論文の概要: Risk Classification of Brain Metastases via Radiomics, Delta-Radiomics
and Machine Learning
- arxiv url: http://arxiv.org/abs/2302.08802v1
- Date: Fri, 17 Feb 2023 10:55:18 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-20 15:13:06.434904
- Title: Risk Classification of Brain Metastases via Radiomics, Delta-Radiomics
and Machine Learning
- Title(参考訳): 放射線・デルタラジオグラフィー・機械学習による脳転移のリスク分類
- Authors: Philipp Sommer, Yixing Huang, Christoph Bert, Andreas Maier, Manuel
Schmidt, Arnd D\"orfler, Rainer Fietkau and Florian Putz
- Abstract要約: 放射線学と機械学習 (ML) を用いて, 進行の進行のリスクが高い転移は, 腫瘍発生前の経過観察中に同定できると仮定した。
この分類は、最大関連最小冗長(MRMR)技術とサポートベクトルマシン(SVM)により実現される。
以上の結果から,SRT後フォローアップにおける放射能および機械学習に基づくBMのリスク階層化は,良好な精度で可能であり,SRT後フォローアップのパーソナライズと改善のためにさらに追求すべきであることが示唆された。
- 参考スコア(独自算出の注目度): 7.165205048529115
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Stereotactic radiotherapy (SRT) is one of the most important treatment for
patients with brain metastases (BM). Conventionally, following SRT patients are
monitored by serial imaging and receive salvage treatments in case of
significant tumor growth. We hypothesized that using radiomics and machine
learning (ML), metastases at high risk for subsequent progression could be
identified during follow-up prior to the onset of significant tumor growth,
enabling personalized follow-up intervals and early selection for salvage
treatment. All experiments are performed on a dataset from clinical routine of
the Radiation Oncology department of the University Hospital Erlangen (UKER).
The classification is realized via the maximum-relevance minimal-redundancy
(MRMR) technique and support vector machines (SVM). The pipeline leads to a
classification with a mean area under the curve (AUC) score of 0.83 in internal
cross-validation and allows a division of the cohort into two subcohorts that
differ significantly in their median time to progression (low-risk metastasis
(LRM): 17.3 months, high-risk metastasis (HRM): 9.6 months, p < 0.01). The
classification performance is especially enhanced by the analysis of medical
images from different points in time (AUC 0.53 -> AUC 0.74). The results
indicate that risk stratification of BM based on radiomics and machine learning
during post-SRT follow-up is possible with good accuracy and should be further
pursued to personalize and improve post-SRT follow-up.
- Abstract(参考訳): 立体放射線療法は脳転移(BM)患者にとって最も重要な治療法の1つである。
従来,SRT患者は連続的画像検査により観察され,腫瘍の進行が著しい場合は救世主治療を受ける。
放射線学と機械学習 (ML) を用いて, 進行の進行のリスクが高い転移は, 有意な腫瘍増殖の開始前の経過中に同定でき, パーソナライズされた経過観察と早期のサルベージ治療が可能であった。
全ての実験は、大学病院Erlangen (UKER) の放射線オンコロジー部門の臨床ルーチンのデータセット上で実施される。
この分類は、最大関連最小冗長(MRMR)技術とサポートベクトルマシン(SVM)によって実現される。
パイプラインは、曲線(AUC)のスコアが0.83の内交倍率で分類され、コホートを中央値から進行時間(LRM:low-risk metastasis):17.3ヶ月、高リスク転移(HRM):9.6ヶ月、p < 0.01の2つのサブコホートに分割することができる。
AUC 0.53-> AUC 0.74) の分類性能は, 異なる点からの医用画像の解析により特に向上した。
その結果,SRT後フォローアップにおける放射能および機械学習に基づくBMのリスク階層化は,良好な精度で可能であり,SRT後フォローアップのパーソナライズと改善のためにさらに追求されるべきであることがわかった。
関連論文リスト
- Radiomics Boosts Deep Learning Model for IPMN Classification [3.4659499358648675]
膵管内乳頭粘液性腫瘍 (IPMN) の嚢胞は術前膵管病変であり,膵癌に進展する可能性がある。
本研究では,MRIスキャンからIPMNリスク分類のための新しいコンピュータ支援診断パイプラインを提案する。
論文 参考訳(メタデータ) (2023-09-11T22:41:52Z) - Domain Transfer Through Image-to-Image Translation for Uncertainty-Aware
Prostate Cancer Classification [60.20736568336466]
臨床的に有意なPCa分類のための前立腺mp-MRIの非対位画像変換のための新しいアプローチを提案する。
我々は、明らかなディープラーニングアプローチにより、モデルの不確実性を見積もる。
提案手法は, ROC曲線(AUC)を20%以上改善することを示した。
論文 参考訳(メタデータ) (2023-07-02T05:26:54Z) - Brain Tumor Recurrence vs. Radiation Necrosis Classification and Patient
Survivability Prediction [0.0]
GBMは成人で最もアグレッシブな脳腫瘍であり、手術や放射線治療による攻撃的治療でも生存率が低い。
放射線治療後のGBM患者のMRIの変化は、放射線誘発壊死(RN)または再発脳腫瘍(rBT)の指標である
本研究では, rBT と RN の分類におけるサブセット標本サイズのバランスをとるために, 統計的に厳密な繰り返しランダムサブサンプリングを用いた計算モデルを提案する。
論文 参考訳(メタデータ) (2023-06-05T21:39:11Z) - Segmentation of glioblastomas in early post-operative multi-modal MRI
with deep neural networks [33.51490233427579]
手術前セグメンテーションのための2つの最先端ニューラルネットワークアーキテクチャをトレーニングした。
最高の成績は61%のDiceスコアで、最高の分類性能は80%のバランスの取れた精度で達成された。
予測セグメンテーションは、患者を残存腫瘍と全切除患者に正確に分類するために用いられる。
論文 参考訳(メタデータ) (2023-04-18T10:14:45Z) - 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) - Segmentation of Planning Target Volume in CT Series for Total Marrow
Irradiation Using U-Net [0.0]
U-Netアーキテクチャを用いたTMLI処理のためのプランニングターゲットボリューム(PTV)のセグメンテーションのためのディープラーニングに基づく自動コンストラクション手法を提案する。
本研究は放射線腫瘍学者を相当の時間で救うことができるセグメンテーションモデルの開発に向けた予備的だが重要なステップである。
論文 参考訳(メタデータ) (2023-04-05T10:40:37Z) - Learning to diagnose cirrhosis from radiological and histological labels
with joint self and weakly-supervised pretraining strategies [62.840338941861134]
そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。
我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。
この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
論文 参考訳(メタデータ) (2023-02-16T17:06:23Z) - A transformer-based deep learning approach for classifying brain
metastases into primary organ sites using clinical whole brain MRI images [4.263008461907835]
脳転移性疾患の治療決定は、一次臓器部位癌組織学の知識によって引き起こされる。
臨床全体脳データとエンドツーエンドパイプラインの使用は、外部からの人間の介入を妨げる。
悪性腫瘍の一次臓器部位の正確な診断を可能にするために、脳全体の画像特徴が十分に識別可能であることは確実である。
論文 参考訳(メタデータ) (2021-10-07T16:10:44Z) - Controlling False Positive/Negative Rates for Deep-Learning-Based
Prostate Cancer Detection on Multiparametric MR images [58.85481248101611]
そこで本研究では,病変からスライスまでのマッピング機能に基づく,病変レベルのコスト感受性損失と付加的なスライスレベルの損失を組み込んだ新しいPCa検出ネットワークを提案する。
1) 病変レベルFNRを0.19から0.10に, 病変レベルFPRを1.03から0.66に減らした。
論文 参考訳(メタデータ) (2021-06-04T09:51:27Z) - 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) - MIA-Prognosis: A Deep Learning Framework to Predict Therapy Response [58.0291320452122]
本稿では,患者の予後と治療反応を予測するための統合型深層学習手法を提案する。
我々は,マルチモーダル非同期時系列分類タスクとして,確率モデリングを定式化する。
我々の予測モデルは、長期生存の観点から、低リスク、高リスクの患者をさらに階層化する可能性がある。
論文 参考訳(メタデータ) (2020-10-08T15:30:17Z)
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。