論文の概要: Adaptive unsupervised learning with enhanced feature representation for
intra-tumor partitioning and survival prediction for glioblastoma
- arxiv url: http://arxiv.org/abs/2108.09423v1
- Date: Sat, 21 Aug 2021 02:47:59 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-25 09:20:31.475677
- Title: Adaptive unsupervised learning with enhanced feature representation for
intra-tumor partitioning and survival prediction for glioblastoma
- Title（参考訳）: 腫瘍内パーティショニングのための特徴表現を増強した適応的教師なし学習とグリオ芽腫の生存予測
- Authors: Yifan Li, Chao Li, Yiran Wei, Stephen Price, Carola-Bibiane
Sch\"onlieb, Xi Chen
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 12.36330256366686
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Glioblastoma is profoundly heterogeneous in regional microstructure and
vasculature. Characterizing the spatial heterogeneity of glioblastoma could
lead to more precise treatment. With unsupervised learning techniques,
glioblastoma MRI-derived radiomic features have been widely utilized for tumor
sub-region segmentation and survival prediction. However, the reliability of
algorithm outcomes is often challenged by both ambiguous intermediate process
and instability introduced by the randomness of clustering algorithms,
especially for data from heterogeneous patients.
In this paper, we propose an adaptive unsupervised learning approach for
efficient MRI intra-tumor partitioning and glioblastoma survival prediction. A
novel and problem-specific Feature-enhanced Auto-Encoder (FAE) is developed to
enhance the representation of pairwise clinical modalities and therefore
improve clustering stability of unsupervised learning algorithms such as
K-means. Moreover, the entire process is modelled by the Bayesian optimization
(BO) technique with a custom loss function that the hyper-parameters can be
adaptively optimized in a reasonably few steps. The results demonstrate that
the proposed approach can produce robust and clinically relevant MRI
sub-regions and statistically significant survival predictions.
- Abstract（参考訳）: グリオ芽腫は局所的な微細構造と血管に非常に異質である。
グリオブラスト腫の空間的多様性はより正確な治療につながる可能性がある。
教師なし学習法では,Glioblastoma MRI由来の放射線学的特徴が腫瘍亜領域のセグメンテーションや生存予測に広く利用されている。
しかし、アルゴリズムの結果の信頼性は、あいまいな中間過程と、クラスタリングアルゴリズムのランダム性、特に異種患者のデータによってもたらされる不安定性の両方によってしばしば問題となる。
本稿では, 腫瘍内パーティショニングとグリオーマ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。
K-meansのような教師なし学習アルゴリズムのクラスタリング安定性を向上させるために,新規かつ問題特異的な自動エンコーダ(FAE)を開発した。
さらに、プロセス全体をベイズ最適化(BO)技法でモデル化し、ハイパーパラメータを適度な数ステップで適応的に最適化することができるようにした。
その結果,提案手法はロバストで臨床的に関連するmriサブリージョンと統計的に有意な生存予測を生成できることがわかった。
関連論文リスト
- Unveiling Incomplete Modality Brain Tumor Segmentation: Leveraging Masked Predicted Auto-Encoder and Divergence Learning [6.44069573245889]
脳腫瘍のセグメンテーションは、特にマルチモーダルMRI(Multi-modal magnetic resonance imaging)における重要な課題である。
本稿では,不完全なモダリティデータから頑健な特徴学習を可能にする,マスク付き予測事前学習方式を提案する。
微調整段階において、我々は知識蒸留技術を用いて、完全なモダリティデータと欠落したモダリティデータの間に特徴を整列させ、同時にモデルロバスト性を向上する。
論文 参考訳（メタデータ） (2024-06-12T20:35:16Z) - GS-EMA: Integrating Gradient Surgery Exponential Moving Average with
Boundary-Aware Contrastive Learning for Enhanced Domain Generalization in
Aneurysm Segmentation [41.97669338211682]
勾配手術指数移動平均(GS-EMA)最適化手法と境界対応コントラスト学習(BACL)を利用した新しい領域一般化戦略を提案する。
我々のアプローチは、ドメイン不変の特徴を学習することで、新しい未確認領域に適応し、様々な臨床データセット間での動脈瘤セグメンテーションの堅牢性と正確性を向上させることができるという点で際立っている。
論文 参考訳（メタデータ） (2024-02-23T10:02:15Z) - 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) - Quantifying intra-tumoral genetic heterogeneity of glioblastoma toward
precision medicine using MRI and a data-inclusive machine learning algorithm [3.2507684591996036]
Glioblastoma (GBM) は最も攻撃的で致命的なヒト癌の一つである。
バイオプシーは侵襲的であり、非侵襲的なMRIベースの機械学習(ML)モデルの開発を動機付けている。
我々は,MRIを用いて各GBM腫瘍の局所的遺伝的変化を予測するための新しいWeakly Supervised Ordinal Support Vector Machine (WSO-SVM)を提案する。
論文 参考訳（メタデータ） (2023-12-30T03:28:51Z) - 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) - Diagnose Like a Radiologist: Hybrid Neuro-Probabilistic Reasoning for
Attribute-Based Medical Image Diagnosis [42.624671531003166]
本稿では,属性に基づく医用画像診断のためのハイブリッド型ニューロ確率推論アルゴリズムを提案する。
我々は,ハイブリッド推論アルゴリズムを2つの困難な画像診断タスクに適用することに成功している。
論文 参考訳（メタデータ） (2022-08-19T12:06:46Z) - 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) - Glioblastoma Multiforme Prognosis: MRI Missing Modality Generation,
Segmentation and Radiogenomic Survival Prediction [17.40988637746532]
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。
論文 参考訳（メタデータ） (2021-03-17T10:11:51Z) - 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) - Computational Intelligence Approach to Improve the Classification
Accuracy of Brain Neoplasm in MRI Data [8.980876474818153]
本報告では、MRIデータにおける脳新生検出の2つの改善について述べる。
MRIデータにおける関心領域を改善するための高度な前処理技術を提案する。
特徴抽出にCNN、分類にSVM(Support Vector Machine)を使用したハイブリッド技術も提案されている。
論文 参考訳（メタデータ） (2021-01-24T06:45:26Z) - Bayesian optimization assisted unsupervised learning for efficient
intra-tumor partitioning in MRI and survival prediction for glioblastoma
patients [13.263919134911237]
本稿では,クラスタリングアルゴリズムを微調整し,安定したサブリージョンを同定し,信頼性の高い臨床生存予測を行う機械学習フレームワークを提案する。
腫瘍の亜領域を分割し,亜領域の特徴を抽出することにより,腫瘍内不均一性の先行知識を取り入れた。
論文 参考訳（メタデータ） (2020-12-05T20:29:53Z)
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。