論文の概要: Enhanced Lung Cancer Survival Prediction using Semi-Supervised Pseudo-Labeling and Learning from Diverse PET/CT Datasets

• arxiv url: http://arxiv.org/abs/2412.00068v1
• Date: Mon, 25 Nov 2024 23:58:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-08 08:17:53.236309
• Title: Enhanced Lung Cancer Survival Prediction using Semi-Supervised Pseudo-Labeling and Learning from Diverse PET/CT Datasets
• Title（参考訳）: 半監督擬似ラベルを用いた肺がん生存予測と各種PET/CTデータからの学習
• Authors: Mohammad R. Salmanpour, Arman Gorji, Amin Mousavi, Ali Fathi Jouzdani, Nima Sanati, Mehdi Maghsudi, Bonnie Leung, Cheryl Ho, Ren Yuan, Arman Rahmim,
• Abstract要約: ハイブリッド機械学習システム(HMLS)を用いたPET/CTスキャンから手技・深部放射線特性(HRF/DRF)を解析した。 We extract 215 HRFs and 1024 DRFs by PySERA and a 3D-Autoencoder, in the ViSERA software。
• 参考スコア（独自算出の注目度）: 0.2391222000274618
• License:
• Abstract: Objective: This study explores a semi-supervised learning (SSL), pseudo-labeled strategy using diverse datasets to enhance lung cancer (LCa) survival predictions, analyzing Handcrafted and Deep Radiomic Features (HRF/DRF) from PET/CT scans with Hybrid Machine Learning Systems (HMLS). Methods: We collected 199 LCa patients with both PET & CT images, obtained from The Cancer Imaging Archive (TCIA) and our local database, alongside 408 head&neck cancer (HNCa) PET/CT images from TCIA. We extracted 215 HRFs and 1024 DRFs by PySERA and a 3D-Autoencoder, respectively, within the ViSERA software, from segmented primary tumors. The supervised strategy (SL) employed a HMLSs: PCA connected with 4 classifiers on both HRF and DRFs. SSL strategy expanded the datasets by adding 408 pseudo-labeled HNCa cases (labeled by Random Forest algorithm) to 199 LCa cases, using the same HMLSs techniques. Furthermore, Principal Component Analysis (PCA) linked with 4 survival prediction algorithms were utilized in survival hazard ratio analysis. Results: SSL strategy outperformed SL method (p-value<0.05), achieving an average accuracy of 0.85 with DRFs from PET and PCA+ Multi-Layer Perceptron (MLP), compared to 0.65 for SL strategy using DRFs from CT and PCA+ K-Nearest Neighbor (KNN). Additionally, PCA linked with Component-wise Gradient Boosting Survival Analysis on both HRFs and DRFs, as extracted from CT, had an average c-index of 0.80 with a Log Rank p-value<<0.001, confirmed by external testing. Conclusions: Shifting from HRFs and SL to DRFs and SSL strategies, particularly in contexts with limited data points, enabling CT or PET alone to significantly achieve high predictive performance.
• Abstract（参考訳）: 目的:本研究では,種々のデータセットを用いた半教師付き学習(SSL)による肺がん生存予測の強化と,PET/CTスキャンからHMLS(Hybrid Machine Learning Systems)を用いて手技・深部放射線特徴(HRF/DRF)の分析を行う。 方法: 癌画像アーカイブ(TCIA)とローカルデータベースから得られたPET/CT画像とPET/CT画像と,408頭頸部癌(HNCa)PET/CT画像とを併用した199LCaの症例を検索した。 PySERAと3D-Autoencoderで215個のRFと1024個のRFを抽出した。 管理戦略(SL)ではHMLSが採用され、PCAはHRFとDRFの両方で4つの分類器に接続された。 SSL戦略は、同じHMLSs技術を使用して、408の擬似ラベル付きHNCaケース(ランダムフォレストアルゴリズムによってラベル付けされた)を199のLCaケースに追加することでデータセットを拡張した。 さらに,4つの生存予測アルゴリズムに関連付けられた主成分分析(PCA)を生存危険度分析に利用した。 結果: SSL 戦略は SL 法 (p-value<0.05), PET と PCA+ の DRF の平均精度は 0.85 であり, MLP は CT と PCA+ K-Nearest Neighbor (KNN) の DRF を用いた SL 戦略では 0.65 である。 さらに、CTから抽出したHRFとDRFのコンポーネントワイドブースティングサバイバル分析にリンクしたPCAは、平均c-indexが0.80で、ログランクp-value<0.001で、外部試験により確認された。 結論: HRF と SL から DRF へのシフト、SSL 戦略、特に限られたデータポイントを持つコンテキストにおいて、CT や PET だけで高い予測性能を実現できる。

関連論文リスト

• Cancer-Net PCa-Seg: Benchmarking Deep Learning Models for Prostate Cancer Segmentation Using Synthetic Correlated Diffusion Imaging [65.83291923029985]
  前立腺癌(PCa)は米国で最も多いがんであり、約30,000人、全診断の29%、2024年に35,000人が死亡した。 前立腺特異的抗原 (PSA) 検査やMRI (MRI) などの従来のスクリーニング法は診断において重要であるが、特異性や一般化性には限界がある。 我々はU-Net、SegResNet、Swin UNETR、Attention U-Net、LightM-UNetといった最先端のディープラーニングモデルを用いて、200ドルのCDIからPCa病変を抽出する。
  論文  参考訳（メタデータ） (2025-01-15T22:23:41Z)
• 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)
• An attention-based deep learning network for predicting Platinum resistance in ovarian cancer [3.0310842646092175]
  本研究の目的は,患者がプラチナ耐性であるか否かを判定する深層学習に基づく手法を提案することである。 Squeeze-Excitation Block (SE Block)とSpatial Pyramid Pooling Layer (SPPLayer)をDense Convolutional Network (DenseNet)に追加することで、エンドツーエンドSE-SPP-DenseNetモデルを構築した。 SE-SPP-DenseNetは5倍のクロスバリデーションにより高い精度とAUC下におけるプラチナ抵抗の予測を達成した。
  論文  参考訳（メタデータ） (2023-11-08T15:47:31Z)
• Self-supervised contrastive learning of echocardiogram videos enables label-efficient cardiac disease diagnosis [48.64462717254158]
  心エコービデオを用いた自己教師型コントラスト学習手法であるエコーCLRを開発した。 左室肥大症 (LVH) と大動脈狭窄症 (AS) の分類成績は,EchoCLR の訓練により有意に改善した。 EchoCLRは、医療ビデオの表現を学習する能力に特有であり、SSLがラベル付きデータセットからラベル効率の高い疾患分類を可能にすることを実証している。
  論文  参考訳（メタデータ） (2022-07-23T19:17:26Z)
• Slice-by-slice deep learning aided oropharyngeal cancer segmentation with adaptive thresholding for spatial uncertainty on FDG PET and CT images [0.0]
  腫瘍セグメンテーションは放射線治療計画の基本的なステップである。 本研究は,GTVpスライス・バイ・スライス・スライス・スライス・セグメンテーションにおける放射線医学者を支援するための新しい自動深層学習(DL)モデルを提案する。
  論文  参考訳（メタデータ） (2022-07-04T15:17:44Z)
• Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based Sparse PCA Network [93.22587316229954]
  ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。 我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
  論文  参考訳（メタデータ） (2021-10-27T19:28:36Z)
• Prediction of 5-year Progression-Free Survival in Advanced Nasopharyngeal Carcinoma with Pretreatment PET/CT using Multi-Modality Deep Learning-based Radiomics [15.386240118882569]
  先進NPCにおける5年間のプログレクションフリー生存を予測するために, エンドツーエンドマルチモーダリティDLRモデルを開発した。 3次元畳み込みニューラルネットワーク(CNN)は,前処理によるPET/CT画像から深い特徴を抽出するために最適化された。 本研究は,先進npcにおける生存予測のための放射能に基づく予後予測モデルを特定し,dlrががん治療の補助となる可能性を示唆する。
  論文  参考訳（メタデータ） (2021-03-09T04:43:33Z)
• A new semi-supervised self-training method for lung cancer prediction [0.28734453162509355]
  CT(Computerd Tomography)スキャンから結節を同時に検出し、分類する方法は比較的少ない。 本研究は,Nuisy Student法による最先端の自己訓練法を用いて,肺結節の検出と分類を行うための完全なエンドツーエンドスキームを提案する。
  論文  参考訳（メタデータ） (2020-12-17T09:53:51Z)
• CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors and Efficient Neural Networks [51.589769497681175]
  新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。 SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。 我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-20T21:47:28Z)
• COVID-Net S: Towards computer-aided severity assessment via training and validation of deep neural networks for geographic extent and opacity extent scoring of chest X-rays for SARS-CoV-2 lung disease severity [58.23203766439791]
  胸部X線(CXR)はSARS-CoV-2重症度を評価するためにしばしば用いられる。 本研究では,深層学習システムを用いて,SARS-CoV-2肺疾患重症度に対するCXRのコンピュータ支援による評価の有効性を評価する。
  論文  参考訳（メタデータ） (2020-05-26T16:33:52Z)
• 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。