論文の概要: A Lightweight Optimization Framework for Estimating 3D Brain Tumor Infiltration

• arxiv url: http://arxiv.org/abs/2412.13811v2
• Date: Thu, 31 Jul 2025 11:05:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-01 15:10:44.660917
• Title: A Lightweight Optimization Framework for Estimating 3D Brain Tumor Infiltration
• Title（参考訳）: 3次元脳腫瘍浸潤推定のための軽量最適化フレームワーク
• Authors: Jonas Weidner, Michal Balcerak, Ivan Ezhov, André Datchev, Laurin Lux, Lucas Zimmer, Daniel Rueckert, Björn Menze, Benedikt Wiestler,
• Abstract要約: グリオ芽腫は最も攻撃的な原発性脳腫瘍である。 現在の放射線治療計画では、切除腔の周囲に15mmの縁があり、患者固有の腫瘍の拡散を捉えていない。 そこで本稿では,MRIの腫瘍分割に適合させて3次元腫瘍濃度を推定する,軽量で迅速で堅牢な最適化フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 9.89718764056655
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Glioblastoma, the most aggressive primary brain tumor, poses a severe clinical challenge due to its diffuse microscopic infiltration, which remains largely undetected on standard MRI. As a result, current radiotherapy planning employs a uniform 15 mm margin around the resection cavity, failing to capture patient-specific tumor spread. Tumor growth modeling offers a promising approach to reveal this hidden infiltration. However, methods based on partial differential equations or physics-informed neural networks tend to be computationally intensive or overly constrained, limiting their clinical adaptability to individual patients. In this work, we propose a lightweight, rapid, and robust optimization framework that estimates the 3D tumor concentration by fitting it to MRI tumor segmentations while enforcing a smooth concentration landscape. This approach achieves superior tumor recurrence prediction on 192 brain tumor patients across two public datasets, outperforming state-of-the-art baselines while reducing runtime from 30 minutes to less than one minute. Furthermore, we demonstrate the framework's versatility and adaptability by showing its ability to seamlessly integrate additional imaging modalities or physical constraints.
• Abstract（参考訳）: 最も攻撃的な原発性脳腫瘍であるグリオ芽腫は、拡散顕微鏡による浸潤が原因で深刻な臨床症状を呈し、MRIではほとんど検出されていない。 その結果、現在の放射線治療計画では、切除腔の周囲に15mmの縁を持ち、患者固有の腫瘍の拡散を捉えられなかった。 腫瘍成長モデリングは、この隠された浸潤を明らかにするための有望なアプローチを提供する。 しかしながら、偏微分方程式や物理インフォームドニューラルネットワークに基づく手法は、計算的に集中的あるいは過度に制約される傾向にあり、個々の患者に臨床適応性を制限する。 本研究では,スムーズな濃度環境を保ちつつ,MRIの腫瘍セグメントに適合させて3次元の腫瘍濃度を推定する,軽量で迅速で堅牢な最適化フレームワークを提案する。 このアプローチは、2つのパブリックデータセットにわたる192人の脳腫瘍患者に対して、ランタイムを30分から1分未満に減らしながら、最先端のベースラインよりも優れた腫瘍再発予測を実現する。 さらに、このフレームワークの汎用性と適応性を示すために、追加の画像モダリティや物理的な制約をシームレスに統合する能力を示す。

関連論文リスト

• MAST-Pro: Dynamic Mixture-of-Experts for Adaptive Segmentation of Pan-Tumors with Knowledge-Driven Prompts [54.915060471994686]
  MAST-Proは,ダイナミックなMixture-of-Experts(D-MoE)とパン腫瘍セグメンテーションのための知識駆動プロンプトを統合した新しいフレームワークである。 具体的には、テキストと解剖学的プロンプトは、腫瘍表現学習を導くドメイン固有の事前情報を提供し、D-MoEは、ジェネリックと腫瘍固有の特徴学習のバランスをとる専門家を動的に選択する。 マルチ解剖学的腫瘍データセットの実験では、MAST-Proは最先端のアプローチよりも優れており、トレーニング可能なパラメータを91.04%削減し、平均改善の5.20%を達成している。
  論文  参考訳（メタデータ） (2025-03-18T15:39:44Z)
• SKIPNet: Spatial Attention Skip Connections for Enhanced Brain Tumor Classification [3.8233569758620063]
  脳腫瘍の早期発見は、タイムリーな治療には不可欠であるが、遠隔地では診断施設へのアクセスが制限されている。 本研究では,MRIデータを用いた脳腫瘍の自動検出と分類のためのディープラーニングモデルを提案する。 空間的注意を取り入れたこのモデルは96.90%の精度を達成し、パターン認識を改善するために文脈情報の集約を強化した。
  論文  参考訳（メタデータ） (2024-12-10T18:32:42Z)
• BATseg: Boundary-aware Multiclass Spinal Cord Tumor Segmentation on 3D MRI Scans [10.038316516520055]
  BATsegと呼ばれる新しい手法を提案し,新しい境界認識損失関数を適用して腫瘍表面距離場を学習する。 本手法の有効性を検証するため,初回および大規模脊髄腫瘍データセットも導入した。
  論文  参考訳（メタデータ） (2024-12-09T14:11:56Z)
• 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)
• 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)
• Improving Breast Cancer Grade Prediction with Multiparametric MRI Created Using Optimized Synthetic Correlated Diffusion Imaging [71.91773485443125]
  乳がん治療計画において、グレーディングは重要な役割を担っている。 現在の腫瘍グレード法では、患者から組織を抽出し、ストレス、不快感、医療費の上昇につながる。 本稿では,CDI$s$の最適化による乳癌の診断精度の向上について検討する。
  論文  参考訳（メタデータ） (2024-05-13T15:48:26Z)
• Lumbar Spine Tumor Segmentation and Localization in T2 MRI Images Using AI [2.9746083684997418]
  本研究は, 脊椎腫瘍の領域分割と局所化をAIアプローチで自動化することを目的とした, 新たなデータ拡張手法を提案する。 畳み込みニューラルネットワーク(CNN)アーキテクチャは、腫瘍の分類に用いられている。3次元の椎骨分割とラベル付け技術は、腰椎の腫瘍の正確な位置を特定するのに役立つ。 その結果, 腫瘍分節の99%の精度, 腫瘍分類の98%の精度, 腫瘍局在の99%の精度が得られた。
  論文  参考訳（メタデータ） (2024-05-07T05:55:50Z)
• Cross-modality Guidance-aided Multi-modal Learning with Dual Attention for MRI Brain Tumor Grading [47.50733518140625]
  脳腫瘍は世界で最も致命的ながんの1つであり、子供や高齢者に非常に多い。 本稿では,MRI脳腫瘍グレーディングの課題に対処するために,新たな多モード学習法を提案する。
  論文  参考訳（メタデータ） (2024-01-17T07:54:49Z)
• Treatment-aware Diffusion Probabilistic Model for Longitudinal MRI Generation and Diffuse Glioma Growth Prediction [0.5667953366862138]
  本稿では,腫瘍マスクの将来の予測と,腫瘍が今後の治療計画にどう対応するかのマルチパラメトリック磁気共鳴画像(MRI)を提案する。 我々のアプローチは、最先端拡散確率モデルとディープセグメンテーションニューラルネットワークに基づいている。
  論文  参考訳（メタデータ） (2023-09-11T12:12:52Z)
• 3DSAM-adapter: Holistic adaptation of SAM from 2D to 3D for promptable tumor segmentation [52.699139151447945]
  医用画像の領域分割を行うために, SAMを2次元から3次元に変換する新しい適応法を提案する。 本モデルでは, 腎腫瘍, 膵腫瘍, 大腸癌の3つのタスクのうち8.25%, 29.87%, 10.11%の3つのタスクにおいて, ドメイン・オブ・ザ・アーティヴ・メディカル・イメージ・セグメンテーション・モデルより優れ, 肝腫瘍セグメンテーションでも同様の性能が得られる。
  論文  参考訳（メタデータ） (2023-06-23T12:09:52Z)
• 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)
• EMT-NET: Efficient multitask network for computer-aided diagnosis of breast cancer [58.720142291102135]
  乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。 腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。 腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
  論文  参考訳（メタデータ） (2022-01-13T05:24:40Z)
• 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)
• Expectation-Maximization Regularized Deep Learning for Weakly Supervised Tumor Segmentation for Glioblastoma [8.24450401153384]
  本研究では,弱監督腫瘍分割のためのEM正規化ディープラーニング(EMReDL)モデルを提案する。 この枠組みは周囲の脳組織への拡散浸潤を特徴とする悪性腫瘍の一種であるグリオ芽腫に特化していた。
  論文  参考訳（メタデータ） (2021-01-21T18:14:43Z)

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。