論文の概要: Machine Learning Based Radiomics for Glial Tumor Classification and Comparison with Volumetric Analysis

• arxiv url: http://arxiv.org/abs/2208.06739v1
• Date: Sat, 13 Aug 2022 22:09:53 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-16 13:34:27.140093
• Title: Machine Learning Based Radiomics for Glial Tumor Classification and Comparison with Volumetric Analysis
• Title（参考訳）: グリア腫瘍分類のための機械学習に基づく放射能と体積解析との比較
• Authors: Sevcan Turk, Kaya Oguz, Mehmet Orman, Emre Caliskan, Yesim Ertan, Erkin Ozgiray, Taner Akalin, Ashok Srinivasan, Omer Kitis
• Abstract要約: 造影T1強調像, T2強調像, FLAIR画像, 3T MRIで得られたADC画像の57例を振り返って検討した。 腫瘍は, 腫瘍壊死, 嚢胞, 浮腫の増悪部位と非増悪部位に区分した。 腫瘍の総容積,隆起性腫瘍,浮腫,壊死量,腫瘍総容積に対する比を測定した。
• 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; The purpose of this study is to classify glial tumors into grade II, III and IV categories noninvasively by application of machine learning to multi-modal MRI features in comparison with volumetric analysis. Methods; We retrospectively studied 57 glioma patients with pre and postcontrast T1 weighted, T2 weighted, FLAIR images, and ADC maps acquired on a 3T MRI. The tumors were segmented into enhancing and nonenhancing portions, tumor necrosis, cyst and edema using semiautomated segmentation of ITK-SNAP open source tool. We measured total tumor volume, enhancing-nonenhancing tumor, edema, necrosis volume and the ratios to the total tumor volume. Training of a support vector machine (SVM) classifier and artificial neural network (ANN) was performed with labeled data designed to answer the question of interest. Specificity, sensitivity, and AUC of the predictions were computed by means of ROC analysis. Differences in continuous measures between groups were assessed by using Kruskall Wallis, with post hoc Dunn correction for multiple comparisons. Results; When we compared the volume ratios between groups, there was statistically significant difference between grade IV and grade II-III glial tumors. Edema and tumor necrosis volume ratios for grade IV glial tumors were higher than that of grade II and III. Volumetric ratio analysis could not distinguish grade II and III tumors successfully. However, SVM and ANN correctly classified each group with accuracies up to 98% and 96%. Conclusion; Application of machine learning methods to MRI features can be used to classify brain tumors noninvasively and more readily in clinical settings.
• Abstract（参考訳）: 目的; 本研究の目的は, 容積解析と比較して, 機械学習をマルチモーダルMRI特徴に応用することにより, グリア腫瘍をグレードII, III, IVカテゴリーに非侵襲的に分類することである。 方法: 3T MRIにて得られたT1強調画像, T2重み画像, FLAIR画像, ADCマップの57例について検討した。 腫瘍は,ITK-SNAPオープンソースツールの半自動セグメンテーションを用いて,腫瘍壊死,嚢胞,浮腫の増強と非増強に区分した。 総腫瘍容積,増悪性腫瘍,浮腫,壊死量および全腫瘍容積に対する比を測定した。 関心事に答えるためにラベル付きデータを用いて支援ベクトルマシン(SVM)分類器と人工知能ニューラルネットワーク(ANN)の訓練を行った。 ROC分析により,予測の特異性,感度,AUCを算出した。 Kruskall Wallis を用いて群間の連続的な測定値の差を評価し, 複数比較のためのポストホックダン補正を行った。 結果: 群間の体積比を比較すると, grade iv と grade ii-iii のグリア腫瘍との間に有意な差が認められた。 グレードIVグリア腫瘍に対する浮腫,腫瘍壊死容積比は,グレードII,IIIより高かった。 ボリューム比分析ではグレードIIとIIIの腫瘍の鑑別が困難であった。 しかし、SVMとANNは、それぞれのグループを98%と96%の精度で正しく分類した。 結論:MRI機能への機械学習手法の適用は、臨床現場で脳腫瘍を非侵襲的に容易に分類するために用いられる。

関連論文リスト

• Model Ensemble for Brain Tumor Segmentation in Magnetic Resonance Imaging [5.289163833023648]
  本研究は3つの課題において,新たな腫瘍症例に対する深層学習に基づくアンサンブル戦略を提案する。 特に、最先端のnnU-NetとSwin UNETRモデルの出力を領域的にアンサンブルする。 PEDでは第1位,MENでは第3位,METでは第4位であった。
  論文  参考訳（メタデータ） (2024-09-12T17:24:50Z)
• 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)
• Glioblastoma Tumor Segmentation using an Ensemble of Vision Transformers [0.0]
  グリオ芽腫は最も攻撃的で致命的な脳腫瘍の1つである。 Brain Radiology Aided by Intelligent Neural NETworks (BRAINNET) は、堅牢な腫瘍セグメンテーションマスクを生成する。
  論文  参考訳（メタデータ） (2023-11-09T18:55:27Z)
• Generating 3D Brain Tumor Regions in MRI using Vector-Quantization Generative Adversarial Networks [5.380977479547755]
  本稿では、ベクトル量子化GANとマスクトークンモデリングを取り入れたトランスフォーマーを用いて、高分解能で多様な3次元脳腫瘍ROIを生成する新しいフレームワークを提案する。 提案手法は,MRIでまれな脳腫瘍の正確な診断を容易にする可能性がある。
  論文  参考訳（メタデータ） (2023-10-02T14:39:10Z)
• Comparative Evaluation of Transfer Learning for Classification of Brain Tumor Using MRI [0.5235143203977018]
  脳腫瘍の診断は、コンピュータ支援診断の分野によって大幅に速められている。 本研究では,脳腫瘍を4種類の転移学習法を用いて分類した。 われわれのモデルは、脳がんの3つの異なる形態を表す3064ドルのMRI画像のベンチマークデータセットでテストされた。
  論文  参考訳（メタデータ） (2023-09-24T03:46:38Z)
• Integrative Imaging Informatics for Cancer Research: Workflow Automation for Neuro-oncology (I3CR-WANO) [0.12175619840081271]
  我々は,多系列ニューロオンコロジーMRIデータの集約と処理のための人工知能ベースのソリューションを提案する。 エンド・ツー・エンドのフレームワーク i) アンサンブル分類器を用いてMRIの配列を分類し, i) 再現可能な方法でデータを前処理し, iv) 腫瘍組織サブタイプを規定する。 欠落したシーケンスに対して堅牢であり、専門的なループアプローチを採用しており、セグメンテーションの結果は放射線学者によって手動で洗練される可能性がある。
  論文  参考訳（メタデータ） (2022-10-06T18:23:42Z)
• Moving from 2D to 3D: volumetric medical image classification for rectal cancer staging [62.346649719614]
  術前T2期とT3期を区別することは直腸癌治療における最も困難かつ臨床的に重要な課題である。 直腸MRIでT3期直腸癌からT2を正確に判別するための体積畳み込みニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2022-09-13T07:10:14Z)
• Multi-Scale Input Strategies for Medulloblastoma Tumor Classification using Deep Transfer Learning [59.30734371401316]
  乳腺芽腫は小児で最も多い悪性脳腫瘍である。 CNNはMBサブタイプ分類に有望な結果を示した。 タイルサイズと入力戦略の影響について検討した。
  論文  参考訳（メタデータ） (2021-09-14T09:42:37Z)
• Triplet Contrastive Learning for Brain Tumor Classification [99.07846518148494]
  本稿では,脳腫瘍の深層埋め込みを直接学習する手法を提案する。 本手法は,27種類の腫瘍群からなる広範囲な脳腫瘍データセットを用いて評価し,そのうち13種は稀である。
  論文  参考訳（メタデータ） (2021-08-08T11:26:34Z)
• Spectral-Spatial Recurrent-Convolutional Networks for In-Vivo Hyperspectral Tumor Type Classification [49.32653090178743]
  ハイパースペクトル画像とディープラーニングを用いたin-vivo腫瘍型分類の可能性を示した。 我々の最良のモデルは76.3%のAUCを達成し、従来の学習手法とディープラーニング手法を著しく上回っている。
  論文  参考訳（メタデータ） (2020-07-02T12:00:53Z)
• Segmentation of the Myocardium on Late-Gadolinium Enhanced MRI based on 2.5 D Residual Squeeze and Excitation Deep Learning Model [55.09533240649176]
  本研究の目的は,LGE-MRIを用いた心筋境界領域の深部学習モデルに基づく正確な自動セグメンテーション法を開発することである。 合計320回の試験(平均6回の試験)と28回の試験が行われた。 ベーススライスとミドルスライスにおけるアンサンブルモデルの性能解析は, サーバ内調査と同等であり, アトピーススライスではわずかに低かった。
  論文  参考訳（メタデータ） (2020-05-27T20:44:38Z)

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。