論文の概要: Optimizing Prediction of MGMT Promoter Methylation from MRI Scans using Adversarial Learning

• arxiv url: http://arxiv.org/abs/2201.04416v1
• Date: Wed, 12 Jan 2022 11:04:34 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-13 19:35:00.542762
• Title: Optimizing Prediction of MGMT Promoter Methylation from MRI Scans using Adversarial Learning
• Title（参考訳）: 逆学習を用いたMRI画像からのMGMTプロモーターメチル化の最適化予測
• Authors: Sauman Das
• Abstract要約: Glioblastoma Multiforme (GBM) による米国では毎年13,000人以上が死亡していると推定されている。 非侵襲磁気共鳴画像(MRI)ベースの機械学習(ML)モデルを用いてMGMTプロモーターの状態を特定することが重要である。 2つの放射能モデルと2つのCNNモデルという4つの主要モデルを開発した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Glioblastoma Multiforme (GBM) is a malignant brain cancer forming around 48% of al brain and Central Nervous System (CNS) cancers. It is estimated that annually over 13,000 deaths occur in the US due to GBM, making it crucial to have early diagnosis systems that can lead to predictable and effective treatment. The most common treatment after GBM diagnosis is chemotherapy, which works by sending rapidly dividing cells to apoptosis. However, this form of treatment is not effective when the MGMT promoter sequence is methylated, and instead leads to severe side effects decreasing patient survivability. Therefore, it is important to be able to identify the MGMT promoter methylation status through non-invasive magnetic resonance imaging (MRI) based machine learning (ML) models. This is accomplished using the Brain Tumor Segmentation (BraTS) 2021 dataset, which was recently used for an international Kaggle competition. We developed four primary models - two radiomic models and two CNN models - each solving the binary classification task with progressive improvements. We built a novel ML model termed as the Intermediate State Generator which was used to normalize the slice thicknesses of all MRI scans. With further improvements, our best model was able to achieve performance significantly ($p < 0.05$) better than the best performing Kaggle model with a 6% increase in average cross-validation accuracy. This improvement could potentially lead to a more informed choice of chemotherapy as a treatment option, prolonging lives of thousands of patients with GBM each year.
• Abstract（参考訳）: glioblastoma multiforme(gbm)は、al脳および中枢神経系(cns)癌の約48%を形成する悪性脳がんである。 GBMにより毎年13,000人以上が死亡し、早期診断システムを持つことが予測可能で効果的な治療につながると推定されている。 GBM診断後の最も一般的な治療法は化学療法であり、急速分裂した細胞をアポトーシスに送ることで機能する。 しかし、mgmtプロモーター配列がメチル化されるとこの治療は有効ではなく、患者の生存率を低下させる深刻な副作用を引き起こす。 したがって、非侵襲的磁気共鳴画像(MRI)ベース機械学習(ML)モデルを用いてMGMTプロモーターメチル化状態の同定が重要である。 これは、最近国際カグル競技に使用されたBrain tumor Segmentation (BraTS) 2021データセットを用いて達成されている。 2つの放射能モデルと2つのCNNモデルという4つの主要モデルを開発した。 我々は、すべてのMRIスキャンのスライス厚を正規化するために使用される中間状態発生器と呼ばれる新しいMLモデルを構築した。 さらなる改善により,我々の最高のモデルでは,平均クロスバリデーション精度が6%向上したKaggleモデルよりもパフォーマンスが大幅に向上した(p < 0.05$)。 この改善は、治療オプションとしてよりインフォームドな化学療法の選択につながり、毎年 gbm の患者数千人の寿命を延ばす可能性がある。

関連論文リスト

• Brain Tumor Classification on MRI in Light of Molecular Markers [61.77272414423481]
  1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。 本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
  論文  参考訳（メタデータ） (2024-09-29T07:04:26Z)
• Improving Breast Cancer Grade Prediction with Multiparametric MRI Created Using Optimized Synthetic Correlated Diffusion Imaging [71.91773485443125]
  乳がん治療計画において、グレーディングは重要な役割を担っている。 現在の腫瘍グレード法では、患者から組織を抽出し、ストレス、不快感、医療費の上昇につながる。 本稿では,CDI$s$の最適化による乳癌の診断精度の向上について検討する。
  論文  参考訳（メタデータ） (2024-05-13T15:48:26Z)
• Using Multiparametric MRI with Optimized Synthetic Correlated Diffusion Imaging to Enhance Breast Cancer Pathologic Complete Response Prediction [71.91773485443125]
  ネオアジュバント化学療法は乳癌の治療戦略として最近人気を集めている。 ネオアジュバント化学療法を推奨する現在のプロセスは、医療専門家の主観的評価に依存している。 本研究は, 乳癌の病理組織学的完全反応予測に最適化されたCDI$s$を応用することを検討した。
  論文  参考訳（メタデータ） (2024-05-13T15:40:56Z)
• 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)
• MGMT promoter methylation status prediction using MRI scans? An extensive experimental evaluation of deep learning models [0.0]
  MRIによるグリオーマ腫瘍におけるMGMTプロモーターのメチル化状態の予測にディープラーニングモデルを用いた。 以上の結果から,癌診断における深層学習システムの精度と信頼性を確保するために,これらのモデルの性能に相関性は認められなかった。
  論文  参考訳（メタデータ） (2023-04-03T07:55:42Z)
• Moving from 2D to 3D: volumetric medical image classification for rectal cancer staging [62.346649719614]
  術前T2期とT3期を区別することは直腸癌治療における最も困難かつ臨床的に重要な課題である。 直腸MRIでT3期直腸癌からT2を正確に判別するための体積畳み込みニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2022-09-13T07:10:14Z)
• 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)
• Artificial Intelligence Solution for Effective Treatment Planning for Glioblastoma Patients [0.0]
  グリオ芽腫は成人で最も多い悪性脳腫瘍である。 毎年約20万人がグリオ芽腫で死亡している。 グリオブラスト腫患者は、至適治療で12カ月、治療なしで約4カ月生存する。
  論文  参考訳（メタデータ） (2022-03-09T22:29:48Z)
• Is it Possible to Predict MGMT Promoter Methylation from Brain Tumor MRI Scans using Deep Learning Models? [0.0]
  グリオ芽腫(Glioblastoma)は、高齢者に発生する一般的な脳腫瘍であり、ほぼ常に致死性である。 MGMTプロモーターの状態を同定するために、従来のアプローチは遺伝子解析のための生検を行うことである。 最近のいくつかの出版物は、MGMTプロモーター状態と腫瘍のMRIスキャンとの関連性を提案した。
  論文  参考訳（メタデータ） (2022-01-16T16:44:21Z)
• Brain Tumor Classification Using Medial Residual Encoder Layers [9.038707616951795]
  がんは世界で2番目に多い死因であり、2018年だけで950万人以上が死亡している。 脳腫瘍は4件のがん死亡のうち1件を数えている。 本稿では,エンコーダブロックを含むディープラーニングに基づくシステムを提案する。 3064 MR画像からなるデータセット上でのこのモデルの実験的評価は、95.98%の精度を示しており、このデータベースに関する以前の研究より優れている。
  論文  参考訳（メタデータ） (2020-11-01T21:19:38Z)
• Multi-channel MRI Embedding: An EffectiveStrategy for Enhancement of Human Brain WholeTumor Segmentation [2.869946954477617]
  医用画像処理における最も重要な課題の1つは、脳全体の腫瘍のセグメンテーションである。 脳腫瘍は早期に検出された場合、悪性または良性であることが多い。 本研究は, 深層学習に基づく腫瘍セグメント化の結果を改善するため, マルチチャネルMRI埋め込みという効率的な手法を提案する。
  論文  参考訳（メタデータ） (2020-09-13T23:44:16Z)

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。