Fugu-MT 論文翻訳(概要): Prediction of recurrence free survival of head and neck cancer using PET/CT radiomics and clinical information

論文の概要: Prediction of recurrence free survival of head and neck cancer using PET/CT radiomics and clinical information

arxiv url: http://arxiv.org/abs/2402.18417v1
Date: Wed, 28 Feb 2024 15:35:41 GMT
ステータス: 処理完了
システム内更新日: 2024-02-29 14:24:44.114509
Title: Prediction of recurrence free survival of head and neck cancer using PET/CT radiomics and clinical information
Title（参考訳）: pet/ctラジオグラフィと臨床情報を用いた頭頸部癌再発再発の予測
Authors: Mona Furukawa, Daniel R. McGowan, Bart{\l}omiej W. Papie\.z
Abstract要約: 口腔咽頭HNC患者の再発性自由生存(RFS)を予測するコックス比例ハザード(CoxPH)モデルを構築した。 Computed Tomography (CT) と Positron Emission Tomography (PET) の腫瘍領域から抽出した臨床情報とマルチモーダルラジオミクスの特徴を利用する。本研究は,放射線抽出におけるセグメンテーションの精度がPETとCTに異なる影響があることを確認した。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The 5-year survival rate of Head and Neck Cancer (HNC) has not improved over the past decade and one common cause of treatment failure is recurrence. In this paper, we built Cox proportional hazard (CoxPH) models that predict the recurrence free survival (RFS) of oropharyngeal HNC patients. Our models utilise both clinical information and multimodal radiomics features extracted from tumour regions in Computed Tomography (CT) and Positron Emission Tomography (PET). Furthermore, we were one of the first studies to explore the impact of segmentation accuracy on the predictive power of the extracted radiomics features, through under- and over-segmentation study. Our models were trained using the HEad and neCK TumOR (HECKTOR) challenge data, and the best performing model achieved a concordance index (C-index) of 0.74 for the model utilising clinical information and multimodal CT and PET radiomics features, which compares favourably with the model that only used clinical information (C-index of 0.67). Our under- and over-segmentation study confirms that segmentation accuracy affects radiomics extraction, however, it affects PET and CT differently.
Abstract（参考訳）: 頭頸部癌(hnc)の5年間の生存率は過去10年間で改善されておらず、治療不全の原因の1つは再発である。本稿では,咽頭HNC患者の再発自由生存(RFS)を予測するコックス比例ハザード(CoxPH)モデルを構築した。我々はCT(CT)とPET(PET)の腫瘍領域から抽出した臨床情報とマルチモーダルラジオミクスの特徴を利用する。さらに, セグメンテーション精度が抽出された放射能特性の予測力に与える影響について, 下位・過剰セグメンテーション研究を通じて検討した最初の研究の一つである。頭頸部腫瘍 (hecktor) チャレンジデータを用いてトレーニングを行い, 臨床情報とマルチモーダルct, petラジオミクス機能を利用するモデル (c-index (c-index) を0.74で達成し, 臨床情報のみを使用したモデル (c-index (0.67)) と比較した。本研究は,放射線抽出におけるセグメンテーションの精度がPETとCTに異なる影響があることを確認した。

関連論文リスト

Lung-CADex: Fully automatic Zero-Shot Detection and Classification of Lung Nodules in Thoracic CT Images [45.29301790646322]
コンピュータ支援診断は早期の肺結節の検出に役立ち、その後の結節の特徴づけを促進する。 MedSAMと呼ばれるSegment Anything Modelの変種を用いて肺結節をゼロショットでセグメント化するためのCADeを提案する。また、放射能特徴のギャラリーを作成し、コントラスト学習を通じて画像と画像のペアを整列させることにより、良性/良性としての結節的特徴付けを行うCADxを提案する。
論文参考訳（メタデータ） (2024-07-02T19:30:25Z)
Deep Learning-Based Segmentation of Tumors in PET/CT Volumes: Benchmark of Different Architectures and Training Strategies [0.12301374769426145]
本研究は,癌病変の自動分類のためのニューラルネットワークアーキテクチャとトレーニング戦略について検討する。 V-NetモデルとnnU-Netモデルは、それぞれのデータセットに対して最も効果的であった。がんのない症例をAutoPETデータセットから除去することで,ほとんどのモデルの性能が向上した。
論文参考訳（メタデータ） (2024-04-15T13:03:42Z)
ChatRadio-Valuer: A Chat Large Language Model for Generalizable Radiology Report Generation Based on Multi-institution and Multi-system Data [115.0747462486285]
ChatRadio-Valuerは、一般化可能な表現を学習する自動放射線学レポート生成のための調整されたモデルである。本研究で利用した臨床データセットは,textbf332,673の顕著な総計を含む。 ChatRadio-Valuerは、最先端のモデル、特にChatGPT(GPT-3.5-Turbo)やGPT-4などより一貫して優れている。
論文参考訳（メタデータ） (2023-10-08T17:23:17Z)
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)
Penalized Deep Partially Linear Cox Models with Application to CT Scans of Lung Cancer Patients [42.09584755334577]
肺がんは世界中のがん死亡の原因であり、効果的な治療法を設計するための死亡リスクを理解することの重要性を強調している。 NLST(National Lung Screening Trial)は、肺がん患者の死亡リスクを定量化するために、CTテクスチャ解析を用いている。本稿では,SCADペナルティを組み込んで重要なテクスチャ特徴を抽出し,深層ニューラルネットワークを用いてモデルの非パラメトリック成分を推定する,Pentalized Deep partially Linear Cox Model (Penalized DPLC)を提案する。
論文参考訳（メタデータ） (2023-03-09T15:38:16Z)
Recurrence-free Survival Prediction under the Guidance of Automatic Gross Tumor Volume Segmentation for Head and Neck Cancers [8.598790229614071]
自動原発性腫瘍 (GTVp) とリンパ節郭清法 (GTVn) を開発した。腫瘍の分節体積から放射能の特徴を抽出し,RFS予測モデルを構築した。
論文参考訳（メタデータ） (2022-09-22T18:44:57Z)
Multimodal PET/CT Tumour Segmentation and Prediction of Progression-Free Survival using a Full-Scale UNet with Attention [0.8138288420049126]
MICCAI 2021 ヘッドとネックタマ (HECKTOR) セグメンテーションと結果予測の課題は、セグメンテーション法を比較するためのプラットフォームを作成する。腫瘍容積セグメンテーションのために複数のニューラルネットワークを訓練し,これらのセグメンテーションを組込み,平均Dice類似度係数0.75をクロスバリデーションで達成した。患者進行自由生存の予測のために,臨床,放射線学,深層学習機能を組み合わせたCox比例的ハザード回帰法を提案する。
論文参考訳（メタデータ） (2021-11-06T10:28:48Z)
CAE-Transformer: Transformer-based Model to Predict Invasiveness of Lung Adenocarcinoma Subsolid Nodules from Non-thin Section 3D CT Scans [36.093580055848186]
肺腺癌(LAUC)は近年最も多い疾患である。肺結節の侵襲性に関するタイムリーかつ正確な知識は適切な治療計画をもたらし、不必要な手術や遅発手術のリスクを低減させる。 LAUCの浸潤度を評価し,予測するための主要な画像モダリティは胸部CTである。本稿では、LAUCを分類するために、予測トランスフォーマーベースのフレームワーク「CAE-Transformer」を開発した。
論文参考訳（メタデータ） (2021-10-17T04:37:24Z)
Generative Models Improve Radiomics Performance in Different Tasks and Different Datasets: An Experimental Study [3.040206021972938]
ラジオミクス(Radiomics)は、医用画像からの高スループット特徴抽出に焦点を当てた研究分野である。生成モデルは、異なるタスクにおける低線量CTベースの放射能の性能を改善することができる。
論文参考訳（メタデータ） (2021-09-06T06:01:21Z)
Deformation Driven Seq2Seq Longitudinal Tumor and Organs-at-Risk Prediction for Radiotherapy [12.05638699290782]
畳み込み長短記憶(ConvLSTM)に基づく新しい3次元シーケンス・ツー・シーケンスモデルを提案する。将来の解剖学的変化と腫瘍の体積の変化を予測し、重要なOARも予測する。私たちは2つの放射線治療データセットでモデルを検証した。
論文参考訳（メタデータ） (2021-06-16T18:29:16Z)
CoRSAI: A System for Robust Interpretation of CT Scans of COVID-19 Patients Using Deep Learning [133.87426554801252]
我々は,深部畳み込み神経網のアンサンブルを用いた肺CTスキャンのセグメンテーションによるアプローチを採用した。本モデルを用いて, 病変の分類, 患者の動態の評価, 病変による肺の相対体積の推定, 肺の損傷ステージの評価が可能となった。
論文参考訳（メタデータ） (2021-05-25T12:06:55Z)

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。