論文の概要: Deep Learning for Reaction-Diffusion Glioma Growth Modelling: Towards a
Fully Personalised Model?
- arxiv url: http://arxiv.org/abs/2111.13404v1
- Date: Fri, 26 Nov 2021 10:16:57 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-29 18:14:05.055878
- Title: Deep Learning for Reaction-Diffusion Glioma Growth Modelling: Towards a
Fully Personalised Model?
- Title(参考訳): 反応拡散グリオーマ成長モデルのための深層学習:完全なパーソナライズドモデルに向けて
- Authors: Corentin Martens, Antonin Rovai, Daniele Bonatto, Thierry Metens,
Olivier Debeir, Christine Decaestecker, Serge Goldman and Gaetan Van Simaeys
- Abstract要約: グリオーマの成長を捉えるために、反応拡散モデルが何十年も提案されてきた。
ディープ畳み込みニューラルネットワーク(DCNN)は、現場でよく見られる落とし穴に対処することができる。
このアプローチは,腫瘍予後および治療計画に対する反応拡散成長モデルの臨床応用の視点を開放する可能性がある。
- 参考スコア(独自算出の注目度): 0.2609639566830968
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Reaction-diffusion models have been proposed for decades to capture the
growth of gliomas, the most common primary brain tumours. However, severe
limitations regarding the estimation of the initial conditions and parameter
values of such models have restrained their clinical use as a personalised
tool. In this work, we investigate the ability of deep convolutional neural
networks (DCNNs) to address the pitfalls commonly encountered in the field.
Based on 1,200 synthetic tumours grown over real brain geometries derived from
magnetic resonance (MR) data of 6 healthy subjects, we demonstrate the ability
of DCNNs to reconstruct a whole tumour cell density distribution from only two
imaging contours at a single time point. With an additional imaging contour
extracted at a prior time point, we also demonstrate the ability of DCNNs to
accurately estimate the individual diffusivity and proliferation parameters of
the model. From this knowledge, the spatio-temporal evolution of the tumour
cell density distribution at later time points can ultimately be precisely
captured using the model. We finally show the applicability of our approach to
MR data of a real glioblastoma patient. This approach may open the perspective
of a clinical application of reaction-diffusion growth models for tumour
prognosis and treatment planning.
- Abstract(参考訳): 反応拡散モデルは、最も一般的な一次脳腫瘍であるグリオーマの成長を捉えるために何十年も提案されてきた。
しかし, 初期条件の推定やパラメータ値に関する厳しい制限により, 個人化ツールとしての臨床利用は抑制されている。
本研究では,深層畳み込みニューラルネットワーク(DCNN)を用いて,現場でよく発生する落とし穴に対処する能力について検討する。
6名の健常者による磁気共鳴(mr)データから得られた実脳測地線上の1200個の合成腫瘍に基づいて,dnnが1つの時点において2つのイメージング輪郭のみから全腫瘍密度分布を再構成する能力を示す。
予め抽出した画像の輪郭を付加することにより、モデルの個々の拡散率と拡散パラメータを正確に推定するDCNNの能力を実証する。
この知見から、後の時点における腫瘍細胞密度分布の時空間的変化は、最終的にこのモデルを用いて正確に捉えることができる。
真性グリオ芽腫患者のMRデータに対するアプローチの適用性について検討した。
このアプローチは,腫瘍予後および治療計画に対する反応拡散成長モデルの臨床応用の視点を開放する可能性がある。
関連論文リスト
- Cell Maps Representation For Lung Adenocarcinoma Growth Patterns
Classification In Whole Slide Images [0.6258701460323505]
肺腺癌は, 形態学的に異質な疾患であり, 5つの原発組織学的成長パターンを特徴とする。
組織タイルを5つのパターンの1つまたは非腫瘍の1つに分類できる新しい機械学習パイプラインを提案する。
論文 参考訳(メタデータ) (2023-11-27T14:12:51Z) - Integration of Graph Neural Network and Neural-ODEs for Tumor Dynamic
Prediction [5.685142756003601]
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) - Optimizing Sampling Patterns for Compressed Sensing MRI with Diffusion
Generative Models [75.52575380824051]
圧縮センシングマルチコイルMRIにおけるサブサンプリングパターンを最適化する学習手法を提案する。
拡散モデルとMRI計測プロセスにより得られた後部平均推定値に基づいて1段階の再構成を行う。
本手法では,効果的なサンプリングパターンの学習には5つのトレーニング画像が必要である。
論文 参考訳(メタデータ) (2023-06-05T22:09:06Z) - 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) - 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) - Image Synthesis with Disentangled Attributes for Chest X-Ray Nodule
Augmentation and Detection [52.93342510469636]
肺癌早期検診では胸部X線像の肺結節検出が一般的である。
ディープラーニングに基づくコンピュータ支援診断(CAD)システムは、CXRの結節スクリーニングのために放射線科医をサポートすることができる。
このようなデータセットの可用性を損なうため,データ拡張のために肺結節合成法を提案する。
論文 参考訳(メタデータ) (2022-07-19T16:38:48Z) - Breast Cancer Induced Bone Osteolysis Prediction Using Temporal
Variational Auto-Encoders [65.95959936242993]
骨分解性骨病変の進展を正確に予測し,可視化する深層学習フレームワークを開発した。
乳癌患者の骨格関連事象(SRE)を予防するための治療戦略の計画と評価を支援する。
論文 参考訳(メタデータ) (2022-03-20T21:00:10Z) - Explainable multiple abnormality classification of chest CT volumes with
AxialNet and HiResCAM [89.2175350956813]
本稿では,容積医用画像における多変量分類の課題について紹介する。
本稿では,複数のインスタンス学習型畳み込みニューラルネットワークであるAxialNetを提案する。
そして、HiResCAMと3D許容領域を利用した新しいマスクロスにより、モデルの学習を改善することを目指す。
論文 参考訳(メタデータ) (2021-11-24T01:14:33Z) - Learn-Morph-Infer: a new way of solving the inverse problem for brain
tumor modeling [1.1214822628210914]
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。
論文 参考訳(メタデータ) (2021-11-07T13:45:35Z) - Initial condition assessment for reaction-diffusion glioma growth
models: A translational MRI/histology (in)validation study [1.7183079620559387]
反応拡散成長モデルでは、MRIで見るマージンを超えるグリオーマ細胞の浸潤を外挿するために何十年も提案されてきた。
腫瘍細胞密度関数とMRIで見られる異常のアウトラインを関連付ける研究がいくつか提案されているが、基礎となる仮定は確認されていない。
本研究は、グリオ芽腫を有する非手術脳の立体的組織学的解析により、これらの仮定を検証することを提案する。
論文 参考訳(メタデータ) (2021-02-02T19:21:48Z)
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。