Fugu-MT 論文翻訳(概要): Collaborative learning of images and geometrics for predicting isocitrate dehydrogenase status of glioma

論文の概要: Collaborative learning of images and geometrics for predicting isocitrate dehydrogenase status of glioma

arxiv url: http://arxiv.org/abs/2201.05530v1
Date: Fri, 14 Jan 2022 15:58:07 GMT
ステータス: 処理完了
システム内更新日: 2022-01-17 15:29:28.380476
Title: Collaborative learning of images and geometrics for predicting isocitrate dehydrogenase status of glioma
Title（参考訳）: グリオーマのisocitrate dehydrogenaseステータス予測のための画像と幾何学の協調学習
Authors: Yiran Wei, Chao Li, Xi Chen, Carola-Bibiane Sch\"onlieb, Stephen J. Price
Abstract要約: IDH変異検出のゴールド標準は、侵襲的なアプローチによって得られた腫瘍組織を必要とし、通常は高価である。近年の放射線ゲノミクスの進歩は、MRIに基づくIDH変異を予測する非侵襲的アプローチを提供する。本稿では、畳み込みニューラルネットワーク(CNN)とグラフニューラルネットワーク(GNN)を用いて、腫瘍画像と腫瘍幾何学の両方を学習する協調学習フレームワークを提案する。その結果,提案モデルは3D-DenseNet121のベースラインモデルよりも優れていた。
参考スコア（独自算出の注目度）: 8.262398325144774
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: The isocitrate dehydrogenase (IDH) gene mutation status is an important biomarker for glioma patients. The gold standard of IDH mutation detection requires tumour tissue obtained via invasive approaches and is usually expensive. Recent advancement in radiogenomics provides a non-invasive approach for predicting IDH mutation based on MRI. Meanwhile, tumor geometrics encompass crucial information for tumour phenotyping. Here we propose a collaborative learning framework that learns both tumor images and tumor geometrics using convolutional neural networks (CNN) and graph neural networks (GNN), respectively. Our results show that the proposed model outperforms the baseline model of 3D-DenseNet121. Further, the collaborative learning model achieves better performance than either the CNN or the GNN alone. The model interpretation shows that the CNN and GNN could identify common and unique regions of interest for IDH mutation prediction. In conclusion, collaborating image and geometric learners provides a novel approach for predicting genotype and characterising glioma.
Abstract（参考訳）: Isocitrate dehydrogenase (IDH)遺伝子変異はグリオーマ患者にとって重要なバイオマーカーである。 IDH変異検出のゴールド標準は、侵襲的なアプローチによって得られた腫瘍組織を必要とし、通常は高価である。近年の放射線ゲノミクスの進歩は、MRIに基づくIDH変異を予測する非侵襲的アプローチを提供する。一方、腫瘍幾何学は腫瘍の表現型を示す重要な情報を包含する。本稿では, 畳み込みニューラルネットワーク(CNN)とグラフニューラルネットワーク(GNN)を用いて, 腫瘍画像と腫瘍幾何学の両方を学習する協調学習フレームワークを提案する。その結果,提案モデルは3D-DenseNet121のベースラインモデルよりも優れていた。さらに、協調学習モデルは、CNNまたはGNN単独よりも優れた性能を達成する。モデル解釈は、CNNとGNNがIDH変異予測のための共通の領域とユニークな領域を特定できることを示している。結論として,コラボレーティング画像と幾何学習者は,遺伝子型を予測しグリオーマを特徴付けるための新しいアプローチを提供する。

関連論文リスト

Pathology-genomic fusion via biologically informed cross-modality graph learning for survival analysis [7.996257103473235]
そこで我々は,全スライド画像(WSI)とバルクRNA-Seq発現データと異種グラフニューラルネットワークを統合したPGHG(Pathology-Genome Heterogeneous Graph)を提案する。 PGHGは生物学的知識誘導表現学習ネットワークと病理ゲノム不均一グラフから構成される。腫瘍ゲノムアトラスの低悪性度グリオーマ,グリオーマ,腎乳頭状細胞癌データセットについて検討した。
論文参考訳（メタデータ） (2024-04-11T09:07:40Z)
Genetic InfoMax: Exploring Mutual Information Maximization in High-Dimensional Imaging Genetics Studies [50.11449968854487]
遺伝子ワイド・アソシエーション(GWAS)は、遺伝的変異と特定の形質の関係を同定するために用いられる。画像遺伝学の表現学習は、GWASによって引き起こされる固有の課題により、ほとんど探索されていない。本稿では,GWAS の具体的な課題に対処するために,トランスモーダル学習フレームワーク Genetic InfoMax (GIM) を提案する。
論文参考訳（メタデータ） (2023-09-26T03:59:21Z)
Adaptive Gated Graph Convolutional Network for Explainable Diagnosis of Alzheimer's Disease using EEG Data [9.601125513491835]
本稿では,適応ゲートグラフ畳み込みネットワーク(AGGCN)を提案する。 AGGCNは、畳み込みに基づくノード特徴増強と相関に基づくパワースペクトル密度類似度の尺度を組み合わせることで、グラフ構造を適応的に学習する。
論文参考訳（メタデータ） (2023-04-12T14:13:09Z)
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)
Explainable Multilayer Graph Neural Network for Cancer Gene Prediction [21.83218536069088]
本稿では,癌遺伝子の同定にEMGNN(Explainable Multilayer Graph Neural Network)アプローチを提案する。単一の生物学的ネットワーク上の従来のグラフ学習とは異なり、EMGNNは多層グラフニューラルネットワークを使用して、複数の生物学的ネットワークから正確ながん遺伝子予測を学習する。提案手法は, 従来手法よりも平均7.15%, 精度・リコール曲線 (AUPR) で改善されている。
論文参考訳（メタデータ） (2023-01-20T23:57:12Z)
Unsupervised ensemble-based phenotyping helps enhance the discoverability of genes related to heart morphology [57.25098075813054]
我々はUn Phenotype Ensemblesという名の遺伝子発見のための新しいフレームワークを提案する。教師なしの方法で学習された表現型のセットをプールすることで、冗長だが非常に表現性の高い表現を構築する。これらの表現型は、(GWAS)を介して分析され、高い自信と安定した関連のみを保持する。
論文参考訳（メタデータ） (2023-01-07T18:36:44Z)
rfPhen2Gen: A machine learning based association study of brain imaging phenotypes to genotypes [71.1144397510333]
56個の脳画像QTを用いてSNPを予測する機械学習モデルを学習した。アルツハイマー病(AD)リスク遺伝子APOEのSNPは、ラスソとランダムな森林に対して最低のRMSEを有していた。ランダム・フォレストは、線形モデルによって優先順位付けされなかったが、脳関連疾患と関連があることが知られている追加のSNPを特定した。
論文参考訳（メタデータ） (2022-03-31T20:15:22Z)
Multi-modal learning for predicting the genotype of glioma [14.93152817415408]
Isocitrate dehydrogenase (IDH)遺伝子変異はグリオーマの診断と予後に必須なバイオマーカーである。焦点腫瘍像と幾何学的特徴をMRIから派生した脳ネットワーク特徴と統合することにより、グリオーマ遺伝子型をより正確に予測できることが期待されている。本稿では,3つのエンコーダを用いたマルチモーダル学習フレームワークを提案し,局所腫瘍像,腫瘍幾何学,大域脳ネットワークの特徴を抽出する。
論文参考訳（メタデータ） (2022-03-21T10:20:04Z)
Predicting isocitrate dehydrogenase mutationstatus in glioma using structural brain networksand graph neural networks [6.67232502899311]
Isocitrate dehydrogenase (IDH)遺伝子変異はグリオーマの診断と予後に重要な価値をもたらす。機械学習とディープラーニングモデルは、IDH変異状態を予測する上で適切なパフォーマンスを示す。本稿では,患者の脳の構造的ネットワークに基づくグラフニューラルネットワーク(GNN)を用いたIDH変異の予測手法を提案する。
論文参考訳（メタデータ） (2021-09-04T12:19:33Z)
G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for Biomarker Identification and Disease Classification [49.53651166356737]
診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。 2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
論文参考訳（メタデータ） (2021-01-27T19:28:04Z)
Heterogeneous Similarity Graph Neural Network on Electronic Health Records [74.66674469510251]
非均質な類似度グラフニューラルネットワーク(HSGNN)を提案し、新しい異種GNNでEHRを分析します。フレームワークは2つの部分から構成される: 1つは前処理方式で、もう1つはエンドツーエンドのGNNである。 GNNは全ての同質グラフを入力として取り、それら全てを1つのグラフに融合して予測する。
論文参考訳（メタデータ） (2021-01-17T23:14:29Z)

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。