論文の概要: Physics-Regularized Multi-Modal Image Assimilation for Brain Tumor Localization
- arxiv url: http://arxiv.org/abs/2409.20409v1
- Date: Mon, 30 Sep 2024 15:36:14 GMT
- ステータス: 処理完了
- システム内更新日: 2024-10-02 07:56:35.944515
- Title: Physics-Regularized Multi-Modal Image Assimilation for Brain Tumor Localization
- Title（参考訳）: 脳腫瘍局所化のための物理規則化多重モード画像同化法
- Authors: Michal Balcerak, Tamaz Amiranashvili, Andreas Wagner, Jonas Weidner, Petr Karnakov, Johannes C. Paetzold, Ivan Ezhov, Petros Koumoutsakos, Benedikt Wiestler, Bjoern Menze,
- Abstract要約: 腫瘍治療計画は、患者の解剖学における腫瘍細胞の空間分布の正確な推定に大きく依存する。
ディープラーニングアプローチでは、信頼できるトレーニングデータがないため、完全な腫瘍細胞の分布を推定できない。
本稿では,データ駆動と物理に基づくコスト関数のバランスをとる新しい手法を提案する。
- 参考スコア（独自算出の注目度）: 3.666412718346211
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Physical models in the form of partial differential equations represent an important prior for many under-constrained problems. One example is tumor treatment planning, which heavily depends on accurate estimates of the spatial distribution of tumor cells in a patient's anatomy. Medical imaging scans can identify the bulk of the tumor, but they cannot reveal its full spatial distribution. Tumor cells at low concentrations remain undetectable, for example, in the most frequent type of primary brain tumors, glioblastoma. Deep-learning-based approaches fail to estimate the complete tumor cell distribution due to a lack of reliable training data. Most existing works therefore rely on physics-based simulations to match observed tumors, providing anatomically and physiologically plausible estimations. However, these approaches struggle with complex and unknown initial conditions and are limited by overly rigid physical models. In this work, we present a novel method that balances data-driven and physics-based cost functions. In particular, we propose a unique discretization scheme that quantifies the adherence of our learned spatiotemporal tumor and brain tissue distributions to their corresponding growth and elasticity equations. This quantification, serving as a regularization term rather than a hard constraint, enables greater flexibility and proficiency in assimilating patient data than existing models. We demonstrate improved coverage of tumor recurrence areas compared to existing techniques on real-world data from a cohort of patients. The method holds the potential to enhance clinical adoption of model-driven treatment planning for glioblastoma.
- Abstract（参考訳）: 偏微分方程式の形での物理モデルは、多くの非制約問題において重要な先行を表現している。
1つの例は腫瘍治療計画であり、患者の解剖学における腫瘍細胞の空間分布の正確な推定に大きく依存している。
医用画像スキャンは腫瘍の大部分を識別できるが、その全空間分布を明らかにすることはできない。
低濃度の腫瘍細胞は、例えば、最も頻度の高い一次脳腫瘍であるグリオ芽腫において、検出不能である。
ディープラーニングベースのアプローチでは、信頼できるトレーニングデータがないため、完全な腫瘍細胞の分布を推定できない。
したがって、既存のほとんどの研究は観察された腫瘍と一致させるために物理学に基づくシミュレーションに依存しており、解剖学的および生理学的に推定できる。
しかし、これらのアプローチは複雑で未知の初期条件に悩まされ、過度に厳密な物理モデルによって制限される。
本研究では,データ駆動と物理に基づくコスト関数のバランスをとる新しい手法を提案する。
特に,我々の学習した時空間腫瘍と脳組織分布の対応する成長・弾性方程式への付着度を定量化する独自の離散化手法を提案する。
この定量化は、ハード制約ではなく正規化用語として機能し、既存のモデルよりも患者データを同化する際の柔軟性と習熟性を高める。
症例のコホートから得られた実世界データに対する既存手法と比較して,腫瘍再発領域のカバー範囲の改善が示された。
この方法は、グリオ芽腫に対するモデル駆動治療計画の臨床的導入を促進する可能性を秘めている。
関連論文リスト
- Biophysics Informed Pathological Regularisation for Brain Tumour Segmentation [10.466349398419846]
本稿では,脳腫瘍進展部分微分方程式(PDE)モデルをディープラーニングを用いた正規化として設計する手法を提案する。
本手法では, 腫瘍増殖PDEモデルを直接セグメンテーションプロセスに導入し, 精度とロバスト性を向上する。
我々は、BraTS 2023データセットの広範な実験を通じて、我々のフレームワークの有効性を実証する。
論文 参考訳（メタデータ） (2024-03-14T07:21:46Z) - Towards Generalizable Tumor Synthesis [48.45704270448412]
腫瘍合成は、医用画像における人工腫瘍の作成を可能にし、腫瘍の検出とセグメンテーションのためのAIモデルのトレーニングを容易にする。
本論文は, 臨界観察を生かして, 一般化可能な腫瘍合成に向けて進歩的な一歩を踏み出した。
私たちは、Diffusion Modelsのような生成AIモデルが、単一の臓器から限られた数の腫瘍例を訓練しても、様々な臓器に一般化された現実的な腫瘍を作成できることを確認した。
論文 参考訳（メタデータ） (2024-02-29T18:57:39Z) - Integration of Graph Neural Network and Neural-ODEs for Tumor Dynamic Prediction [4.850774880198265]
本稿では,二部グラフ畳み込みニューラルネットワーク(GCN)とニューラル正規微分方程式(Neural-ODE)を組み合わせたグラフエンコーダを提案する。
まず,本手法が経験的モデルにより著しく改善される腫瘍のダイナミックモデルを発見することができることを示す。
本研究は, 提案手法が有望であり, プリクリニカル・セッティングに応用できる可能性が示唆された。
論文 参考訳（メタデータ） (2023-10-02T06:39:08Z) - Patient-specific, mechanistic models of tumor growth incorporating
artificial intelligence and big data [2.6144463801364375]
悪性腫瘍は依然として主要な公衆衛生上の問題である。
パーソナライズされた治療の設計には、患者固有の情報を適切な数学的モデルに統合する必要がある。
現在、腫瘍の発生、発生、侵入、治療に対する反応に関する厳密で実用的な数学的理論が欠如している。
論文 参考訳（メタデータ） (2023-08-28T22:52:17Z) - S3M: Scalable Statistical Shape Modeling through Unsupervised
Correspondences [91.48841778012782]
本研究では,集団解剖学における局所的および大域的形状構造を同時に学習するための教師なし手法を提案する。
我々のパイプラインは、ベースライン法と比較して、SSMの教師なし対応推定を大幅に改善する。
我々の手法は、ノイズの多いニューラルネットワーク予測から学ぶのに十分堅牢であり、より大きな患者にSSMを拡張できる可能性がある。
論文 参考訳（メタデータ） (2023-04-15T09:39:52Z) - 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) - Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。
腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
論文 参考訳（メタデータ） (2023-03-07T09:40:22Z) - 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) - Deep Learning for Reaction-Diffusion Glioma Growth Modelling: Towards a
Fully Personalised Model? [0.2609639566830968]
グリオーマの成長を捉えるために、反応拡散モデルが何十年も提案されてきた。
ディープ畳み込みニューラルネットワーク(DCNN)は、現場でよく見られる落とし穴に対処することができる。
このアプローチは,腫瘍予後および治療計画に対する反応拡散成長モデルの臨床応用の視点を開放する可能性がある。
論文 参考訳（メタデータ） (2021-11-26T10:16:57Z) - Learn-Morph-Infer: a new way of solving the inverse problem for brain
tumor modeling [1.1214822628210914]
本稿では,T1GdとFLAIR MRIから患者特異的な脳腫瘍の空間分布を推定する手法を提案する。
itLearn-Morph-Inferと組み合わせたこの手法は、広く利用可能なハードウェア上で、数分のオーダーでリアルタイムのパフォーマンスを実現する。
論文 参考訳（メタデータ） (2021-11-07T13:45:35Z) - 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)
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。