論文の概要: Breast Cancer Induced Bone Osteolysis Prediction Using Temporal Variational Auto-Encoders

• arxiv url: http://arxiv.org/abs/2203.10645v1
• Date: Sun, 20 Mar 2022 21:00:10 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-22 16:45:25.373652
• Title: Breast Cancer Induced Bone Osteolysis Prediction Using Temporal Variational Auto-Encoders
• Title（参考訳）: 時間変動オートエンコーダを用いた乳癌骨切り術の予測
• Authors: Wei Xiong, Neil Yeung, Shubo Wang, Haofu Liao, Liyun Wang, Jiebo Luo
• Abstract要約: 骨分解性骨病変の進展を正確に予測し,可視化する深層学習フレームワークを開発した。 乳癌患者の骨格関連事象(SRE)を予防するための治療戦略の計画と評価を支援する。
• 参考スコア（独自算出の注目度）: 65.95959936242993
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Objective and Impact Statement. We adopt a deep learning model for bone osteolysis prediction on computed tomography (CT) images of murine breast cancer bone metastases. Given the bone CT scans at previous time steps, the model incorporates the bone-cancer interactions learned from the sequential images and generates future CT images. Its ability of predicting the development of bone lesions in cancer-invading bones can assist in assessing the risk of impending fractures and choosing proper treatments in breast cancer bone metastasis. Introduction. Breast cancer often metastasizes to bone, causes osteolytic lesions, and results in skeletal related events (SREs) including severe pain and even fatal fractures. Although current imaging techniques can detect macroscopic bone lesions, predicting the occurrence and progression of bone lesions remains a challenge. Methods. We adopt a temporal variational auto-encoder (T-VAE) model that utilizes a combination of variational auto-encoders and long short-term memory networks to predict bone lesion emergence on our micro-CT dataset containing sequential images of murine tibiae. Given the CT scans of murine tibiae at early weeks, our model can learn the distribution of their future states from data. Results. We test our model against other deep learning-based prediction models on the bone lesion progression prediction task. Our model produces much more accurate predictions than existing models under various evaluation metrics. Conclusion. We develop a deep learning framework that can accurately predict and visualize the progression of osteolytic bone lesions. It will assist in planning and evaluating treatment strategies to prevent SREs in breast cancer patients.
• Abstract（参考訳）: 目的と影響のステートメント。 マウス乳癌骨転移のCT画像から骨分解予測を行うための深層学習モデルを採用した。 骨CTを前段階でスキャンすると、このモデルには、シーケンシャル画像から得られた骨とがんの相互作用が組み込まれ、将来のCT画像を生成する。 がん浸潤骨の骨病変の発生を予測する能力は、骨折のリスクを評価し、乳癌骨転移の適切な治療法を選択するのに役立つ。 はじめに。 乳癌はしばしば骨に転移し、骨分解性病変を引き起こし、重度の痛みや致命的な骨折を含む骨格関連事象(SRE)を引き起こす。 現在のイメージング技術では肉眼的骨病変を検出できるが、骨病変の発生と進展を予測することは依然として課題である。 メソッド。 我々は,t-vaeモデルを採用し,変動型オートエンコーダと長期短期記憶ネットワークを併用し,ティビアの連続画像を含むマイクロctデータセット上での骨病変の発生を予測する。 本モデルでは, 早期の早期にCT検査を行った結果, データから将来の状態の分布を把握できた。 結果だ 骨病変進展予測タスクにおいて,他の深層学習に基づく予測モデルと比較検討を行った。 我々のモデルは、様々な評価指標の下で既存のモデルよりもはるかに正確な予測を生成する。 結論だ 骨分解性骨病変の進展を正確に予測し,可視化する深層学習フレームワークを開発した。 乳癌患者のSRE予防のための治療戦略の計画と評価を支援する。

関連論文リスト

• Weakly-Supervised Detection of Bone Lesions in CT [48.34559062736031]
  骨格領域は乳腺と前立腺に転移性癌が拡がる一般的な部位の1つである。 代用セグメンテーションタスクによりCTボリュームの骨病変を検出するパイプラインを開発した。 不完全および部分的トレーニングデータを用いたにもかかわらず,CTでは96.7%,47.3%の精度で骨病変が検出された。
  論文  参考訳（メタデータ） (2024-01-31T21:05:34Z)
• Penalized Deep Partially Linear Cox Models with Application to CT Scans of Lung Cancer Patients [42.09584755334577]
  肺がんは世界中のがん死亡の原因であり、効果的な治療法を設計するための死亡リスクを理解することの重要性を強調している。 NLST(National Lung Screening Trial)は、肺がん患者の死亡リスクを定量化するために、CTテクスチャ解析を用いている。 本稿では,SCADペナルティを組み込んで重要なテクスチャ特徴を抽出し,深層ニューラルネットワークを用いてモデルの非パラメトリック成分を推定する,Pentalized Deep partially Linear Cox Model (Penalized DPLC)を提案する。
  論文  参考訳（メタデータ） (2023-03-09T15:38:16Z)
• 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)
• Deep Learning-Based Objective and Reproducible Osteosarcoma Chemotherapy Response Assessment and Outcome Prediction [1.3503958132156484]
  本稿では,スキャンしたヘマトキシリンとエオシンの全スライド画像から得られる壊死率を推定する深層学習に基づくアプローチを提案する。 深層学習モデルの訓練,壊死率の評価,結果予測のために,3134 WSIの骨肉腫103例を収集した。 本研究は, 病理組織から骨肉腫を解析し, 治療効果を評価し, 患者の予後を予測する客観的ツールとして, 深層学習が有用であることが示唆された。
  論文  参考訳（メタデータ） (2022-08-09T17:12:27Z)
• Context-Aware Transformers For Spinal Cancer Detection and Radiological Grading [70.04389979779195]
  本稿では,脊椎分析に関わる医療画像問題に対するトランスフォーマーを用いた新しいモデルアーキテクチャを提案する。 MR画像におけるそのようなモデルの2つの応用について考察する: (a)脊椎転移の検出と脊椎骨折の関連状況と転移性脊髄圧迫。 画像中の脊椎のコンテキストを考慮することで,SCTは以前に公表したモデルと比較して,いくつかのグレーディングの精度を向上することを示す。
  論文  参考訳（メタデータ） (2022-06-27T10:31:03Z)
• Noise-reducing attention cross fusion learning transformer for histological image classification of osteosarcoma [2.8265965924600276]
  本研究の目的は,人工知能を用いて骨肉腫の組織像を分類し,腫瘍の生存と壊死を評価することである。 本稿では,ノイズ低減畳み込みオートエンコーダと特徴融合学習を統合した典型的なトランスフォーマー画像分類フレームワークを提案する。 本手法は, 骨肉腫の診断を支援するため, 各種評価指標における従来型および深層学習法よりも99.17%の精度で優れていた。
  論文  参考訳（メタデータ） (2022-04-29T00:57:39Z)
• Development of the algorithm for differentiating bone metastases and trauma of the ribs in bone scintigraphy and demonstration of visual evidence of the algorithm -- Using only anterior bone scan view of thorax [0.0]
  骨シンチグラフィーの胸骨前部像のみを用いて骨転移と外傷のリブの蓄積を判定するAIモデルの報告はない。 胸骨前部CT像のみを用いて骨転移・外傷と診断し,診断するアルゴリズムを開発した。
  論文  参考訳（メタデータ） (2021-09-30T23:55:31Z)
• CoRSAI: A System for Robust Interpretation of CT Scans of COVID-19 Patients Using Deep Learning [133.87426554801252]
  我々は,深部畳み込み神経網のアンサンブルを用いた肺CTスキャンのセグメンテーションによるアプローチを採用した。 本モデルを用いて, 病変の分類, 患者の動態の評価, 病変による肺の相対体積の推定, 肺の損傷ステージの評価が可能となった。
  論文  参考訳（メタデータ） (2021-05-25T12:06:55Z)
• A Deep Learning Study on Osteosarcoma Detection from Histological Images [6.341765152919201]
  最も一般的な悪性骨腫瘍は骨肉腫である。 CNNは、外科医の作業量を著しく減らし、患者の状態の予後を良くする。 CNNは、より信頼できるパフォーマンスを達成するために、大量のデータをトレーニングする必要があります。
  論文  参考訳（メタデータ） (2020-11-02T18:16:17Z)
• Introducing Anisotropic Minkowski Functionals for Local Structure Analysis and Prediction of Biomechanical Strength of Proximal Femur Specimens [0.0]
  骨粗しょう症や外傷による骨の脆さや骨折は、50歳以上の成人に多く見られ、生活の質を低下させる。 本研究では,MDCT画像から大腿骨近位部標本の骨強度を推定する新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-04-02T14:33:03Z)

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。