論文の概要: Learn-Morph-Infer: a new way of solving the inverse problem for brain
tumor modeling
- arxiv url: http://arxiv.org/abs/2111.04090v1
- Date: Sun, 7 Nov 2021 13:45:35 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-09 17:52:32.697186
- Title: Learn-Morph-Infer: a new way of solving the inverse problem for brain
tumor modeling
- Title（参考訳）: learn-morph-infer:脳腫瘍モデルにおける逆問題を解く新しい方法
- Authors: Ivan Ezhov, Kevin Scibilia, Katharina Franitza, Felix Steinbauer,
Suprosanna Shit, Lucas Zimmer, Jana Lipkova, Florian Kofler, Johannes
Paetzold, Luca Canalini, Diana Waldmannstetter, Martin Menten, Marie Metz,
Benedikt Wiestler, and Bjoern Menze
- Abstract要約: 本稿では,T1GdとFLAIR MRIから患者特異的な脳腫瘍の空間分布を推定する手法を提案する。
itLearn-Morph-Inferと組み合わせたこの手法は、広く利用可能なハードウェア上で、数分のオーダーでリアルタイムのパフォーマンスを実現する。
- 参考スコア（独自算出の注目度）: 1.1214822628210914
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Current treatment planning of patients diagnosed with brain tumor could
significantly benefit by accessing the spatial distribution of tumor cell
concentration. Existing diagnostic modalities, such as magnetic-resonance
imaging (MRI), contrast sufficiently well areas of high cell density. However,
they do not portray areas of low concentration, which can often serve as a
source for the secondary appearance of the tumor after treatment. Numerical
simulations of tumor growth could complement imaging information by providing
estimates of full spatial distributions of tumor cells. Over recent years a
corpus of literature on medical image-based tumor modeling was published. It
includes different mathematical formalisms describing the forward tumor growth
model. Alongside, various parametric inference schemes were developed to
perform an efficient tumor model personalization, i.e. solving the inverse
problem. However, the unifying drawback of all existing approaches is the time
complexity of the model personalization that prohibits a potential integration
of the modeling into clinical settings. In this work, we introduce a
methodology for inferring patient-specific spatial distribution of brain tumor
from T1Gd and FLAIR MRI medical scans. Coined as \textit{Learn-Morph-Infer} the
method achieves real-time performance in the order of minutes on widely
available hardware and the compute time is stable across tumor models of
different complexity, such as reaction-diffusion and
reaction-advection-diffusion models. We believe the proposed inverse solution
approach not only bridges the way for clinical translation of brain tumor
personalization but can also be adopted to other scientific and engineering
domains.
- Abstract（参考訳）: 脳腫瘍と診断された患者の現在の治療計画は、腫瘍細胞濃度の空間的分布にアクセスすることで著しく有益である。
磁気共鳴イメージング(MRI)のような既存の診断法は、高い細胞密度の十分な良い領域と対比する。
しかし、低濃度の領域を描写せず、治療後の二次的な腫瘍の出現の源となることが多い。
腫瘍増殖の数値シミュレーションは、腫瘍細胞の全空間分布の推定を提供することで、画像情報を補完することができる。
近年、医用画像に基づく腫瘍モデリングに関する文献のコーパスが出版された。
前方腫瘍成長モデルを記述する様々な数学的形式を含んでいる。
同時に,腫瘍モデルパーソナライゼーション,すなわち逆問題の解決を行うために,様々なパラメトリック推論手法が開発された。
しかしながら、既存のすべてのアプローチの欠点は、モデルパーソナライゼーションの時間的複雑さであり、モデルが臨床設定に潜在的に統合されることを禁止している。
本研究では,T1GdとFLAIR MRIによる脳腫瘍の患者特異的空間分布を推定する手法を提案する。
この方法は \textit{learn-morph-infer} と呼ばれ、広く利用可能なハードウェア上で数分単位でリアルタイムのパフォーマンスを達成し、反応拡散モデルや反応吸着拡散モデルのような異なる複雑性の腫瘍モデル間で計算時間は安定である。
提案手法は脳腫瘍のパーソナライズを臨床的に翻訳する方法を橋渡しするだけでなく,他の科学的・工学的領域にも適用できると考えている。
関連論文リスト
- Physics-Regularized Multi-Modal Image Assimilation for Brain Tumor Localization [3.666412718346211]
本稿では,データ駆動と物理に基づくコスト関数を統合する新しい手法を提案する。
腫瘍組織と脳組織の学習分布が,それぞれの成長と弾性の方程式にどの程度順応するかを定量化する,ユニークな離散化手法を提案する。
論文 参考訳（メタデータ） (2024-09-30T15:36:14Z) - Hybrid Multihead Attentive Unet-3D for Brain Tumor Segmentation [0.0]
脳腫瘍のセグメンテーションは、医療画像解析において重要な課題であり、脳腫瘍患者の診断と治療計画を支援する。
様々な深層学習技術がこの分野で大きな進歩を遂げてきたが、脳腫瘍形態の複雑で変動的な性質のため、精度の面ではまだ限界に直面している。
本稿では,脳腫瘍の正確なセグメンテーションにおける課題を解決するために,新しいハイブリッドマルチヘッド注意型U-Netアーキテクチャを提案する。
論文 参考訳（メタデータ） (2024-05-22T02:46:26Z) - Towards Generalizable Tumor Synthesis [48.45704270448412]
腫瘍合成は、医用画像における人工腫瘍の作成を可能にし、腫瘍の検出とセグメンテーションのためのAIモデルのトレーニングを容易にする。
本論文は, 臨界観察を生かして, 一般化可能な腫瘍合成に向けて進歩的な一歩を踏み出した。
私たちは、Diffusion Modelsのような生成AIモデルが、単一の臓器から限られた数の腫瘍例を訓練しても、様々な臓器に一般化された現実的な腫瘍を作成できることを確認した。
論文 参考訳（メタデータ） (2024-02-29T18:57:39Z) - Integration of Graph Neural Network and Neural-ODEs for Tumor Dynamic Prediction [4.850774880198265]
本稿では,二部グラフ畳み込みニューラルネットワーク(GCN)とニューラル正規微分方程式(Neural-ODE)を組み合わせたグラフエンコーダを提案する。
まず,本手法が経験的モデルにより著しく改善される腫瘍のダイナミックモデルを発見することができることを示す。
本研究は, 提案手法が有望であり, プリクリニカル・セッティングに応用できる可能性が示唆された。
論文 参考訳（メタデータ） (2023-10-02T06:39:08Z) - Treatment-aware Diffusion Probabilistic Model for Longitudinal MRI
Generation and Diffuse Glioma Growth Prediction [0.5806504980491878]
今後,腫瘍マスクを生成できる新しいエンドツーエンドネットワークと,腫瘍が今後どのように見えるかの現実的なMRIを提示する。
我々のアプローチは、最先端拡散確率モデルとディープセグメンテーションニューラルネットワークに基づいている。
論文 参考訳（メタデータ） (2023-09-11T12:12:52Z) - Automated ensemble method for pediatric brain tumor segmentation [0.0]
本研究では,ONet と UNet の修正版を用いた新しいアンサンブル手法を提案する。
データ拡張により、さまざまなスキャンプロトコル間の堅牢性と精度が保証される。
以上の結果から,この高度なアンサンブルアプローチは診断精度の向上に期待できる可能性が示唆された。
論文 参考訳（メタデータ） (2023-08-14T15:29:32Z) - Prediction of brain tumor recurrence location based on multi-modal
fusion and nonlinear correlation learning [55.789874096142285]
深層学習に基づく脳腫瘍再発位置予測ネットワークを提案する。
まず、パブリックデータセットBraTS 2021上で、マルチモーダル脳腫瘍セグメンテーションネットワークをトレーニングする。
次に、事前訓練されたエンコーダを、リッチなセマンティックな特徴を抽出するために、プライベートデータセットに転送する。
2つのデコーダは、現在の脳腫瘍を共同に分断し、将来の腫瘍再発位置を予測するために構築されている。
論文 参考訳（メタデータ） (2023-04-11T02:45:38Z) - 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) - Scale-Space Autoencoders for Unsupervised Anomaly Segmentation in Brain
MRI [47.26574993639482]
本研究では, 異常セグメンテーション性能の向上と, ネイティブ解像度で入力データのより鮮明な再構成を行う汎用能力を示す。
ラプラシアンピラミッドのモデリングにより、複数のスケールで病変のデライン化と集約が可能になる。
論文 参考訳（メタデータ） (2020-06-23T09:20:42Z) - Stan: Small tumor-aware network for breast ultrasound image segmentation [68.8204255655161]
本研究では,小腫瘍認識ネットワーク(Small tumor-Aware Network,STAN)と呼ばれる新しいディープラーニングアーキテクチャを提案する。
提案手法は, 乳腺腫瘍の分節化における最先端のアプローチよりも優れていた。
論文 参考訳（メタデータ） (2020-02-03T22:25:01Z)
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。