論文の概要: Multi-Task Multi-Scale Learning For Outcome Prediction in 3D PET Images
- arxiv url: http://arxiv.org/abs/2203.00641v1
- Date: Tue, 1 Mar 2022 17:30:28 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-02 14:46:04.860793
- Title: Multi-Task Multi-Scale Learning For Outcome Prediction in 3D PET Images
- Title（参考訳）: 3次元PET画像における出力予測のためのマルチタスクマルチスケール学習
- Authors: Amine Amyar, Romain Modzelewski, Pierre Vera, Vincent Morard, Su Ruan
- Abstract要約: 本稿では,患者の生存と反応を予測するためのマルチタスク学習フレームワークを提案する。
肺癌および食道癌に対する治療効果と生存率について検討した。
- 参考スコア（独自算出の注目度）: 4.234843176066354
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Background and Objectives: Predicting patient response to treatment and
survival in oncology is a prominent way towards precision medicine. To that
end, radiomics was proposed as a field of study where images are used instead
of invasive methods. The first step in radiomic analysis is the segmentation of
the lesion. However, this task is time consuming and can be physician
subjective. Automated tools based on supervised deep learning have made great
progress to assist physicians. However, they are data hungry, and annotated
data remains a major issue in the medical field where only a small subset of
annotated images is available. Methods: In this work, we propose a multi-task
learning framework to predict patient's survival and response. We show that the
encoder can leverage multiple tasks to extract meaningful and powerful features
that improve radiomics performance. We show also that subsidiary tasks serve as
an inductive bias so that the model can better generalize. Results: Our model
was tested and validated for treatment response and survival in lung and
esophageal cancers, with an area under the ROC curve of 77% and 71%
respectively, outperforming single task learning methods. Conclusions: We show
that, by using a multi-task learning approach, we can boost the performance of
radiomic analysis by extracting rich information of intratumoral and
peritumoral regions.
- Abstract（参考訳）: 背景と目的: 腫瘍学における治療と生存に対する患者反応の予測は、精密医療への顕著なアプローチである。
そのために、画像が侵襲的な方法の代わりに使用される分野として放射線学が提案された。
放射線分析の最初のステップは、病変のセグメンテーションである。
しかし、この作業は時間がかかり、医師の主観化が可能である。
教師付き深層学習に基づく自動化ツールは、医師を支援するために大きな進歩を遂げた。
しかし、これらのデータは空腹であり、注釈付き画像のごく一部しか利用できない医療分野では、注釈付きデータは依然として大きな問題となっている。
方法:本研究では,患者の生存と反応を予測するためのマルチタスク学習フレームワークを提案する。
エンコーダは複数のタスクを有効活用して有意義で強力な特徴を抽出し,放射能性能を向上させる。
また,補助的なタスクが帰納的バイアスとなり,モデルがより一般化できることを示した。
結果: 肺癌および食道癌に対する治療効果と生存率について, ROC曲線が77%, 食道癌が71%で, 単タスク学習法が77%, 単タスク学習法が71%であった。
結論: マルチタスク・ラーニング・アプローチにより, 腫瘍内および縦隔領域の豊富な情報を抽出することにより, 放射線解析の性能を向上させることができることを示す。
関連論文リスト
- Self-Supervised Pre-Training with Contrastive and Masked Autoencoder
Methods for Dealing with Small Datasets in Deep Learning for Medical Imaging [8.34398674359296]
医用画像の深層学習は、診断ミスのリスクを最小限に抑え、放射線医の作業量を減らし、診断を加速する可能性がある。
このようなディープラーニングモデルのトレーニングには,すべてのトレーニングサンプルに対するアノテーションを備えた,大規模かつ正確なデータセットが必要です。
この課題に対処するために、ディープラーニングモデルは、自己教師付き学習の分野からのメソッドを使用してアノテーションなしで、大規模な画像データセット上で事前トレーニングすることができる。
論文 参考訳（メタデータ） (2023-08-12T11:31:01Z) - XrayGPT: Chest Radiographs Summarization using Medical Vision-Language
Models [60.437091462613544]
我々は,会話型医療ビジョン言語モデルであるXrayGPTを紹介する。
胸部X線写真に関するオープンエンドの質問を分析し、答えることができる。
自由テキストラジオグラフィーレポートから217kの対話的かつ高品質な要約を生成する。
論文 参考訳（メタデータ） (2023-06-13T17:59:59Z) - MLC at HECKTOR 2022: The Effect and Importance of Training Data when
Analyzing Cases of Head and Neck Tumors using Machine Learning [0.9166327220922845]
本稿では,MICCAI 2022で行われたHECKTOR大挑戦の2022年版に対して,チームMLCが行った成果について述べる。
ポジトロン・エミッション・トモグラフィ(PET)とCT(CT)画像の解析は予後を診断するために提案されている。
論文 参考訳（メタデータ） (2022-11-30T09:04:27Z) - Improving Radiology Summarization with Radiograph and Anatomy Prompts [60.30659124918211]
本稿では,印象生成を促進するために,新しい解剖学的拡張型マルチモーダルモデルを提案する。
より詳しくは、まず、解剖学を抽出する一連のルールを構築し、各文にこれらのプロンプトを配置し、解剖学的特徴を強調する。
コントラスト学習モジュールを用いて、これらの2つの表現を全体レベルで整列させ、コアテンションを用いて文レベルで融合させる。
論文 参考訳（メタデータ） (2022-10-15T14:05:03Z) - Metastatic Cancer Outcome Prediction with Injective Multiple Instance
Pooling [1.0965065178451103]
我々は2つの公開データセットを処理し、転移性癌の予後予測を研究するために合計341人のベンチマークコホートを設定した。
結果予測に適した2つのインジェクティブ複数インスタンスプーリング関数を提案する。
本研究は, 肺がん非小細胞癌における複数症例の学習が, 頭頸部CT結果予測ベンチマークの課題において, 最先端のパフォーマンスを達成できることを示唆するものである。
論文 参考訳（メタデータ） (2022-03-09T16:58:03Z) - A Deep Learning Approach to Predicting Collateral Flow in Stroke
Patients Using Radiomic Features from Perfusion Images [58.17507437526425]
側方循環は、血流を妥協した領域に酸素を供給する特殊な無酸素流路から生じる。
実際のグレーティングは主に、取得した画像の手動検査によって行われる。
MR灌流データから抽出した放射線学的特徴に基づいて,脳卒中患者の側方血流低下を予測するための深層学習手法を提案する。
論文 参考訳（メタデータ） (2021-10-24T18:58:40Z) - ProCAN: Progressive Growing Channel Attentive Non-Local Network for Lung
Nodule Classification [0.0]
CT検診における肺癌の分類は,早期発見の最も重要な課題の一つである。
近年、肺結節を悪性または良性に分類する深層学習モデルが提案されている。
肺結節分類のためのProCAN(Progressive Growing Channel Attentive Non-Local)ネットワークを提案する。
論文 参考訳（メタデータ） (2020-10-29T08:42:11Z) - BiteNet: Bidirectional Temporal Encoder Network to Predict Medical
Outcomes [53.163089893876645]
本稿では,患者の医療旅行におけるコンテキスト依存と時間的関係を捉える,新たな自己注意機構を提案する。
エンド・ツー・エンドの双方向時間エンコーダネットワーク(BiteNet)が患者の旅路の表現を学習する。
実世界のEHRデータセットを用いた2つの教師付き予測と2つの教師なしクラスタリングタスクにおける手法の有効性を評価した。
論文 参考訳（メタデータ） (2020-09-24T00:42:36Z) - An encoder-decoder-based method for COVID-19 lung infection segmentation [3.561478746634639]
本稿では,CTスキャン画像を用いた多タスク深層学習による肺感染症セグメンテーションを提案する。
提案手法は,データやラベル付き画像が不足していても,肺感染症を高いパフォーマンスで分離することができる。
論文 参考訳（メタデータ） (2020-07-02T04:02:03Z) - Self-Training with Improved Regularization for Sample-Efficient Chest
X-Ray Classification [80.00316465793702]
挑戦的なシナリオで堅牢なモデリングを可能にするディープラーニングフレームワークを提案する。
その結果,85%のラベル付きデータを用いて,大規模データ設定で学習した分類器の性能に適合する予測モデルを構築することができた。
論文 参考訳（メタデータ） (2020-05-03T02:36:00Z) - Confident Coreset for Active Learning in Medical Image Analysis [57.436224561482966]
本稿では,情報的サンプルを効果的に選択するための,不確実性と分散性を考慮した新しい能動的学習手法である信頼コアセットを提案する。
2つの医用画像解析タスクの比較実験により,本手法が他の活動的学習方法より優れていることを示す。
論文 参考訳（メタデータ） (2020-04-05T13:46:16Z)
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。