論文の概要: Automatic Quantification of Serial PET/CT Images for Pediatric Hodgkin Lymphoma Patients Using a Longitudinally-Aware Segmentation Network

• arxiv url: http://arxiv.org/abs/2404.08611v2
• Date: Tue, 01 Oct 2024 00:14:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-02 16:33:10.834912
• Title: Automatic Quantification of Serial PET/CT Images for Pediatric Hodgkin Lymphoma Patients Using a Longitudinally-Aware Segmentation Network
• Title（参考訳）: 小児ホジキンリンパ腫における経時的PET/CT画像の自動定量化
• Authors: Xin Tie, Muheon Shin, Changhee Lee, Scott B. Perlman, Zachary Huemann, Amy J. Weisman, Sharon M. Castellino, Kara M. Kelly, Kathleen M. McCarten, Adina L. Alazraki, Junjie Hu, Steve Y. Cho, Tyler J. Bradshaw,
• Abstract要約: 小児Hodgkinリンパ腫患者に対する経時的PET/CT画像の定量化について検討した。 LAS-Netは、PET1から関連する特徴を伝達し、PET2の分析を知らせる。 F1スコア0.606のPET2の残存リンパ腫をLAS-Netが検出した。
• 参考スコア（独自算出の注目度）: 7.225391135995692
• License:
• Abstract: $\textbf{Purpose}$: Automatic quantification of longitudinal changes in PET scans for lymphoma patients has proven challenging, as residual disease in interim-therapy scans is often subtle and difficult to detect. Our goal was to develop a longitudinally-aware segmentation network (LAS-Net) that can quantify serial PET/CT images for pediatric Hodgkin lymphoma patients. $\textbf{Materials and Methods}$: This retrospective study included baseline (PET1) and interim (PET2) PET/CT images from 297 patients enrolled in two Children's Oncology Group clinical trials (AHOD1331 and AHOD0831). LAS-Net incorporates longitudinal cross-attention, allowing relevant features from PET1 to inform the analysis of PET2. Model performance was evaluated using Dice coefficients for PET1 and detection F1 scores for PET2. Additionally, we extracted and compared quantitative PET metrics, including metabolic tumor volume (MTV) and total lesion glycolysis (TLG) in PET1, as well as qPET and $\Delta$SUVmax in PET2, against physician measurements. We quantified their agreement using Spearman's $\rho$ correlations and employed bootstrap resampling for statistical analysis. $\textbf{Results}$: LAS-Net detected residual lymphoma in PET2 with an F1 score of 0.606 (precision/recall: 0.615/0.600), outperforming all comparator methods (P<0.01). For baseline segmentation, LAS-Net achieved a mean Dice score of 0.772. In PET quantification, LAS-Net's measurements of qPET, $\Delta$SUVmax, MTV and TLG were strongly correlated with physician measurements, with Spearman's $\rho$ of 0.78, 0.80, 0.93 and 0.96, respectively. The performance remained high, with a slight decrease, in an external testing cohort. $\textbf{Conclusion}$: LAS-Net demonstrated significant improvements in quantifying PET metrics across serial scans, highlighting the value of longitudinal awareness in evaluating multi-time-point imaging datasets.
• Abstract（参考訳）: $\textbf{Purpose}$: 悪性リンパ腫患者に対するPETスキャンの経時的変化の自動定量化は困難であることが証明されている。 本研究の目的は, 小児Hodgkinリンパ腫患者に対して, PET/CT画像の定量化が可能な縦型セグメンテーションネットワーク(LAS-Net)を開発することである。 $\textbf{Materials and Methods}$: この振り返り研究は、2つの小児腫瘍群臨床試験(AHOD1331とAHOD0831)に登録された297人のPET/CT画像のベースライン(PET1)と中間(PET2)を含む。 LAS-Netは、PET1から関連する特徴を伝達し、PET2の分析を知らせる。 PET1のDice係数とPET2のF1スコアを用いてモデル性能を評価した。 さらに, PET1の代謝性腫瘍容積 (MTV) と総病変解糖 (TLG) , PET2のqPETおよび$\Delta$SUVmaxを, 医師による測定と比較した。 我々はSpearmanの$\rho$相関を用いてそれらの合意を定量化し、統計解析にブートストラップ再サンプリングを用いた。 $\textbf{Results}$: LAS-Net は F1 スコア 0.606 (精度/リコール: 0.615/0.600) の PET2 の残留リンパ腫を検出し、全てのコンパレータ法より優れている(P<0.01)。 ベースラインセグメンテーションでは、LAS-Netは平均Diceスコア0.772を達成した。 PET定量では, LAS-NetのqPET, $\Delta$SUVmax, MTV, TLGの値は, それぞれ0.78, 0.80, 0.93, 0.96の医師測定値と強く相関していた。 性能は高いままで、外部テストコホートではわずかに低下した。 $\textbf{Conclusion}$: LAS-Netは、シリアルスキャン全体にわたるPETメトリクスの定量化において、大幅な改善を示し、マルチタイム・ポイント・イメージング・データセットの評価における縦方向の認識の価値を強調した。

関連論文リスト

• ConPET: Continual Parameter-Efficient Tuning for Large Language Models [65.48107393731861]
  継続的な学習には、新しいタスクへのモデルの継続的な適応が必要である。 継続性を提案する。 効率的なチューニング(ConPET) - 一般化可能なパラダイム。 大規模言語モデルの連続的なタスク適応。
  論文  参考訳（メタデータ） (2023-09-26T08:52:04Z)
• Contrastive Diffusion Model with Auxiliary Guidance for Coarse-to-Fine PET Reconstruction [62.29541106695824]
  本稿では, 粗い予測モジュール (CPM) と反復的修正モジュール (IRM) から構成される粗大なPET再構成フレームワークを提案する。 計算オーバーヘッドの大部分をCPMに委譲することで,本手法のサンプリング速度を大幅に向上させることができる。 2つの追加戦略、すなわち補助的な誘導戦略と対照的な拡散戦略が提案され、再構築プロセスに統合される。
  論文  参考訳（メタデータ） (2023-08-20T04:10:36Z)
• Multimodal Deep Learning to Differentiate Tumor Recurrence from Treatment Effect in Human Glioblastoma [2.726462580631231]
  治療関連壊死(TN)と腫瘍進展(TP)の鑑別は、グリオ芽腫(GBM)の臨床管理決定に重要である dPETは、運動情報を明らかにするパラメトリックマップを計算するために、部分体積平均を考慮に入れたモデル補正血液入力関数の新しい方法を含む。 CNNはPET-MR画像空間の26ドルの被験者から、TPとTNの分類精度を35ドルの脳腫瘍で予測する訓練を受けた。
  論文  参考訳（メタデータ） (2023-02-27T20:12:28Z)
• Whole-body tumor segmentation of 18F -FDG PET/CT using a cascaded and ensembled convolutional neural networks [2.735686397209314]
  本研究の目的は、18F-FDG PET/CT画像全体において癌疑い領域を自動的に分割するディープニューラルネットワークの性能を報告することである。 PET/CT画像を6mmの解像度で3D UNET CNNの重ね合わせで処理するケースドアプローチを開発した。
  論文  参考訳（メタデータ） (2022-10-14T19:25:56Z)
• AutoPET Challenge 2022: Step-by-Step Lesion Segmentation in Whole-body FDG-PET/CT [0.0]
  この問題に対処する新しいステップバイステップ3Dセグメンテーション法を提案する。 予備試験では,Diceスコア0.92,偽陽性ボリューム0.89,偽陰ボリューム0.53を達成した。
  論文  参考訳（メタデータ） (2022-09-04T13:49:26Z)
• Synthetic PET via Domain Translation of 3D MRI [1.0052333944678682]
  56ドルのF-FDG-PET/MRI検査データセットを用いて3D残像UNetをトレーニングし,全身T1強調MRIによる生理的PET取り込みを予測する。 予測されたPET画像は前方に投影され、ベンダーが提供するPET再構成アルゴリズムで使用できる合成PETタイム・オブ・フライ・シングラムを生成する。
  論文  参考訳（メタデータ） (2022-06-11T21:32:40Z)
• Controlling False Positive/Negative Rates for Deep-Learning-Based Prostate Cancer Detection on Multiparametric MR images [58.85481248101611]
  そこで本研究では,病変からスライスまでのマッピング機能に基づく,病変レベルのコスト感受性損失と付加的なスライスレベルの損失を組み込んだ新しいPCa検出ネットワークを提案する。 1) 病変レベルFNRを0.19から0.10に, 病変レベルFPRを1.03から0.66に減らした。
  論文  参考訳（メタデータ） (2021-06-04T09:51:27Z)
• Quantification of pulmonary involvement in COVID-19 pneumonia by means of a cascade oftwo U-nets: training and assessment on multipledatasets using different annotation criteria [83.83783947027392]
  本研究は、新型コロナウイルスの肺病変の同定、セグメント化、定量化のために人工知能(AI)を活用することを目的とする。 2つのU-netのカスケードをベースとした自動解析パイプラインLungQuantシステムを開発した。 LungQuantシステムにおけるCT-Severity Score(CT-SS)の精度も評価した。
  論文  参考訳（メタデータ） (2021-05-06T10:21:28Z)
• M3Lung-Sys: A Deep Learning System for Multi-Class Lung Pneumonia Screening from CT Imaging [85.00066186644466]
  マルチタスク型マルチスライス深層学習システム(M3Lung-Sys)を提案する。 COVID-19とHealthy, H1N1, CAPとの鑑別に加えて, M3 Lung-Sysも関連病変の部位を特定できる。
  論文  参考訳（メタデータ） (2020-10-07T06:22:24Z)
• Convolutional neural network based deep-learning architecture for intraprostatic tumour contouring on PSMA PET images in patients with primary prostate cancer [3.214308133129678]
  本研究の目的は,PSMA-PETにおけるGTVの自動分割のための畳み込みニューラルネットワーク(CNN)を開発することである。 CNNは, [68Ga]PSMA-PETと[18F]PSMA-PETを用いて, 2施設152症例の訓練を行った。
  論文  参考訳（メタデータ） (2020-08-07T14:32:14Z)
• Automated Quantification of CT Patterns Associated with COVID-19 from Chest CT [48.785596536318884]
  提案法は,非造影胸部CTを入力として,病変,肺,葉を3次元に分割する。 この方法では、肺の重症度と葉の関与度を2つの組み合わせて測定し、COVID-19の異常度と高不透明度の存在度を定量化する。 このアルゴリズムの評価は、カナダ、ヨーロッパ、米国からの200人の参加者(感染者100人、健康管理100人)のCTで報告されている。
  論文  参考訳（メタデータ） (2020-04-02T21:49:14Z)

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。