論文の概要: Metastatic Cancer Outcome Prediction with Injective Multiple Instance Pooling

• arxiv url: http://arxiv.org/abs/2203.04964v1
• Date: Wed, 9 Mar 2022 16:58:03 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-11 15:38:11.242193
• Title: Metastatic Cancer Outcome Prediction with Injective Multiple Instance Pooling
• Title（参考訳）: Injective Multiple Instance Pooling を用いた転移性癌の予後予測
• Authors: Jianan Chen and Anne L. Martel
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 1.0965065178451103
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Cancer stage is a large determinant of patient prognosis and management in many cancer types, and is often assessed using medical imaging modalities, such as CT and MRI. These medical images contain rich information that can be explored to stratify patients within each stage group to further improve prognostic algorithms. Although the majority of cancer deaths result from metastatic and multifocal disease, building imaging biomarkers for patients with multiple tumors has been a challenging task due to the lack of annotated datasets and standard study framework. In this paper, we process two public datasets to set up a benchmark cohort of 341 patient in total for studying outcome prediction of multifocal metastatic cancer. We identify the lack of expressiveness in common multiple instance classification networks and propose two injective multiple instance pooling functions that are better suited to outcome prediction. Our results show that multiple instance learning with injective pooling functions can achieve state-of-the-art performance in the non-small-cell lung cancer CT and head and neck CT outcome prediction benchmarking tasks. We will release the processed multifocal datasets, our code and the intermediate files i.e. extracted radiomic features to support further transparent and reproducible research.
• Abstract（参考訳）: 癌ステージは、多くのがんタイプの患者の予後と管理の大きな決定要因であり、CTやMRIなどの医学的画像モダリティを用いて評価されることが多い。 これらの医用画像は、各ステージグループ内の患者を階層化し、予後アルゴリズムをさらに改善するための豊富な情報を含んでいる。 がん死の大半は転移性疾患と多焦点性疾患によるものであるが、注釈付きデータセットや標準研究フレームワークが欠如していることから、複数の腫瘍患者のための画像バイオマーカーの構築は難しい課題となっている。 本稿では2つの公開データセットを処理し,多局所性転移性癌の予後予測のためのベンチマークコホートを合計341名設定する。 一般的な複数インスタンス分類ネットワークにおける表現性の欠如を特定し,結果予測に適した2つのインジェクティブ多重インスタンスプール関数を提案する。 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すものである。 我々は、処理されたマルチ焦点データセット、コード、中間ファイル、すなわち抽出された放射能の特徴をリリースし、より透明で再現可能な研究を支援する。

関連論文リスト

• Multi-modal Medical Image Fusion For Non-Small Cell Lung Cancer Classification [7.002657345547741]
  非小細胞肺癌(NSCLC)は、世界中のがん死亡の主な原因である。 本稿では, 融合医療画像(CT, PET)と臨床健康記録, ゲノムデータとを合成する, マルチモーダルデータの革新的な統合について紹介する。 NSCLCの検出と分類精度の大幅な向上により,本研究は既存のアプローチを超越している。
  論文  参考訳（メタデータ） (2024-09-27T12:59:29Z)
• MMFusion: Multi-modality Diffusion Model for Lymph Node Metastasis Diagnosis in Esophageal Cancer [13.74067035373274]
  CT画像に基づくリンパ節転移診断のためのマルチモーダルな不均一グラフに基づく条件付き特徴誘導拡散モデルを提案する。 本稿では, 悪性腫瘍とリンパ節像の関連性, 優先性を明らかにすることを目的として, マスク付き関係表現学習戦略を提案する。
  論文  参考訳（メタデータ） (2024-05-15T17:52:00Z)
• XAI for In-hospital Mortality Prediction via Multimodal ICU Data [57.73357047856416]
  マルチモーダルICUデータを用いて病院内死亡率を予測するための,効率的で説明可能なAIソリューションを提案する。 我々は,臨床データから異種入力を受信し,意思決定を行うマルチモーダル・ラーニングを我々のフレームワークに導入する。 我々の枠組みは、医療研究において重要な要素の発見を容易にする他の臨床課題に容易に移行することができる。
  論文  参考訳（メタデータ） (2023-12-29T14:28:04Z)
• Multi-task Explainable Skin Lesion Classification [54.76511683427566]
  少ないラベル付きデータでよく一般化する皮膚病変に対する数発のショットベースアプローチを提案する。 提案手法は,アテンションモジュールや分類ネットワークとして機能するセグメンテーションネットワークの融合を含む。
  論文  参考訳（メタデータ） (2023-10-11T05:49:47Z)
• Post-Hoc Explainability of BI-RADS Descriptors in a Multi-task Framework for Breast Cancer Detection and Segmentation [48.08423125835335]
  MT-BI-RADSは乳房超音波(BUS)画像における腫瘍検出のための新しい深層学習手法である。 放射線科医が腫瘍の悪性度を予測するための意思決定プロセスを理解するための3つのレベルの説明を提供する。
  論文  参考訳（メタデータ） (2023-08-27T22:07:42Z)
• Cross-modality Attention-based Multimodal Fusion for Non-small Cell Lung Cancer (NSCLC) Patient Survival Prediction [0.6476298550949928]
  非小細胞肺癌(NSCLC)における患者生存予測のためのモダリティ特異的知識の統合を目的としたマルチモーダル核融合パイプラインを提案する。 組織画像データとRNA-seqデータのみを用いてc-index0.5772と0.5885を達成した単一モダリティと比較して, 提案した融合法はc-index0.6587を達成した。
  論文  参考訳（メタデータ） (2023-08-18T21:42:52Z)
• Ambiguous Medical Image Segmentation using Diffusion Models [60.378180265885945]
  我々は,グループ洞察の分布を学習することで,複数の可算出力を生成する単一拡散モデルに基づくアプローチを提案する。 提案モデルでは,拡散の固有のサンプリングプロセスを利用してセグメンテーションマスクの分布を生成する。 その結果,提案手法は既存の最先端曖昧なセグメンテーションネットワークよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2023-04-10T17:58:22Z)
• RadioPathomics: Multimodal Learning in Non-Small Cell Lung Cancer for Adaptive Radiotherapy [1.8161758803237067]
  非小細胞肺癌に対する放射線治療成績を予測するため, マルチモーダルレイトフュージョン法を開発した。 実験により、AUCが90.9%ドルと同等のマルチモーダルパラダイムが、各ユニモーダルアプローチより優れていることが示された。
  論文  参考訳（メタデータ） (2022-04-26T16:32:52Z)
• 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)
• AMINN: Autoencoder-based Multiple Instance Neural Network for Outcome Prediction of Multifocal Liver Metastases [1.7294318054149134]
  多発性は大腸癌肝転移で頻繁に起こる。 既存のバイオマーカーのほとんどは、すべての多焦点病変の像の特徴を考慮に入れていない。 本稿では、生存確率を予測するために、エンドツーエンドのオートエンコーダベースマルチインスタンスニューラルネットワーク(AMINN)を提案する。
  論文  参考訳（メタデータ） (2020-12-12T17:52:14Z)
• Co-Heterogeneous and Adaptive Segmentation from Multi-Source and Multi-Phase CT Imaging Data: A Study on Pathological Liver and Lesion Segmentation [48.504790189796836]
  我々は,新しいセグメンテーション戦略,コヘテロジネティック・アダプティブセグメンテーション(CHASe)を提案する。 本稿では,外見に基づく半スーパービジョン,マスクに基づく対向ドメイン適応,擬似ラベルを融合した多目的フレームワークを提案する。 CHASeは4.2% sim 9.4%$の範囲で、病理的な肝臓マスクDice-Sorensen係数をさらに改善することができる。
  論文  参考訳（メタデータ） (2020-05-27T06:58:39Z)

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。