論文の概要: Predicting survival of glioblastoma from automatic whole-brain and tumor
segmentation of MR images
- arxiv url: http://arxiv.org/abs/2109.12334v1
- Date: Sat, 25 Sep 2021 10:49:51 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-28 15:19:10.667516
- Title: Predicting survival of glioblastoma from automatic whole-brain and tumor
segmentation of MR images
- Title(参考訳): オートマチック全脳からのグリオ芽腫の生存予測とMR画像の腫瘍分節化
- Authors: Sveinn P\'alsson, Stefano Cerri, Hans Skovgaard Poulsen, Thomas Urup,
Ian Law, Koen Van Leemput
- Abstract要約: MR画像から自動的に計算され、機械学習モデルに入力され、患者の生存を予測できる新しい画像機能を導入する。
これらの特徴は、周囲の脳構造に腫瘍が引き起こす変形を計測し、患者の脳の様々な構造の形状と健康な人の期待される形状を比較する。
提案する特徴は, 従来の非画像的特徴以上の, 総合的および進歩的生存率の面で, 予後に有意な値を有することを示す。
- 参考スコア(独自算出の注目度): 1.0179233457605892
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Survival prediction models can potentially be used to guide treatment of
glioblastoma patients. However, currently available MR imaging biomarkers
holding prognostic information are often challenging to interpret, have
difficulties generalizing across data acquisitions, or are only applicable to
pre-operative MR data. In this paper we aim to address these issues by
introducing novel imaging features that can be automatically computed from MR
images and fed into machine learning models to predict patient survival. The
features we propose have a direct biological interpretation: They measure the
deformation caused by the tumor on the surrounding brain structures, comparing
the shape of various structures in the patient's brain to their expected shape
in healthy individuals. To obtain the required segmentations, we use an
automatic method that is contrast-adaptive and robust to missing modalities,
making the features generalizable across scanners and imaging protocols. Since
the features we propose do not depend on characteristics of the tumor region
itself, they are also applicable to post-operative images, which have been much
less studied in the context of survival prediction. Using experiments involving
both pre- and post-operative data, we show that the proposed features carry
prognostic value in terms of overall- and progression-free survival, over and
above that of conventional non-imaging features.
- Abstract(参考訳): 生存予測モデルは、グリオブラスト腫患者の治療のガイドとなる可能性がある。
しかし、診断情報を保持するMRイメージングバイオマーカーは、しばしば解釈が困難であり、データ取得をまたいだ一般化が困難であり、あるいは術前のMRデータにのみ適用可能である。
本稿では、MR画像から自動的に計算し、機械学習モデルに入力して患者の生存を予測できる新しい画像機能を導入することで、これらの問題を解決することを目的とする。
今回提案する特徴は, 腫瘍が周囲の脳構造に与える影響を計測し, 患者の脳の様々な構造の形状と健康な人の期待する形状とを比較し, 直接的生物学的解釈である。
必要なセグメンテーションを得るために、コントラスト適応性があり、モダリティの欠如に頑健な自動手法を用いて、スキャナーやイメージングプロトコルで機能を一般化する。
提案する特徴は腫瘍領域自体の特性に依存せず,術後画像にも応用可能であり,生存予測の文脈ではあまり研究されていない。
術前・術後の両データを用いた実験により, 従来の非画像的特徴よりも, 総合的, 進行的無生存率の点で, 予測的価値が得られた。
関連論文リスト
- Detecting Brain Tumors through Multimodal Neural Networks [0.0]
本研究の目的は、グレースケール画像として処理されたMRIスキャンの分類のためのマルチモーダルモデルの性能を評価することである。
結果は有望であり、モデルが約98%の精度に達すると、同様の結果が得られる。
論文 参考訳(メタデータ) (2024-01-10T13:06:52Z) - Radiology Report Generation Using Transformers Conditioned with
Non-imaging Data [55.17268696112258]
本稿では,胸部X線画像と関連する患者の人口統計情報を統合したマルチモーダルトランスフォーマーネットワークを提案する。
提案ネットワークは、畳み込みニューラルネットワークを用いて、CXRから視覚的特徴を抽出し、その視覚的特徴と患者の人口統計情報のセマンティックテキスト埋め込みを組み合わせたトランスフォーマーベースのエンコーダデコーダネットワークである。
論文 参考訳(メタデータ) (2023-11-18T14:52:26Z) - Style transfer between Microscopy and Magnetic Resonance Imaging via
Generative Adversarial Network in small sample size settings [49.84018914962972]
磁気共鳴イメージング(MRI)のクロスモーダル増強と、同じ組織サンプルに基づく顕微鏡イメージングが期待できる。
コンディショナル・ジェネレーティブ・逆境ネットワーク (cGAN) アーキテクチャを用いて, コーパス・カロサムのMRI画像から顕微鏡組織像を生成する方法を検討した。
論文 参考訳(メタデータ) (2023-10-16T13:58:53Z) - Deep Learning for Cancer Prognosis Prediction Using Portrait Photos by
StyleGAN Embedding [7.751541087374542]
がん患者の生存予測は、最適な治療選択と患者管理に不可欠である。
現在の患者生存予測法は、典型的には患者の臨床記録データまたは生物学的および画像データから生存情報を抽出する。
本研究は, 生き残り予測のための深層学習を用いて, 従来の肖像写真に含まれる予後情報を客観的に捕捉し, 利用することの有効性について検討した。
論文 参考訳(メタデータ) (2023-06-26T11:13:22Z) - 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) - Counterfactual Image Synthesis for Discovery of Personalized Predictive
Image Markers [0.293168019422713]
そこで本研究では,深部条件生成モデルを用いて,主観的疾患の進展に関連があるベースライン画像の局所像特徴を摂動させることが可能であることを示す。
本モデルでは, 臨床像を反映した画像特徴の変化により, 集団レベルでのMRI像の現況を予測し, 治療効果を検証した。
論文 参考訳(メタデータ) (2022-08-03T18:58:45Z) - 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) - Malignancy Prediction and Lesion Identification from Clinical
Dermatological Images [65.1629311281062]
臨床皮膚画像から機械学習に基づく悪性度予測と病変の同定を検討する。
まず, サブタイプや悪性度に関わらず画像に存在するすべての病変を同定し, その悪性度を推定し, 凝集により, 画像レベルの悪性度も生成する。
論文 参考訳(メタデータ) (2021-04-02T20:52:05Z) - IAIA-BL: A Case-based Interpretable Deep Learning Model for
Classification of Mass Lesions in Digital Mammography [20.665935997959025]
機械学習モデルの解釈性は、高リスク決定において重要である。
機械学習に基づくマンモグラフィを解釈可能なフレームワークを提案する。
論文 参考訳(メタデータ) (2021-03-23T05:00:21Z) - A Survey and Analysis on Automated Glioma Brain Tumor Segmentation and
Overall Patient Survival Prediction [1.41414531071294]
本論文は、グリオーマ脳腫瘍分節の自動化手法の進歩を調査することを目的としている。
また、ベンチマークに基づいて様々なモデルの客観的評価を行うことも不可欠である。
タスク1のディープニューラルネットワークモデルに対する手作り特徴を用いた脳腫瘍の領域分割の完全域について述べる。
論文 参考訳(メタデータ) (2021-01-26T07:22:52Z) - Spectral-Spatial Recurrent-Convolutional Networks for In-Vivo
Hyperspectral Tumor Type Classification [49.32653090178743]
ハイパースペクトル画像とディープラーニングを用いたin-vivo腫瘍型分類の可能性を示した。
我々の最良のモデルは76.3%のAUCを達成し、従来の学習手法とディープラーニング手法を著しく上回っている。
論文 参考訳(メタデータ) (2020-07-02T12:00:53Z)
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。