論文の概要: Treatment-aware Diffusion Probabilistic Model for Longitudinal MRI
Generation and Diffuse Glioma Growth Prediction
- arxiv url: http://arxiv.org/abs/2309.05406v3
- Date: Thu, 14 Sep 2023 10:22:07 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-15 17:59:37.258045
- Title: Treatment-aware Diffusion Probabilistic Model for Longitudinal MRI
Generation and Diffuse Glioma Growth Prediction
- Title（参考訳）: 経時的MRI生成とびまん性グリオーマ成長予測のための治療対応拡散確率モデル
- Authors: Qinghui Liu, Elies Fuster-Garcia, Ivar Thokle Hovden, Donatas
Sederevicius, Karoline Skogen, Bradley J MacIntosh, Edvard Gr{\o}dem, Till
Schellhorn, Petter Brandal, Atle Bj{\o}rnerud, and Kyrre Eeg Emblem
- Abstract要約: 今後,腫瘍マスクを生成できる新しいエンドツーエンドネットワークと,腫瘍が今後どのように見えるかの現実的なMRIを提示する。
我々のアプローチは、最先端拡散確率モデルとディープセグメンテーションニューラルネットワークに基づいている。
- 参考スコア（独自算出の注目度）: 0.5806504980491878
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Diffuse gliomas are malignant brain tumors that grow widespread through the
brain. The complex interactions between neoplastic cells and normal tissue, as
well as the treatment-induced changes often encountered, make glioma tumor
growth modeling challenging. In this paper, we present a novel end-to-end
network capable of generating future tumor masks and realistic MRIs of how the
tumor will look at any future time points for different treatment plans. Our
approach is based on cutting-edge diffusion probabilistic models and
deep-segmentation neural networks. We included sequential multi-parametric
magnetic resonance images (MRI) and treatment information as conditioning
inputs to guide the generative diffusion process. This allows for tumor growth
estimates at any given time point. We trained the model using real-world
postoperative longitudinal MRI data with glioma tumor growth trajectories
represented as tumor segmentation maps over time. The model has demonstrated
promising performance across a range of tasks, including the generation of
high-quality synthetic MRIs with tumor masks, time-series tumor segmentations,
and uncertainty estimates. Combined with the treatment-aware generated MRIs,
the tumor growth predictions with uncertainty estimates can provide useful
information for clinical decision-making.
- Abstract（参考訳）: びまん性グリオーマ(Diffuse glioma)は、悪性脳腫瘍である。
腫瘍細胞と正常組織との複雑な相互作用、および治療によって引き起こされる変化はグリオーマ腫瘍の成長を困難にする。
本稿では,今後腫瘍のマスクやmriを生成できる新しいエンド・ツー・エンドネットワークを提案する。
本手法は,最先端拡散確率モデルとディープセグメンテーションニューラルネットワークに基づいている。
生成拡散過程を誘導する条件入力として, 逐次マルチパラメトリック磁気共鳴画像(MRI)と治療情報を含む。
これにより、任意の時点において腫瘍の成長を推定できる。
グリオーマ腫瘍成長軌跡を経時的に観察し, 術後の経時的MRIデータを用いて実験を行った。
このモデルは、腫瘍マスクを備えた高品質な合成MRIの生成、時系列の腫瘍セグメンテーション、不確実性推定など、様々なタスクで有望なパフォーマンスを示している。
腫瘍増殖予測と不確実性推定を組み合わせることで、臨床意思決定に有用な情報が得られる。
関連論文リスト
- Deep learning-based auto-segmentation of paraganglioma for growth monitoring [0.0]
no-new-UNnet (nUNet) を用いたディープラーニングセグメンテーションモデルに基づく腫瘍体積自動計測法を提案する。
高齢者耳鼻咽喉科医の視力検査と数種類の定量的指標を用いて, モデルの性能評価を行った。
生成したモデルと,腫瘍を時間とともに追跡するリンク手順を用いて,既知の成長関数の適合度に付加的な体積測定がどう影響するかを示す。
論文 参考訳（メタデータ） (2024-03-19T14:08:56Z) - Towards Generalizable Tumor Synthesis [48.45704270448412]
腫瘍合成は、医用画像における人工腫瘍の作成を可能にし、腫瘍の検出とセグメンテーションのためのAIモデルのトレーニングを容易にする。
本論文は, 臨界観察を生かして, 一般化可能な腫瘍合成に向けて進歩的な一歩を踏み出した。
私たちは、Diffusion Modelsのような生成AIモデルが、単一の臓器から限られた数の腫瘍例を訓練しても、様々な臓器に一般化された現実的な腫瘍を作成できることを確認した。
論文 参考訳（メタデータ） (2024-02-29T18:57:39Z) - 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) - The Rio Hortega University Hospital Glioblastoma dataset: a
comprehensive collection of preoperative, early postoperative and recurrence
MRI scans (RHUH-GBM) [0.0]
R'io Hortega University Hospital Glioblastoma dataset"は、多パラメータMRI画像、容積評価、分子データ、生存率の詳細の集合体である。
このデータセットは、専門家が修正した腫瘍サブリージョンのセグメンテーションを特徴とし、術後および術後のMRIスキャンのためのアルゴリズムを開発するための貴重な真実データを提供する。
論文 参考訳（メタデータ） (2023-04-27T13:10:55Z) - Prediction of brain tumor recurrence location based on multi-modal
fusion and nonlinear correlation learning [55.789874096142285]
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。
論文 参考訳（メタデータ） (2023-04-11T02:45:38Z) - Breast Cancer Induced Bone Osteolysis Prediction Using Temporal
Variational Auto-Encoders [65.95959936242993]
骨分解性骨病変の進展を正確に予測し,可視化する深層学習フレームワークを開発した。
乳癌患者の骨格関連事象(SRE)を予防するための治療戦略の計画と評価を支援する。
論文 参考訳（メタデータ） (2022-03-20T21:00:10Z) - Deep Learning for Reaction-Diffusion Glioma Growth Modelling: Towards a
Fully Personalised Model? [0.2609639566830968]
グリオーマの成長を捉えるために、反応拡散モデルが何十年も提案されてきた。
ディープ畳み込みニューラルネットワーク(DCNN)は、現場でよく見られる落とし穴に対処することができる。
このアプローチは,腫瘍予後および治療計画に対する反応拡散成長モデルの臨床応用の視点を開放する可能性がある。
論文 参考訳（メタデータ） (2021-11-26T10:16:57Z) - Learn-Morph-Infer: a new way of solving the inverse problem for brain
tumor modeling [1.1214822628210914]
本稿では,T1GdとFLAIR MRIから患者特異的な脳腫瘍の空間分布を推定する手法を提案する。
itLearn-Morph-Inferと組み合わせたこの手法は、広く利用可能なハードウェア上で、数分のオーダーでリアルタイムのパフォーマンスを実現する。
論文 参考訳（メタデータ） (2021-11-07T13:45:35Z) - Learned super resolution ultrasound for improved breast lesion
characterization [52.77024349608834]
超高分解能超音波局在顕微鏡は毛細血管レベルでの微小血管のイメージングを可能にする。
この作業では、これらの課題に対処するために、信号構造を効果的に活用するディープニューラルネットワークアーキテクチャを使用します。
トレーニングしたネットワークを利用することで,従来のPSF知識を必要とせず,UCAの分離性も必要とせず,短時間で微小血管構造を復元する。
論文 参考訳（メタデータ） (2021-07-12T09:04:20Z) - Expectation-Maximization Regularized Deep Learning for Weakly Supervised
Tumor Segmentation for Glioblastoma [8.24450401153384]
本研究では,弱監督腫瘍分割のためのEM正規化ディープラーニング(EMReDL)モデルを提案する。
この枠組みは周囲の脳組織への拡散浸潤を特徴とする悪性腫瘍の一種であるグリオ芽腫に特化していた。
論文 参考訳（メタデータ） (2021-01-21T18:14:43Z) - Stan: Small tumor-aware network for breast ultrasound image segmentation [68.8204255655161]
本研究では,小腫瘍認識ネットワーク(Small tumor-Aware Network,STAN)と呼ばれる新しいディープラーニングアーキテクチャを提案する。
提案手法は, 乳腺腫瘍の分節化における最先端のアプローチよりも優れていた。
論文 参考訳（メタデータ） (2020-02-03T22:25:01Z)
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。