論文の概要: Deep Convolutional Neural Networks for Molecular Subtyping of Gliomas
Using Magnetic Resonance Imaging
- arxiv url: http://arxiv.org/abs/2203.05571v1
- Date: Thu, 10 Mar 2022 14:46:20 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-14 13:51:51.293995
- Title: Deep Convolutional Neural Networks for Molecular Subtyping of Gliomas
Using Magnetic Resonance Imaging
- Title（参考訳）: 磁気共鳴画像を用いたグリオーマの分子サブタイピングのための深部畳み込みニューラルネットワーク
- Authors: Dong Wei, Yiming Li, Yinyan Wang, Tianyi Qian, and Yefeng Zheng
- Abstract要約: 階層的分類パラダイムに基づく5つのグリオーマサブタイプ予測のためのDCNNモデルを開発した。
受信機動作特性解析から,曲線下領域(AUC)を用いて予測性能を評価した。
以上の結果から,開発したDCNNモデルではグリオーマサブタイプを十分な非平衡トレーニングデータで予測できることが示唆された。
- 参考スコア（独自算出の注目度）: 24.418025043887678
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Knowledge of molecular subtypes of gliomas can provide valuable information
for tailored therapies. This study aimed to investigate the use of deep
convolutional neural networks (DCNNs) for noninvasive glioma subtyping with
radiological imaging data according to the new taxonomy announced by the World
Health Organization in 2016. Methods: A DCNN model was developed for the
prediction of the five glioma subtypes based on a hierarchical classification
paradigm. This model used three parallel, weight-sharing, deep residual
learning networks to process 2.5-dimensional input of trimodal MRI data,
including T1-weighted, T1-weighted with contrast enhancement, and T2-weighted
images. A data set comprising 1,016 real patients was collected for evaluation
of the developed DCNN model. The predictive performance was evaluated via the
area under the curve (AUC) from the receiver operating characteristic analysis.
For comparison, the performance of a radiomics-based approach was also
evaluated. Results: The AUCs of the DCNN model for the four classification
tasks in the hierarchical classification paradigm were 0.89, 0.89, 0.85, and
0.66, respectively, as compared to 0.85, 0.75, 0.67, and 0.59 of the radiomics
approach. Conclusion: The results showed that the developed DCNN model can
predict glioma subtypes with promising performance, given sufficient,
non-ill-balanced training data.
- Abstract（参考訳）: グリオーマの分子サブタイプに関する知識は、調整された治療に有用な情報を提供する。
本研究は,2016年に世界保健機関(WHO)が発表した新しい分類法に基づき,放射線画像データを用いた非侵襲性グリオーマに対するディープ畳み込みニューラルネットワーク(DCNN)の使用について検討することを目的とした。
方法: 階層的分類パラダイムに基づく5つのグリオーマサブタイプの予測のためにdcnnモデルを開発した。
このモデルでは、T1重み付き、T1重み付き、コントラスト強調付き、T2重み付き画像を含む、トリモーダルMRIデータの2.5次元入力を処理するために、3つの並列、重み共有、ディープ残差学習ネットワークを使用した。
現像患者1,016名を対象に, 開発したDCNNモデルの評価を行った。
受信機動作特性解析から,曲線下領域(AUC)を用いて予測性能を評価した。
比較のために,放射能に基づくアプローチの性能評価を行った。
結果: 階層分類パラダイムにおける4つの分類課題に対するDCNNモデルのAUCは, それぞれ0.89, 0.89, 0.85, 0.66であり, 放射能アプローチでは0.85, 0.75, 0.67, 0.59であった。
結論: 開発したDCNNモデルでは, 十分な非平衡トレーニングデータから, グリオーマサブタイプを有望な性能で予測できることがわかった。
関連論文リスト
- Comprehensive Multimodal Deep Learning Survival Prediction Enabled by a Transformer Architecture: A Multicenter Study in Glioblastoma [4.578027879885667]
本研究は,変圧器を用いた深層学習モデルにMR画像,臨床および分子病理学的データを統合することにより,グリオーマの生存率予測を改善することを目的とする。
このモデルは、自己教師付き学習技術を用いて、高次元MRI入力を効果的に符号化し、クロスアテンションを用いた非画像データと統合する。
論文 参考訳（メタデータ） (2024-05-21T17:44:48Z) - DCNN: Dual Cross-current Neural Networks Realized Using An Interactive Deep Learning Discriminator for Fine-grained Objects [48.65846477275723]
本研究では、微細な画像分類の精度を向上させるために、新しい二重電流ニューラルネットワーク(DCNN)を提案する。
弱い教師付き学習バックボーンモデルを構築するための新しい特徴として、(a)異種データの抽出、(b)特徴マップの解像度の維持、(c)受容領域の拡大、(d)グローバル表現と局所特徴の融合などがある。
論文 参考訳（メタデータ） (2024-05-07T07:51:28Z) - Multiple Instance Ensembling For Paranasal Anomaly Classification In The
Maxillary Sinus [46.1292414445895]
副鼻腔奇形は幅広い形態学的特徴を持つ。
副鼻腔異常分類への現在のアプローチは、一度に1つの異常を特定することに制約されている。
3次元畳み込みニューラルネットワーク(CNN)を用いて正常上顎骨(MS)とMSをポリープや嚢胞で分類する可能性を検討した。
論文 参考訳（メタデータ） (2023-03-31T09:23:27Z) - An Efficient End-to-End Deep Neural Network for Interstitial Lung
Disease Recognition and Classification [0.5424799109837065]
本稿では、IDDパターンを分類するためのエンドツーエンドのディープ畳み込みニューラルネットワーク(CNN)を提案する。
提案モデルでは,カーネルサイズが異なる4つの畳み込み層と,Rectified Linear Unit (ReLU) アクティベーション機能を備える。
128のCTスキャンと5つのクラスからなる21328の画像パッチからなるデータセットを用いて、提案モデルのトレーニングと評価を行う。
論文 参考訳（メタデータ） (2022-04-21T06:36:10Z) - A Neural Ordinary Differential Equation Model for Visualizing Deep
Neural Network Behaviors in Multi-Parametric MRI based Glioma Segmentation [3.1435638364138105]
我々は,マルチパラメトリックMRI(mp-MRI)に基づくグリオーマセグメンテーションにおいて,ディープニューラルネットワーク(DNN)を可視化するためのニューラル常微分方程式(ODE)モデルを開発した。
すべてのニューラルODEモデルは、イメージダイナミクスを期待どおりに説明できた。
論文 参考訳（メタデータ） (2022-03-01T17:16:41Z) - Improving Classification Model Performance on Chest X-Rays through Lung
Segmentation [63.45024974079371]
本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。
提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
論文 参考訳（メタデータ） (2022-02-22T15:24:06Z) - Multi-Scale Convolutional Neural Network for Automated AMD
Classification using Retinal OCT Images [1.299941371793082]
加齢関連黄斑変性症(AMD)は、先進国、特に60歳以上の人々において、視覚障害の最も一般的な原因である。
近年のディープラーニングの発展は、完全に自動化された診断フレームワークの開発にユニークな機会を与えている。
様々な大きさの受容場を用いて病理を識別できる多スケール畳み込みニューラルネットワーク(CNN)を提案する。
論文 参考訳（メタデータ） (2021-10-06T18:20:58Z) - A multi-stage machine learning model on diagnosis of esophageal
manometry [50.591267188664666]
このフレームワークには、飲み込みレベルにおけるディープラーニングモデルと、学習レベルにおける機能ベースの機械学習モデルが含まれている。
これは、生のマルチスワローデータからHRM研究のCC診断を自動的に予測する最初の人工知能モデルである。
論文 参考訳（メタデータ） (2021-06-25T20:09:23Z) - Deep Implicit Statistical Shape Models for 3D Medical Image Delineation [47.78425002879612]
解剖学的構造の3次元デライン化は、医用画像解析の基本的な目標である。
ディープラーニング以前は、解剖学的制約を課し高品質の表面を作り出す統計的形状モデルはコア技術だった。
我々は,CNNの表現力とSSMの頑健さを合体させるデライン化の新しい手法であるディープ暗黙的統計的形状モデル(DISSMs)を提案する。
論文 参考訳（メタデータ） (2021-04-07T01:15:06Z) - Neural Network-derived perfusion maps: a Model-free approach to computed
tomography perfusion in patients with acute ischemic stroke [4.925222726301579]
畳み込みニューラルネットワーク(CNN)はCT灌流データから臨床的に関連するパラメトリックマップを生成することができる。
cnnベースのアプローチは,最先端の灌流解析法に匹敵する臨床関連灌流マップを作成した。
論文 参考訳（メタデータ） (2021-01-15T07:11:02Z) - SAG-GAN: Semi-Supervised Attention-Guided GANs for Data Augmentation on
Medical Images [47.35184075381965]
本稿では,GAN(Cycle-Consistency Generative Adversarial Networks)を用いた医用画像生成のためのデータ拡張手法を提案する。
提案モデルでは,正常画像から腫瘍画像を生成することができ,腫瘍画像から正常画像を生成することもできる。
本研究では,従来のデータ拡張手法と合成画像を用いた分類モデルを用いて,実画像を用いた分類モデルを訓練する。
論文 参考訳（メタデータ） (2020-11-15T14:01:24Z)
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。