論文の概要: PD-DWI: Predicting response to neoadjuvant chemotherapy in invasive
breast cancer with Physiologically-Decomposed Diffusion-Weighted MRI
machine-learning model
- arxiv url: http://arxiv.org/abs/2206.05695v1
- Date: Sun, 12 Jun 2022 08:59:49 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-14 14:21:28.758110
- Title: PD-DWI: Predicting response to neoadjuvant chemotherapy in invasive
breast cancer with Physiologically-Decomposed Diffusion-Weighted MRI
machine-learning model
- Title(参考訳): PD-DWI : 生理学的に解離した拡散強調MRI機械学習モデルを用いた浸潤乳癌に対する新補助化学療法の効果予測
- Authors: Maya Gilad and Moti Freiman
- Abstract要約: DWIと臨床データからpCRを予測するための生理学的に分解されたDWI機械学習モデルPD-DWIを紹介する。
我々のモデルは、現在のリーダーボードの最良の結果と比較して、曲線下(AUC)の面積を大幅に改善します。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Early prediction of pathological complete response (pCR) following
neoadjuvant chemotherapy (NAC) for breast cancer plays a critical role in
surgical planning and optimizing treatment strategies. Recently, machine and
deep-learning based methods were suggested for early pCR prediction from
multi-parametric MRI (mp-MRI) data including dynamic contrast-enhanced MRI and
diffusion-weighted MRI (DWI) with moderate success. We introduce PD-DWI, a
physiologically decomposed DWI machine-learning model to predict pCR from DWI
and clinical data. Our model first decomposes the raw DWI data into the various
physiological cues that are influencing the DWI signal and then uses the
decomposed data, in addition to clinical variables, as the input features of a
radiomics-based XGBoost model. We demonstrated the added-value of our PD-DWI
model over conventional machine-learning approaches for pCR prediction from
mp-MRI data using the publicly available Breast Multi-parametric MRI for
prediction of NAC Response (BMMR2) challenge. Our model substantially improves
the area under the curve (AUC), compared to the current best result on the
leaderboard (0.8849 vs. 0.8397) for the challenge test set. PD-DWI has the
potential to improve prediction of pCR following NAC for breast cancer, reduce
overall mp-MRI acquisition times and eliminate the need for contrast-agent
injection.
- Abstract(参考訳): 乳癌に対するneoadjuvant chemotherapy(nac)後の病理完全反応(pcr)の早期予測は,手術計画と治療戦略の最適化において重要な役割を担っている。
近年, ダイナミックコントラスト強調MRIと拡散強調MRI(DWI)を併用したマルチパラメトリックMRI(mp-MRI)データから, 早期pCR予測のための機械学習法とディープラーニング法が提案されている。
DWIと臨床データからpCRを予測するための生理学的に分解されたDWI機械学習モデルPD-DWIを紹介する。
まずDWI信号に影響を及ぼす様々な生理的手がかりに生のDWIデータを分解し,臨床変数に加えて分解したデータをXGBoostモデルの入力特性として利用する。
NAC応答(BMMR2)課題の予測にBreast Multi-parametric MRIを用いたmp-MRIデータからのpCR予測に対する従来の機械学習手法と比較して,PD-DWIモデルの付加価値を実証した。
本モデルでは,挑戦テストセットのリーダーボード (0.8849 vs. 0.8397) における現在の最良の結果と比較して,曲線下面積(AUC)を大幅に改善する。
PD-DWIは、乳がんに対するNAC後のpCRの予測を改善し、全体的なmp-MRI取得時間を短縮し、造影剤注入の必要性をなくす可能性がある。
関連論文リスト
- ContextMRI: Enhancing Compressed Sensing MRI through Metadata Conditioning [51.26601171361753]
本稿では, 微細なメタデータを再構成プロセスに統合したMRI用テキスト条件拡散モデルであるContextMRIを提案する。
メタデータの忠実度はスライス位置やコントラストから患者年齢、性別、病理まで増加し、体系的に再構築性能が向上することを示す。
論文 参考訳(メタデータ) (2025-01-08T05:15:43Z) - Enhanced Cascade Prostate Cancer Classifier in mp-MRI Utilizing Recall Feedback Adaptive Loss and Prior Knowledge-Based Feature Extraction [4.00189087655119]
本稿では, 先行知識を取り入れ, 不均一な医用サンプル分布の問題に対処し, mpMRIにおける高い解釈可能性を維持するソリューションを提案する。
まず,前立腺癌に対するPI-RADS基準をモデルトレーニングの診断情報として数学的にモデル化する,事前知識に基づく特徴抽出手法を提案する。
次に、極めて不均衡なデータ問題に対処するため、適応的リコールフィードバック損失を提案する。
第3に、前立腺癌を解釈可能な方法で異なるレベルに分類する拡張前立腺癌を設計する。
論文 参考訳(メタデータ) (2024-08-19T07:18:06Z) - Spatiotemporal Graph Neural Network Modelling Perfusion MRI [12.712005118761516]
Per vascular MRI (pMRI) は腫瘍について貴重な洞察を与え、腫瘍の遺伝子型を予測することを約束する。
しかし、4D pMRIに合わせた効果的なモデルはまだ不足している。
本研究は,GNNモデルを用いた4次元pMRIのモデル化の試みである。
論文 参考訳(メタデータ) (2024-06-10T16:24:46Z) - Radiomics-guided Multimodal Self-attention Network for Predicting Pathological Complete Response in Breast MRI [3.6852491526879687]
本研究では,ダイナミックコントラスト強調画像(DCE)とADCマップを用いた乳癌患者のpCR予測モデルを提案する。
本手法は, 腫瘍関連領域からの特徴抽出を誘導するために放射線を利用した自己注意機構を備えたエンコーダを用いて, DCE MRI と ADC から特徴抽出を行う。
論文 参考訳(メタデータ) (2024-06-05T04:49:55Z) - Improving Breast Cancer Grade Prediction with Multiparametric MRI Created Using Optimized Synthetic Correlated Diffusion Imaging [71.91773485443125]
乳がん治療計画において、グレーディングは重要な役割を担っている。
現在の腫瘍グレード法では、患者から組織を抽出し、ストレス、不快感、医療費の上昇につながる。
本稿では,CDI$s$の最適化による乳癌の診断精度の向上について検討する。
論文 参考訳(メタデータ) (2024-05-13T15:48:26Z) - Using Multiparametric MRI with Optimized Synthetic Correlated Diffusion Imaging to Enhance Breast Cancer Pathologic Complete Response Prediction [71.91773485443125]
ネオアジュバント化学療法は乳癌の治療戦略として最近人気を集めている。
ネオアジュバント化学療法を推奨する現在のプロセスは、医療専門家の主観的評価に依存している。
本研究は, 乳癌の病理組織学的完全反応予測に最適化されたCDI$s$を応用することを検討した。
論文 参考訳(メタデータ) (2024-05-13T15:40:56Z) - Automated Prediction of Breast Cancer Response to Neoadjuvant Chemotherapy from DWI Data [2.321323878201932]
そこで本研究では,DWI腫瘍の自動分割のための「サイズ適応病変重み付け」を用いた深層学習モデルを提案する。
我々のモデルは、pCR予測における人間専門家と、曲線(AUC)の0.76対0.796の領域とを一致させ、NAC中の標準自動化手法を上回ります。
論文 参考訳(メタデータ) (2024-04-07T20:15:40Z) - 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) - Enhancing Clinical Support for Breast Cancer with Deep Learning Models
using Synthetic Correlated Diffusion Imaging [66.63200823918429]
深層学習モデルを用いた乳癌に対する臨床支援の強化について検討した。
我々は、体積畳み込みニューラルネットワークを利用して、前処理コホートから深い放射能特徴を学習する。
提案手法は, グレードと処理後応答予測の両方において, より良い性能を実現することができる。
論文 参考訳(メタデータ) (2022-11-10T03:02:12Z) - Recurrence-free Survival Prediction under the Guidance of Automatic
Gross Tumor Volume Segmentation for Head and Neck Cancers [8.598790229614071]
自動原発性腫瘍 (GTVp) とリンパ節郭清法 (GTVn) を開発した。
腫瘍の分節体積から放射能の特徴を抽出し,RFS予測モデルを構築した。
論文 参考訳(メタデータ) (2022-09-22T18:44:57Z) - MIA-Prognosis: A Deep Learning Framework to Predict Therapy Response [58.0291320452122]
本稿では,患者の予後と治療反応を予測するための統合型深層学習手法を提案する。
我々は,マルチモーダル非同期時系列分類タスクとして,確率モデリングを定式化する。
我々の予測モデルは、長期生存の観点から、低リスク、高リスクの患者をさらに階層化する可能性がある。
論文 参考訳(メタデータ) (2020-10-08T15:30:17Z)
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。