Fugu-MT 論文翻訳(概要): Towards Tumour Graph Learning for Survival Prediction in Head & Neck Cancer Patients

論文の概要: Towards Tumour Graph Learning for Survival Prediction in Head & Neck Cancer Patients

arxiv url: http://arxiv.org/abs/2304.08106v1
Date: Mon, 17 Apr 2023 09:32:06 GMT
ステータス: 処理完了
システム内更新日: 2023-04-18 15:55:47.547585
Title: Towards Tumour Graph Learning for Survival Prediction in Head & Neck Cancer Patients
Title（参考訳）: 頭頸部癌における生存予測のためのTumour Graph Learning
Authors: Angel Victor Juanco Muller, Joao F. C. Mota, Keith A. Goatman and Corne Hoogendoorn
Abstract要約: 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。
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: With nearly one million new cases diagnosed worldwide in 2020, head \& neck cancer is a deadly and common malignity. There are challenges to decision making and treatment of such cancer, due to lesions in multiple locations and outcome variability between patients. Therefore, automated segmentation and prognosis estimation approaches can help ensure each patient gets the most effective treatment. This paper presents a framework to perform these functions on arbitrary field of view (FoV) PET and CT registered scans, thus approaching tasks 1 and 2 of the HECKTOR 2022 challenge as team \texttt{VokCow}. The method consists of three stages: localization, segmentation and survival prediction. First, the scans with arbitrary FoV are cropped to the head and neck region and a u-shaped convolutional neural network (CNN) is trained to segment the region of interest. Then, using the obtained regions, another CNN is combined with a support vector machine classifier to obtain the semantic segmentation of the tumours, which results in an aggregated Dice score of 0.57 in task 1. Finally, survival prediction is approached with an ensemble of Weibull accelerated failure times model and deep learning methods. In addition to patient health record data, we explore whether processing graphs of image patches centred at the tumours via graph convolutions can improve the prognostic predictions. A concordance index of 0.64 was achieved in the test set, ranking 6th in the challenge leaderboard for this task.
Abstract（参考訳）: 2020年に世界で100万人近い新規患者が診断され、頭頸部がんは致命的かつ一般的な悪性腫瘍である。複数の部位の病変と患者間の予後の変動により、そのようながんの意思決定と治療は困難である。したがって、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およびCT登録スキャン上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し、チーム \texttt{VokCow} としてHECKTOR 2022チャレンジのタスク1と2に接近する。本手法は, 局所化, セグメンテーション, 生存予測の3段階からなる。まず、任意のFoVのスキャンを頭頸部領域にトリミングし、U字型畳み込みニューラルネットワーク(CNN)を訓練して、興味のある領域を分割する。そして、得られた領域を用いて、別のCNNを支持ベクトル機械分類器と組み合わせて腫瘍の意味的セグメンテーションを求め、タスク1におけるDiceスコアが0.57となる。最後に、weibullaccelerated failure time modelとdeep learning methodのアンサンブルを用いてサバイバル予測にアプローチする。患者の健康記録データに加えて,グラフ畳み込みによる腫瘍中心の画像パッチの処理グラフが予後予測を改善できるかどうかについて検討する。テストセットでは0.64の一致指数が達成され、このタスクのチャレンジリーダーボードでは6位となった。

関連論文リスト

MLC at HECKTOR 2022: The Effect and Importance of Training Data when Analyzing Cases of Head and Neck Tumors using Machine Learning [0.9166327220922845]
本稿では,MICCAI 2022で行われたHECKTOR大挑戦の2022年版に対して,チームMLCが行った成果について述べる。ポジトロン・エミッション・トモグラフィ(PET)とCT(CT)画像の解析は予後を診断するために提案されている。
論文参考訳（メタデータ） (2022-11-30T09:04:27Z)
Radiomics-enhanced Deep Multi-task Learning for Outcome Prediction in Head and Neck Cancer [11.795108660250843]
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。
論文参考訳（メタデータ） (2022-11-10T08:28:56Z)
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)
EMT-NET: Efficient multitask network for computer-aided diagnosis of breast cancer [58.720142291102135]
乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
論文参考訳（メタデータ） (2022-01-13T05:24:40Z)
Lung-Originated Tumor Segmentation from Computed Tomography Scan (LOTUS) Benchmark [48.30502612686276]
肺癌は最も致命的ながんの1つであり、その効果的な診断と治療は腫瘍の正確な悪性度に依存している。現在最も一般的なアプローチであるHuman-centered segmentationは、サーバ間変動の対象となる。 2018年のVIPカップは、42か国から競争データにアクセスするための世界的な参加から始まった。簡単に言えば、競争中に提案されたアルゴリズムはすべて、偽陽性還元手法と組み合わせたディープラーニングモデルに基づいている。
論文参考訳（メタデータ） (2022-01-03T03:06:38Z)
Automatic tumour segmentation in H&E-stained whole-slide images of the pancreas [2.4431235585344475]
病気の検出とセグメンテーションの精度のバランスをとるために,マルチタスク畳み込みニューラルネットワークを提案する。異なる解像度で29人の患者を対象にアプローチを検証した。
論文参考訳（メタデータ） (2021-12-01T22:05:15Z)
Multimodal PET/CT Tumour Segmentation and Prediction of Progression-Free Survival using a Full-Scale UNet with Attention [0.8138288420049126]
MICCAI 2021 ヘッドとネックタマ (HECKTOR) セグメンテーションと結果予測の課題は、セグメンテーション法を比較するためのプラットフォームを作成する。腫瘍容積セグメンテーションのために複数のニューラルネットワークを訓練し,これらのセグメンテーションを組込み,平均Dice類似度係数0.75をクロスバリデーションで達成した。患者進行自由生存の予測のために,臨床,放射線学,深層学習機能を組み合わせたCox比例的ハザード回帰法を提案する。
論文参考訳（メタデータ） (2021-11-06T10:28:48Z)
Wide & Deep neural network model for patch aggregation in CNN-based prostate cancer detection systems [51.19354417900591]
前立腺癌(PCa)は、2020年に約141万件の新規感染者と約37万5000人の死者を出した男性の死因の1つである。自動診断を行うには、まず前立腺組織サンプルをギガピクセル分解能全スライド画像にデジタイズする。パッチと呼ばれる小さなサブイメージが抽出され、予測され、パッチレベルの分類が得られる。
論文参考訳（メタデータ） (2021-05-20T18:13:58Z)
An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
論文参考訳（メタデータ） (2020-12-06T18:55:07Z)
Brain tumor segmentation with self-ensembled, deeply-supervised 3D U-net neural networks: a BraTS 2020 challenge solution [56.17099252139182]
U-netのようなニューラルネットワークを用いた脳腫瘍セグメント化作業の自動化と標準化を行う。 2つの独立したモデルのアンサンブルが訓練され、それぞれが脳腫瘍のセグメンテーションマップを作成した。我々の解は、最終試験データセットにおいて、Diceの0.79、0.89、0.84、およびHausdorffの95%の20.4、6.7、19.5mmを達成した。
論文参考訳（メタデータ） (2020-10-30T14:36:10Z)
VerSe: A Vertebrae Labelling and Segmentation Benchmark for Multi-detector CT Images [121.31355003451152]
大規模Vertebrae Challenge(VerSe)は、2019年と2020年に開催されたMICCAI(International Conference on Medical Image Computing and Computer Assisted Intervention)と共同で設立された。本評価の結果を報告するとともに,脊椎レベル,スキャンレベル,および異なる視野での性能変化について検討した。
論文参考訳（メタデータ） (2020-01-24T21:09:18Z)

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。