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/2309.05406v4
- Date: Tue, 21 Jan 2025 10:07:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-22 14:15:30.678817
- Title: Treatment-aware Diffusion Probabilistic Model for Longitudinal MRI Generation and Diffuse Glioma Growth Prediction
- Title（参考訳）: 経時的MRI画像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, Bradley J MacIntosh, Edvard Grødem, Petter Brandal, Carles Lopez-Mateu, Donatas Sederevicius, Karoline Skogen, Till Schellhorn, Atle Bjørnerud, Kyrre Eeg Emblem,
- Abstract要約: 本稿では,腫瘍マスクの将来の予測と,腫瘍が今後の治療計画にどう対応するかのマルチパラメトリック磁気共鳴画像(MRI)を提案する。
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）: 0.5667953366862138
- License:
- 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 future predictions of tumor masks and multi-parametric magnetic resonance images (MRI) 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 MRI and treatment information as conditioning inputs to guide the generative diffusion process as well as a joint segmentation process. This allows for tumor growth estimates and realistic MRI generation at any given treatment and 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 demonstrates promising performance across various tasks, including generating high-quality multi-parametric MRI with tumor masks, performing time-series tumor segmentations, and providing uncertainty estimates. Combined with the treatment-aware generated MRI, 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、グリオーマ腫瘍成長のモデリングを困難にしている。
本稿では,腫瘍マスクの今後の予測を可能にする新しいエンドツーエンドネットワークと,治療計画の異なる将来的点をどう見るかのマルチパラメトリック磁気共鳴画像(MRI)を提案する。
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。
連続した多パラメータMRIと治療情報を条件付け入力として含み, 生成拡散過程と関節分節過程を導出した。
これにより、腫瘍の成長予測と、任意の治療と時点における現実的なMRI生成が可能になる。
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、腫瘍マスクによる高品質なマルチパラメトリックMRIの生成、時系列の腫瘍セグメンテーションの実行、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す。
治療対応MRIと組み合わせることで、不確実性推定を伴う腫瘍増殖予測は、臨床診断に有用な情報を提供することができる。
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。