論文の概要: Analysis of clinical, dosimetric and radiomic features for predicting local failure after stereotactic radiotherapy of brain metastases in malignant melanoma

• arxiv url: http://arxiv.org/abs/2405.20825v1
• Date: Fri, 31 May 2024 14:18:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-06-03 14:27:53.941756
• Title: Analysis of clinical, dosimetric and radiomic features for predicting local failure after stereotactic radiotherapy of brain metastases in malignant melanoma
• Title（参考訳）: 悪性黒色腫における脳転移の定位放射線治療後の局所障害予測のための臨床的,線量的および放射線学的特徴の解析
• Authors: Nanna E. Hartong, Ilias Sachpazidis, Oliver Blanck, Lucas Etzel, Jan C. Peeken, Stephanie E. Combs, Horst Urbach, Maxim Zaitsev, Dimos Baltas, Ilinca Popp, Anca-Ligia Grosu, Tobias Fechter,
• Abstract要約: 本研究の目的は, 病変特異的な予後予測における臨床, ドシメトリー, 治療前MRIの特徴について検討することであった。
• 参考スコア（独自算出の注目度）: 1.813829334805839
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Background: The aim of this study was to investigate the role of clinical, dosimetric and pretherapeutic magnetic resonance imaging (MRI) features for lesion-specific outcome prediction of stereotactic radiotherapy (SRT) in patients with brain metastases from malignant melanoma (MBM). Methods: In this multicenter, retrospective analysis, we reviewed 517 MBM from 130 patients treated with SRT (single fraction or hypofractionated). For each gross tumor volume (GTV) 1576 radiomic features (RF) were calculated (788 each for the GTV and for a 3 mm margin around the GTV). Clinical parameters, radiation dose and RF from pretherapeutic contrast-enhanced T1-weighted MRI from different institutions were evaluated with a feature processing and elimination pipeline in a nested cross-validation scheme. Results: Seventy-two (72) of 517 lesions (13.9%) showed a local failure (LF) after SRT. The processing pipeline showed clinical, dosimetric and radiomic features providing information for LF prediction. The most prominent ones were the correlation of the gray level co-occurrence matrix of the margin (hazard ratio (HR): 0.37, confidence interval (CI): 0.23-0.58) and systemic therapy before SRT (HR: 0.55, CI: 0.42-0.70). The majority of RF associated with LF was calculated in the margin around the GTV. Conclusions: Pretherapeutic MRI based RF connected with lesion-specific outcome after SRT could be identified, despite multicentric data and minor differences in imaging protocols. Image data analysis of the surrounding metastatic environment may provide therapy-relevant information with the potential to further individualize radiotherapy strategies.
• Abstract（参考訳）: 背景: 悪性黒色腫 (MBM) の脳転移患者に対する定位放射線治療 (SRT) の病変特異的予後予測におけるMRIの有用性について検討した。 方法】SRT (single fraction or hypofractionated) を施行した130例のMBM517例について検討した。 総腫瘍容積 (GTV) はそれぞれ1576個の放射線学的特徴 (RF) を算出した(GTVは788個, GTV周辺は3mm)。 臨床パラメータ,放射線線量,異なる施設からのT1強調MRIからのRFを,Nested Cross-validation法による特徴処理と除去パイプラインを用いて評価した。 結果: 517例中72例 (13.9%) にSRT後局所不全 (LF) を認めた。 処理パイプラインはLF予測のための情報を提供する臨床,線量測定,放射線学的特徴を示した。 最も顕著なものは、SRT前(HR: 0.55, CI: 0.42-0.70)のグレーレベル共起マトリックス(HR: 0.37, 信頼区間(CI: 0.23-0.58)と全身療法(HR: 0.55, CI: 0.42-0.70)の相関であった。 LFに関連するRFの大多数はGTV周辺で計算された。 結語: 治療前のMRIベースRFは,多心性データと画像プロトコルの差が小さいにもかかわらず,SRT後の病変特異的な結果に関連付けられていた。 周囲の転移環境の画像データ解析は、放射線治療戦略をさらに個別化する可能性を備えた治療関連情報を提供する可能性がある。

関連論文リスト

• The added value for MRI radiomics and deep-learning for glioblastoma prognostication compared to clinical and molecular information [0.0]
  放射線学はグリオ芽腫を特徴付けることを約束しているが、その付加価値はまだ証明されていない。 本研究は, Glioblastoma prognosisに対する従来の放射線学(CR)および深部学習(DL)MRIの付加価値について検討した。
  論文  参考訳（メタデータ） (2025-07-21T12:27:07Z)
• Multimodal MRI-Ultrasound AI for Prostate Cancer Detection Outperforms Radiologist MRI Interpretation: A Multi-Center Study [2.493694664727448]
  前立腺病変に対するMRI(pre-biopsy magnetic resonance imaging)の使用が増えている。 MRIで検出された病変は生検中に経直腸超音波(TRUS)画像にマッピングされなければならず、臨床上有意な前立腺癌(CsPCa)を発症する。 本研究では、MRIとTRUS画像シーケンスを統合したマルチモーダルAIフレームワークを体系的に評価し、CsPCa識別を向上する。
  論文  参考訳（メタデータ） (2025-01-31T20:04:20Z)
• AXIAL: Attention-based eXplainability for Interpretable Alzheimer's Localized Diagnosis using 2D CNNs on 3D MRI brain scans [43.06293430764841]
  本研究では,3次元MRIを用いたアルツハイマー病診断の革新的手法を提案する。 提案手法では,2次元CNNがボリューム表現を抽出できるソフトアテンション機構を採用している。 ボクセルレベルの精度では、どの領域に注意が払われているかを同定し、これらの支配的な脳領域を同定する。
  論文  参考訳（メタデータ） (2024-07-02T16:44:00Z)
• Brain Tumor Segmentation (BraTS) Challenge 2024: Meningioma Radiotherapy Planning Automated Segmentation [47.119513326344126]
  BraTS-MEN-RTの課題は、脳MRIを計画する放射線治療の最大のマルチ機関データセットを使用して、自動セグメンテーションアルゴリズムを進化させることである。 それぞれの症例には、3D後T1強調放射線治療計画MRIがネイティブな取得スペースに含まれている。 ターゲットボリュームアノテーションは、確立された放射線治療計画プロトコルに準拠している。
  論文  参考訳（メタデータ） (2024-05-28T17:25:43Z)
• Analysis of the BraTS 2023 Intracranial Meningioma Segmentation Challenge [44.586530244472655]
  我々はBraTS 2023の頭蓋内髄膜腫チャレンジの設計と結果について述べる。 BraTS髄膜腫チャレンジ(BraTS Meningioma Challenge)は、髄膜腫に焦点を当てた以前のBraTSグリオーマチャレンジとは異なる。 上層部は腫瘍,腫瘍コア,腫瘍全体の拡張のために0.976,0.976,0.964の病変中央値類似係数(DSC)を有していた。
  論文  参考訳（メタデータ） (2024-05-16T03:23:57Z)
• Magnetic resonance delta radiomics to track radiation response in lung tumors receiving stereotactic MRI-guided radiotherapy [0.0]
  オントリート磁気共鳴(MR)画像から放射線線量応答を追跡するデルタ放射能の可能性を探る。 デルタ放射線は放射線照射と相関し,腫瘍のコントロールと生存について検討した。 スキューネス,伸長,フラットネスは局所再発のない生存と有意に関連していた。
  論文  参考訳（メタデータ） (2024-02-23T18:00:44Z)
• Classification of Radiologically Isolated Syndrome and Clinically Isolated Syndrome with Machine-Learning Techniques [0.0]
  多発性硬化症(MS)を示唆する無症候性白質病変の脳におけるMRIによる予期せぬ検出は、放射線学的に孤立した症候群(RIS)と命名された。 本研究の目的は, RIS 患者と CIS 患者を識別する手段として, 機械学習の分類手法を用いて形態計測指標を同定することであった。
  論文  参考訳（メタデータ） (2024-01-24T08:49:50Z)
• Recurrence-Free Survival Prediction for Anal Squamous Cell Carcinoma Chemoradiotherapy using Planning CT-based Radiomics Model [5.485361086613949]
  非転移性肛門扁平上皮癌(SCC)患者の約30%が化学療法後の再発を経験する 我々は,放射線前処置計画CTから抽出した情報を利用して,CRT後のSCC患者における再発無生存(RFS)を予測するモデルを開発した。
  論文  参考訳（メタデータ） (2023-09-05T20:22:26Z)
• Brain Tumor Recurrence vs. Radiation Necrosis Classification and Patient Survivability Prediction [0.0]
  GBMは成人で最もアグレッシブな脳腫瘍であり、手術や放射線治療による攻撃的治療でも生存率が低い。 放射線治療後のGBM患者のMRIの変化は、放射線誘発壊死(RN)または再発脳腫瘍(rBT)の指標である 本研究では, rBT と RN の分類におけるサブセット標本サイズのバランスをとるために, 統計的に厳密な繰り返しランダムサブサンプリングを用いた計算モデルを提案する。
  論文  参考訳（メタデータ） (2023-06-05T21:39:11Z)
• Risk Classification of Brain Metastases via Radiomics, Delta-Radiomics and Machine Learning [7.165205048529115]
  放射線学と機械学習 (ML) を用いて, 進行の進行のリスクが高い転移は, 腫瘍発生前の経過観察中に同定できると仮定した。 この分類は、最大関連最小冗長(MRMR)技術とサポートベクトルマシン(SVM)により実現される。 以上の結果から,SRT後フォローアップにおける放射能および機械学習に基づくBMのリスク階層化は,良好な精度で可能であり,SRT後フォローアップのパーソナライズと改善のためにさらに追求すべきであることが示唆された。
  論文  参考訳（メタデータ） (2023-02-17T10:55:18Z)
• Deep-Learning Tool for Early Identifying Non-Traumatic Intracranial Hemorrhage Etiology based on CT Scan [40.51754649947294]
  深層学習モデルは、2011年1月から2018年4月までに収集された非外傷性ICHを用いた1868個のNCCTスキャンを用いて開発された。 診断成績は臨床医の成績と比較した。 臨床医は, システム拡張による特定の出血エチオロジーの感度, 特異性, 精度を著しく改善した。
  論文  参考訳（メタデータ） (2023-02-02T08:45:17Z)
• 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)
• Modeling of Textures to Predict Immune Cell Status and Survival of Brain Tumour Patients [4.542148087324063]
  放射線医学は、グリオーマのような様々な種類のがんが臨床結果を予測する能力を示した。 深部放射線学的特徴(DRF)を用いたグリオーマ患者の免疫マーカー(低値と高値)と生存率の予測を目指す。 提案したDRFと3つの免疫細胞マーカー(マクロファージM1,好中球,T細胞卵胞ヘルパー)の関連性を評価し,それらの生存率との関連性について検討した。
  論文  参考訳（メタデータ） (2022-06-04T03:52:12Z)
• Domain Adaptation of Automated Treatment Planning from Computed Tomography to Magnetic Resonance [0.5599792629509229]
  我々はCT学習機械学習モデルを用いた高許容磁気共鳴治療計画の作成を行った。 臨床的にCTによる計画から有意な線量偏差が認められた。
  論文  参考訳（メタデータ） (2022-03-07T18:18:00Z)
• 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)
• Comparison of Machine Learning Classifiers to Predict Patient Survival and Genetics of GBM: Towards a Standardized Model for Clinical Implementation [44.02622933605018]
  放射線モデルは、グリオ芽腫(GBM)の結果予測のための臨床データを上回ることが示されています。 GBM患者の生存率(OS),IDH変異,O-6-メチルグアニン-DNA-メチルトランスフェラーゼ(MGMT)プロモーターメチル化,EGFR(EGFR)VII増幅,Ki-67発現の9種類の機械学習分類器を比較した。 xgb は os (74.5%), ab for idh 変異 (88%), mgmt メチル化 (71,7%), ki-67 発現 (86,6%), egfr増幅 (81。
  論文  参考訳（メタデータ） (2021-02-10T15:10:37Z)
• Accurate Prostate Cancer Detection and Segmentation on Biparametric MRI using Non-local Mask R-CNN with Histopathological Ground Truth [0.0]
  我々は,bp-MRIにおける前立腺内病変の検出とセグメンテーションを改善するため,ディープラーニングモデルを開発した。 前立腺切除術による脱線をMRIでトレーニングした。 前立腺切除術をベースとした非局所的なMask R-CNNは、微調整と自己訓練により、すべての評価基準を大幅に改善した。
  論文  参考訳（メタデータ） (2020-10-28T21:07:09Z)
• A multicenter study on radiomic features from T$_2$-weighted images of a customized MR pelvic phantom setting the basis for robust radiomic models in clinics [47.187609203210705]
  骨盤ファントムの2Dおよび3D T$$-weightedイメージを3つのスキャナーで取得した。 放射線学的特徴の再現性と再配置を評価した。
  論文  参考訳（メタデータ） (2020-05-14T09:24:48Z)

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。