論文の概要: Improving Deep Learning Models for Pediatric Low-Grade Glioma Tumors Molecular Subtype Identification Using 3D Probability Distributions of Tumor Location

• arxiv url: http://arxiv.org/abs/2210.07287v2
• Date: Tue, 24 Oct 2023 18:47:41 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-28 06:25:49.082114
• Title: Improving Deep Learning Models for Pediatric Low-Grade Glioma Tumors Molecular Subtype Identification Using 3D Probability Distributions of Tumor Location
• Title（参考訳）: 小児低グレードグリオーマ腫瘍の3次元確率分布を用いた分子サブタイプ同定による深層学習モデルの改善
• Authors: Khashayar Namdar, Matthias W. Wagner, Kareem Kudus, Cynthia Hawkins, Uri Tabori, Brigit Ertl-Wagner, Farzad Khalvati
• Abstract要約: 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。
• 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: Background and Purpose: Pediatric low-grade glioma (pLGG) is the most common type of brain tumor in children, and identification of molecular markers for pLGG is crucial for successful treatment planning. Convolutional Neural Network (CNN) models for pLGG subtype identification rely on tumor segmentation. We hypothesize tumor segmentations are suboptimal and thus, we propose to augment the CNN models using tumor location probability in MRI data. Materials and Methods: Our REB-approved retrospective study included MRI Fluid-Attenuated Inversion Recovery (FLAIR) sequences of 143 BRAF fused and 71 BRAF V600E mutated tumors. Tumor segmentations (regions of interest (ROIs)) were provided by a pediatric neuroradiology fellow and verified by a senior pediatric neuroradiologist. In each experiment, we randomly split the data into development and test with an 80/20 ratio. We combined the 3D binary ROI masks for each class in the development dataset to derive the probability density functions (PDF) of tumor location, and developed three pipelines: location-based, CNN-based, and hybrid. Results: We repeated the experiment with different model initializations and data splits 100 times and calculated the Area Under Receiver Operating Characteristic Curve (AUC). The location-based classifier achieved an AUC of 77.90, 95% confidence interval (CI) (76.76, 79.03). CNN-based classifiers achieved AUC of 86.11, CI (84.96, 87.25), while the tumor-location-guided CNNs outperformed the formers with an average AUC of 88.64 CI (87.57, 89.72), which was statistically significant (Student's t-test p-value 0.0018). Conclusion: We achieved statistically significant improvements by incorporating tumor location into the CNN models. Our results suggest that manually segmented ROIs may not be optimal.
• Abstract（参考訳）: 背景と目的:小児低次グリオーマ(pLGG)は小児で最も一般的な脳腫瘍であり,pLGGの分子マーカーの同定は治療計画の立案に不可欠である。 pLGGサブタイプ同定のための畳み込みニューラルネットワーク(CNN)モデルは腫瘍セグメンテーションに依存している。 腫瘍の分節は最適ではないと仮定し,mriデータに腫瘍位置確率を用いたcnnモデルの拡張を提案する。 材料と方法: rebが承認した回顧的研究には、mri流体減衰逆回復法(flair)の143個のブラフ融合癌と71個のブラフv600e変異腫瘍の配列があった。 腫瘍セグメンテーション(ROIs)は小児神経放射線学のフェローが提供し、高齢者神経放射線学者が検証した。 それぞれの実験では、データを80/20の割合で開発とテストにランダムに分割する。 腫瘍位置の確率密度関数 (PDF) を導出するために, 開発データセットの各クラス毎の3DバイナリROIマスクを組み合わせ, 位置ベース, CNNベース, ハイブリッドの3つのパイプラインを開発した。 結果:異なるモデルの初期化とデータを100回分割して実験を繰り返し,AUC(Area Under Receiver Operating Characteristics Curve)を算出した。 位置ベース分類器は 77.90, 95% 信頼区間 (CI) (76.76, 79.03) を達成した。 CNNベースの分類器は86.11、CI(84.96、87.25)、CNNは88.64 CI(87.57、89.72)で前者を上回った(Studentのt-test p-value 0.0018)。 結論: 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。 結果から,手動で分割したROIが最適でない可能性が示唆された。

関連論文リスト

• Brain Tumor Classification on MRI in Light of Molecular Markers [61.77272414423481]
  1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。 本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
  論文  参考訳（メタデータ） (2024-09-29T07:04:26Z)
• 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)
• Breast Ultrasound Tumor Classification Using a Hybrid Multitask CNN-Transformer Network [63.845552349914186]
  胸部超音波(BUS)画像分類において,グローバルな文脈情報の収集が重要な役割を担っている。 ビジョントランスフォーマーは、グローバルなコンテキスト情報をキャプチャする能力が改善されているが、トークン化操作によって局所的なイメージパターンを歪めてしまう可能性がある。 本研究では,BUS腫瘍分類とセグメンテーションを行うハイブリッドマルチタスクディープニューラルネットワークであるHybrid-MT-ESTANを提案する。
  論文  参考訳（メタデータ） (2023-08-04T01:19:32Z)
• Multiple Instance Ensembling For Paranasal Anomaly Classification In The Maxillary Sinus [46.1292414445895]
  副鼻腔奇形は幅広い形態学的特徴を持つ。 副鼻腔異常分類への現在のアプローチは、一度に1つの異常を特定することに制約されている。 3次元畳み込みニューラルネットワーク(CNN)を用いて正常上顎骨(MS)とMSをポリープや嚢胞で分類する可能性を検討した。
  論文  参考訳（メタデータ） (2023-03-31T09:23:27Z)
• Multi-class Brain Tumor Segmentation using Graph Attention Network [3.3635982995145994]
  この研究は、MRIとグラフニューラルネットワーク(GNN)の進歩を生かして、効率的な脳腫瘍要約モデルを導入する。 このモデルは、ボリュームMRIを領域隣接グラフ(RAG)として表現し、グラフ注意ネットワーク(GAT)を通して腫瘍の種類を特定することを学習する。
  論文  参考訳（メタデータ） (2023-02-11T04:30:40Z)
• Brain Tumor MRI Classification using a Novel Deep Residual and Regional CNN [0.0]
  Res-BRNet Convolutional Neural Network (CNN) は脳腫瘍(磁気共鳴イメージング)MRIの診断に有用である。 開発されたRes-BRNetの効率は、KaggleとFigshareから収集された標準データセットに基づいて評価される。 実験により、Res-BRNetは標準CNNモデルよりも優れ、優れた性能を示した。
  論文  参考訳（メタデータ） (2022-11-29T20:14:13Z)
• Hybrid Window Attention Based Transformer Architecture for Brain Tumor Segmentation [28.650980942429726]
  細かな特徴を抽出するための2つのウィンドウ化戦略に従うボリューム視覚変換器を提案する。 FeTS Challenge 2022データセット上で,ネットワークアーキテクチャをトレーニングし,評価した。 オンライン検証データセットのパフォーマンスは以下の通りである。 Dice similarity Score of 81.71%, 91.38%, 85.40%。
  論文  参考訳（メタデータ） (2022-09-16T03:55:48Z)
• Federated Learning Enables Big Data for Rare Cancer Boundary Detection [98.5549882883963]
  6大陸にわたる71の医療機関のデータを含む,これまでで最大のフェデレーテッドML研究の結果を報告する。 グリオ芽腫の稀な疾患に対する腫瘍境界自動検出装置を作製した。 当科では, 外科的に標的とした腫瘍の悪性度を高めるために, 33%の改善率を示し, 腫瘍全体に対する23%の改善率を示した。
  論文  参考訳（メタデータ） (2022-04-22T17:27:00Z)
• A self-supervised learning strategy for postoperative brain cavity segmentation simulating resections [46.414990784180546]
  畳み込みニューラルネットワーク(CNN)は最先端の画像セグメンテーション技術である。 CNNはトレーニングに大量の注釈付きデータセットを必要とする。 自己教師型学習戦略は、トレーニングにラベルのないデータを活用することができる。
  論文  参考訳（メタデータ） (2021-05-24T12:27:06Z)
• Glioma Prognosis: Segmentation of the Tumor and Survival Prediction using Shape, Geometric and Clinical Information [13.822139791199106]
  我々は,ハイパーコラムを用いた畳み込みニューラルネットワーク(cnn)を用いて,健常脳組織から腫瘍を分離する。 私たちのモデルは、腫瘍全体、腫瘍コアおよび増強腫瘍の平均ダイス精度87.315%、77.04%および70.22%を達成した。
  論文  参考訳（メタデータ） (2021-04-02T10:49:05Z)
• Machine-Learning-Based Multiple Abnormality Prediction with Large-Scale Chest Computed Tomography Volumes [64.21642241351857]
  19,993症例から36,316巻の胸部CTデータセットを収集,解析した。 自由テキストラジオグラフィーレポートから異常ラベルを自動的に抽出するルールベース手法を開発した。 胸部CTボリュームの多臓器・多臓器分類モデルも開発した。
  論文  参考訳（メタデータ） (2020-02-12T00:59:23Z)

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。