論文の概要: A transformer-based deep learning approach for classifying brain metastases into primary organ sites using clinical whole brain MRI images

• arxiv url: http://arxiv.org/abs/2110.03588v1
• Date: Thu, 7 Oct 2021 16:10:44 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-08 15:22:05.594404
• Title: A transformer-based deep learning approach for classifying brain metastases into primary organ sites using clinical whole brain MRI images
• Title（参考訳）: 臨床脳mri画像を用いたトランスフォーマベース深層学習による脳転移の一次臓器部位への分類
• Authors: Qing Lyu, Sanjeev V. Namjoshi, Emory McTyre, Umit Topaloglu, Richard Barcus, Michael D. Chan, Christina K. Cramer, Waldemar Debinski, Metin N. Gurcan, Glenn J. Lesser, Hui-Kuan Lin, Reginald F. Munden, Boris C. Pasche, Kiran Kumar Solingapuram Sai, Roy E. Strowd, Stephen B. Tatter, Kounosuke Watabe, Wei Zhang, Ge Wang, Christopher T. Whitlow
• Abstract要約: 脳転移性疾患の治療決定は、一次臓器部位癌組織学の知識によって引き起こされる。 臨床全体脳データとエンドツーエンドパイプラインの使用は、外部からの人間の介入を妨げる。 悪性腫瘍の一次臓器部位の正確な診断を可能にするために、脳全体の画像特徴が十分に識別可能であることは確実である。
• 参考スコア（独自算出の注目度）: 4.263008461907835
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The treatment decisions for brain metastatic disease are driven by knowledge of the primary organ site cancer histology, often requiring invasive biopsy. This study aims to develop a novel deep learning approach for accurate and rapid non-invasive identification of brain metastatic tumor histology with conventional whole-brain MRI. The use of clinical whole-brain data and the end-to-end pipeline obviate external human intervention. This IRB-approved single-site retrospective study was comprised of patients (n=1,293) referred for MRI treatment-planning and gamma knife radiosurgery from July 2000 to May 2019. Contrast-enhanced T1-weighted contrast enhanced and T2-weighted-Fluid-Attenuated Inversion Recovery brain MRI exams (n=1,428) were minimally preprocessed (voxel resolution unification and signal-intensity rescaling/normalization), requiring only seconds per an MRI scan, and input into the proposed deep learning workflow for tumor segmentation, modality transfer, and primary site classification associated with brain metastatic disease in one of four classes (lung, melanoma, renal, and other). Ten-fold cross-validation generated the overall AUC of 0.941, lung class AUC of 0.899, melanoma class AUC of 0.882, renal class AUC of 0.870, and other class AUC of 0.885. It is convincingly established that whole-brain imaging features would be sufficiently discriminative to allow accurate diagnosis of the primary organ site of malignancy. Our end-to-end deep learning-based radiomic method has a great translational potential for classifying metastatic tumor types using whole-brain MRI images, without additional human intervention. Further refinement may offer invaluable tools to expedite primary organ site cancer identification for treatment of brain metastatic disease and improvement of patient outcomes and survival.
• Abstract（参考訳）: 脳転移性疾患の治療上の決定は、一次臓器癌組織学の知識によって行われ、しばしば侵襲的生検を必要とする。 本研究の目的は,従来の全脳MRIを用いた脳転移性腫瘍組織診の正確かつ迅速な非侵襲的同定のための新しい深層学習手法を開発することである。 臨床全体脳データとエンドツーエンドパイプラインの使用は、外部からの人間の介入を妨げる。 本研究は2000年7月から2019年5月までのMRI治療計画とガンマナイフ放射線治療の患者(n=1,293)からなる。 造影T1強調コントラストを増強し,T2強調Fluid-Attenuated Inversion recovery MRI検査 (n=1,428) を最小限に前処理し(ボクセル分解能の統一と信号強度再スケーリング/正規化)、MRIスキャンに数秒しか必要とせず,腫瘍の分節化,モダリティ移動,脳転移性疾患に関連する一次部位分類(肺,メラノーマ,腎など)の深層学習ワークフローに入力した。 10倍のクロスバリデーションは、総AUC 0.941、肺AUC 0.899、メラノーマAUC 0.882、腎AUC 0.870、その他のAUC 0.885を発生させた。 悪性腫瘍の一次臓器部位の正確な診断を可能にするには、全脳画像の特徴が十分に識別可能であると確信している。 エンド・ツー・エンドのDeep-to-End Learning-based Radiomic methodは,ヒトを介さずに全脳MRI画像を用いて転移性腫瘍の分類が可能となる。 さらなる改善は、脳転移性疾患の治療および患者の予後と生存を改善するために、一次臓器部位の癌同定を迅速化するための重要なツールを提供する可能性がある。

関連論文リスト

• 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)
• Neural Network-Based Histologic Remission Prediction In Ulcerative Colitis [38.150634108667774]
  潰瘍性大腸炎(UC)の新しい治療標的としての組織学的寛解 内視鏡(Endocytoscopy、EC)は、新しい超高倍率内視鏡技術である。 本稿では,心電図の組織学的疾患活動を評価するニューラルネットワークモデルを提案する。
  論文  参考訳（メタデータ） (2023-08-28T15:54:14Z)
• A Novel SLCA-UNet Architecture for Automatic MRI Brain Tumor Segmentation [0.0]
  脳腫瘍は、個人の寿命を減少させる深刻な健康上の合併症の1つである。 脳腫瘍のタイムリーな検出と予測は、脳腫瘍による死亡率の予防に役立つ。 ディープラーニングベースのアプローチは、自動化バイオメディカル画像探索ツールを開発するための有望なソリューションとして登場した。
  論文  参考訳（メタデータ） (2023-07-16T14:06:45Z)
• An efficient deep learning model to categorize brain tumor using reconstruction and fine-tuning [1.8479865653637229]
  脳腫瘍は最も致命的かつ壊滅的な疾患の1つであり、しばしば寿命が大幅に減少する。 脳腫瘍の正確な診断には,信頼性の高い深層学習(DL)モデルが必要である。 本研究では,脳腫瘍を効果的に分類するためのトランスファーラーニングに基づく新しいDLアプローチを提案する。
  論文  参考訳（メタデータ） (2023-05-22T09:08:59Z)
• Artificial-intelligence-based molecular classification of diffuse gliomas using rapid, label-free optical imaging [59.79875531898648]
  DeepGliomaは人工知能に基づく診断スクリーニングシステムである。 ディープグリオーマは、世界保健機関が成人型びまん性グリオーマ分類を定義するために使用する分子変化を予測することができる。
  論文  参考訳（メタデータ） (2023-03-23T18:50:18Z)
• 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)
• Deep-Learning Tool for Early Identifying Non-Traumatic Intracranial Hemorrhage Etiology based on CT Scan [40.51754649947294]
  深層学習モデルは、2011年1月から2018年4月までに収集された非外傷性ICHを用いた1868個のNCCTスキャンを用いて開発された。 診断成績は臨床医の成績と比較した。 臨床医は, システム拡張による特定の出血エチオロジーの感度, 特異性, 精度を著しく改善した。
  論文  参考訳（メタデータ） (2023-02-02T08:45:17Z)
• Deep learning-based approach to reveal tumor mutational burden status from whole slide images across multiple cancer types [41.61294299606317]
  腫瘍突然変異負担(TMB)は、免疫療法の潜在的なゲノムバイオマーカーである。 ゲノムシークエンシングによって検出されたTMBは、低リソース環境での臨床透過性を欠いている。 本研究では,日常的に使用されているスライド画像からTMB状態を検出するための大規模ディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-04-07T07:02:32Z)
• A New Deep Hybrid Boosted and Ensemble Learning-based Brain Tumor Analysis using MRI [0.28675177318965034]
  磁気共鳴画像(MRI)における脳腫瘍の検出・分類のための2段階深層学習フレームワークの提案 第1フェーズでは、健康な人から腫瘍MRI画像を検出するために、新しい深層化特徴とアンサンブル分類器(DBF-EC)方式が提案されている。 第2段階では, 異なる腫瘍タイプを分類するために, 動的静的特徴とML分類器からなる融合型脳腫瘍分類法が提案されている。
  論文  参考訳（メタデータ） (2022-01-14T10:24:47Z)
• Brain Tumors Classification for MR images based on Attention Guided Deep Learning Model [3.6328238032703806]
  我々は既存の技術を分析し、注意誘導深層畳み込みニューラルネットワーク(CNN)モデルを提案する。 腫瘍の有無を特定するための10倍のクロスバリデーション下での平均精度99.18%を達成できる。 医師が脳腫瘍の効率的な診断を行うのを助ける。
  論文  参考訳（メタデータ） (2021-04-06T07:25:52Z)
• Deep Convolutional Neural Networks Model-based Brain Tumor Detection in Brain MRI Images [0.0]
  我々の研究は、MR画像から脳腫瘍を診断するためのディープ畳み込みニューラルネットワーク(DCNN)を実装することである。 本モデルでは, 腫瘍でMR像を抽出し, 全体的な精度は96%であった。
  論文  参考訳（メタデータ） (2020-10-03T07:42:17Z)

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。