論文の概要: Tensor Radiomics: Paradigm for Systematic Incorporation of
Multi-Flavoured Radiomics Features
- arxiv url: http://arxiv.org/abs/2203.06314v1
- Date: Sat, 12 Mar 2022 02:20:54 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-15 16:46:20.867332
- Title: Tensor Radiomics: Paradigm for Systematic Incorporation of
Multi-Flavoured Radiomics Features
- Title（参考訳）: テンソル放射能:多成分放射能の体系化のためのパラダイム
- Authors: Arman Rahmim, Amirhosein Toosi, Mohammad R. Salmanpour, Natalia
Dubljevic, Ian Janzen, Isaac Shiri, Mohamad A. Ramezani, Ren Yuan, Cheryl Ho,
Habib Zaidi, Calum MacAulay, Carlos Uribe, Fereshteh Yousefirizi
- Abstract要約: 放射能シグネチャの構築を最適化するために,複数のパラメータの組み合わせで計算した特徴のフレーバーを用いた放射能(TR)を提案する。
PET/CT,MRI,CTイメージング機械学習,深層学習ソリューションに適用したTRの例を示す。
以上の結果から,提案するTRパラダイムは,様々な医用画像タスクの性能向上に寄与する可能性が示唆された。
- 参考スコア（独自算出の注目度）: 0.3569980414613667
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Radiomics features extract quantitative information from medical images,
towards the derivation of biomarkers for clinical tasks, such as diagnosis,
prognosis, or treatment response assessment. Different image discretization
parameters (e.g. bin number or size), convolutional filters, segmentation
perturbation, or multi-modality fusion levels can be used to generate radiomics
features and ultimately signatures. Commonly, only one set of parameters is
used; resulting in only one value or flavour for a given RF. We propose tensor
radiomics (TR) where tensors of features calculated with multiple combinations
of parameters (i.e. flavours) are utilized to optimize the construction of
radiomics signatures. We present examples of TR as applied to PET/CT, MRI, and
CT imaging invoking machine learning or deep learning solutions, and
reproducibility analyses: (1) TR via varying bin sizes on CT images of lung
cancer and PET-CT images of head & neck cancer (HNC) for overall survival
prediction. A hybrid deep neural network, referred to as TR-Net, along with two
ML-based flavour fusion methods showed improved accuracy compared to regular
rediomics features. (2) TR built from different segmentation perturbations and
different bin sizes for classification of late-stage lung cancer response to
first-line immunotherapy using CT images. TR improved predicted patient
responses. (3) TR via multi-flavour generated radiomics features in MR imaging
showed improved reproducibility when compared to many single-flavour features.
(4) TR via multiple PET/CT fusions in HNC. Flavours were built from different
fusions using methods, such as Laplacian pyramids and wavelet transforms. TR
improved overall survival prediction. Our results suggest that the proposed TR
paradigm has the potential to improve performance capabilities in different
medical imaging tasks.
- Abstract（参考訳）: 放射線医学は、医学画像から定量的情報を抽出し、診断、予後、治療反応評価などの臨床タスクのためのバイオマーカーを導出する。
異なる画像判別パラメータ(ビン数やサイズなど)、畳み込みフィルタ、セグメンテーション摂動、マルチモダリティ融合レベルは、放射能の特徴や最終的なシグネチャを生成するのに使うことができる。
一般に、パラメータのセットは1つしか使用せず、結果として与えられたRFに対して1つの値またはフレーバーだけが使用される。
本稿では,複数のパラメータの組み合わせ(フレーバー)で計算された特徴のテンソルを用いて,放射能シグネチャの構築を最適化するテンソル放射能(TR)を提案する。
本稿では, PET/CT, MRI, CTによる機械学習, 深層学習ソリューションの活用例と再現性解析について述べる。(1) 肺がんCT像のビンサイズの変化によるTRと, 頭頸部癌(HNC)のPET-CT画像による生存率の予測。
TR-Netと呼ばれるハイブリッドディープニューラルネットワークとMLベースの2つのフレーバー融合法は、通常の心筋機能と比較して精度が向上した。
2)ct画像を用いた初回免疫療法による末期肺癌の分類における分節摂動とbinサイズの違いから構築したtr。
TRは予測された患者の反応を改善した。
3)mr画像におけるマルチフレーバーによる放射能特徴は,多くの単一フレーバー特徴と比較して再現性が向上した。
(4) HNCにおける複数のPET/CT融合によるTR
フラックスはラプラシアピラミッドやウェーブレット変換のような方法で異なる融合から構築された。
TRは全体の生存予測を改善した。
以上の結果から,提案するtrパラダイムは,様々な医用画像処理における性能向上の可能性を示唆する。
関連論文リスト
- SDR-Former: A Siamese Dual-Resolution Transformer for Liver Lesion
Classification Using 3D Multi-Phase Imaging [59.78761085714715]
本研究は肝病変分類のための新しいSDR-Formerフレームワークを提案する。
提案フレームワークは2つの臨床データセットに関する総合的な実験を通じて検証された。
科学コミュニティを支援するため,肝病変解析のための多段階MRデータセットを公開しています。
論文 参考訳（メタデータ） (2024-02-27T06:32:56Z) - Contrastive Diffusion Model with Auxiliary Guidance for Coarse-to-Fine
PET Reconstruction [62.29541106695824]
本稿では, 粗い予測モジュール (CPM) と反復的修正モジュール (IRM) から構成される粗大なPET再構成フレームワークを提案する。
計算オーバーヘッドの大部分をCPMに委譲することで,本手法のサンプリング速度を大幅に向上させることができる。
2つの追加戦略、すなわち補助的な誘導戦略と対照的な拡散戦略が提案され、再構築プロセスに統合される。
論文 参考訳（メタデータ） (2023-08-20T04:10:36Z) - Optimizing Sampling Patterns for Compressed Sensing MRI with Diffusion
Generative Models [75.52575380824051]
圧縮センシングマルチコイルMRIにおけるサブサンプリングパターンを最適化する学習手法を提案する。
拡散モデルとMRI計測プロセスにより得られた後部平均推定値に基づいて1段階の再構成を行う。
本手法では,効果的なサンプリングパターンの学習には5つのトレーニング画像が必要である。
論文 参考訳（メタデータ） (2023-06-05T22:09:06Z) - Hyper-Connected Transformer Network for Multi-Modality PET-CT
Segmentation [16.999643199612244]
PET-CT画像のコラーニングは, 自動腫瘍セグメンテーションの基本的な要件である。
マルチモダリティPET-CT画像のためのハイパーコネクテッドフュージョンとトランスフォーマネットワーク(TN)を統合した超コネクテッドトランスフォーマネットワークを提案する。
以上の結果から, HCTは既存の方法と比較して, セグメンテーション精度が向上したことが明らかとなった。
論文 参考訳（メタデータ） (2022-10-28T00:03:43Z) - 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) - Weighted Concordance Index Loss-based Multimodal Survival Modeling for
Radiation Encephalopathy Assessment in Nasopharyngeal Carcinoma Radiotherapy [9.988112475313065]
放射線脳症 (REP) は鼻咽頭癌(NPC)放射線治療の合併症として最も多い。
我々の知る限りでは、画像と非画像データを併用して放射線治療によるREPを予測する最初の試みである。
我々は2つの特徴抽出器を備えた深層マルチモーダルサバイバルネットワーク(MSN)を設計し、マルチモーダルデータから識別的特徴を学習する。
論文 参考訳（メタデータ） (2022-06-23T02:29:40Z) - Preservation of High Frequency Content for Deep Learning-Based Medical
Image Classification [74.84221280249876]
大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。
本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
論文 参考訳（メタデータ） (2022-05-08T15:29:54Z) - Generative Models Improve Radiomics Performance in Different Tasks and
Different Datasets: An Experimental Study [3.040206021972938]
ラジオミクス(Radiomics)は、医用画像からの高スループット特徴抽出に焦点を当てた研究分野である。
生成モデルは、異なるタスクにおける低線量CTベースの放射能の性能を改善することができる。
論文 参考訳（メタデータ） (2021-09-06T06:01:21Z) - Prediction of low-keV monochromatic images from polyenergetic CT scans
for improved automatic detection of pulmonary embolism [21.47219330040151]
我々は、従来の単エネルギーCT取得からモノE画像の生成をエミュレートできる畳み込みニューラルネットワークを訓練している。
我々は,これらの手法をマルチタスク最適化手法を用いて拡張し,改良された分類と生成結果を実現する。
論文 参考訳（メタデータ） (2021-02-02T11:42:31Z) - A Multi-Stage Attentive Transfer Learning Framework for Improving
COVID-19 Diagnosis [49.3704402041314]
新型コロナの診断を改善するための多段階集中移動学習フレームワークを提案する。
提案するフレームワークは、複数のソースタスクと異なるドメインのデータから知識を学習し、正確な診断モデルを訓練する3つの段階からなる。
本稿では,肺CT画像のマルチスケール表現を学習するための自己教師付き学習手法を提案する。
論文 参考訳（メタデータ） (2021-01-14T01:39:19Z) - Multi-Modality Information Fusion for Radiomics-based Neural
Architecture Search [10.994223928445589]
既存の放射能法では、手作りの放射能の特徴とその抽出と選択が必要である。
畳み込みニューラルネットワーク(CNN)に基づく最近の放射線学手法も、ネットワークアーキテクチャ設計において手動入力を必要とする。
放射能に最適なマルチモーダル画像特徴を自動的に導出するマルチモーダルニューラルネットワーク探索法(MM-NAS)を提案する。
論文 参考訳（メタデータ） (2020-07-12T14:35:13Z)
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。