論文の概要: A CNN-Transformer for Classification of Longitudinal 3D MRI Images -- A Case Study on Hepatocellular Carcinoma Prediction

• arxiv url: http://arxiv.org/abs/2501.10733v2
• Date: Wed, 22 Jan 2025 10:50:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-23 13:30:38.405118
• Title: A CNN-Transformer for Classification of Longitudinal 3D MRI Images -- A Case Study on Hepatocellular Carcinoma Prediction
• Title（参考訳）: 縦3次元MRI画像の分類のためのCNN変換器 -肝細胞癌予知の事例-
• Authors: Jakob Nolte, Maureen M. J. Guichelaar, Donald E. Bouman, Stephanie M. van den Berg, Maryam Amir Haeri,
• Abstract要約: HCCNetは、ConvNeXt CNNアーキテクチャの3D適応とTransformerエンコーダを統合する新しいモデルアーキテクチャである。 その結果,HCCNetはベースラインモデルよりも予測精度と信頼性を著しく向上させることがわかった。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Longitudinal MRI analysis is crucial for predicting disease outcomes, particularly in chronic conditions like hepatocellular carcinoma (HCC), where early detection can significantly influence treatment strategies and patient prognosis. Yet, due to challenges like limited data availability, subtle parenchymal changes, and the irregular timing of medical screenings, current approaches have so far focused on cross-sectional imaging data. To address this, we propose HCCNet, a novel model architecture that integrates a 3D adaptation of the ConvNeXt CNN architecture with a Transformer encoder, capturing both the intricate spatial features of 3D MRIs and the complex temporal dependencies across different time points. HCCNet utilizes a two-stage pre-training process tailored for longitudinal MRI data. The CNN backbone is pre-trained using a self-supervised learning framework adapted for 3D MRIs, while the Transformer encoder is pre-trained with a sequence-order-prediction task to enhance its understanding of disease progression over time. We demonstrate the effectiveness of HCCNet by applying it to a cohort of liver cirrhosis patients undergoing regular MRI screenings for HCC surveillance. Our results show that HCCNet significantly improves predictive accuracy and reliability over baseline models, providing a robust tool for personalized HCC surveillance. The methodological approach presented in this paper is versatile and can be adapted to various longitudinal MRI screening applications. Its ability to handle varying patient record lengths and irregular screening intervals establishes it as an invaluable framework for monitoring chronic diseases, where timely and accurate disease prognosis is critical for effective treatment planning.
• Abstract（参考訳）: 特に肝細胞癌(HCC)などの慢性疾患では,早期発見は治療戦略や予後に大きな影響を及ぼす可能性がある。 しかし、データ可用性の制限、微妙な部分的変化、医療スクリーニングの不規則なタイミングなどの課題により、現在のアプローチは、断面画像データに重点を置いている。 そこで本研究では,ConvNeXt CNNアーキテクチャの3次元適応をTransformerエンコーダと統合した新しいモデルアーキテクチャであるHCCNetを提案する。 HCCNetは、縦方向MRIデータに適した2段階の事前訓練プロセスを利用する。 CNNのバックボーンは3次元MRIに適応した自己教師付き学習フレームワークを用いて事前訓練され、トランスフォーマーエンコーダは、時間とともに疾患の進行に対する理解を高めるために、順序順予測タスクで事前訓練される。 肝硬変患者の肝硬変に対するHCCNetの有用性について検討した。 以上の結果から,HCCNetはベースラインモデルよりも予測精度と信頼性を著しく向上させ,HCC監視をパーソナライズするための堅牢なツールを提供することがわかった。 本論文の方法論的アプローチは多用途であり, 様々な縦型MRI検診への応用が可能である。 様々な患者の記録の長さや不規則なスクリーニング間隔を扱う能力は、慢性疾患をモニタリングするための貴重な枠組みとして確立され、時間的かつ正確な疾患予後が効果的な治療計画に欠かせない。

関連論文リスト

• Time-to-Event Pretraining for 3D Medical Imaging [44.46415168541444]
  本稿では,3次元医用画像モデルのための事前トレーニングフレームワークである,時間とイベントの事前トレーニングを紹介する。 我々は18,945個のCTスキャン(420万枚の2D画像)のデータセットと、何千ものEHR由来のタスクにまたがる時間-時間分布を用いています。 提案手法は,AUROCの平均値が23.7%,HarrellのC-インデックスが29.4%向上し,結果予測が向上する。
  論文  参考訳（メタデータ） (2024-11-14T11:08:54Z)
• Probabilistic 3D Correspondence Prediction from Sparse Unsegmented Images [1.2179682412409507]
  スパース画像データから3次元対応を予測する統一モデルであるSPI-CorrNetを提案する。 LGE MRI左房データセットとAbdomen CT-1K肝データセットを用いた実験により,スパース画像駆動SSMの精度とロバスト性の向上が示された。
  論文  参考訳（メタデータ） (2024-07-02T03:56:20Z)
• Enhancing MRI-Based Classification of Alzheimer's Disease with Explainable 3D Hybrid Compact Convolutional Transformers [13.743241062824548]
  アルツハイマー病(AD: Alzheimer's disease)は、世界的な健康問題である。 従来の分析手法は、AD識別に不可欠な複雑な3Dパターンの識別に苦慮することが多い。 3D Hybrid Convolutional Transformer 3D (HCCT) について紹介する。
  論文  参考訳（メタデータ） (2024-03-24T14:35:06Z)
• Swin-Tempo: Temporal-Aware Lung Nodule Detection in CT Scans as Video Sequences Using Swin Transformer-Enhanced UNet [2.7547288571938795]
  本稿では、畳み込みニューラルネットワークと視覚変換器の長所を利用する革新的なモデルを提案する。 ビデオ中の物体検出にインスパイアされた各3次元CT画像をビデオとして扱い、個々のスライスをフレームとして、肺結節をオブジェクトとして扱い、時系列アプリケーションを可能にする。
  論文  参考訳（メタデータ） (2023-10-05T07:48:55Z)
• Automatic diagnosis of knee osteoarthritis severity using Swin transformer [55.01037422579516]
  変形性膝関節症 (KOA) は膝関節の慢性的な痛みと硬直を引き起こす疾患である。 我々は,Swin Transformer を用いて KOA の重大度を予測する自動手法を提案する。
  論文  参考訳（メタデータ） (2023-07-10T09:49:30Z)
• A Spatiotemporal Model for Precise and Efficient Fully-automatic 3D Motion Correction in OCT [10.550562752812894]
  OCT機器は網膜を横断する焦点スポットをバイスキャンし、断面画像を取得してデータを生成する。 非剛性で歪んだ歪みが発生し、データのギャップが生じる。 本稿では,新しい歪みモデルとそれに対応する完全自動参照フリーな計算ロバスト性最適化戦略を提案する。
  論文  参考訳（メタデータ） (2022-09-15T11:48:53Z)
• SurvLatent ODE : A Neural ODE based time-to-event model with competing risks for longitudinal data improves cancer-associated Deep Vein Thrombosis (DVT) prediction [68.8204255655161]
  本稿では,不規則なサンプルデータの下で潜在表現をパラメータ化する生成時間対イベントモデルSurvLatent ODEを提案する。 そこで,本モデルでは,事象特異的ハザード関数の形状を指定せずに,複数の競合イベントの生存時間を柔軟に推定する。 SurvLatent ODEは、DVTリスクグループを成層化するために、現在の臨床標準であるKhorana Riskスコアより優れている。
  論文  参考訳（メタデータ） (2022-04-20T17:28:08Z)
• 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)
• MIA-Prognosis: A Deep Learning Framework to Predict Therapy Response [58.0291320452122]
  本稿では,患者の予後と治療反応を予測するための統合型深層学習手法を提案する。 我々は,マルチモーダル非同期時系列分類タスクとして,確率モデリングを定式化する。 我々の予測モデルは、長期生存の観点から、低リスク、高リスクの患者をさらに階層化する可能性がある。
  論文  参考訳（メタデータ） (2020-10-08T15:30:17Z)
• Probabilistic 3D surface reconstruction from sparse MRI information [58.14653650521129]
  スパース2次元MR画像データとアレータティック不確実性予測から3次元表面再構成を同時に行うための新しい確率論的深層学習手法を提案する。 本手法は,3つの準直交MR画像スライスから,限られたトレーニングセットから大きな表面メッシュを再構成することができる。
  論文  参考訳（メタデータ） (2020-10-05T14:18:52Z)
• Spatio-spectral deep learning methods for in-vivo hyperspectral laryngeal cancer detection [49.32653090178743]
  頭頸部腫瘍の早期発見は患者の生存に不可欠である。 ハイパースペクトルイメージング(HSI)は頭頸部腫瘍の非侵襲的検出に用いられる。 HSIに基づく喉頭癌診断のための複数の深層学習手法を提案する。
  論文  参考訳（メタデータ） (2020-04-21T17:07:18Z)

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。