Fugu-MT 論文翻訳(概要): Survival and grade of the glioma prediction using transfer learning

論文の概要: Survival and grade of the glioma prediction using transfer learning

arxiv url: http://arxiv.org/abs/2402.03384v1
Date: Sun, 4 Feb 2024 09:07:07 GMT
ステータス: 処理完了
システム内更新日: 2024-02-07 18:35:32.089605
Title: Survival and grade of the glioma prediction using transfer learning
Title（参考訳）: 転写学習を用いたグリオーマ予測の生存と段階
Authors: Santiago Valbuena Rubio, Mar\'ia Teresa Garc\'ia-Ord\'as, Oscar Garc\'ia-Olalla Olivera, H\'ector Alaiz-Moret\'on, Maria-Inmaculada Gonz\'alez-Alonso and Jos\'e Alberto Ben\'itez-Andrades
Abstract要約: 本研究では,トランスファーラーニング技術を用いた新しい手法を提案する。 EfficientNet、ResNet、VGG16、Inceptionなど、事前訓練されたネットワークがテストされた。実験の結果、生存予測では65%の精度を示し、患者を短期、中長期、長期の生存カテゴリーに分類した。低次グリオーマ (LGG) と高次グリオーマ (HGG) を正確に区別した。
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: Glioblastoma is a highly malignant brain tumor with a life expectancy of only 3 to 6 months without treatment. Detecting and predicting its survival and grade accurately are crucial. This study introduces a novel approach using transfer learning techniques. Various pre-trained networks, including EfficientNet, ResNet, VGG16, and Inception, were tested through exhaustive optimization to identify the most suitable architecture. Transfer learning was applied to fine-tune these models on a glioblastoma image dataset, aiming to achieve two objectives: survival and tumor grade prediction.The experimental results show 65% accuracy in survival prediction, classifying patients into short, medium, or long survival categories. Additionally, the prediction of tumor grade achieved an accuracy of 97%, accurately differentiating low-grade gliomas (LGG) and high-grade gliomas (HGG). The success of the approach is attributed to the effectiveness of transfer learning, surpassing the current state-of-the-art methods. In conclusion, this study presents a promising method for predicting the survival and grade of glioblastoma. Transfer learning demonstrates its potential in enhancing prediction models, particularly in scenarios with limited large datasets. These findings hold promise for improving diagnostic and treatment approaches for glioblastoma patients.
Abstract（参考訳）: グリオ芽腫は悪性脳腫瘍であり,治療なしでの生存期間はわずか3～6ヶ月である。生存率と成績を正確に検出し予測することが重要である。本研究では,転送学習手法を用いた新しい手法を提案する。 EfficientNet、ResNet、VGG16、Inceptionなど、事前訓練済みのネットワークを最適化して、最も適切なアーキテクチャを特定する。これらのモデルをグリオ芽腫画像データセット上で微調整し,生存率と腫瘍の悪性度予測の2つの目的を達成し,生存率予測の精度を65%,短期,中長期,長期の生存率に分類した。さらに腫瘍グレードの予測は97%の精度で,低次グリオーマ (LGG) と高次グリオーマ (HGG) を正確に区別した。アプローチの成功は、現在最先端の手法を超越した伝達学習の有効性に起因する。本研究は, グリオ芽腫の生存率と予後を予測するための有望な方法である。転送学習は予測モデルを強化する可能性を示しており、特に大きなデータセットが限られているシナリオではそうである。これらの所見は、グリオ芽腫患者の診断と治療のアプローチを改善することを約束している。

関連論文リスト

Robust Melanoma Thickness Prediction via Deep Transfer Learning enhanced by XAI Techniques [39.97900702763419]
本研究は,メラノーマの深さを測定するために皮膚内視鏡像の解析に焦点をあてる。顆粒層の上部から腫瘍浸潤の最も深い地点まで測定されたブレスロー深さは、黒色腫のステージングと治療決定の指針となる重要なパラメータである。 ISICやプライベートコレクションを含むさまざまなデータセットが使用され、合計で1162枚の画像が含まれている。その結果, 従来の手法に比べて, モデルが大幅に改善された。
論文参考訳（メタデータ） (2024-06-19T11:07:55Z)
Improving Breast Cancer Grade Prediction with Multiparametric MRI Created Using Optimized Synthetic Correlated Diffusion Imaging [71.91773485443125]
乳がん治療計画において、グレーディングは重要な役割を担っている。現在の腫瘍グレード法では、患者から組織を抽出し、ストレス、不快感、医療費の上昇につながる。本稿では,CDI$s$の最適化による乳癌の診断精度の向上について検討する。
論文参考訳（メタデータ） (2024-05-13T15:48:26Z)
Survival Prediction Across Diverse Cancer Types Using Neural Networks [40.392772795903795]
胃癌と大腸腺癌は広範囲で難治性の悪性腫瘍である。医療コミュニティは、患者の予後を推定するための重要な指標として、5年間の生存率を受け入れている。本研究は胃癌および大腸癌患者の生存予測モデルを改善するための先駆的アプローチを提案する。
論文参考訳（メタデータ） (2024-04-11T21:47:13Z)
Predictive Modeling for Breast Cancer Classification in the Context of Bangladeshi Patients: A Supervised Machine Learning Approach with Explainable AI [0.0]
5種類の機械学習手法の分類精度,精度,リコール,F-1スコアを評価し,比較した。 XGBoostは97%という最高のモデル精度を達成した。
論文参考訳（メタデータ） (2024-04-06T17:23:21Z)
Semi-supervised ViT knowledge distillation network with style transfer normalization for colorectal liver metastases survival prediction [1.283897253352624]
本稿では,H&EおよびHPSで染色した組織学的スライドを用いて,自動予後予測のためのエンドツーエンドアプローチを提案する。まずGAN(Generative Adversarial Network)を用いてスライス正規化を行い、染色のばらつきを低減し、予測パイプラインへの入力として使用される画像の全体的な品質を向上させる。転移性結節および周囲組織から抽出した特徴を利用して予後モデルを訓練し,同時に知識蒸留フレームワークで視覚変換器(ViT)を訓練し,予後予測の性能を再現し,向上させる。
論文参考訳（メタデータ） (2023-11-17T03:32:11Z)
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)
Deep learning methods for drug response prediction in cancer: predominant and emerging trends [50.281853616905416]
がんを研究・治療するための計算予測モデルをエクスプロイトすることは、薬物開発の改善と治療計画のパーソナライズドデザインにおいて大きな可能性を秘めている。最近の研究の波は、ディープラーニング手法を用いて、薬物治療に対するがん反応を予測するという有望な結果を示している。このレビューは、この分野の現状をよりよく理解し、主要な課題と将来性のあるソリューションパスを特定します。
論文参考訳（メタデータ） (2022-11-18T03:26:31Z)
Federated Learning Enables Big Data for Rare Cancer Boundary Detection [98.5549882883963]
6大陸にわたる71の医療機関のデータを含む,これまでで最大のフェデレーテッドML研究の結果を報告する。グリオ芽腫の稀な疾患に対する腫瘍境界自動検出装置を作製した。当科では, 外科的に標的とした腫瘍の悪性度を高めるために, 33%の改善率を示し, 腫瘍全体に対する23%の改善率を示した。
論文参考訳（メタデータ） (2022-04-22T17:27:00Z)
Glioblastoma Multiforme Patient Survival Prediction [1.0650780147044159]
そこで我々は,手作り画像とラジオミクス機能を利用した4つの回帰器を用いた生存予後モデルを提案する。その結果,手作りの特徴は生存予測と強い相関を示した。勾配上昇と放射能形状の特徴を持つコンセンサスベースの回帰器は生存予測に最適である。
論文参考訳（メタデータ） (2021-01-26T06:47:14Z)
Survival prediction and risk estimation of Glioma patients using mRNA expressions [0.0]
グリオーマは、予後不良の中枢神経系腫瘍の致死型である。本研究では、生存に関連する7つの遺伝子シグネチャを同定し、生存予測とリスク推定のための2つのアプローチを検討する。
論文参考訳（メタデータ） (2020-11-02T00:39:04Z)
Brain Tumor Survival Prediction using Radiomics Features [5.556008014747938]
脳腫瘍と診断された患者の手術計画は生存予後に依存する。深層学習のアプローチは脳腫瘍のセグメンテーションに広く用いられている。放射能に基づく研究は、工学的/手技的な特徴によりより有望であることを示している。
論文参考訳（メタデータ） (2020-09-07T06:14:40Z)

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。