論文の概要: Segmentation-based Assessment of Tumor-Vessel Involvement for Surgical
Resectability Prediction of Pancreatic Ductal Adenocarcinoma
- arxiv url: http://arxiv.org/abs/2310.00639v1
- Date: Sun, 1 Oct 2023 10:39:38 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-05 02:59:31.679753
- Title: Segmentation-based Assessment of Tumor-Vessel Involvement for Surgical
Resectability Prediction of Pancreatic Ductal Adenocarcinoma
- Title(参考訳): 膵管腺癌の外科的切除性予測における腫瘍血管病変の分節的評価
- Authors: Christiaan Viviers, Mark Ramaekers, Amaan Valiuddin, Terese
Hellstr\"om, Nick Tasios, John van der Ven, Igor Jacobs, Lotte Ewals, Joost
Nederend, Peter de With, Misha Luyer, Fons van der Sommen
- Abstract要約: 膵管腺癌 (PDAC) は, 治療の選択肢が限られる進行癌である。
本研究は,腫瘍血管の関与を自動的に評価するワークフローと深層学習に基づくセグメンテーションモデルを提案する。
- 参考スコア(独自算出の注目度): 1.880228463170355
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Pancreatic ductal adenocarcinoma (PDAC) is a highly aggressive cancer with
limited treatment options. This research proposes a workflow and deep
learning-based segmentation models to automatically assess tumor-vessel
involvement, a key factor in determining tumor resectability. Correct
assessment of resectability is vital to determine treatment options. The
proposed workflow involves processing CT scans to segment the tumor and
vascular structures, analyzing spatial relationships and the extent of vascular
involvement, which follows a similar way of working as expert radiologists in
PDAC assessment. Three segmentation architectures (nnU-Net, 3D U-Net, and
Probabilistic 3D U-Net) achieve a high accuracy in segmenting veins, arteries,
and the tumor. The segmentations enable automated detection of tumor
involvement with high accuracy (0.88 sensitivity and 0.86 specificity) and
automated computation of the degree of tumor-vessel contact. Additionally, due
to significant inter-observer variability in these important structures, we
present the uncertainty captured by each of the models to further increase
insights into the predicted involvement. This result provides clinicians with a
clear indication of tumor-vessel involvement and may be used to facilitate more
informed decision-making for surgical interventions. The proposed method offers
a valuable tool for improving patient outcomes, personalized treatment
strategies and survival rates in pancreatic cancer.
- Abstract(参考訳): 膵管腺癌 (PDAC) は, 治療の選択肢が限られる進行癌である。
本研究では,腫瘍の発見可能性を決定する重要な因子である腫瘍血管の関与を自動的に評価するワークフローと深層学習に基づくセグメンテーションモデルを提案する。
再感染性の正しい評価は、治療の選択肢を決定するのに不可欠である。
提案されたワークフローは、CTスキャンを処理して腫瘍と血管構造を分類し、空間的関係と血管の関与の程度を分析し、PDACアセスメントで専門家の放射線学者として働くのと同様の方法に従う。
3つのセグメンテーションアーキテクチャ(nnU-Net, 3D U-Net, Probabilistic 3D U-Net)は静脈,動脈,腫瘍のセグメンテーションにおいて高い精度を達成する。
これらのセグメンテーションは、高い精度(0.88感度と0.98特異性)で腫瘍の関与を自動検出し、腫瘍-血管接触の程度を自動計算することができる。
さらに,これらの重要な構造において,オブザーバ間の大きな変動があるため,各モデルが捉えた不確実性を提示し,予測した関与に関する洞察をさらに高める。
この結果、臨床医は腫瘍-血管の関与を明確に示し、外科的介入のよりインフォームドな意思決定を容易にするのに使用できる。
提案手法は,膵癌患者の予後,パーソナライズされた治療戦略,生存率を改善する上で有用なツールである。
関連論文リスト
- Mask-Enhanced Segment Anything Model for Tumor Lesion Semantic
Segmentation [49.916468280857885]
Mask-Enhanced SAM (M-SAM) は3次元腫瘍病変の分節に適した革新的なアーキテクチャである。
本稿では,M-SAM内におけるMask-Enhanced Adapter (MEA) を提案する。
論文 参考訳(メタデータ) (2024-03-09T13:37:02Z) - Improved Prognostic Prediction of Pancreatic Cancer Using Multi-Phase CT
by Integrating Neural Distance and Texture-Aware Transformer [37.55853672333369]
本稿では, 異なる患者のCT像における腫瘍と血管の正確な関係を記述した, 学習可能なニューラル距離を提案する。
発達したリスクマーカーは, 術前因子の生存率の予測因子として最強であった。
論文 参考訳(メタデータ) (2023-08-01T12:46:02Z) - Segmentation of glioblastomas in early post-operative multi-modal MRI
with deep neural networks [33.51490233427579]
手術前セグメンテーションのための2つの最先端ニューラルネットワークアーキテクチャをトレーニングした。
最高の成績は61%のDiceスコアで、最高の分類性能は80%のバランスの取れた精度で達成された。
予測セグメンテーションは、患者を残存腫瘍と全切除患者に正確に分類するために用いられる。
論文 参考訳(メタデータ) (2023-04-18T10:14:45Z) - Exploiting segmentation labels and representation learning to forecast
therapy response of PDAC patients [60.78505216352878]
化学療法に対する腫瘍反応を予測するためのハイブリッドディープニューラルネットワークパイプラインを提案する。
セグメンテーションから分類への表現伝達の組み合わせと、ローカライゼーションと表現学習を利用する。
提案手法は, 合計477個のデータセットを用いて, ROC-AUC 63.7% の処理応答を予測できる, 極めて効率的な手法である。
論文 参考訳(メタデータ) (2022-11-08T11:50:31Z) - Integrative Imaging Informatics for Cancer Research: Workflow Automation
for Neuro-oncology (I3CR-WANO) [0.12175619840081271]
我々は,多系列ニューロオンコロジーMRIデータの集約と処理のための人工知能ベースのソリューションを提案する。
エンド・ツー・エンドのフレームワーク i) アンサンブル分類器を用いてMRIの配列を分類し, i) 再現可能な方法でデータを前処理し, iv) 腫瘍組織サブタイプを規定する。
欠落したシーケンスに対して堅牢であり、専門的なループアプローチを採用しており、セグメンテーションの結果は放射線学者によって手動で洗練される可能性がある。
論文 参考訳(メタデータ) (2022-10-06T18:23:42Z) - A unified 3D framework for Organs at Risk Localization and Segmentation
for Radiation Therapy Planning [56.52933974838905]
現在の医療ワークフローは、OAR(Organs-at-risk)のマニュアル記述を必要とする
本研究は,OARローカライゼーション・セグメンテーションのための統合された3Dパイプラインの導入を目的とする。
提案手法は医用画像に固有の3Dコンテキスト情報の活用を可能にする。
論文 参考訳(メタデータ) (2022-03-01T17:08:41Z) - EMT-NET: Efficient multitask network for computer-aided diagnosis of
breast cancer [58.720142291102135]
乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。
腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。
腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
論文 参考訳(メタデータ) (2022-01-13T05:24:40Z) - Systematic Clinical Evaluation of A Deep Learning Method for Medical
Image Segmentation: Radiosurgery Application [48.89674088331313]
3次元医用画像分割作業において,Deep Learning (DL) 手法を体系的に評価した。
本手法は放射線外科治療プロセスに統合され,臨床ワークフローに直接影響を及ぼす。
論文 参考訳(メタデータ) (2021-08-21T16:15:40Z) - 3D AGSE-VNet: An Automatic Brain Tumor MRI Data Segmentation Framework [3.0261170901794308]
グリオーマは最も一般的な脳悪性腫瘍であり、高い死亡率と3%以上の死亡率を有する。
このクリニックで脳腫瘍を取得する主要な方法は、マルチモーダルMRIスキャン画像から脳腫瘍領域のMRIである。
我々はAGSE-VNetと呼ばれる自動脳腫瘍MRIデータセグメンテーションフレームワークを提案する。
論文 参考訳(メタデータ) (2021-07-26T09:04:59Z) - DeepPrognosis: Preoperative Prediction of Pancreatic Cancer Survival and
Surgical Margin via Contrast-Enhanced CT Imaging [26.162788846435365]
膵管腺癌(PDAC)は最も致命的ながんの1つである。
3D Contrast-Enhanced Convolutional Long Short-Term Memory Network (CE-ConvLSTM) と命名されたPDAC患者の生存予測のための新しいディープニューラルネットワークを提案する。
腫瘍切除マージンに関連する特徴を学習し,生存率予測を改善することにより,予後とマージン予測の両課題を達成できるマルチタスクCNNを提案する。
論文 参考訳(メタデータ) (2020-08-26T22:51:24Z) - 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。