Fugu-MT 論文翻訳(概要): Joint Prediction of Meningioma Grade and Brain Invasion via Task-Aware Contrastive Learning

論文の概要: Joint Prediction of Meningioma Grade and Brain Invasion via Task-Aware Contrastive Learning

arxiv url: http://arxiv.org/abs/2209.01517v1
Date: Sun, 4 Sep 2022 02:50:47 GMT
ステータス: 処理完了
システム内更新日: 2022-09-07 13:55:55.944849
Title: Joint Prediction of Meningioma Grade and Brain Invasion via Task-Aware Contrastive Learning
Title（参考訳）: task-aware contrastive learning による髄膜腫と脳浸潤の同時予測
Authors: Tianling Liu and Wennan Liu and Lequan Yu and Liang Wan and Tong Han and Lei Zhu
Abstract要約: マルチモーダルMRIによる髄膜腫グレードと脳浸潤を共同で予測するタスク認識型コントラスト学習アルゴリズムを提案する。基本的なマルチタスク学習フレームワークに基づいて、画像特徴をタスク固有の機能とタスク共通機能に分解するコントラスト学習戦略を採用する。実験の結果,提案アルゴリズムは代替マルチタスク学習法よりも優れていた。
参考スコア（独自算出の注目度）: 27.87673051695757
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Preoperative and noninvasive prediction of the meningioma grade is important in clinical practice, as it directly influences the clinical decision making. What's more, brain invasion in meningioma (i.e., the presence of tumor tissue within the adjacent brain tissue) is an independent criterion for the grading of meningioma and influences the treatment strategy. Although efforts have been reported to address these two tasks, most of them rely on hand-crafted features and there is no attempt to exploit the two prediction tasks simultaneously. In this paper, we propose a novel task-aware contrastive learning algorithm to jointly predict meningioma grade and brain invasion from multi-modal MRIs. Based on the basic multi-task learning framework, our key idea is to adopt contrastive learning strategy to disentangle the image features into task-specific features and task-common features, and explicitly leverage their inherent connections to improve feature representation for the two prediction tasks. In this retrospective study, an MRI dataset was collected, for which 800 patients (containing 148 high-grade, 62 invasion) were diagnosed with meningioma by pathological analysis. Experimental results show that the proposed algorithm outperforms alternative multi-task learning methods, achieving AUCs of 0:8870 and 0:9787 for the prediction of meningioma grade and brain invasion, respectively. The code is available at https://github.com/IsDling/predictTCL.
Abstract（参考訳）: 髄膜腫の術前および非侵襲的予測は,臨床診断に直接的な影響を及ぼすため,臨床実践において重要である。さらに、髄膜腫の脳浸潤(すなわち、隣接する脳組織内に腫瘍組織が存在すること)は髄膜腫の分解の独立した基準であり、治療戦略に影響を与える。これら2つのタスクに対処する努力が報告されているが、その多くは手作りの機能に依存しており、2つの予測タスクを同時に利用する試みはない。本稿では,マルチモーダルMRIによる髄膜腫グレードと脳浸潤を共同で予測するタスク対応コントラスト学習アルゴリズムを提案する。基本的マルチタスク学習フレームワークをベースとして,画像特徴をタスク固有の特徴やタスク共通特徴に分解するコントラスト学習戦略を導入し,それら固有の関係を明示的に活用して,2つの予測タスクの特徴表現を改善する。この回顧調査では, 800例(高次148例, 62例)の髄膜腫と診断し, 病理組織学的検討を行った。実験の結果, 提案アルゴリズムは, 髄膜腫と脳浸潤の予測において, AUCの0:8870と0:9787をそれぞれ達成し, 代替マルチタスク学習法よりも優れていた。コードはhttps://github.com/IsDling/predictTCLで公開されている。

関連論文リスト

Segmentation of Mental Foramen in Orthopantomographs: A Deep Learning Approach [1.9193578733126382]
本研究の目的は, 歯科医療における歯科処置の促進, 患者ケアの増大, 医療効率の向上である。本研究では、深層学習法を用いて、パノラマ画像からメンタルフォアメンを正確に検出し、分類した。
論文参考訳（メタデータ） (2024-08-08T21:40:06Z)
UniBrain: Universal Brain MRI Diagnosis with Hierarchical Knowledge-enhanced Pre-training [66.16134293168535]
我々はUniBrainと呼ばれるユニバーサル脳MRI診断のための階層的知識強化事前訓練フレームワークを提案する。具体的には、UniBrainは、定期的な診断から24,770のイメージレポートペアの大規模なデータセットを活用する。
論文参考訳（メタデータ） (2023-09-13T09:22:49Z)
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)
A Novel Supervised Contrastive Regression Framework for Prediction of Neurocognitive Measures Using Multi-Site Harmonized Diffusion MRI Tractography [13.80649748804573]
Supervised Contrastive Regression (SCR)は、回帰タスクにおけるコントラスト学習の完全な監視を可能にする、シンプルで効果的な方法である。 SCRは、連続回帰ラベルの絶対差を用いて教師付きコントラスト表現学習を行う。 SCRは、他の最先端手法と比較して、神経認知的スコア予測の精度を向上する。
論文参考訳（メタデータ） (2022-10-13T23:24:12Z)
MRI-based Multi-task Decoupling Learning for Alzheimer's Disease Detection and MMSE Score Prediction: A Multi-site Validation [9.427540028148963]
MRIによる高齢者健診におけるアルツハイマー病(AD)の正確な検出とMMSEスコアの予測は重要な課題であるこれら2つのタスクに関する従来の手法のほとんどは、シングルタスク学習に基づいており、それらの相関を考慮することは滅多にない。本稿では,AD検出とMMSEスコア予測のためのMRIに基づくマルチタスク分離学習手法を提案する。
論文参考訳（メタデータ） (2022-04-02T09:19:18Z)
EMT-NET: Efficient multitask network for computer-aided diagnosis of breast cancer [58.720142291102135]
乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
論文参考訳（メタデータ） (2022-01-13T05:24:40Z)
Learning Personal Representations from fMRIby Predicting Neurofeedback Performance [52.77024349608834]
機能的MRI(fMRI)によって導かれる自己神経変調タスクを行う個人のための個人表現を学習するためのディープニューラルネットワーク手法を提案する。この表現は、直近のfMRIフレームが与えられた次のfMRIフレームにおける扁桃体活動を予測する自己教師型リカレントニューラルネットワークによって学習され、学習された個々の表現に条件付けされる。
論文参考訳（メタデータ） (2021-12-06T10:16:54Z)
MIMO: Mutual Integration of Patient Journey and Medical Ontology for Healthcare Representation Learning [49.57261599776167]
本稿では、医療表現学習と予測分析のための、エンドツーエンドの堅牢なトランスフォーマーベースのソリューション、患者旅行の相互統合、医療オントロジー(MIMO)を提案する。
論文参考訳（メタデータ） (2021-07-20T07:04:52Z)
Modality-Pairing Learning for Brain Tumor Segmentation [34.58078431696929]
そこで我々は,脳腫瘍セグメンテーションのための新しいエンド・ツー・エンドモダリティペアリング学習法を提案する。提案手法はBraTS 2020オンラインテストデータセット上でテストされ,有望なセグメンテーション性能が得られた。
論文参考訳（メタデータ） (2020-10-19T07:42:10Z)
Multi-Site Infant Brain Segmentation Algorithms: The iSeg-2019 Challenge [53.48285637256203]
iSeg 2019 Challengeは、さまざまなプロトコル/スキャナーを持つ複数のサイトから6ヶ月の乳児のセットを提供する。執筆時点では、iSeg 2019には30の自動セグメンテーションメソッドが参加している。私たちは、パイプライン/実装の詳細を説明し、実験結果を示し、脳全体、関心領域、ジャラルランドマークカーブの観点からパフォーマンスを評価することで、上位8チームについてレビューします。
論文参考訳（メタデータ） (2020-07-04T13:39:48Z)
Mapping individual differences in cortical architecture using multi-view representation learning [0.0]
本稿では,タスクfMRIと安静状態fMRIで計測されたアクティベーションと接続性に基づく情報を組み合わせて,新しい機械学習手法を提案する。マルチビューディープ・オートエンコーダは、2つのfMRIモダリティを、患者を特徴づけるスカラースコアを推測するために予測モデルが訓練されたジョイント表現空間に融合させるように設計されている。
論文参考訳（メタデータ） (2020-04-01T09:01:25Z)

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。