Fugu-MT 論文翻訳(概要): Prediction of MGMT Methylation Status of Glioblastoma using Radiomics and Latent Space Shape Features

論文の概要: Prediction of MGMT Methylation Status of Glioblastoma using Radiomics and Latent Space Shape Features

arxiv url: http://arxiv.org/abs/2109.12339v1
Date: Sat, 25 Sep 2021 11:07:46 GMT
ステータス: 処理完了
システム内更新日: 2021-09-28 15:18:47.102425
Title: Prediction of MGMT Methylation Status of Glioblastoma using Radiomics and Latent Space Shape Features
Title（参考訳）: 放射線および潜時空間形状を用いたグリオ芽腫のMGMTメチル化状態の予測
Authors: Sveinn P\'alsson, Stefano Cerri and Koen Van Leemput
Abstract要約: 本稿では,高次グリオーマにおけるMGMTプロモーターメチル化状態の予測法を提案する。我々は,深層畳み込みニューラルネットワークを用いて腫瘍を分節し,変異型オートエンコーダで学習した放射線特徴と形状特徴の両方を抽出した。 RSNA-ASNR-MICCAI BraTS 2021チャレンジデータセットを用いて,提案手法のトレーニングと評価を行い,課題への予測を提出した。
参考スコア（独自算出の注目度）: 1.3408275277483643
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In this paper we propose a method for predicting the status of MGMT promoter methylation in high-grade gliomas. From the available MR images, we segment the tumor using deep convolutional neural networks and extract both radiomic features and shape features learned by a variational autoencoder. We implemented a standard machine learning workflow to obtain predictions, consisting of feature selection followed by training of a random forest classification model. We trained and evaluated our method on the RSNA-ASNR-MICCAI BraTS 2021 challenge dataset and submitted our predictions to the challenge.
Abstract（参考訳）: 本稿では,高次グリオーマにおけるmgmtプロモーターメチル化の予測法を提案する。 MR画像から深部畳み込みニューラルネットワークを用いて腫瘍を分離し, 変異型オートエンコーダで学習した放射線特徴と形状特徴の両方を抽出する。我々は,特徴選択とランダム森林分類モデルのトレーニングからなる予測を得るために,標準機械学習ワークフローを実装した。提案手法をrsna-asnr-miccai brats 2021チャレンジデータセットでトレーニングし,その課題に対する予測を行った。

関連論文リスト

Prototype Learning Guided Hybrid Network for Breast Tumor Segmentation in DCE-MRI [58.809276442508256]
本稿では,畳み込みニューラルネットワーク(CNN)とトランスフォーマー層を組み合わせたハイブリッドネットワークを提案する。プライベートおよびパブリックなDCE-MRIデータセットの実験結果から,提案したハイブリッドネットワークは最先端の手法よりも優れた性能を示した。
論文参考訳（メタデータ） (2024-08-11T15:46:00Z)
Uncertainty Quantification using Generative Approach [4.4858968464373845]
本稿では,深いニューラルネットワークにおける不確実性を測定するためのインクリメンタル生成モンテカルロ法を提案する。 IGMCは生成モデルを反復的に訓練し、その出力をデータセットに追加し、ランダム変数の期待の後方分布を計算する。 MNIST桁分類タスクにおけるIGMCの挙動を実証的に研究する。
論文参考訳（メタデータ） (2023-10-13T18:05:25Z)
Intelligent Masking: Deep Q-Learning for Context Encoding in Medical Image Analysis [48.02011627390706]
我々は,対象地域を排除し,事前訓練の手順を改善する,新たな自己指導型アプローチを開発した。予測モデルに対してエージェントを訓練することで、下流の分類タスクで抽出した意味的特徴を大幅に改善できることを示す。
論文参考訳（メタデータ） (2022-03-25T19:05:06Z)
DriPP: Driven Point Processes to Model Stimuli Induced Patterns in M/EEG Signals [62.997667081978825]
我々はDriPPと呼ばれる新しい統計点過程モデルを開発する。我々は、このモデルのパラメータを推定するために、高速で原理化された予測最大化(EM)アルゴリズムを導出する。標準MEGデータセットの結果から,我々の手法が事象関連ニューラルレスポンスを明らかにすることが示された。
論文参考訳（メタデータ） (2021-12-08T13:07:21Z)
Multi-task fusion for improving mammography screening data classification [3.7683182861690843]
まず、個別のタスク固有のモデルのセットをトレーニングするパイプラインアプローチを提案する。次に、標準モデルの集合戦略とは対照的に、その融合について検討する。我々の融合アプローチは、標準モデルのアンサンブルに比べてAUCのスコアを最大0.04向上させる。
論文参考訳（メタデータ） (2021-12-01T13:56:27Z)
Novel Local Radiomic Bayesian Classifiers for Non-Invasive Prediction of MGMT Methylation Status in Glioblastoma [0.0]
グリオーマ腫瘍組織におけるO6-メチルグアニン-DNA-メチルトランスフェラーゼ(MGMT)遺伝子の発現は臨床的に重要である。現在、MGMTメチル化は、侵襲的な脳生検およびその後に抽出された腫瘍組織の遺伝子解析によって決定されている。 FLAIR系列磁気共鳴画像(MRI)から抽出した放射能特性に基づいてMGMTメチル化状態の確率論的予測を行う新しいベイズ分類器を提案する。
論文参考訳（メタデータ） (2021-11-30T04:53:23Z)
A multi-stage machine learning model on diagnosis of esophageal manometry [50.591267188664666]
このフレームワークには、飲み込みレベルにおけるディープラーニングモデルと、学習レベルにおける機能ベースの機械学習モデルが含まれている。これは、生のマルチスワローデータからHRM研究のCC診断を自動的に予測する最初の人工知能モデルである。
論文参考訳（メタデータ） (2021-06-25T20:09:23Z)
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)
Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
論文参考訳（メタデータ） (2020-09-02T02:50:30Z)
Improved Slice-wise Tumour Detection in Brain MRIs by Computing Dissimilarities between Latent Representations [68.8204255655161]
磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
論文参考訳（メタデータ） (2020-07-24T14:02:09Z)
Multi-Modality Information Fusion for Radiomics-based Neural Architecture Search [10.994223928445589]
既存の放射能法では、手作りの放射能の特徴とその抽出と選択が必要である。畳み込みニューラルネットワーク(CNN)に基づく最近の放射線学手法も、ネットワークアーキテクチャ設計において手動入力を必要とする。放射能に最適なマルチモーダル画像特徴を自動的に導出するマルチモーダルニューラルネットワーク探索法(MM-NAS)を提案する。
論文参考訳（メタデータ） (2020-07-12T14:35:13Z)

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。