論文の概要: Brain Tumor Recurrence vs. Radiation Necrosis Classification and Patient
Survivability Prediction
- arxiv url: http://arxiv.org/abs/2306.03270v1
- Date: Mon, 5 Jun 2023 21:39:11 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-07 18:11:47.712544
- Title: Brain Tumor Recurrence vs. Radiation Necrosis Classification and Patient
Survivability Prediction
- Title（参考訳）: 脳腫瘍再発と放射線壊死の分類と予後予測
- Authors: M. S. Sadique, W. Farzana, A. Temtam, E. Lappinen, A. Vossough, K. M.
Iftekharuddin
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: GBM (Glioblastoma multiforme) is the most aggressive type of brain tumor in
adults that has a short survival rate even after aggressive treatment with
surgery and radiation therapy. The changes on magnetic resonance imaging (MRI)
for patients with GBM after radiotherapy are indicative of either
radiation-induced necrosis (RN) or recurrent brain tumor (rBT). Screening for
rBT and RN at an early stage is crucial for facilitating faster treatment and
better outcomes for the patients. Differentiating rBT from RN is challenging as
both may present with similar radiological and clinical characteristics on MRI.
Moreover, learning-based rBT versus RN classification using MRI may suffer from
class imbalance due to lack of patient data. While synthetic data generation
using generative models has shown promise to address class imbalance, the
underlying data representation may be different in synthetic or augmented data.
This study proposes computational modeling with statistically rigorous repeated
random sub-sampling to balance the subset sample size for rBT and RN
classification. The proposed pipeline includes multiresolution radiomic feature
(MRF) extraction followed by feature selection with statistical significance
testing (p<0.05). The five-fold cross validation results show the proposed
model with MRF features classifies rBT from RN with an area under the curve
(AUC) of 0.8920+-.055. Moreover, considering the dependence between survival
time and censor time (where patients are not followed up until death), we
demonstrate the feasibility of using MRF radiomic features as a non-invasive
biomarker to identify patients who are at higher risk of recurrence or
radiation necrosis. The cross-validated results show that the MRF model
provides the best overall performance with an AUC of 0.770+-.032.
- Abstract（参考訳）: gbm (glioblastoma multiforme) は、手術や放射線治療によっても生存率が低い成人の脳腫瘍の中で最も攻撃的な型である。
放射線治療後のGBM患者のMRIの変化は、放射線誘発壊死(RN)または再発性脳腫瘍(rBT)のどちらかを示している。
早期のrBTおよびRNのスクリーニングは、より迅速な治療と患者のより良い結果を促進するために重要である。
RNとrBTの鑑別は,MRIで同様の放射線学的,臨床的特徴を示すため困難である。
さらに、MRIを用いた学習ベースのrBTとRNの分類は、患者のデータ不足によりクラス不均衡に陥る可能性がある。
生成モデルを用いた合成データ生成はクラス不均衡に対処することを約束する一方で、基礎となるデータ表現は合成データや拡張データでは異なる可能性がある。
本研究は,rbt と rn 分類のサブセットサンプルサイズをバランスさせるために,統計的に厳密な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。
提案するパイプラインは,マルチレゾリューション放射能特徴(mrf)抽出と,統計的意義試験(p<0.05)による特徴選択を含む。
5倍のクロスバリデーション結果から, RBT を曲線 (AUC) が 0.8920+-.055 の領域で RN から分類した MRF 特徴を持つモデルが得られた。
また、生存時間と検閲時間(患者が死まで追跡されない場合)の依存性を考慮すると、再発や放射線壊死のリスクが高い患者を特定するための非侵襲バイオマーカーとしてのmrfラジオマティックスの使用の可能性を示す。
クロスバリデーションの結果、MRFモデルはAUCの0.770+-.032で最高の全体的な性能を提供することが示された。
関連論文リスト
- Risk Classification of Brain Metastases via Radiomics, Delta-Radiomics
and Machine Learning [7.165205048529115]
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。
論文 参考訳（メタデータ） (2023-02-17T10:55:18Z) - Advancing Radiograph Representation Learning with Masked Record Modeling [52.04899592688968]
我々は2つの相補的な目的として自己と報告の補完を定式化し、マスク付きレコードモデリング(MRM)に基づく統一的な枠組みを提案する。
MRMは、知識強化されたセマンティック表現を学ぶためのマルチタスクスキームに従って、マスクされた画像パッチとマスクされたレポートトークンを再構築する。
具体的には、MRMはラベル効率の良い微調整において優れた性能を提供する。
論文 参考訳（メタデータ） (2023-01-30T18:33:32Z) - Open-radiomics: A Collection of Standardized Datasets and a Technical
Protocol for Reproducible Radiomics Machine Learning Pipelines [0.0]
オープンラジオミクス、一連のラジオミクスデータセット、包括的なラジオミクスパイプラインを紹介する。
BraTS 2020オープンソースMR(Magnetic Resonance Imaging)データセットで実験が行われた。
binWidthや画像正規化とは異なり,腫瘍の亜領域と画像の配列はモデルの性能に大きく影響した。
論文 参考訳（メタデータ） (2022-07-29T16:37:46Z) - Automated SSIM Regression for Detection and Quantification of Motion
Artefacts in Brain MR Images [54.739076152240024]
磁気共鳴脳画像における運動アーチファクトは重要な問題である。
MR画像の画質評価は,臨床診断に先立って基本的である。
構造類似度指数(SSIM)回帰に基づく自動画像品質評価法が提案されている。
論文 参考訳（メタデータ） (2022-06-14T10:16:54Z) - Deep radiomic signature with immune cell markers predicts the survival
of glioma patients [8.386631203775533]
畳み込みニューラルネットワーク(CNN)から計算した新しい種類の深部放射線特徴量(DRF)を提案する。
提案手法は,MRIスキャンのラベル付き腫瘍領域内で,事前訓練した3D-CNNの活性化マップを集約することにより,合計180個のRFを抽出する。
その結果, DRFと各種マーカーとの間には高い相関がみられ, これらのマーカーに基づいて分類した患者間で有意差が認められた。
論文 参考訳（メタデータ） (2022-06-09T08:52:15Z) - Modeling of Textures to Predict Immune Cell Status and Survival of Brain
Tumour Patients [4.542148087324063]
放射線医学は、グリオーマのような様々な種類のがんが臨床結果を予測する能力を示した。
深部放射線学的特徴(DRF)を用いたグリオーマ患者の免疫マーカー(低値と高値)と生存率の予測を目指す。
提案したDRFと3つの免疫細胞マーカー(マクロファージM1,好中球,T細胞卵胞ヘルパー)の関連性を評価し,それらの生存率との関連性について検討した。
論文 参考訳（メタデータ） (2022-06-04T03:52:12Z) - SurvLatent ODE : A Neural ODE based time-to-event model with competing
risks for longitudinal data improves cancer-associated Deep Vein Thrombosis
(DVT) prediction [68.8204255655161]
本稿では,不規則なサンプルデータの下で潜在表現をパラメータ化する生成時間対イベントモデルSurvLatent ODEを提案する。
そこで,本モデルでは,事象特異的ハザード関数の形状を指定せずに,複数の競合イベントの生存時間を柔軟に推定する。
SurvLatent ODEは、DVTリスクグループを成層化するために、現在の臨床標準であるKhorana Riskスコアより優れている。
論文 参考訳（メタデータ） (2022-04-20T17:28:08Z) - A Deep Learning Approach to Predicting Collateral Flow in Stroke
Patients Using Radiomic Features from Perfusion Images [58.17507437526425]
側方循環は、血流を妥協した領域に酸素を供給する特殊な無酸素流路から生じる。
実際のグレーティングは主に、取得した画像の手動検査によって行われる。
MR灌流データから抽出した放射線学的特徴に基づいて,脳卒中患者の側方血流低下を予測するための深層学習手法を提案する。
論文 参考訳（メタデータ） (2021-10-24T18:58:40Z) - 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) - 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) - Novel Radiomic Feature for Survival Prediction of Lung Cancer Patients
using Low-Dose CBCT Images [3.510687032586989]
腫瘍の異種性を考慮した生存予測モデルを提案する。
画像中のX線密度に関する情報とGTV(Grog tumor volume)の併用により腫瘍の均一性を測定する。
本稿では,GTV を用いた既存モデルと比較して生存率の予測を改良する,GTV 内腫瘍マス(TMG)と呼ばれる新機能を提案する。
論文 参考訳（メタデータ） (2020-03-07T08:47:26Z)
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。