論文の概要: Function Class Learning with Genetic Programming: Towards Explainable
Meta Learning for Tumor Growth Functionals
- arxiv url: http://arxiv.org/abs/2402.12510v1
- Date: Mon, 19 Feb 2024 20:20:00 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-21 18:27:00.488772
- Title: Function Class Learning with Genetic Programming: Towards Explainable
Meta Learning for Tumor Growth Functionals
- Title（参考訳）: 遺伝的プログラミングによる機能クラス学習 : 腫瘍成長機能のための説明可能なメタラーニングに向けて
- Authors: E.M.C. Sijben, J.C. Jansen, P.A.N. Bosman, T. Alderliesten
- Abstract要約: パラガングリオーマは発育パターンが不明な稀な腫瘍である。
成長を正確に予測できることは、患者が生存中に治療を必要とするかどうかを判断するのに役立ちます。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Paragangliomas are rare, primarily slow-growing tumors for which the
underlying growth pattern is unknown. Therefore, determining the best care for
a patient is hard. Currently, if no significant tumor growth is observed,
treatment is often delayed, as treatment itself is not without risk. However,
by doing so, the risk of (irreversible) adverse effects due to tumor growth may
increase. Being able to predict the growth accurately could assist in
determining whether a patient will need treatment during their lifetime and, if
so, the timing of this treatment. The aim of this work is to learn the general
underlying growth pattern of paragangliomas from multiple tumor growth data
sets, in which each data set contains a tumor's volume over time. To do so, we
propose a novel approach based on genetic programming to learn a function
class, i.e., a parameterized function that can be fit anew for each tumor. We
do so in a unique, multi-modal, multi-objective fashion to find multiple
potentially in- teresting function classes in a single run. We evaluate our
approach on a synthetic and a real-world data set. By analyzing the resulting
function classes, we can effectively explain the general patterns in the data.
- Abstract（参考訳）: 副ガングリオーマは稀で、主に成長が遅い腫瘍で、その発生パターンは分かっていない。
したがって、患者の最善のケアを決定することは難しい。
現在,腫瘍の進展が観察されていない場合,治療自体がリスクを伴わないため治療が遅れることが多い。
しかし,腫瘍増殖による(不可逆的な)副作用のリスクは増加する可能性がある。
成長を正確に予測できることは、患者が生涯に治療を必要とするかどうか、もしそうであれば、この治療のタイミングを決定するのに役立つ。
本研究の目的は、複数の腫瘍成長データセットからパラガングリオーマの一般的な成長パターンを学習することであり、各データセットは時間とともに腫瘍の体積を含む。
そこで我々は,遺伝子プログラミングに基づく新しい手法を提案し,各腫瘍に適応可能なパラメータ化関数のクラスを学習する。
単一の実行で複数の潜在的に退屈な関数クラスを見つけるために、ユニークな、マルチモーダル、マルチオブジェクトの方法でそうします。
合成および実世界のデータセットに対する我々のアプローチを評価する。
得られた関数クラスを分析することで、データの一般的なパターンを効果的に説明できる。
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) - MOAB: Multi-Modal Outer Arithmetic Block For Fusion Of Histopathological
Images And Genetic Data For Brain Tumor Grading [0.0]
脳腫瘍は、その成長に基づいて、異なるグレードに分類することができる。
グレーディングは組織像に基づいて行われ、患者の予後の最も重要な予測因子の1つである。
腫瘍の悪性度を予測するために, 異なるモードの潜在表現を組み合わせ, 算術演算に基づく新しいMOAB(Multi-modal Outer Arithmetic Block)を提案する。
論文 参考訳（メタデータ） (2024-03-11T00:33:28Z) - 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) - Treatment-aware Diffusion Probabilistic Model for Longitudinal MRI
Generation and Diffuse Glioma Growth Prediction [0.5806504980491878]
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。
論文 参考訳（メタデータ） (2023-09-11T12:12:52Z) - 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) - 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) - Triplet Contrastive Learning for Brain Tumor Classification [99.07846518148494]
本稿では,脳腫瘍の深層埋め込みを直接学習する手法を提案する。
本手法は,27種類の腫瘍群からなる広範囲な脳腫瘍データセットを用いて評価し,そのうち13種は稀である。
論文 参考訳（メタデータ） (2021-08-08T11:26:34Z) - Continuous-Time Deep Glioma Growth Models [3.147638981634818]
最近の研究は、深層学習と変分推論を通じてグリオーマ成長モデル問題にアプローチし、実際の患者データ分布から完全に学習する。
本稿では,時系列の条件モデルであるNeural Processesを拡張して,時間的生成的注意機構を含む階層的なマルチスケール表現符号化を実現することにより,これらの制限を克服する。
このアプローチは他の学習された成長モデルよりも優れた性能を示し、画像のグローバルおよびよりきめ細かなバリエーションを捉えることに成功した。
論文 参考訳（メタデータ） (2021-06-23T14:40:44Z) - Brain tumor segmentation with self-ensembled, deeply-supervised 3D U-net
neural networks: a BraTS 2020 challenge solution [56.17099252139182]
U-netのようなニューラルネットワークを用いた脳腫瘍セグメント化作業の自動化と標準化を行う。
2つの独立したモデルのアンサンブルが訓練され、それぞれが脳腫瘍のセグメンテーションマップを作成した。
我々の解は、最終試験データセットにおいて、Diceの0.79、0.89、0.84、およびHausdorffの95%の20.4、6.7、19.5mmを達成した。
論文 参考訳（メタデータ） (2020-10-30T14:36:10Z) - Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype
Prediction [55.94378672172967]
本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。
新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。
我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
論文 参考訳（メタデータ） (2020-09-02T02:50:30Z)
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。