論文の概要: Radiomics-enhanced Deep Multi-task Learning for Outcome Prediction in
Head and Neck Cancer
- arxiv url: http://arxiv.org/abs/2211.05409v1
- Date: Thu, 10 Nov 2022 08:28:56 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-11 14:57:05.308481
- Title: Radiomics-enhanced Deep Multi-task Learning for Outcome Prediction in
Head and Neck Cancer
- Title（参考訳）: 頭頸部癌の予後予測のための放射線誘発深層マルチタスク学習
- Authors: Mingyuan Meng, Lei Bi, Dagan Feng, and Jinman Kim
- Abstract要約: PET/CT画像から結果を予測するために,放射能を増強したディープマルチタスクフレームワークを提案する。
我々は最近提案したDeep Multi-task Survival Model(DeepMTS)の強化として放射能を取り入れることが新しい。
テストセットではCインデックス0.681を達成し,第2位は第1位よりCインデックス0.00068低いリーダボードに配置した。
- 参考スコア（独自算出の注目度）: 11.795108660250843
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Outcome prediction is crucial for head and neck cancer patients as it can
provide prognostic information for early treatment planning. Radiomics methods
have been widely used for outcome prediction from medical images. However,
these methods are limited by their reliance on intractable manual segmentation
of tumor regions. Recently, deep learning methods have been proposed to perform
end-to-end outcome prediction so as to remove the reliance on manual
segmentation. Unfortunately, without segmentation masks, these methods will
take the whole image as input, such that makes them difficult to focus on tumor
regions and potentially unable to fully leverage the prognostic information
within the tumor regions. In this study, we propose a radiomics-enhanced deep
multi-task framework for outcome prediction from PET/CT images, in the context
of HEad and neCK TumOR segmentation and outcome prediction challenge (HECKTOR
2022). In our framework, our novelty is to incorporate radiomics as an
enhancement to our recently proposed Deep Multi-task Survival model (DeepMTS).
The DeepMTS jointly learns to predict the survival risk scores of patients and
the segmentation masks of tumor regions. Radiomics features are extracted from
the predicted tumor regions and combined with the predicted survival risk
scores for final outcome prediction, through which the prognostic information
in tumor regions can be further leveraged. Our method achieved a C-index of
0.681 on the testing set, placing the 2nd on the leaderboard with only 0.00068
lower in C-index than the 1st place.
- Abstract（参考訳）: 早期治療計画のための予後情報を提供するため、頭頸部癌患者にはアウトカム予測が不可欠である。
放射線検査法は医用画像からの成果予測に広く用いられている。
しかし, これらの手法は, 難治性手技による腫瘍領域分割に依存している。
近年,手動セグメンテーションへの依存を取り除くために,エンドツーエンドの結果予測を行うディープラーニング手法が提案されている。
残念ながら、セグメンテーションマスクがなければ、これらの方法は画像全体を入力として、腫瘍領域に集中することが難しくなり、腫瘍領域内の予後情報を完全に活用できない可能性がある。
本研究では,PET/CT画像から結果を予測するための放射能を増強したディープマルチタスク・フレームワークについて,HECKTOR 2022(Head and neCK Tumor segmentation and outcome prediction Challenge)の文脈で提案する。
我々の枠組みでは、最近提案したDeep Multi-task Survival Model (DeepMTS) の強化として放射能を取り入れることが特徴である。
DeepMTSは、患者の生存リスクスコアと腫瘍領域のセグメンテーションマスクを共同で予測することを学ぶ。
予測された腫瘍領域から放射線の特徴を抽出し、最終結果予測のための予測生存リスクスコアと組み合わせ、腫瘍領域の予後情報をさらに活用することができる。
テストセットではCインデックス0.681を達成し,第2位は第1位よりCインデックス0.00068低いリーダボードに配置した。
関連論文リスト
- Brain Tumor Segmentation (BraTS) Challenge 2024: Meningioma Radiotherapy Planning Automated Segmentation [47.119513326344126]
BraTS-MEN-RTの課題は、脳MRIを計画する放射線治療の最大のマルチ機関データセットを使用して、自動セグメンテーションアルゴリズムを進化させることである。
それぞれの症例は、T1-weighted radiotherapy planning MRIを1ラベルの"target volume"を伴って、そのネイティブな取得空間にデフェクトされた3DポストコントラストT1-weighted radiotherapy計画MRIを含む。
術前の髄膜腫ではGTV全体と結節性十二指腸尾部を対象とし,術後の症例では腹腔内郭清術を施行した。
論文 参考訳（メタデータ） (2024-05-28T17:25:43Z) - Improving Breast Cancer Grade Prediction with Multiparametric MRI Created Using Optimized Synthetic Correlated Diffusion Imaging [71.91773485443125]
乳がん治療計画において、グレーディングは重要な役割を担っている。
現在の腫瘍グレード法では、患者から組織を抽出し、ストレス、不快感、医療費の上昇につながる。
本稿では,CDI$s$の最適化による乳癌の診断精度の向上について検討する。
論文 参考訳（メタデータ） (2024-05-13T15:48:26Z) - Brain Tumor Segmentation Based on Deep Learning, Attention Mechanisms, and Energy-Based Uncertainty Prediction [0.0]
脳腫瘍は、死亡率80%を超える最も致命的ながんの1つである。
医学的分析では、脳腫瘍の手動アノテーションとセグメンテーションは複雑な作業である。
本稿では,データ前処理中に実装された関心領域検出アルゴリズムを提案する。
ソフトアテンションを持つ完全畳み込みオートエンコーダは、異なる脳MRIをセグメント化する。
論文 参考訳（メタデータ） (2023-12-31T20:42:52Z) - Post-Hoc Explainability of BI-RADS Descriptors in a Multi-task Framework
for Breast Cancer Detection and Segmentation [48.08423125835335]
MT-BI-RADSは乳房超音波(BUS)画像における腫瘍検出のための新しい深層学習手法である。
放射線科医が腫瘍の悪性度を予測するための意思決定プロセスを理解するための3つのレベルの説明を提供する。
論文 参考訳（メタデータ） (2023-08-27T22:07:42Z) - Towards Tumour Graph Learning for Survival Prediction in Head & Neck
Cancer Patients [0.0]
2020年に世界で100万人近い頭頸部がんが診断された。
自動セグメンテーションと予後推定アプローチは、各患者が最も効果的な治療を受けるのに役立つ。
本稿では、任意の視野(FoV)PETとCT登録スキャンでこれらの機能を実行するためのフレームワークを提案する。
論文 参考訳（メタデータ） (2023-04-17T09:32:06Z) - 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) - 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) - Recurrence-free Survival Prediction under the Guidance of Automatic
Gross Tumor Volume Segmentation for Head and Neck Cancers [8.598790229614071]
自動原発性腫瘍 (GTVp) とリンパ節郭清法 (GTVn) を開発した。
腫瘍の分節体積から放射能の特徴を抽出し,RFS予測モデルを構築した。
論文 参考訳（メタデータ） (2022-09-22T18:44:57Z) - Automated Segmentation and Recurrence Risk Prediction of Surgically
Resected Lung Tumors with Adaptive Convolutional Neural Networks [3.5413688566798096]
肺がんは、がん関連死亡の重大な原因である。
本稿では,肺腫瘍のセグメンテーションと再発リスク予測における畳み込みニューラルネットワーク(CNN)の利用について検討する。
我々の知る限りでは、これは最初の完全自動化されたセグメンテーションと再発リスク予測システムである。
論文 参考訳（メタデータ） (2022-09-17T23:06:22Z) - Brain Tumor Survival Prediction using Radiomics Features [5.556008014747938]
脳腫瘍と診断された患者の手術計画は生存予後に依存する。
深層学習のアプローチは脳腫瘍のセグメンテーションに広く用いられている。
放射能に基づく研究は、工学的/手技的な特徴によりより有望であることを示している。
論文 参考訳（メタデータ） (2020-09-07T06:14:40Z) - 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。