論文の概要: T2-Only Prostate Cancer Prediction by Meta-Learning from Bi-Parametric MR Imaging

• arxiv url: http://arxiv.org/abs/2411.07416v1
• Date: Mon, 11 Nov 2024 22:38:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-13 13:20:35.739154
• Title: T2-Only Prostate Cancer Prediction by Meta-Learning from Bi-Parametric MR Imaging
• Title（参考訳）: Bi-Parametric MR 画像からのメタラーニングによるT2-Only前立腺癌予知
• Authors: Weixi Yi, Yipei Wang, Natasha Thorley, Alexander Ng, Shonit Punwani, Veeru Kasivisvanathan, Dean C. Barratt, Shaheer Ullah Saeed, Yipeng Hu,
• Abstract要約: 現在の画像に基づく前立腺癌の診断には、MR T2強調画像(T2w)と拡散強調画像(DWI)の両方が必要である。 DWI配列における拡散パターンの測定には時間がかかり、アーティファクトに傾向があり、イメージングパラメータに敏感である。 本研究では,T2wシーケンスのみを推論時間に用いた機械学習(ML)手法の可能性について検討した。
• 参考スコア（独自算出の注目度）: 39.64252838533947
• License:
• Abstract: Current imaging-based prostate cancer diagnosis requires both MR T2-weighted (T2w) and diffusion-weighted imaging (DWI) sequences, with additional sequences for potentially greater accuracy improvement. However, measuring diffusion patterns in DWI sequences can be time-consuming, prone to artifacts and sensitive to imaging parameters. While machine learning (ML) models have demonstrated radiologist-level accuracy in detecting prostate cancer from these two sequences, this study investigates the potential of ML-enabled methods using only the T2w sequence as input during inference time. We first discuss the technical feasibility of such a T2-only approach, and then propose a novel ML formulation, where DWI sequences - readily available for training purposes - are only used to train a meta-learning model, which subsequently only uses T2w sequences at inference. Using multiple datasets from more than 3,000 prostate cancer patients, we report superior or comparable performance in localising radiologist-identified prostate cancer using our proposed T2-only models, compared with alternative models using T2-only or both sequences as input. Real patient cases are presented and discussed to demonstrate, for the first time, the exclusively true-positive cases from models with different input sequences.
• Abstract（参考訳）: 現在の画像に基づく前立腺癌の診断には、MR T2強調画像(T2w)と拡散強調画像(DWI)の両方のシーケンスが必要である。 しかし、DWI配列における拡散パターンの測定には時間がかかり、アーティファクトに傾向があり、イメージングパラメータに敏感である。 機械学習(ML)モデルでは、これらの2つの配列から前立腺癌を検出するための放射線学レベルの精度が示されているが、本研究では、T2wシーケンスのみを入力として使用するML対応手法の可能性について検討した。 まず、このようなT2のみのアプローチの技術的実現可能性について議論し、次に、DWIシーケンス(訓練目的に利用できる)をメタ学習モデルのトレーニングにのみ使用し、その後、推論時にのみT2wシーケンスを使用する、新しいML定式化を提案する。 前立腺癌3,000名以上の患者から得られた複数のデータセットを用いて,提案したT2のみを用いた放射線技師同定前立腺癌において,T2のみまたはいずれの配列も入力として使用する代替モデルと比較して,優れた,あるいは同等のパフォーマンスを報告した。 実際の症例を提示し、初めて、異なる入力シーケンスを持つモデルからのみ真陽性の症例を提示し、議論する。

関連論文リスト

• Cross-Slice Attention and Evidential Critical Loss for Uncertainty-Aware Prostate Cancer Detection [8.224446601436757]
  本稿では,グローバル情報とローカル情報の両方を利用した新しい2.5Dクロススライスアテンションモデルを提案する。 我々は2つの異なるデータセットでモデルを用いて広範な実験を行い、前立腺癌検出における最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-07-01T10:14:23Z)
• Rotational Augmented Noise2Inverse for Low-dose Computed Tomography Reconstruction [83.73429628413773]
  改良された深層学習手法は、画像のノイズを除去する能力を示しているが、正確な地上の真実を必要とする。 畳み込みニューラルネットワーク(CNN)のトレーニングに基礎的真理を必要としないLDCTのための新しい自己教師型フレームワークを提案する。 数値および実験結果から,Sparse View を用いた N2I の再構成精度は低下しており,提案手法は異なる範囲のサンプリング角度で画像品質を向上する。
  論文  参考訳（メタデータ） (2023-12-19T22:40:51Z)
• Combiner and HyperCombiner Networks: Rules to Combine Multimodality MR Images for Prostate Cancer Localisation [14.067058199962087]
  本研究の目的は,提案するコンビネータネットワークにおいて,低次元パラメトリックモデルでそのような決定規則をモデル化することが可能であることを実証することである。 前立腺癌局所化のためのPI-RADS決定規則をモデル化するには線形混合モデルか非線形積み重ねモデルのいずれかが十分である。
  論文  参考訳（メタデータ） (2023-07-17T07:01:58Z)
• Moving from 2D to 3D: volumetric medical image classification for rectal cancer staging [62.346649719614]
  術前T2期とT3期を区別することは直腸癌治療における最も困難かつ臨床的に重要な課題である。 直腸MRIでT3期直腸癌からT2を正確に判別するための体積畳み込みニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2022-09-13T07:10:14Z)
• Cross-Modality Image Registration using a Training-Time Privileged Third Modality [5.78335050301421]
  本稿では,マルチモーダリティ登録問題を支援するために,特権モーダリティアルゴリズムからの学習を提案する。 前立腺癌356例の369セットの3D Multiparametric MRI画像を用いて実験を行った。
  論文  参考訳（メタデータ） (2022-07-26T13:50:30Z)
• Spatiotemporal Feature Learning Based on Two-Step LSTM and Transformer for CT Scans [2.3682456328966115]
  我々は、新型コロナウイルスの症状分類を徹底的に行うための、新しい、効果的、2段階のアプローチを提案する。 まず,従来のバックボーンネットワークにより,CTスキャンにおける各スライスの意味的特徴埋め込みを抽出する。 そこで我々は,時間的特徴学習を扱うために,LSTMとTransformerベースのサブネットワークを提案する。
  論文  参考訳（メタデータ） (2022-07-04T16:59:05Z)
• Self-transfer learning via patches: A prostate cancer triage approach based on bi-parametric MRI [1.3934382972253603]
  前立腺癌(PCa)は世界で2番目に多いがんである。 現在のPCa診断経路は、かなりの過剰診断のコストがかかり、不必要な治療とさらなる検査に繋がる。 臨床的に有意な (cS) 病変と非有意な (ncS) 病変を区別するためのパッチベースの事前訓練戦略を提案する。
  論文  参考訳（メタデータ） (2021-07-22T17:02:38Z)
• Modality Completion via Gaussian Process Prior Variational Autoencoders for Multi-Modal Glioma Segmentation [75.58395328700821]
  本稿では,患者スキャンに欠落するサブモダリティを1つ以上のインプットするために,MGP-VAE(Multi-modal Gaussian Process Prior Variational Autoencoder)を提案する。 MGP-VAEは、変分オートエンコーダ(VAE)に先立ってガウス過程(GP)を利用して、被験者/患者およびサブモダリティ相関を利用することができる。 4つのサブモダリティのうち2つ、または3つが欠落している脳腫瘍に対するMGP-VAEの適用性を示す。
  論文  参考訳（メタデータ） (2021-07-07T19:06:34Z)
• Confidence-guided Lesion Mask-based Simultaneous Synthesis of Anatomic and Molecular MR Images in Patients with Post-treatment Malignant Gliomas [65.64363834322333]
  信頼性ガイドSAMR(CG-SAMR)は、病変情報からマルチモーダル解剖学的配列にデータを合成する。 モジュールは中間結果に対する信頼度測定に基づいて合成をガイドする。 実際の臨床データを用いた実験により,提案モデルが最先端の合成法よりも優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2020-08-06T20:20:22Z)
• Lesion Mask-based Simultaneous Synthesis of Anatomic and MolecularMR Images using a GAN [59.60954255038335]
  提案するフレームワークは,ストレッチアウトアップサンプリングモジュール,ブレインアトラスエンコーダ,セグメンテーション一貫性モジュール,マルチスケールラベルワイド識別器から構成される。 実際の臨床データを用いた実験により,提案モデルが最先端の合成法よりも優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2020-06-26T02:50:09Z)

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。