論文の概要: Prediction of brain tumor recurrence location based on multi-modal fusion and nonlinear correlation learning

• arxiv url: http://arxiv.org/abs/2304.13725v1
• Date: Tue, 11 Apr 2023 02:45:38 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-30 07:09:20.028888
• Title: Prediction of brain tumor recurrence location based on multi-modal fusion and nonlinear correlation learning
• Title（参考訳）: 多モード融合と非線形相関学習による脳腫瘍再発位置の予測
• Authors: Tongxue Zhou, Alexandra Noeuveglise, Romain Modzelewski, Fethi Ghazouani, S\'ebastien Thureau, Maxime Fontanilles and Su Ruan
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 55.789874096142285
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Brain tumor is one of the leading causes of cancer death. The high-grade brain tumors are easier to recurrent even after standard treatment. Therefore, developing a method to predict brain tumor recurrence location plays an important role in the treatment planning and it can potentially prolong patient's survival time. There is still little work to deal with this issue. In this paper, we present a deep learning-based brain tumor recurrence location prediction network. Since the dataset is usually small, we propose to use transfer learning to improve the prediction. We first train a multi-modal brain tumor segmentation network on the public dataset BraTS 2021. Then, the pre-trained encoder is transferred to our private dataset for extracting the rich semantic features. Following that, a multi-scale multi-channel feature fusion model and a nonlinear correlation learning module are developed to learn the effective features. The correlation between multi-channel features is modeled by a nonlinear equation. To measure the similarity between the distributions of original features of one modality and the estimated correlated features of another modality, we propose to use Kullback-Leibler divergence. Based on this divergence, a correlation loss function is designed to maximize the similarity between the two feature distributions. Finally, two decoders are constructed to jointly segment the present brain tumor and predict its future tumor recurrence location. To the best of our knowledge, this is the first work that can segment the present tumor and at the same time predict future tumor recurrence location, making the treatment planning more efficient and precise. The experimental results demonstrated the effectiveness of our proposed method to predict the brain tumor recurrence location from the limited dataset.
• Abstract（参考訳）: 脳腫瘍はがん死の主要な原因の1つである。 高次脳腫瘍は標準的な治療後でも再発しやすい。 そのため、治療計画において脳腫瘍再発位置を予測する方法の開発が重要な役割を担っており、患者の生存時間を延ばす可能性がある。 この問題に対処する作業はまだほとんどありません。 本稿では,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。 データセットは通常小さいため、予測を改善するために転送学習を使うように提案する。 まず、公開データセット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訓練する。 そして、トレーニング済みのエンコーダをプライベートデータセットに転送して、リッチなセマンティックな特徴を抽出します。 次に,マルチチャネル特徴融合モデルと非線形相関学習モジュールを開発し,効果的な特徴を学習する。 マルチチャネル特徴間の相関は非線形方程式によってモデル化される。 あるモダリティの原点の分布と他のモダリティの予測された相関特徴との類似性を測定するために、kullback-leibler divergence を用いることを提案する。 この分散に基づいて,2つの特徴分布の類似性を最大化する相関損失関数を設計する。 最後に、2つのデコーダにより、現在の脳腫瘍を共同で分割し、将来の再発部位を予測する。 我々の知る限りでは、これが、現在ある腫瘍を分類し、同時に将来の腫瘍再発位置を予測できる最初の研究であり、治療計画がより効率的で正確なものになる。 実験により, 限られたデータセットから脳腫瘍再発位置を予測する手法の有効性が示された。

関連論文リスト

• Enhancing Brain Tumor Classification Using TrAdaBoost and Multi-Classifier Deep Learning Approaches [0.0]
  脳腫瘍は、急速な成長と転移の可能性のために深刻な健康上の脅威となる。 本研究の目的は,脳腫瘍分類の効率と精度を向上させることである。 我々のアプローチは、ViT(Vision Transformer)、Capsule Neural Network(CapsNet)、ResNet-152やVGG16といった畳み込みニューラルネットワーク(CNN)など、最先端のディープラーニングアルゴリズムを組み合わせる。
  論文  参考訳（メタデータ） (2024-10-31T07:28:06Z)
• Brain Tumor Classification on MRI in Light of Molecular Markers [61.77272414423481]
  1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。 本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
  論文  参考訳（メタデータ） (2024-09-29T07:04:26Z)
• Cross-modality Guidance-aided Multi-modal Learning with Dual Attention for MRI Brain Tumor Grading [47.50733518140625]
  脳腫瘍は世界で最も致命的ながんの1つであり、子供や高齢者に非常に多い。 本稿では,MRI脳腫瘍グレーディングの課題に対処するために,新たな多モード学習法を提案する。
  論文  参考訳（メタデータ） (2024-01-17T07:54:49Z)
• Integration of Graph Neural Network and Neural-ODEs for Tumor Dynamic Prediction [4.850774880198265]
  本稿では,二部グラフ畳み込みニューラルネットワーク(GCN)とニューラル正規微分方程式(Neural-ODE)を組み合わせたグラフエンコーダを提案する。 まず,本手法が経験的モデルにより著しく改善される腫瘍のダイナミックモデルを発見することができることを示す。 本研究は, 提案手法が有望であり, プリクリニカル・セッティングに応用できる可能性が示唆された。
  論文  参考訳（メタデータ） (2023-10-02T06:39:08Z)
• Multi-modal learning for predicting the genotype of glioma [14.93152817415408]
  Isocitrate dehydrogenase (IDH)遺伝子変異はグリオーマの診断と予後に必須なバイオマーカーである。 焦点腫瘍像と幾何学的特徴をMRIから派生した脳ネットワーク特徴と統合することにより、グリオーマ遺伝子型をより正確に予測できることが期待されている。 本稿では,3つのエンコーダを用いたマルチモーダル学習フレームワークを提案し,局所腫瘍像,腫瘍幾何学,大域脳ネットワークの特徴を抽出する。
  論文  参考訳（メタデータ） (2022-03-21T10:20:04Z)
• Triplet Contrastive Learning for Brain Tumor Classification [99.07846518148494]
  本稿では,脳腫瘍の深層埋め込みを直接学習する手法を提案する。 本手法は,27種類の腫瘍群からなる広範囲な脳腫瘍データセットを用いて評価し,そのうち13種は稀である。
  論文  参考訳（メタデータ） (2021-08-08T11:26:34Z)
• Glioma Prognosis: Segmentation of the Tumor and Survival Prediction using Shape, Geometric and Clinical Information [13.822139791199106]
  我々は,ハイパーコラムを用いた畳み込みニューラルネットワーク(cnn)を用いて,健常脳組織から腫瘍を分離する。 私たちのモデルは、腫瘍全体、腫瘍コアおよび増強腫瘍の平均ダイス精度87.315%、77.04%および70.22%を達成した。
  論文  参考訳（メタデータ） (2021-04-02T10:49:05Z)
• 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)
• Modality-Pairing Learning for Brain Tumor Segmentation [34.58078431696929]
  そこで我々は,脳腫瘍セグメンテーションのための新しいエンド・ツー・エンドモダリティペアリング学習法を提案する。 提案手法はBraTS 2020オンラインテストデータセット上でテストされ,有望なセグメンテーション性能が得られた。
  論文  参考訳（メタデータ） (2020-10-19T07:42:10Z)
• M2Net: Multi-modal Multi-channel Network for Overall Survival Time Prediction of Brain Tumor Patients [151.4352001822956]
  生存時間(OS)の早期かつ正確な予測は、脳腫瘍患者に対するより良い治療計画を得るのに役立つ。 既存の予測手法は、磁気共鳴(MR)ボリュームの局所的な病変領域における放射能特性に依存している。 我々は,マルチモーダルマルチチャネルネットワーク(M2Net)のエンドツーエンドOS時間予測モデルを提案する。
  論文  参考訳（メタデータ） (2020-06-01T05:21:37Z)

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。