論文の概要: Enhancing Clinical Support for Breast Cancer with Deep Learning Models
using Synthetic Correlated Diffusion Imaging
- arxiv url: http://arxiv.org/abs/2211.05308v2
- Date: Fri, 4 Aug 2023 17:13:34 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-07 16:30:58.515671
- Title: Enhancing Clinical Support for Breast Cancer with Deep Learning Models
using Synthetic Correlated Diffusion Imaging
- Title(参考訳): 合成相関拡散画像を用いた深層学習モデルを用いた乳癌の臨床支援
- Authors: Chi-en Amy Tai and Hayden Gunraj and Nedim Hodzic and Nic Flanagan and
Ali Sabri and Alexander Wong
- Abstract要約: 深層学習モデルを用いた乳癌に対する臨床支援の強化について検討した。
我々は、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深い放射能特徴を学習する。
提案手法は, グレードと処理後応答予測の両方において, より良い性能を実現することができる。
- 参考スコア(独自算出の注目度): 66.63200823918429
- 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. As
such, there has been immense research and progress on improving screening and
clinical support for breast cancer. In this paper, we investigate enhancing
clinical support for breast cancer with deep learning models using a newly
introduced magnetic resonance imaging (MRI) modality called synthetic
correlated diffusion imaging (CDI$^s$). 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 for grade and post-treatment response prediction. As the first
study to learn CDI$^s$-centric radiomic sequences 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. We find that the proposed approach can achieve better performance
for both grade and post-treatment response prediction and thus may be a useful
tool to aid oncologists in improving recommendation of treatment of patients.
Subsequently, the approach to leverage volumetric deep radiomic features for
breast cancer can be further extended to other applications of CDI$^s$ in the
cancer domain to further improve clinical support.
- Abstract(参考訳): 乳がんはカナダとアメリカ合衆国で2番目に多いタイプのがんであり、女性がんの新規症例の25%以上を占めている。
このように、乳癌に対するスクリーニングと臨床サポートの改善に関する研究と進歩がなされている。
本稿では,CDI$s$(CDI$^s$)と呼ばれる新しい磁気共鳴イメージング(MRI)モダリティを用いた深層学習モデルを用いた乳癌に対する臨床サポートの強化について検討する。
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、次数および後処理応答予測のための学習特徴に基づく予測器を構築する。
臨床判断支援のための深層学習視点でcdi$^s$-centric radiomic sequenceを学習した最初の研究として,金標準画像モダリティを用いた学習者を対象としたaclin-6698研究を用いて,提案手法を評価した。
提案手法は, 治療前後の反応予測の精度が向上し, 医師が患者の治療の推奨を改善するのに有用である可能性が示唆された。
その後、乳がんの深部放射線学的特徴を活用するアプローチは、がん領域におけるCDI$^s$の他の応用にまで拡張され、臨床サポートがさらに向上する。
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。