:17Z)
• 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)
• Comparison of Machine Learning Classifiers to Predict Patient Survival and Genetics of GBM: Towards a Standardized Model for Clinical Implementation [44.02622933605018]
  放射線モデルは、グリオ芽腫(GBM)の結果予測のための臨床データを上回ることが示されています。 GBM患者の生存率(OS),IDH変異,O-6-メチルグアニン-DNA-メチルトランスフェラーゼ(MGMT)プロモーターメチル化,EGFR(EGFR)VII増幅,Ki-67発現の9種類の機械学習分類器を比較した。 xgb は os (74.5%), ab for idh 変異 (88%), mgmt メチル化 (71,7%), ki-67 発現 (86,6%), egfr増幅 (81。
  論文  参考訳（メタデータ） (2021-02-10T15:10:37Z)
• Generating Radiology Reports via Memory-driven Transformer [38.30011851429407]
  本稿では,メモリ駆動型トランスフォーマを用いた放射線学レポートの作成を提案する。 IU X線とMIMIC-CXRの2つの代表的な放射線学報告データセットの実験結果
  論文  参考訳（メタデータ） (2020-10-30T04:08:03Z)
• iPhantom: a framework for automated creation of individualized computational phantoms and its application to CT organ dosimetry [58.943644554192936]
  本研究の目的は、患者固有の幻覚やデジタル双眼鏡の自動作成のための新しいフレームワーク、iPhantomを開発し、検証することである。 この枠組みは、個々の患者のCT画像における放射線感受性臓器への放射線線量を評価するために応用される。 iPhantomは、アンカーオルガンのDice similarity Coefficients (DSC) >0.6の精度で全ての臓器の位置を正確に予測し、他のオルガンのDSCは0.3-0.9である。
  論文  参考訳（メタデータ） (2020-08-20T01:50:49Z)

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。