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
- AXIAL: Attention-based eXplainability for Interpretable Alzheimer's Localized Diagnosis using 2D CNNs on 3D MRI brain scans [43.06293430764841]
本研究では,3次元MRIを用いたアルツハイマー病診断の革新的手法を提案する。
提案手法では,2次元CNNがボリューム表現を抽出できるソフトアテンション機構を採用している。
ボクセルレベルの精度では、どの領域に注意が払われているかを同定し、これらの支配的な脳領域を同定する。
論文 参考訳（メタデータ） (2024-07-02T16:44:00Z) - Analysis of the BraTS 2023 Intracranial Meningioma Segmentation Challenge [44.586530244472655]
我々はBraTS 2023の頭蓋内髄膜腫チャレンジの設計と結果について述べる。
BraTS髄膜腫チャレンジ(BraTS Meningioma Challenge)は、髄膜腫に焦点を当てた以前のBraTSグリオーマチャレンジとは異なる。
上層部は腫瘍,腫瘍コア,腫瘍全体の拡張のために0.976,0.976,0.964の病変中央値類似係数(DSC)を有していた。
論文 参考訳（メタデータ） (2024-05-16T03:23:57Z) - 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) - 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) - 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) - CorrSigNet: Learning CORRelated Prostate Cancer SIGnatures from
Radiology and Pathology Images for Improved Computer Aided Diagnosis [1.63324350193061]
我々はMRIで前立腺癌を局所化する2段階自動モデルであるCorrSigNetを提案する。
まず,病理組織学的特徴と相関するがんのMRI所見を学習する。
第二に、このモデルは、学習した相関MRI機能を使用して、前立腺がんの局所化のために畳み込みニューラルネットワークを訓練する。
論文 参考訳（メタデータ） (2020-07-31T23:44:25Z)
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。