論文の概要: Patient-specific prediction of glioblastoma growth via reduced order modeling and neural networks

• arxiv url: http://arxiv.org/abs/2412.05330v1
• Date: Wed, 04 Dec 2024 18:46:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-10 14:52:21.277105
• Title: Patient-specific prediction of glioblastoma growth via reduced order modeling and neural networks
• Title（参考訳）: 低次モデリングとニューラルネットワークによるグリオ芽腫増殖の患者特異的予測
• Authors: D. Cerrone, D. Riccobelli, P. Vitullo, F. Ballarin, J. Falco, F. Acerbi, A. Manzoni, P. Zunino, P. Ciarletta,
• Abstract要約: グリオ芽腫は成人で最も致命的な脳腫瘍の1つである。 本研究では,精度オンコロジーの数学的枠組みに関する概念実証を提案する。 臨床的な意思決定を支援するために、堅牢で効率的な計算パイプラインを構築します。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Glioblastoma (GBL) is one of the deadliest brain cancers in adults. The GBL cells invade the physical structures within the brain extracellular environment with patient-specific features. In this work, we propose a proof-of-concept for mathematical framework of precision oncology enabling rapid parameter estimation from neuroimaging data in clinical settings. The proposed diffuse interface model of GBL growth is informed by neuroimaging data, periodically collected in a clinical study from diagnosis to surgery and adjuvant treatment. We build a robust and efficient computational pipeline to aid clinical decision-making based on integrating model reduction techniques and neural networks. Patient specificity is captured through the segmentation of the magnetic resonance imaging into a computational replica of the patient brain, mimicking the brain microstructure by incorporating also the diffusion tensor imaging data. The full order model (FOM) is first discretized using the finite element method and later approximated by a reduced order model (ROM) adopting proper orthogonal decomposition (POD). Trained by clinical data, we finally use neural networks to map the parameter space of GBL evolution over time and to predict the patient-specific model parameters from the observed clinical evolution of the tumor mass.
• Abstract（参考訳）: Glioblastoma(GBL)は、成人で最も致命的な脳腫瘍の1つである。 GBL細胞は、患者固有の特徴を持つ脳外環境の物理的構造に侵入する。 本研究では,臨床現場における神経画像データからの迅速なパラメータ推定を可能にする,精度オンコロジーの数学的枠組みに関する概念実証を提案する。 提案したGBL成長の拡散界面モデルは神経画像データにより,診断から手術,補助治療までの臨床研究で定期的に収集される。 我々は,モデルリダクション技術とニューラルネットワークの統合に基づく臨床意思決定を支援する,堅牢で効率的な計算パイプラインを構築した。 患者特異性は、磁気共鳴イメージングのセグメンテーションを通して、患者脳の計算的複製に取り込み、拡散テンソルイメージングデータも組み込んで脳の微細構造を模倣する。 フルオーダーモデル(FOM)は、まず有限要素法を用いて離散化され、その後、適切な直交分解(POD)を採用したリダクションオーダーモデル(ROM)によって近似される。 臨床データを用いて学習し,GBLの進化のパラメータ空間を時間とともにマッピングし,腫瘍質量の観察された臨床的進化から患者固有のモデルパラメータを予測する。

関連論文リスト

• Physics-Regularized Multi-Modal Image Assimilation for Brain Tumor Localization [3.666412718346211]
  本稿では,データ駆動と物理に基づくコスト関数を統合する新しい手法を提案する。 腫瘍組織と脳組織の学習分布が,それぞれの成長と弾性の方程式にどの程度順応するかを定量化する,ユニークな離散化手法を提案する。
  論文  参考訳（メタデータ） (2024-09-30T15:36:14Z)
• Spatiotemporal Graph Neural Network Modelling Perfusion MRI [12.712005118761516]
  Per vascular MRI (pMRI) は腫瘍について貴重な洞察を与え、腫瘍の遺伝子型を予測することを約束する。 しかし、4D pMRIに合わせた効果的なモデルはまだ不足している。 本研究は,GNNモデルを用いた4次元pMRIのモデル化の試みである。
  論文  参考訳（メタデータ） (2024-06-10T16:24:46Z)
• Personalized Predictions of Glioblastoma Infiltration: Mathematical Models, Physics-Informed Neural Networks and Multimodal Scans [1.696497161881026]
  医学的MRI検査からGlioblastoma (GBM) の浸潤を予測することは腫瘍の増殖動態を理解する上で重要である。 GBM成長の数学的モデルは、腫瘍細胞の空間分布の予測においてデータを補完することができる。 本研究では,単一3次元構造MRIスナップショットからGBM成長の反応拡散PDEモデルの患者特異的パラメータを推定するために,物理情報ニューラルネットワーク(PINN)を用いた手法を提案する。
  論文  参考訳（メタデータ） (2023-11-28T05:45:20Z)
• 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)
• The Expressive Leaky Memory Neuron: an Efficient and Expressive Phenomenological Neuron Model Can Solve Long-Horizon Tasks [64.08042492426992]
  本稿では,脳皮質ニューロンの生物学的モデルであるExpressive Memory(ELM)ニューロンモデルを紹介する。 ELMニューロンは、上記の入力-出力関係を1万以下のトレーニング可能なパラメータと正確に一致させることができる。 本稿では,Long Range Arena(LRA)データセットなど,時間構造を必要とするタスクで評価する。
  論文  参考訳（メタデータ） (2023-06-14T13:34:13Z)
• 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)
• Mixed Effects Neural ODE: A Variational Approximation for Analyzing the Dynamics of Panel Data [50.23363975709122]
  パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。 我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。 次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2022-02-18T22:41:51Z)
• 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)
• A multi-stage machine learning model on diagnosis of esophageal manometry [50.591267188664666]
  このフレームワークには、飲み込みレベルにおけるディープラーニングモデルと、学習レベルにおける機能ベースの機械学習モデルが含まれている。 これは、生のマルチスワローデータからHRM研究のCC診断を自動的に予測する最初の人工知能モデルである。
  論文  参考訳（メタデータ） (2021-06-25T20:09:23Z)
• A Graph Gaussian Embedding Method for Predicting Alzheimer's Disease Progression with MEG Brain Networks [59.15734147867412]
  アルツハイマー病(AD)に関連する機能的脳ネットワークの微妙な変化を特徴付けることは、疾患進行の早期診断と予測に重要である。 我々は、多重グラフガウス埋め込みモデル(MG2G)と呼ばれる新しいディープラーニング手法を開発した。 我々はMG2Gを用いて、MEG脳ネットワークの内在性潜在性次元を検出し、軽度認知障害(MCI)患者のADへの進行を予測し、MCIに関連するネットワーク変化を伴う脳領域を同定した。
  論文  参考訳（メタデータ） (2020-05-08T02:29:24Z)

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。