論文の概要: A Pilot Study of Relating MYCN-Gene Amplification with Neuroblastoma-Patient CT Scans

• arxiv url: http://arxiv.org/abs/2205.10619v1
• Date: Sat, 21 May 2022 15:14:24 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-24 14:11:18.736144
• Title: A Pilot Study of Relating MYCN-Gene Amplification with Neuroblastoma-Patient CT Scans
• Title（参考訳）: 神経芽腫患者ctによるmycn遺伝子増幅に関するパイロット研究
• Authors: Zihan Zhang, Xiang Xiang, Xuehua Peng, Jianbo Shao
• Abstract要約: 我々は、MYCN遺伝子増幅の有無を予測するために、複数の機械学習(ML)アルゴリズムを採用する。 このデータセットは、23人の神経芽腫患者の振り返りCT画像で構成されている。 CNNベースの方法は、事前訓練された畳み込みニューラルネットワークを使用し、放射能ベースの方法は放射能の特徴を抽出する。
• 参考スコア（独自算出の注目度）: 14.442730976318726
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Neuroblastoma is one of the most common cancers in infants, and the initial diagnosis of this disease is difficult. At present, the MYCN gene amplification (MNA) status is detected by invasive pathological examination of tumor samples. This is time-consuming and may have a hidden impact on children. To handle this problem, we adopt multiple machine learning (ML) algorithms to predict the presence or absence of MYCN gene amplification. The dataset is composed of retrospective CT images of 23 neuroblastoma patients. Different from previous work, we develop the algorithm without manually-segmented primary tumors which is time-consuming and not practical. Instead, we only need the coordinate of the center point and the number of tumor slices given by a subspecialty-trained pediatric radiologist. Specifically, CNN-based method uses pre-trained convolutional neural network, and radiomics-based method extracts radiomics features. Our results show that CNN-based method outperforms the radiomics-based method.
• Abstract（参考訳）: 神経芽細胞腫は乳児で最も多いがんの1つであり,早期診断は困難である。 現在、MYCN遺伝子増幅(MNA)は、腫瘍サンプルの侵襲的病理検査により検出されている。 これは時間がかかり、子供に隠れた影響を及ぼす可能性がある。 この問題に対処するために,複数の機械学習(ml)アルゴリズムを適用し,mycn遺伝子増幅の有無を予測する。 このデータセットは、23人の神経芽腫患者の振り返りCT画像で構成されている。 従来の研究と異なり,手動で切除した原発性腫瘍は時間がかかり,実用的ではない。 代わりに、我々は、センターポイントの座標と、サブ専門の小児放射線科医が与える腫瘍スライスの数だけが必要である。 具体的には、CNNベースの方法は事前訓練された畳み込みニューラルネットワークを使用し、放射能ベースの方法は放射能の特徴を抽出する。 以上の結果から,CNN法はラジオミクス法よりも優れていた。

関連論文リスト

• Cross-modality Guidance-aided Multi-modal Learning with Dual Attention for MRI Brain Tumor Grading [47.50733518140625]
  脳腫瘍は世界で最も致命的ながんの1つであり、子供や高齢者に非常に多い。 本稿では,MRI脳腫瘍グレーディングの課題に対処するために,新たな多モード学習法を提案する。
  論文  参考訳（メタデータ） (2024-01-17T07:54:49Z)
• Post-Hoc Explainability of BI-RADS Descriptors in a Multi-task Framework for Breast Cancer Detection and Segmentation [48.08423125835335]
  MT-BI-RADSは乳房超音波(BUS)画像における腫瘍検出のための新しい深層学習手法である。 放射線科医が腫瘍の悪性度を予測するための意思決定プロセスを理解するための3つのレベルの説明を提供する。
  論文  参考訳（メタデータ） (2023-08-27T22:07:42Z)
• 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)
• Artificial-intelligence-based molecular classification of diffuse gliomas using rapid, label-free optical imaging [59.79875531898648]
  DeepGliomaは人工知能に基づく診断スクリーニングシステムである。 ディープグリオーマは、世界保健機関が成人型びまん性グリオーマ分類を定義するために使用する分子変化を予測することができる。
  論文  参考訳（メタデータ） (2023-03-23T18:50:18Z)
• Multiple Instance Neural Networks Based on Sparse Attention for Cancer Detection using T-cell Receptor Sequences [10.199698726118003]
  本稿では,スパースアテンション(MINN-SA)に基づく複数インスタンスニューラルネットワークを提案する。 MINN-SAは10種類の癌で測定された平均値において、ROC曲線(AUC)値が最も高い。
  論文  参考訳（メタデータ） (2022-08-09T03:24:03Z)
• RadioPathomics: Multimodal Learning in Non-Small Cell Lung Cancer for Adaptive Radiotherapy [1.8161758803237067]
  非小細胞肺癌に対する放射線治療成績を予測するため, マルチモーダルレイトフュージョン法を開発した。 実験により、AUCが90.9%ドルと同等のマルチモーダルパラダイムが、各ユニモーダルアプローチより優れていることが示された。
  論文  参考訳（メタデータ） (2022-04-26T16:32:52Z)
• Improving the Segmentation of Pediatric Low-Grade Gliomas through Multitask Learning [0.1199955563466263]
  低次グリオーマ(pLGGs)を有する小児患者のMRI(MRI)を訓練したセグメンテーションモデルを開発した。 提案モデルは,腫瘍の遺伝的変異分類器をメインネットワークに補助的タスクとして付加することにより,深層マルチタスク学習(dMTL)を利用する。
  論文  参考訳（メタデータ） (2021-11-29T21:12:47Z)
• MAG-Net: Mutli-task attention guided network for brain tumor segmentation and classification [0.9176056742068814]
  本稿では,MRI画像を用いて脳腫瘍領域の分類と分類を行うマルチタスク注意誘導エンコーダネットワーク(MAG-Net)を提案する。 このモデルは既存の最先端モデルと比較して有望な結果を得た。
  論文  参考訳（メタデータ） (2021-07-26T16:51:00Z)
• Predicting invasive ductal carcinoma using a Reinforcement Sample Learning Strategy using Deep Learning [0.951828574518325]
  浸潤性管癌の死因は女性で2番目に多い。 特定のマンモグラフィーの像の明瞭度や構造が変化しているため、がんの特徴を観察することは困難である。 本稿では乳房マンモグラフィー画像に畳み込みニューラルネットワークを新たに利用する腫瘍分類アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-05-26T14:14:45Z)
• Segmentation for Classification of Screening Pancreatic Neuroendocrine Tumors [72.65802386845002]
  本研究は,腹部CTで膵神経内分泌腫瘍(PNET)を早期に検出するための包括的結果を提示する。 我々の知る限りでは、このタスクは以前まで計算タスクとして研究されていなかった。 我々の手法は最先端のセグメンテーションネットワークより優れ、感度は89.47%、特異性は81.08%である。
  論文  参考訳（メタデータ） (2020-04-04T21:21:44Z)
• Stan: Small tumor-aware network for breast ultrasound image segmentation [68.8204255655161]
  本研究では,小腫瘍認識ネットワーク(Small tumor-Aware Network,STAN)と呼ばれる新しいディープラーニングアーキテクチャを提案する。 提案手法は, 乳腺腫瘍の分節化における最先端のアプローチよりも優れていた。
  論文  参考訳（メタデータ） (2020-02-03T22:25:01Z)

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。