論文の概要: MRI-based classification of IDH mutation and 1p/19q codeletion status of
gliomas using a 2.5D hybrid multi-task convolutional neural network
- arxiv url: http://arxiv.org/abs/2210.03779v1
- Date: Fri, 7 Oct 2022 18:46:39 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-11 19:53:18.226725
- Title: MRI-based classification of IDH mutation and 1p/19q codeletion status of
gliomas using a 2.5D hybrid multi-task convolutional neural network
- Title（参考訳）: 2.5Dハイブリッドマルチタスク畳み込みニューラルネットワークを用いたMRIによるグリオーマのIDH変異と1p/19q符号の分類
- Authors: Satrajit Chakrabarty, Pamela LaMontagne, Joshua Shimony, Daniel S.
Marcus, Aristeidis Sotiras
- Abstract要約: グリオーマにおけるIsocitrate dehydrogenase変異と1p/19q符号欠失は重要な予後マーカーである。
我々の目標は、MRIからこれらの分子変化を非侵襲的に決定する人工知能ベースの手法を開発することであった。
2.5Dハイブリッド畳み込みニューラルネットワークは、腫瘍を同時に局在させ、その分子状態を分類するために提案された。
- 参考スコア（独自算出の注目度）: 0.18374319565577152
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Isocitrate dehydrogenase (IDH) mutation and 1p/19q codeletion status are
important prognostic markers for glioma. Currently, they are determined using
invasive procedures. Our goal was to develop artificial intelligence-based
methods to non-invasively determine these molecular alterations from MRI. For
this purpose, pre-operative MRI scans of 2648 patients with gliomas (grade
II-IV) were collected from Washington University School of Medicine (WUSM; n =
835) and publicly available datasets viz. Brain Tumor Segmentation (BraTS; n =
378), LGG 1p/19q (n = 159), Ivy Glioblastoma Atlas Project (Ivy GAP; n = 41),
The Cancer Genome Atlas (TCGA; n = 461), and the Erasmus Glioma Database (EGD;
n = 774). A 2.5D hybrid convolutional neural network was proposed to
simultaneously localize the tumor and classify its molecular status by
leveraging imaging features from MR scans and prior knowledge features from
clinical records and tumor location. The models were tested on one internal
(TCGA) and two external (WUSM and EGD) test sets. For IDH, the best-performing
model achieved areas under the receiver operating characteristic (AUROC) of
0.925, 0.874, 0.933 and areas under the precision-recall curves (AUPRC) of
0.899, 0.702, 0.853 on the internal, WUSM, and EGD test sets, respectively. For
1p/19q, the best model achieved AUROCs of 0.782, 0.754, 0.842, and AUPRCs of
0.588, 0.713, 0.782, on those three data-splits, respectively. The high
accuracy of the model on unseen data showcases its generalization capabilities
and suggests its potential to perform a 'virtual biopsy' for tailoring
treatment planning and overall clinical management of gliomas.
- Abstract（参考訳）: Isocitrate dehydrogenase (IDH) 変異と1p/19qコードレプションはグリオーマにとって重要な予後マーカーである。
現在、侵襲的な手順で決定されている。
我々の目標は、MRIからこれらの分子変化を非侵襲的に決定する人工知能ベースの手法を開発することであった。
この目的のために、ワシントン大学医学部 (WUSM; n = 835) からグリオーマ患者2648名(グレードII-IV)の術前MRIを収集した。
Brain tumor Segmentation (BraTS; n = 378), LGG 1p/19q (n = 159), Ivy Glioblastoma Atlas Project (Ivy GAP; n = 41), The Cancer Genome Atlas (TCGA; n = 461), and the Erasmus Glioma Database (EGD; n = 774)。
2.5次元ハイブリッド畳み込みニューラルネットワークにより,mrスキャンからの画像特徴と臨床記録と腫瘍位置からの知識特徴を活用し,腫瘍の局在と分子状態の分類を同時に行うことができた。
モデルは1つの内部(TCGA)と2つの外部(WUSMとEGD)テストセットでテストされた。
IDHでは、受信機動作特性(AUROC)が0.925, 0.874, 0.933, 精度-リコール曲線(AUPRC)が0.899, 0.702, 0.853, WUSM, EGDテストセットでそれぞれ達成された。
1p/19qのAUROCは0.782、0.754、0.842、AUPRCは0.588、0.713、0.782である。
未発見のデータ上でのモデルの精度は、その一般化能力を示し、グリオーマの治療計画と全体の臨床管理を調整できる「仮想生検」を行う可能性を示唆している。
関連論文リスト
- TotalSegmentator MRI: Sequence-Independent Segmentation of 59 Anatomical Structures in MR images [62.53931644063323]
本研究では,TotalSegmentatorをMR画像に拡張した。
このデータセットに基づいてnnU-Netセグメンテーションアルゴリズムを訓練し、類似度係数(Dice)を計算し、モデルの性能を評価した。
このモデルは、他の2つの公開セグメンテーションモデル(Dice score 0.824 vs 0.762; p0.001 and 0.762 versus 0.542; p)を大きく上回った。
論文 参考訳（メタデータ） (2024-05-29T20:15:54Z) - Analysis of the BraTS 2023 Intracranial Meningioma Segmentation Challenge [44.586530244472655]
我々はBraTS 2023の頭蓋内髄膜腫チャレンジの設計と結果について述べる。
BraTS髄膜腫チャレンジ(BraTS Meningioma Challenge)は、髄膜腫に焦点を当てた以前のBraTSグリオーマチャレンジとは異なる。
上層部は腫瘍,腫瘍コア,腫瘍全体の拡張のために0.976,0.976,0.964の病変中央値類似係数(DSC)を有していた。
論文 参考訳（メタデータ） (2024-05-16T03:23:57Z) - 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) - Improving Deep Learning Models for Pediatric Low-Grade Glioma Tumors
Molecular Subtype Identification Using 3D Probability Distributions of Tumor
Location [0.0]
pLGGサブタイプ同定のためのCNNモデルは腫瘍セグメンテーションに依存している。
我々はMRIデータにおける腫瘍位置確率を用いてCNNモデルを拡張することを提案する。
腫瘍位置をCNNモデルに組み込むことにより,統計的に有意な改善が得られた。
論文 参考訳（メタデータ） (2022-10-13T18:30:11Z) - A New Deep Hybrid Boosted and Ensemble Learning-based Brain Tumor
Analysis using MRI [0.28675177318965034]
磁気共鳴画像(MRI)における脳腫瘍の検出・分類のための2段階深層学習フレームワークの提案
第1フェーズでは、健康な人から腫瘍MRI画像を検出するために、新しい深層化特徴とアンサンブル分類器(DBF-EC)方式が提案されている。
第2段階では, 異なる腫瘍タイプを分類するために, 動的静的特徴とML分類器からなる融合型脳腫瘍分類法が提案されている。
論文 参考訳（メタデータ） (2022-01-14T10:24:47Z) - Comparison of Machine Learning Classifiers to Predict Patient Survival
and Genetics of GBM: Towards a Standardized Model for Clinical Implementation [44.02622933605018]
放射線モデルは、グリオ芽腫(GBM)の結果予測のための臨床データを上回ることが示されています。
GBM患者の生存率(OS),IDH変異,O-6-メチルグアニン-DNA-メチルトランスフェラーゼ(MGMT)プロモーターメチル化,EGFR(EGFR)VII増幅,Ki-67発現の9種類の機械学習分類器を比較した。
xgb は os (74.5%), ab for idh 変異 (88%), mgmt メチル化 (71,7%), ki-67 発現 (86,6%), egfr増幅 (81。
論文 参考訳（メタデータ） (2021-02-10T15:10:37Z) - H2NF-Net for Brain Tumor Segmentation using Multimodal MR Imaging: 2nd
Place Solution to BraTS Challenge 2020 Segmentation Task [96.49879910148854]
当社のH2NF-Netは、単一およびカスケードのHNF-Netを使用して、異なる脳腫瘍サブリージョンを分割します。
我々は、マルチモーダル脳腫瘍チャレンジ(BraTS)2020データセットでモデルをトレーニングし、評価した。
提案手法は,80名近い参加者のうち,brats 2020チャレンジセグメンテーションタスクで2位となった。
論文 参考訳（メタデータ） (2020-12-30T20:44:55Z) - WHO 2016 subtyping and automated segmentation of glioma using multi-task
deep learning [2.8881360490071786]
我々は1つのマルチタスク畳み込みニューラルネットワークを開発し,IDHの変異状況,1p/19qの同時欠失状態,腫瘍のグレードを予測した。
我々は13の異なる施設から240人の患者を独立したデータセットで分析し、IDH-AUC 0.90, 1p/19q-AUC 0.85, grade-AUC 0.81, mean whole tumor DICE score 0.84を達成した。
論文 参考訳（メタデータ） (2020-10-09T08:18:53Z) - Deep Learning-based Computational Pathology Predicts Origins for Cancers
of Unknown Primary [2.645435564532842]
原発不明癌 (CUP) は腫瘍由来の原発性解剖学的部位を特定できない診断群である。
最近の研究は、腫瘍原点の同定にゲノム学と転写学を使うことに重点を置いている。
深層学習に基づくCUPの差分診断が可能な計算病理アルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-06-24T17:59:36Z) - Spatial-And-Context aware (SpACe) "virtual biopsy" radiogenomic maps to
target tumor mutational status on structural MRI [0.7573687311514342]
仮想生検(virtual biopsy)マップは、共局在バイオプシーサイトからの文脈特徴と、人口のアトラスからの空間的優位性を含む。
SpACeマップは、EGFR増幅状態の特定において90%(n=71)と90.48%(n=21)のトレーニングと試験の精度を得た。
SpACeマップは、がんの特定のドライバ遺伝子を標的にするためのサンプリングサイトのローカライゼーションを改善するために、外科的ナビゲーションを提供する可能性がある。
論文 参考訳（メタデータ） (2020-06-17T13:57:59Z) - 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。