論文の概要: Cancer-Net BCa: Breast Cancer Pathologic Complete Response Prediction
using Volumetric Deep Radiomic Features from Synthetic Correlated Diffusion
Imaging
- arxiv url: http://arxiv.org/abs/2211.05308v1
- Date: Thu, 10 Nov 2022 03:02:12 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-11 15:24:13.627367
- Title: Cancer-Net BCa: Breast Cancer Pathologic Complete Response Prediction
using Volumetric Deep Radiomic Features from Synthetic Correlated Diffusion
Imaging
- Title(参考訳): 癌-Net BCa: 合成関連拡散イメージングによる胸部深部放射線像を用いた乳癌病理組織学的完全反応予測
- Authors: Chi-en Amy Tai and Nedim Hodzic and Nic Flanagan and Hayden Gunraj and
Alexander Wong
- Abstract要約: ネオアジュバント化学療法に対する患者の病理学的反応を予測することは困難である。
我々は、体積畳み込みニューラルネットワークを用いて、前処理コホートから体積深部放射線の特徴を学習する。
後処理応答を用いた学習特徴に基づく予測器を構築する。
- 参考スコア(独自算出の注目度): 70.60433013657693
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Breast cancer is the second most common type of cancer in women in Canada and
the United States, representing over 25% of all new female cancer cases.
Neoadjuvant chemotherapy treatment has recently risen in usage as it may result
in a patient having a pathologic complete response (pCR), and it can shrink
inoperable breast cancer tumors prior to surgery so that the tumor becomes
operable, but it is difficult to predict a patient's pathologic response to
neoadjuvant chemotherapy. In this paper, we investigate the efficacy of
leveraging learnt volumetric deep features from a newly introduced magnetic
resonance imaging (MRI) modality called synthetic correlated diffusion imaging
(CDI$^s$) for the purpose of pCR prediction. More specifically, we leverage a
volumetric convolutional neural network to learn volumetric deep radiomic
features from a pre-treatment cohort and construct a predictor based on the
learnt features using the post-treatment response. As the first study to
explore the utility of CDI$^s$ within a deep learning perspective for clinical
decision support, we evaluated the proposed approach using the ACRIN-6698 study
against those learnt using gold-standard imaging modalities, and found that the
proposed approach can provide enhanced pCR prediction performance and thus may
be a useful tool to aid oncologists in improving recommendation of treatment of
patients. Subsequently, this approach to leverage volumetric deep radiomic
features (which we name Cancer-Net BCa) can be further extended to other
applications of CDI$^s$ in the cancer domain to further improve prediction
performance.
- Abstract(参考訳): 乳がんはカナダとアメリカ合衆国で2番目に多いがんであり、新しい女性のがん症例の25%以上を占める。
近年, 病理的完全反応 (pCR) を呈し, 手術前の乳がん腫瘍の縮小を図り, 腫瘍の手術性化を図っているが, 腫瘍に対する病理学的反応の予測は困難である。
本稿では, 合成相関拡散イメージング (CDI$^s$) と呼ばれる, 新たに導入された磁気共鳴イメージング (MRI) 法を用いて, pCR 予測のために, 学習した体積の深い特徴を活用することの有効性について検討する。
より具体的には、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体積深部放射能の特徴を学習し、後処理応答を用いた学習特徴に基づく予測器を構築する。
臨床診断支援のための深層学習の観点からCDI$^s$の有用性を探求する最初の研究として,ACRIN-6698を用いて,金標準画像モダリティを用いた学習者に対するアプローチを評価したところ,提案手法はpCR予測性能を向上し,腫瘍学者が患者の治療推奨を改善する上で有用なツールである可能性が示唆された。
その後、体積的深部放射線機能(がん-ネットbcaと命名する)を活用するこのアプローチは、がん領域におけるcdi$^s$の他の応用にも拡張でき、予測性能をさらに向上させることができる。
関連論文リスト
- Breast Cancer Detection and Diagnosis: A comparative study of
state-of-the-arts deep learning architectures [3.883460584034766]
南アフリカなど世界3カ国の乳がん患者の生存率は驚くほど低い。
医療専門家や研究者は、エンドツーエンドソリューションを開発するために、ドメイン固有のAIアプローチ、特にディープラーニングモデルに目を向けている。
本研究では、ビジョントランスフォーマー(ViT)と呼ばれる比較的新しいモデルと比較して、様々な最先端畳み込みニューラルネットワーク(CNN)アーキテクチャの性能を評価することに焦点を当てる。
論文 参考訳(メタデータ) (2023-05-31T15:21:34Z) - Cancer-Net BCa-S: Breast Cancer Grade Prediction using Volumetric Deep
Radiomic Features from Synthetic Correlated Diffusion Imaging [82.74877848011798]
乳がんの流行は成長を続けており、2023年には米国で約30万人の女性に影響を及ぼした。
金標準のScarff-Bloom-Richardson(SBR)グレードは、化学療法に対する患者の反応を一貫して示すことが示されている。
本稿では,合成相関拡散(CDI$s$)画像を用いた乳がん鑑定における深層学習の有効性について検討する。
論文 参考訳(メタデータ) (2023-04-12T15:08:34Z) - A Multi-Institutional Open-Source Benchmark Dataset for Breast Cancer
Clinical Decision Support using Synthetic Correlated Diffusion Imaging Data [82.74877848011798]
Cancer-Net BCaは、乳がん患者の画像データであるボリュームCDI$s$の複数機関のオープンソースベンチマークデータセットである。
Cancer-Net BCaは、機械学習の進歩を加速し、がんと戦う臨床医を助ける、グローバルなオープンソースイニシアチブの一部として、一般公開されている。
論文 参考訳(メタデータ) (2023-04-12T05:41:44Z) - RADIFUSION: A multi-radiomics deep learning based breast cancer risk
prediction model using sequential mammographic images with image attention
and bilateral asymmetry refinement [0.36355629235144304]
本研究は, 画像注意放射能, ゲーティング機構, 左右非対称性に基づく微調整など, 様々な深層学習機構の重要性を強調した。
乳がんリスク評価のための強力なツールとして, RADIfusionが有用であることが示唆された。
論文 参考訳(メタデータ) (2023-04-01T08:18:13Z) - Pre-screening breast cancer with machine learning and deep learning [0.0]
深層学習は、患者の人口統計学的および人文学的情報を分析することにより、がんの事前スクリーニングに使用できる。
特徴選択を用いて微調整された入力層アーキテクチャを用いたディープラーニングモデルは、がん患者と非がん患者を効果的に区別することができる。
これらの結果から, 癌前スクリーニングに応用されたディープラーニングアルゴリズムは, 放射線のない, 非侵襲的で手頃な価格で, 画像に基づくスクリーニング法を補完するものであることが示唆された。
論文 参考訳(メタデータ) (2023-02-05T15:27:50Z) - BI-RADS-Net: An Explainable Multitask Learning Approach for Cancer
Diagnosis in Breast Ultrasound Images [69.41441138140895]
本稿では,乳房超音波画像における癌検出のための新しい深層学習手法であるBI-RADS-Netを紹介する。
提案手法は, 臨床診断に関連する特徴表現を学習することにより, 乳腺腫瘍の説明と分類を行うタスクを取り入れたものである。
臨床医が医療現場で診断・報告するために使用する形態学的特徴の観点から予測(良性または悪性)の説明が提供される。
論文 参考訳(メタデータ) (2021-10-05T19:14:46Z) - Learned super resolution ultrasound for improved breast lesion
characterization [52.77024349608834]
超高分解能超音波局在顕微鏡は毛細血管レベルでの微小血管のイメージングを可能にする。
この作業では、これらの課題に対処するために、信号構造を効果的に活用するディープニューラルネットワークアーキテクチャを使用します。
トレーニングしたネットワークを利用することで,従来のPSF知識を必要とせず,UCAの分離性も必要とせず,短時間で微小血管構造を復元する。
論文 参考訳(メタデータ) (2021-07-12T09:04:20Z) - Stan: Small tumor-aware network for breast ultrasound image segmentation [68.8204255655161]
本研究では,小腫瘍認識ネットワーク(Small tumor-Aware Network,STAN)と呼ばれる新しいディープラーニングアーキテクチャを提案する。
提案手法は, 乳腺腫瘍の分節化における最先端のアプローチよりも優れていた。
論文 参考訳(メタデータ) (2020-02-03T22:25:01Z)
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。