論文の概要: DeepMSS: Deep Multi-Modality Segmentation-to-Survival Learning for
Survival Outcome Prediction from PET/CT Images
- arxiv url: http://arxiv.org/abs/2305.09946v1
- Date: Wed, 17 May 2023 04:56:11 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-18 17:35:43.989343
- Title: DeepMSS: Deep Multi-Modality Segmentation-to-Survival Learning for
Survival Outcome Prediction from PET/CT Images
- Title（参考訳）: DeepMSS:PET/CT画像からの生存予測のためのディープマルチモーダルセグメント・ツー・サバイバル学習
- Authors: Mingyuan Meng, Bingxin Gu, Michael Fulham, Shaoli Song, Dagan Feng,
Lei Bi, and Jinman Kim
- Abstract要約: 深層学習に基づくディープサバイバルモデルは、医療画像からエンド・ツー・エンドのサバイバル予測を行うために広く採用されている。
近年のディープサバイバルモデルでは, 生存予測と共同で腫瘍セグメンテーションを行い, 有望な性能を達成している。
既存のディープサバイバルモデルは、腫瘍外予後情報を調べるのに困難である。
本研究では,PET/CT画像からの生存予測のためのDeep Multi-modality-to-Survival Model (DeepMSS)を提案する。
- 参考スコア（独自算出の注目度）: 10.196840600747032
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Survival prediction is a major concern for cancer management. Deep survival
models based on deep learning have been widely adopted to perform end-to-end
survival prediction from medical images. Recent deep survival models achieved
promising performance by jointly performing tumor segmentation with survival
prediction, where the models were guided to extract tumor-related information
through Multi-Task Learning (MTL). However, existing deep survival models have
difficulties in exploring out-of-tumor prognostic information (e.g., local
lymph node metastasis and adjacent tissue invasions). In addition, existing
deep survival models are underdeveloped in utilizing multi-modality images.
Empirically-designed strategies were commonly adopted to fuse multi-modality
information via fixed pre-designed networks. In this study, we propose a Deep
Multi-modality Segmentation-to-Survival model (DeepMSS) for survival prediction
from PET/CT images. Instead of adopting MTL, we propose a novel
Segmentation-to-Survival Learning (SSL) strategy, where our DeepMSS is trained
for tumor segmentation and survival prediction sequentially. This strategy
enables the DeepMSS to initially focus on tumor regions and gradually expand
its focus to include other prognosis-related regions. We also propose a
data-driven strategy to fuse multi-modality image information, which realizes
automatic optimization of fusion strategies based on training data during
training and also improves the adaptability of DeepMSS to different training
targets. Our DeepMSS is also capable of incorporating conventional radiomics
features as an enhancement, where handcrafted features can be extracted from
the DeepMSS-segmented tumor regions and cooperatively integrated into the
DeepMSS's training and inference. Extensive experiments with two large clinical
datasets show that our DeepMSS outperforms state-of-the-art survival prediction
methods.
- Abstract（参考訳）: 生存予測はがん管理の主要な懸念事項である。
深層学習に基づく深層生存モデルが医療画像からエンドツーエンド生存予測を行うために広く採用されている。
近年の深層生存モデルは,Multi-Task Learning (MTL)を通して腫瘍関連情報を抽出するために,生存予測と共同で腫瘍セグメンテーションを行い,有望な性能を達成した。
しかし、既存の深部生存モデルでは腫瘍外予後情報(リンパ節転移や隣接組織浸潤など)の探索が困難である。
また、マルチモダリティ画像を利用した既存の深層生存モデルが未開発である。
経験的に設計された戦略は、固定された事前設計ネットワークを介して多モード情報を融合するために一般的に採用された。
本研究では,PET/CT画像からの生存予測のためのDeep Multi-modality Segmentation-to-Survival Model (DeepMSS)を提案する。
mtlを採用する代わりに,我々のdeepmssが腫瘍の分節化と生存予測のために順次訓練される新しいsegmentation-to-survival learning (ssl)戦略を提案する。
この戦略により、DeepMSSは当初腫瘍領域に集中し、徐々に他の予後関連領域を含むように焦点を拡大できる。
また,訓練中のトレーニングデータに基づく融合戦略の自動最適化を実現するとともに,異なるトレーニング目標に対するdeepmsの適応性を向上させるマルチモダリティ画像情報を融合するデータ駆動戦略を提案する。
また,我々のdeepmssは,deepmssの腫瘍領域から手作りの特徴を抽出し,deepmssのトレーニングと推論に協調的に組み込むことのできる,従来の放射線学的特徴を強調として組み込むこともできる。
2つの大きな臨床データセットを用いた広範囲な実験により、我々のdeepmssは最先端の生存予測方法よりも優れています。
関連論文リスト
- Enhanced Survival Prediction in Head and Neck Cancer Using Convolutional Block Attention and Multimodal Data Fusion [7.252280210331731]
本稿では,頭頸部癌患者の生存率を予測するための深層学習に基づくアプローチを提案する。
提案手法は,特徴抽出をCBAM (Convolutional Block Attention Module) とマルチモーダルデータ融合層と統合する。
最終的な予測は、完全にパラメトリックな離散時間生存モデルによって達成される。
論文 参考訳（メタデータ） (2024-10-29T07:56:04Z) - M2EF-NNs: Multimodal Multi-instance Evidence Fusion Neural Networks for Cancer Survival Prediction [24.323961146023358]
本稿では,M2EF-NNと呼ばれるニューラルネットワークモデルを提案する。
画像中のグローバル情報をキャプチャするために、事前訓練された視覚変換器(ViT)モデルを用いる。
Dempster-Shaferエビデンス理論(DST)を癌生存予測に適用した最初の例である。
論文 参考訳（メタデータ） (2024-08-08T02:31:04Z) - Advancing Head and Neck Cancer Survival Prediction via Multi-Label Learning and Deep Model Interpretation [7.698783025721071]
我々は,複数のHNC生存率を同時に予測するための,解釈可能なマルチラベル・マルチモーダル・ディープ・サバイバル予測フレームワーク IMLSP を提案する。
また、深層生存モデル視覚説明のために開発された、グラディエント重み付き時間イベント活性化マッピング手法であるGrad-TEAMを提案する。
論文 参考訳（メタデータ） (2024-05-09T01:30:04Z) - MMA-DFER: MultiModal Adaptation of unimodal models for Dynamic Facial Expression Recognition in-the-wild [81.32127423981426]
実世界のアプリケーションでは,音声およびビデオデータに基づくマルチモーダル感情認識が重要である。
近年の手法は、強力なマルチモーダルエンコーダの事前学習に自己教師付き学習(SSL)の進歩を活用することに重点を置いている。
SSL-pre-trained disimodal encoders を用いて,この問題に対する異なる視点とマルチモーダル DFER の性能向上について検討する。
論文 参考訳（メタデータ） (2024-04-13T13:39:26Z) - Merging-Diverging Hybrid Transformer Networks for Survival Prediction in
Head and Neck Cancer [10.994223928445589]
マルチモーダル画像からの生存予測のための統合分散学習フレームワークを提案する。
このフレームワークは、マルチモーダル情報を融合するマージエンコーダと、領域固有情報を抽出する発散デコーダを備える。
頭頸部癌(H&N)におけるPET-CT画像の生存予測について検討した。
論文 参考訳（メタデータ） (2023-07-07T07:16:03Z) - LVM-Med: Learning Large-Scale Self-Supervised Vision Models for Medical
Imaging via Second-order Graph Matching [59.01894976615714]
LVM-Medは、大規模医療データセットに基づいてトレーニングされた、最初のディープネットワークファミリーである。
55の公開データセットから約13万の医療画像を収集しました。
LVM-Medは、多くの最先端の教師付き、自己監督型、基礎モデルよりも経験的に優れている。
論文 参考訳（メタデータ） (2023-06-20T22:21:34Z) - TMSS: An End-to-End Transformer-based Multimodal Network for
Segmentation and Survival Prediction [0.0]
腫瘍学者は、分析においてこれを行うのではなく、医療画像や患者の歴史などの複数のソースから、脳内の情報を融合させる。
本研究は,がんの定量化と患者の生存率推定において,腫瘍学者の分析行動を模倣する深層学習手法を提案する。
論文 参考訳（メタデータ） (2022-09-12T06:22:05Z) - Cross-Modality Deep Feature Learning for Brain Tumor Segmentation [158.8192041981564]
本稿では, マルチモーダルMRIデータから脳腫瘍を抽出するクロスモーダルディープ・フィーチャーラーニング・フレームワークを提案する。
中心となる考え方は、不十分なデータスケールを補うために、マルチモダリティデータにまたがる豊富なパターンをマイニングすることだ。
on the BraTS benchmarks, this proposed cross-modality deep feature learning framework could effective improve the brain tumor segmentation performance。
論文 参考訳（メタデータ） (2022-01-07T07:46:01Z) - Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype
Prediction [55.94378672172967]
本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。
新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。
我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
論文 参考訳（メタデータ） (2020-09-02T02:50:30Z) - Shape-aware Meta-learning for Generalizing Prostate MRI Segmentation to
Unseen Domains [68.73614619875814]
前立腺MRIのセグメント化におけるモデル一般化を改善するために,新しい形状認識メタラーニング手法を提案する。
実験結果から,本手法は未確認領域の6つの設定すべてにおいて,最先端の一般化手法を一貫して上回っていることが明らかとなった。
論文 参考訳（メタデータ） (2020-07-04T07:56:02Z) - 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。