論文の概要: Predicting isocitrate dehydrogenase mutationstatus in glioma using structural brain networksand graph neural networks

• arxiv url: http://arxiv.org/abs/2109.01854v1
• Date: Sat, 4 Sep 2021 12:19:33 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-07 17:25:40.426578
• Title: Predicting isocitrate dehydrogenase mutationstatus in glioma using structural brain networksand graph neural networks
• Title（参考訳）: 構造脳ネットワークとグラフ神経ネットワークを用いたグリオーマにおけるisocitrate dehydrogenase変異の予測
• Authors: Yiran Wei, Yonghao Li, Xi Chen, Carola-Bibiane Sch\"onlieb, Chao Li, and Stephen J. Price
• Abstract要約: Isocitrate dehydrogenase (IDH)遺伝子変異はグリオーマの診断と予後に重要な価値をもたらす。 機械学習とディープラーニングモデルは、IDH変異状態を予測する上で適切なパフォーマンスを示す。 本稿では,患者の脳の構造的ネットワークに基づくグラフニューラルネットワーク(GNN)を用いたIDH変異の予測手法を提案する。
• 参考スコア（独自算出の注目度）: 6.67232502899311
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Glioma is a common malignant brain tumor that shows distinct survival among patients. The isocitrate dehydrogenase (IDH) gene mutation status provides critical diagnostic and prognostic value for glioma and is now accepted as the standard of care. A non-invasive prediction of IDH mutation based on the pre-treatment MRI has crucial clinical significance. Machine learning and deep learning models show reasonable performance in predicting IDH mutation status. However, most models neglect the systematic brain alterations caused by tumor invasion, where the infiltration along white matter tracts throughout the brain is identified as a hallmark of glioma. Structural brain network provides an effective tool to characterise brain organisation, which could be captured by the graph neural networks (GNN) for a more accurate prediction of IDH mutation status. Here we propose a method to predict the IDH mutation using GNN, based on the structural brain network of patients. Specifically, we firstly construct a network template of healthy subjects, which consists of atlases of edges (white matter tracts) and nodes (cortical and subcortical brain regions) to provide regions of interest (ROI). Next, we employ autoencoders to extract the latent multi-modal MRI features from the ROIs of the edge and node in patients. These features of edge and node of brain networks are used to train a GNN architecture in predicting IDH mutation status. The results show that the proposed method outperforms the baseline models using 3D-CNN and 3D-DenseNet. In addition, the model interpretation suggests its ability to identify the tracts infiltrated by tumor and corresponds to clinical prior knowledge. In conclusion, integrating brain networks with GNN offers a new avenue to study brain lesions using computational neuroscience and computer vision approaches.
• Abstract（参考訳）: グリオーマは一般的な悪性脳腫瘍であり、患者の生存率が異なる。 Isocitrate dehydrogenase (IDH)遺伝子変異は、グリオーマの診断と予後に重要な価値を与え、現在、治療の標準として受け入れられている。 術前MRIによる非侵襲的IDH変異予測は重要な臨床的意義を有する。 機械学習とディープラーニングモデルは、IDH変異状態を予測する上で適切なパフォーマンスを示す。 しかし、ほとんどのモデルでは腫瘍の浸潤による系統的な脳の変化を無視しており、脳内の白い物質がグリオーマの印として認識されている。 構造的脳ネットワークは、より正確なIDH変異の予測のためにグラフニューラルネットワーク(GNN)によって捉えられる脳組織を特徴づける効果的なツールを提供する。 本稿では,患者の脳の構造的ネットワークに基づくGNNを用いたIDH変異の予測手法を提案する。 具体的には、まず、関心領域(roi)を提供するために、エッジ(白質路)とノード(皮質および皮質下脳領域)のアトラスからなる、健康な被験者のネットワークテンプレートを構築する。 次に, 患者エッジとノードのROIから潜在性多モードMRI特徴を抽出するために, オートエンコーダを用いた。 これらの脳ネットワークのエッジとノードの特徴は、IDH変異の予測においてGNNアーキテクチャを訓練するために使用される。 提案手法は, 3D-CNN と 3D-DenseNet を用いてベースラインモデルより優れていることを示す。 さらに, モデル解釈は, 腫瘍に浸潤した管を同定する能力を示し, 臨床知識に対応している。 結論として、脳ネットワークとGNNを統合することで、計算神経科学とコンピュータビジョンアプローチを用いて脳の病変を研究する新たな道が開かれる。

関連論文リスト

• Spatial-Temporal DAG Convolutional Networks for End-to-End Joint Effective Connectivity Learning and Resting-State fMRI Classification [42.82118108887965]
  総合的な脳コネクトームの構築は、静止状態fMRI(rs-fMRI)解析において基本的な重要性が証明されている。 我々は脳ネットワークを有向非循環グラフ(DAG)としてモデル化し、脳領域間の直接因果関係を発見する。 本研究では,効率的な接続性を推定し,rs-fMRI時系列を分類するために,時空間DAG畳み込みネットワーク(ST-DAGCN)を提案する。
  論文  参考訳（メタデータ） (2023-12-16T04:31:51Z)
• Adaptive Gated Graph Convolutional Network for Explainable Diagnosis of Alzheimer's Disease using EEG Data [9.601125513491835]
  本稿では,適応ゲートグラフ畳み込みネットワーク(AGGCN)を提案する。 AGGCNは、畳み込みに基づくノード特徴増強と相関に基づくパワースペクトル密度類似度の尺度を組み合わせることで、グラフ構造を適応的に学習する。
  論文  参考訳（メタデータ） (2023-04-12T14:13:09Z)
• Multiple Instance Ensembling For Paranasal Anomaly Classification In The Maxillary Sinus [46.1292414445895]
  副鼻腔奇形は幅広い形態学的特徴を持つ。 副鼻腔異常分類への現在のアプローチは、一度に1つの異常を特定することに制約されている。 3次元畳み込みニューラルネットワーク(CNN)を用いて正常上顎骨(MS)とMSをポリープや嚢胞で分類する可能性を検討した。
  論文  参考訳（メタデータ） (2023-03-31T09:23:27Z)
• Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
  本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。 腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
  論文  参考訳（メタデータ） (2023-03-07T09:40:22Z)
• Learning Task-Aware Effective Brain Connectivity for fMRI Analysis with Graph Neural Networks [28.460737693330245]
  我々は、fMRI解析のためのアンダーラインTask-aware UnderlineBrain接続アンダーラインDAGに基づくエンドツーエンドフレームワークTBDSを提案する。 TBDSの鍵となるコンポーネントは、DAG学習アプローチを採用して、生の時系列をタスク対応の脳結合性に変換する脳ネットワークジェネレータである。 2つのfMRIデータセットに関する総合的な実験は、TBDSの有効性を示す。
  論文  参考訳（メタデータ） (2022-11-01T03:59:54Z)
• Predicting Brain Age using Transferable coVariance Neural Networks [119.45320143101381]
  我々は最近,サンプル共分散行列で動作する共分散ニューラルネットワーク(VNN)について検討した。 本稿では,大脳皮質厚みデータを用いた脳年齢推定におけるVNNの有用性を示す。 以上の結果から、VNNは脳年齢推定のためのマルチスケールおよびマルチサイト転送性を示すことが明らかとなった。 アルツハイマー病(AD)の脳年齢の文脈では,健常者に対してVNNを用いて予測される脳年齢がADに対して有意に上昇していることから,VNNの出力は解釈可能であることが示された。
  論文  参考訳（メタデータ） (2022-10-28T18:58:34Z)
• Multi-modal learning for predicting the genotype of glioma [14.93152817415408]
  Isocitrate dehydrogenase (IDH)遺伝子変異はグリオーマの診断と予後に必須なバイオマーカーである。 焦点腫瘍像と幾何学的特徴をMRIから派生した脳ネットワーク特徴と統合することにより、グリオーマ遺伝子型をより正確に予測できることが期待されている。 本稿では,3つのエンコーダを用いたマルチモーダル学習フレームワークを提案し,局所腫瘍像,腫瘍幾何学,大域脳ネットワークの特徴を抽出する。
  論文  参考訳（メタデータ） (2022-03-21T10:20:04Z)
• Deep Reinforcement Learning Guided Graph Neural Networks for Brain Network Analysis [61.53545734991802]
  本稿では,各脳ネットワークに最適なGNNアーキテクチャを探索する新しい脳ネットワーク表現フレームワークBN-GNNを提案する。 提案するBN-GNNは,脳ネットワーク解析タスクにおける従来のGNNの性能を向上させる。
  論文  参考訳（メタデータ） (2022-03-18T07:05:27Z)
• Collaborative learning of images and geometrics for predicting isocitrate dehydrogenase status of glioma [8.262398325144774]
  IDH変異検出のゴールド標準は、侵襲的なアプローチによって得られた腫瘍組織を必要とし、通常は高価である。 近年の放射線ゲノミクスの進歩は、MRIに基づくIDH変異を予測する非侵襲的アプローチを提供する。 本稿では、畳み込みニューラルネットワーク(CNN)とグラフニューラルネットワーク(GNN)を用いて、腫瘍画像と腫瘍幾何学の両方を学習する協調学習フレームワークを提案する。 その結果,提案モデルは3D-DenseNet121のベースラインモデルよりも優れていた。
  論文  参考訳（メタデータ） (2022-01-14T15:58:07Z)
• Pooling Regularized Graph Neural Network for fMRI Biomarker Analysis [29.489129970039873]
  健全な領域を特定するための有望なアプローチは、グラフニューラルネットワーク(GNN)を使用することである。 本稿では,障害に関連する神経学的脳バイオマーカーを決定するために,新しい領域選択機構を備えた解釈可能なGNNフレームワークを提案する。 本稿では,バイオポイント自閉症スペクトラム障害 (ASD) fMRIデータセットにPR-GNNフレームワークを適用した。
  論文  参考訳（メタデータ） (2020-07-29T04:19:36Z)
• A Graph Gaussian Embedding Method for Predicting Alzheimer's Disease Progression with MEG Brain Networks [59.15734147867412]
  アルツハイマー病(AD)に関連する機能的脳ネットワークの微妙な変化を特徴付けることは、疾患進行の早期診断と予測に重要である。 我々は、多重グラフガウス埋め込みモデル(MG2G)と呼ばれる新しいディープラーニング手法を開発した。 我々はMG2Gを用いて、MEG脳ネットワークの内在性潜在性次元を検出し、軽度認知障害(MCI)患者のADへの進行を予測し、MCIに関連するネットワーク変化を伴う脳領域を同定した。
  論文  参考訳（メタデータ） (2020-05-08T02:29:24Z)

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。