論文の概要: Multi-modal learning for predicting the genotype of glioma
- arxiv url: http://arxiv.org/abs/2203.10852v1
- Date: Mon, 21 Mar 2022 10:20:04 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-22 14:26:28.943879
- Title: Multi-modal learning for predicting the genotype of glioma
- Title（参考訳）: グリオーマ遺伝子型予測のためのマルチモーダル学習
- Authors: Yiran Wei, Xi Chen, Lei Zhu, Lipei Zhang, Carola-Bibiane Sch\"onlieb,
Stephen J. Price, Chao Li
- Abstract要約: Isocitrate dehydrogenase (IDH)遺伝子変異はグリオーマの診断と予後に必須なバイオマーカーである。
焦点腫瘍像と幾何学的特徴をMRIから派生した脳ネットワーク特徴と統合することにより、グリオーマ遺伝子型をより正確に予測できることが期待されている。
本稿では,3つのエンコーダを用いたマルチモーダル学習フレームワークを提案し,局所腫瘍像,腫瘍幾何学,大域脳ネットワークの特徴を抽出する。
- 参考スコア（独自算出の注目度）: 14.93152817415408
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The isocitrate dehydrogenase (IDH) gene mutation is an essential biomarker
for the diagnosis and prognosis of glioma. It is promising to better predict
glioma genotype by integrating focal tumor image and geometric features with
brain network features derived from MRI. Convolutions neural networks show
reasonable performance in predicting IDH mutation, which, however, cannot learn
from non-Euclidean data, e.g., geometric and network data. In this study, we
propose a multi-modal learning framework using three separate encoders to
extract features of focal tumor image, tumor geometrics and global brain
networks. To mitigate the limited availability of diffusion MRI, we develop a
self-supervised approach to generate brain networks from anatomical
multi-sequence MRI. Moreover, to extract tumor-related features from the brain
network, we design a hierarchical attention module for the brain network
encoder. Further, we design a bi-level multi-modal contrastive loss to align
the multi-modal features and tackle the domain gap at the focal tumor and
global brain. Finally, we propose a weighted population graph to integrate the
multi-modal features for genotype prediction. Experimental results on the
testing set show that the proposed model outperforms the baseline deep learning
models. The ablation experiments validate the performance of different
components of the framework. The visualized interpretation corresponds to
clinical knowledge with further validation. In conclusion, the proposed
learning framework provides a novel approach for predicting the genotype of
glioma.
- Abstract（参考訳）: Isocitrate dehydrogenase (IDH)遺伝子変異はグリオーマの診断と予後に必須なバイオマーカーである。
脳腫瘍の画像と幾何学的特徴をmriから派生した脳ネットワーク機能に統合することにより、グリオーマ遺伝子型を予測することが期待されている。
畳み込みニューラルネットワークはIDH変異を予測する上で妥当な性能を示すが、幾何データやネットワークデータのような非ユークリッドデータから学べない。
本研究では,3つの異なるエンコーダを用いたマルチモーダル学習フレームワークを提案し,局所腫瘍像,腫瘍幾何学,大域脳ネットワークの特徴を抽出する。
拡散MRIの可用性を抑えるため,解剖学的マルチシーケンスMRIから脳ネットワークを生成する自己教師型アプローチを開発した。
さらに,脳ネットワークから腫瘍関連特徴を抽出するために,脳ネットワークエンコーダのための階層的アテンションモジュールを設計する。
さらに,両レベルのマルチモーダルコントラスト損失を設計し,マルチモーダルの特徴を整列させ,焦点腫瘍と大脳域における領域ギャップに対処する。
最後に、遺伝子型予測のためのマルチモーダル特徴を統合するための重み付き人口グラフを提案する。
実験結果から,提案モデルがベースライン深層学習モデルより優れていることが示された。
アブレーション実験は、フレームワークのさまざまなコンポーネントのパフォーマンスを検証する。
可視化された解釈は、さらなる検証を伴う臨床知識に対応する。
結論として,提案する学習フレームワークはグリオーマの遺伝子型を予測する新しいアプローチを提供する。
関連論文リスト
- Enhancing Brain Tumor Classification Using TrAdaBoost and Multi-Classifier Deep Learning Approaches [0.0]
脳腫瘍は、急速な成長と転移の可能性のために深刻な健康上の脅威となる。
本研究の目的は,脳腫瘍分類の効率と精度を向上させることである。
我々のアプローチは、ViT(Vision Transformer)、Capsule Neural Network(CapsNet)、ResNet-152やVGG16といった畳み込みニューラルネットワーク(CNN)など、最先端のディープラーニングアルゴリズムを組み合わせる。
論文 参考訳（メタデータ） (2024-10-31T07:28:06Z) - Pathology-genomic fusion via biologically informed cross-modality graph learning for survival analysis [7.996257103473235]
そこで我々は,全スライド画像(WSI)とバルクRNA-Seq発現データと異種グラフニューラルネットワークを統合したPGHG(Pathology-Genome Heterogeneous Graph)を提案する。
PGHGは生物学的知識誘導表現学習ネットワークと病理ゲノム不均一グラフから構成される。
腫瘍ゲノムアトラスの低悪性度グリオーマ,グリオーマ,腎乳頭状細胞癌データセットについて検討した。
論文 参考訳（メタデータ） (2024-04-11T09:07:40Z) - Prediction of brain tumor recurrence location based on multi-modal
fusion and nonlinear correlation learning [55.789874096142285]
深層学習に基づく脳腫瘍再発位置予測ネットワークを提案する。
まず、パブリックデータセットBraTS 2021上で、マルチモーダル脳腫瘍セグメンテーションネットワークをトレーニングする。
次に、事前訓練されたエンコーダを、リッチなセマンティックな特徴を抽出するために、プライベートデータセットに転送する。
2つのデコーダは、現在の脳腫瘍を共同に分断し、将来の腫瘍再発位置を予測するために構築されている。
論文 参考訳（メタデータ） (2023-04-11T02:45:38Z) - 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) - Collaborative learning of images and geometrics for predicting
isocitrate dehydrogenase status of glioma [8.262398325144774]
IDH変異検出のゴールド標準は、侵襲的なアプローチによって得られた腫瘍組織を必要とし、通常は高価である。
近年の放射線ゲノミクスの進歩は、MRIに基づくIDH変異を予測する非侵襲的アプローチを提供する。
本稿では、畳み込みニューラルネットワーク(CNN)とグラフニューラルネットワーク(GNN)を用いて、腫瘍画像と腫瘍幾何学の両方を学習する協調学習フレームワークを提案する。
その結果,提案モデルは3D-DenseNet121のベースラインモデルよりも優れていた。
論文 参考訳（メタデータ） (2022-01-14T15:58:07Z) - Cross-Modality Deep Feature Learning for Brain Tumor Segmentation [158.8192041981564]
本稿では, マルチモーダルMRIデータから脳腫瘍を抽出するクロスモーダルディープ・フィーチャーラーニング・フレームワークを提案する。
中心となる考え方は、不十分なデータスケールを補うために、マルチモダリティデータにまたがる豊富なパターンをマイニングすることだ。
on the BraTS benchmarks, this proposed cross-modality deep feature learning framework could effective improve the brain tumor segmentation performance。
論文 参考訳（メタデータ） (2022-01-07T07:46:01Z) - Predicting isocitrate dehydrogenase mutationstatus in glioma using
structural brain networksand graph neural networks [6.67232502899311]
Isocitrate dehydrogenase (IDH)遺伝子変異はグリオーマの診断と予後に重要な価値をもたらす。
機械学習とディープラーニングモデルは、IDH変異状態を予測する上で適切なパフォーマンスを示す。
本稿では,患者の脳の構造的ネットワークに基づくグラフニューラルネットワーク(GNN)を用いたIDH変異の予測手法を提案する。
論文 参考訳（メタデータ） (2021-09-04T12:19:33Z) - 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) - Ensemble manifold based regularized multi-modal graph convolutional
network for cognitive ability prediction [33.03449099154264]
マルチモーダル機能磁気共鳴イメージング(fMRI)を使用して、脳の接続ネットワークに基づいて個々の行動特性および認知特性を予測することができます。
本稿では,fMRI時系列と各脳領域間の機能接続(FC)を組み込んだ,解釈可能な多モードグラフ畳み込みネットワーク(MGCN)モデルを提案する。
我々は、フィラデルフィア神経開発コホート上のMGCNモデルを検証し、個々の広範囲達成テスト(WRAT)スコアを予測します。
論文 参考訳（メタデータ） (2021-01-20T20:53:07Z) - M2Net: Multi-modal Multi-channel Network for Overall Survival Time
Prediction of Brain Tumor Patients [151.4352001822956]
生存時間(OS)の早期かつ正確な予測は、脳腫瘍患者に対するより良い治療計画を得るのに役立つ。
既存の予測手法は、磁気共鳴(MR)ボリュームの局所的な病変領域における放射能特性に依存している。
我々は,マルチモーダルマルチチャネルネットワーク(M2Net)のエンドツーエンドOS時間予測モデルを提案する。
論文 参考訳（メタデータ） (2020-06-01T05:21:37Z) - A Graph Gaussian Embedding Method for Predicting Alzheimer's Disease
Progression with MEG Brain Networks [59.15734147867412]
アルツハイマー病(AD)に関連する機能的脳ネットワークの微妙な変化を特徴付けることは、疾患進行の早期診断と予測に重要である。
我々は、多重グラフガウス埋め込みモデル(MG2G)と呼ばれる新しいディープラーニング手法を開発した。
我々はMG2Gを用いて、MEG脳ネットワークの内在性潜在性次元を検出し、軽度認知障害(MCI)患者のADへの進行を予測し、MCIに関連するネットワーク変化を伴う脳領域を同定した。
論文 参考訳（メタデータ） (2020-05-08T02:29:24Z)
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。