論文の概要: Direct evaluation of progression or regression of disease burden in
brain metastatic disease with Deep Neuroevolution
- arxiv url: http://arxiv.org/abs/2203.12853v1
- Date: Thu, 24 Mar 2022 05:29:09 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-25 12:41:45.654767
- Title: Direct evaluation of progression or regression of disease burden in
brain metastatic disease with Deep Neuroevolution
- Title（参考訳）: 深部神経進化を伴う脳転移性疾患における疾患の進行または退行の直接的評価
- Authors: Joseph Stember, Robert Young and Hrithwik Shalu
- Abstract要約: 深部神経進化(Deep Neuroevolution、DNE)は、小さなトレーニングセットでうまく機能する放射線学人工知能(AI)を生成することができる。
そこで我々はDNEを用いて,転移性脳疾患の進行と退縮を予測する機能近似を行った。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Purpose: A core component of advancing cancer treatment research is assessing
response to therapy. Doing so by hand, for example as per RECIST or RANO
criteria, is tedious, time-consuming, and can miss important tumor response
information; most notably, they exclude non-target lesions. We wish to assess
change in a holistic fashion that includes all lesions, obtaining simple,
informative, and automated assessments of tumor progression or regression. Due
to often low patient enrolments in clinical trials, we wish to make response
assessments with small training sets. Deep neuroevolution (DNE) can produce
radiology artificial intelligence (AI) that performs well on small training
sets. Here we use DNE for function approximation that predicts progression
versus regression of metastatic brain disease.
Methods: We analyzed 50 pairs of MRI contrast-enhanced images as our training
set. Half of these pairs, separated in time, qualified as disease progression,
while the other 25 images constituted regression. We trained the parameters of
a relatively small CNN via mutations that consisted of random CNN weight
adjustments and mutation fitness. We then incorporated the best mutations into
the next generations CNN, repeating this process for approximately 50,000
generations. We applied the CNNs to our training set, as well as a separate
testing set with the same class balance of 25 progression and 25 regression
images.
Results: DNE achieved monotonic convergence to 100% training set accuracy.
DNE also converged monotonically to 100% testing set accuracy.
Conclusion: DNE can accurately classify brain-metastatic disease progression
versus regression. Future work will extend the input from 2D image slices to
full 3D volumes, and include the category of no change. We believe that an
approach such as our could ultimately provide a useful adjunct to RANO/RECIST
assessment.
- Abstract（参考訳）: 目的: がん治療研究のコアコンポーネントは、治療に対する反応を評価することである。
例えば、RECISTやRANOの基準に従って手動で行うことは退屈で時間を要するため、重要な腫瘍反応情報を見逃す可能性がある。
すべての病変を含む総体的変化を評価し,腫瘍進展や退縮の簡易的,情報的,自動的な評価を得たい。
臨床試験における患者満足度が低いため,少量のトレーニングセットで反応評価を行いたい。
深部神経進化(Deep Neuroevolution, DNE)は、小さなトレーニングセットでよく機能する放射線学人工知能(AI)を生成する。
そこで我々はDNEを用いて,転移性脳疾患の進行と退縮を予測する機能近似を行った。
方法】MRIコントラスト強調画像50対をトレーニングセットとして分析した。
これらのペアの半分は時間的に分離され、疾患進行の資格が与えられ、残りの25枚の画像は退縮した。
比較的小さなcnnのパラメータをランダムなcnn重み調整と変異適合性からなる突然変異を通して訓練した。
次に、最も優れた突然変異を次世代CNNに組み込み、約5万世代にわたってこのプロセスを繰り返す。
トレーニングセットにcnnを適用し、25の進歩と25の回帰イメージのクラスバランスを持つ別のテストセットも適用しました。
結果: DNEは単調収束を100%トレーニングセット精度で達成した。
dneはまた、100%テストセット精度に単調に収束した。
結論: dneは脳転移性疾患の進行と回帰を正確に分類できる。
今後の作業では、入力を2D画像スライスからフル3Dボリュームに拡張し、変更なしのカテゴリを含める予定である。
我々のようなアプローチは、究極的にはRANO/RECISTアセスメントに有用な補助となるだろうと考えています。
関連論文リスト
- Brain Tumor Classification on MRI in Light of Molecular Markers [61.77272414423481]
1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。
本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
論文 参考訳（メタデータ） (2024-09-29T07:04:26Z) - Predicting Parkinson's disease evolution using deep learning [1.4610685586329806]
パーキンソン病は、世界の人口の1%近くで起こる神経疾患である。
パーキンソン病の診断に利用できる血液検査やバイオマーカーは1つもない。
進行の段階を特定するために設計されたAIツールは存在しない。
論文 参考訳（メタデータ） (2023-12-28T10:30:54Z) - DDxT: Deep Generative Transformer Models for Differential Diagnosis [51.25660111437394]
より単純な教師付き学習信号と自己教師付き学習信号で訓練した生成的アプローチが,現在のベンチマークにおいて優れた結果が得られることを示す。
The proposed Transformer-based generative network, named DDxT, autoregressive produce a set of possible pathology,, i. DDx, and predicts the real pathology using a neural network。
論文 参考訳（メタデータ） (2023-12-02T22:57:25Z) - The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease
detection [51.697248252191265]
この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。
我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。
このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
論文 参考訳（メタデータ） (2023-09-13T10:40:41Z) - Curriculum Based Multi-Task Learning for Parkinson's Disease Detection [2.1187904593676845]
我々は、重篤度に基づくメタデータを利用して、深層畳み込みニューラルネットワーク(CNN)を訓練するためのカリキュラムを定義する。
カリキュラム学習は、分類し易い例から始めることで分類器のパフォーマンスを向上させるための訓練戦略である。
プレトレーニングCNNとトランスファーラーニングを用いたマルチタスク設定でも,T1強調(T1-w)MRIに基づくPD分類は困難であった(ROC AUC: 0.59-0.65)が,カリキュラムトレーニングでは,ベースラインモデルと比較してパフォーマンスが3.9%向上した。
論文 参考訳（メタデータ） (2023-02-27T09:58:09Z) - Deep neuroevolution for limited, heterogeneous data: proof-of-concept
application to Neuroblastoma brain metastasis using a small virtual pooled
image collection [0.0]
我々は,様々な機関の画像からなる仮想プールデータセットにDNEを適用することで,過度な適合性と一般化性の両方に対処する。
症例はMRIで神経芽腫の脳転移を分類することである。神経芽腫はまれな癌であるため,目的に適している。
DNEの以前の研究と同様に、30の正常と30の転移を含むMRI脳スキャンと37%の外部画像からなる小さなトレーニングセットを使用しました。
論文 参考訳（メタデータ） (2022-11-26T07:03:37Z) - Deep Neuroevolution Squeezes More out of Small Neural Networks and Small
Training Sets: Sample Application to MRI Brain Sequence Classification [0.0]
Deep Neuroevolution (DNE)は、小さなニューラルネットワークと小さなトレーニングセットでうまく機能する、放射線学人工知能(AI)を提供するという約束を掲げている。
対象は,T1,T1,T2,T2-FLAIR,T2-FLAIRの4つであった。
我々は、比較的小さな畳み込みニューラルネットワーク(CNN)のパラメータをトレーニングした。まず、CNNの重みをランダムに変更し、CNNのトレーニングセットの精度を測定し、後者を適合度評価指標として使用した。
論文 参考訳（メタデータ） (2021-12-24T08:21:52Z) - Brain tumor segmentation with self-ensembled, deeply-supervised 3D U-net
neural networks: a BraTS 2020 challenge solution [56.17099252139182]
U-netのようなニューラルネットワークを用いた脳腫瘍セグメント化作業の自動化と標準化を行う。
2つの独立したモデルのアンサンブルが訓練され、それぞれが脳腫瘍のセグメンテーションマップを作成した。
我々の解は、最終試験データセットにおいて、Diceの0.79、0.89、0.84、およびHausdorffの95%の20.4、6.7、19.5mmを達成した。
論文 参考訳（メタデータ） (2020-10-30T14:36:10Z) - Patch-based Brain Age Estimation from MR Images [64.66978138243083]
磁気共鳴画像(MRI)による脳年齢推定は、被験者の生物学的脳年齢と時系列年齢の違いを導出する。
より高年齢の神経変性を早期に検出することは、より良い医療と患者の計画を促進する可能性がある。
我々は、脳の3Dパッチと畳み込みニューラルネットワーク(CNN)を用いて、局所的な脳年齢推定器を開発する新しいディープラーニングアプローチを開発した。
論文 参考訳（メタデータ） (2020-08-29T11:50:37Z) - CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors
and Efficient Neural Networks [51.589769497681175]
新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。
SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。
我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
論文 参考訳（メタデータ） (2020-07-20T21:47:28Z) - Predictive modeling of brain tumor: A Deep learning approach [0.0]
本稿では3つの事前学習モデルを用いて脳MRIスキャンを2つのクラスに分類する畳み込みニューラルネットワーク(CNN)に基づく伝達学習手法を提案する。
実験の結果, Resnet-50モデルが最も精度が高く, 偽陰率は95%, ゼロであった。
論文 参考訳（メタデータ） (2019-11-06T09:27:48Z)
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。