論文の概要: Automatic quantification of breast cancer biomarkers from multiple 18F-FDG PET image segmentation

• arxiv url: http://arxiv.org/abs/2502.04083v1
• Date: Thu, 06 Feb 2025 13:51:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-07 14:33:55.872401
• Title: Automatic quantification of breast cancer biomarkers from multiple 18F-FDG PET image segmentation
• Title（参考訳）: 多発性18F-FDG PET画像からの乳癌バイオマーカーの自動定量化
• Authors: Tewele W. Tareke, Neree Payan, Alexandre Cochet, Laurent Arnould, Benoit Presles, Jean-Marc Vrigneaud, Fabrice Meriaudeau, Alain Lalande,
• Abstract要約: 提案手法は18F-FDG PETから乳腺腫瘍の分節を自動生成するシステムである。 抽出したバイオマーカーにより,癌進展の自動評価が可能となった。
• 参考スコア（独自算出の注目度）: 34.998498202537185
• License:
• Abstract: Neoadjuvant chemotherapy (NAC) has become a standard clinical practice for tumor downsizing in breast cancer with 18F-FDG Positron Emission Tomography (PET). Our work aims to leverage PET imaging for the segmentation of breast lesions. The focus is on developing an automated system that accurately segments primary tumor regions and extracts key biomarkers from these areas to provide insights into the evolution of breast cancer following the first course of NAC. 243 baseline 18F-FDG PET scans (PET_Bl) and 180 follow-up 18F-FDG PET scans (PET_Fu) were acquired before and after the first course of NAC, respectively. Firstly, a deep learning-based breast tumor segmentation method was developed. The optimal baseline model (model trained on baseline exams) was fine-tuned on 15 follow-up exams and adapted using active learning to segment tumor areas in PET_Fu. The pipeline computes biomarkers such as maximum standardized uptake value (SUVmax), metabolic tumor volume (MTV), and total lesion glycolysis (TLG) to evaluate tumor evolution between PET_Fu and PET_Bl. Quality control measures were employed to exclude aberrant outliers. The nnUNet deep learning model outperformed in tumor segmentation on PET_Bl, achieved a Dice similarity coefficient (DSC) of 0.89 and a Hausdorff distance (HD) of 3.52 mm. After fine-tuning, the model demonstrated a DSC of 0.78 and a HD of 4.95 mm on PET_Fu exams. Biomarkers analysis revealed very strong correlations whatever the biomarker between manually segmented and automatically predicted regions. The significant average decrease of SUVmax, MTV and TLG were 5.22, 11.79 cm3 and 19.23 cm3, respectively. The presented approach demonstrates an automated system for breast tumor segmentation from 18F-FDG PET. Thanks to the extracted biomarkers, our method enables the automatic assessment of cancer progression.
• Abstract（参考訳）: 18F-FDGポジトロン・エミッション・トモグラフィー(PET)を併用した乳癌における腫瘍縮小の標準的治療法としてネオアジュバント化学療法(NAC)が確立されている。 本研究は,乳腺病変の分画にPET画像を活用することを目的としている。 NACの第1段階以降の乳がんの進展に関する知見を提供するため、腫瘍領域を正確に分類し、これらの領域から重要なバイオマーカーを抽出する自動化システムの開発に重点を置いている。 243 ベースライン 18F-FDG PET スキャン (PET_Bl) と180 フォローアップ 18F-FDG PET スキャン (PET_Fu) をそれぞれNAC の第1コース前後に取得した。 まず,深層学習に基づく乳腺腫瘍分割法を開発した。 最適ベースラインモデル(ベースライン試験で訓練したモデル)を15回の追跡試験で微調整し,PET_Fuの腫瘍領域の分割に能動的学習を適用した。 このパイプラインは、PET_FuとPET_Blの腫瘍進展を評価するために、最大標準取り込み値(SUVmax)、代謝性腫瘍容積(MTV)、総病変解糖(TLG)などのバイオマーカーを演算する。 異常なアウトリーチを除外するために品質管理策が採用された。 PET_Blの腫瘍セグメンテーションに優れるnnUNet深層学習モデルは,Dice類似係数0.89,Hausdorff距離3.52mmを達成した。 微調整後、PET_Fu試験ではDSCが0.78mm、HDが4.95mmであった。 バイオマーカー分析により,手動で分割した領域と自動予測した領域のバイオマーカーの相関が強く示された。 SUVmax, MTV, TLGはそれぞれ5.22, 11.79 cm3, 19.23 cm3であった。 提案手法は18F-FDG PETから乳腺腫瘍の分節を自動生成するシステムである。 抽出したバイオマーカーにより,癌進展の自動評価が可能となった。

関連論文リスト

• 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)
• Using Multiparametric MRI with Optimized Synthetic Correlated Diffusion Imaging to Enhance Breast Cancer Pathologic Complete Response Prediction [71.91773485443125]
  ネオアジュバント化学療法は乳癌の治療戦略として最近人気を集めている。 ネオアジュバント化学療法を推奨する現在のプロセスは、医療専門家の主観的評価に依存している。 本研究は, 乳癌の病理組織学的完全反応予測に最適化されたCDI$s$を応用することを検討した。
  論文  参考訳（メタデータ） (2024-05-13T15:40:56Z)
• AutoPET Challenge 2023: Sliding Window-based Optimization of U-Net [30.142259166452693]
  FDG-PETスキャンは、健康な組織において不規則なグルコース消費をがんと誤解する可能性がある。 AutoPETの課題は、1014 FDG-PET/CT研究のデータセットを提供することである。
  論文  参考訳（メタデータ） (2023-09-21T14:34:17Z)
• Contrastive Diffusion Model with Auxiliary Guidance for Coarse-to-Fine PET Reconstruction [62.29541106695824]
  本稿では, 粗い予測モジュール (CPM) と反復的修正モジュール (IRM) から構成される粗大なPET再構成フレームワークを提案する。 計算オーバーヘッドの大部分をCPMに委譲することで,本手法のサンプリング速度を大幅に向上させることができる。 2つの追加戦略、すなわち補助的な誘導戦略と対照的な拡散戦略が提案され、再構築プロセスに統合される。
  論文  参考訳（メタデータ） (2023-08-20T04:10:36Z)
• Cancer-Net BCa-S: Breast Cancer Grade Prediction using Volumetric Deep Radiomic Features from Synthetic Correlated Diffusion Imaging [82.74877848011798]
  乳がんの流行は成長を続けており、2023年には米国で約30万人の女性に影響を及ぼした。 金標準のScarff-Bloom-Richardson(SBR)グレードは、化学療法に対する患者の反応を一貫して示すことが示されている。 本稿では,合成相関拡散(CDI$s$)画像を用いた乳がん鑑定における深層学習の有効性について検討する。
  論文  参考訳（メタデータ） (2023-04-12T15:08:34Z)
• Whole-body tumor segmentation of 18F -FDG PET/CT using a cascaded and ensembled convolutional neural networks [2.735686397209314]
  本研究の目的は、18F-FDG PET/CT画像全体において癌疑い領域を自動的に分割するディープニューラルネットワークの性能を報告することである。 PET/CT画像を6mmの解像度で3D UNET CNNの重ね合わせで処理するケースドアプローチを開発した。
  論文  参考訳（メタデータ） (2022-10-14T19:25:56Z)
• PriorNet: lesion segmentation in PET-CT including prior tumor appearance information [0.0]
  PET-CT画像における腫瘍病変のセグメンテーション性能を改善するための2段階のアプローチを提案する。 第1ステップは、先行腫瘍情報とみなすPET-CTボリュームから先行腫瘍出現マップを生成する。 標準のU-Netからなる第2ステップは、前回の腫瘍出現マップとPET-CT画像を受け取り、病変マスクを生成する。
  論文  参考訳（メタデータ） (2022-10-05T12:31:42Z)
• Automatic Tumor Segmentation via False Positive Reduction Network for Whole-Body Multi-Modal PET/CT Images [12.885308856495353]
  PET/CT画像評価では,腫瘍の自動切除が重要なステップである。 既存の方法は腫瘍領域を過剰に分離し、正常な高臓器、炎症、その他の感染症などの領域を含む傾向がある。 この制限を克服するために、偽陽性削減ネットワークを導入します。
  論文  参考訳（メタデータ） (2022-09-16T04:01:14Z)
• Multimodal Spatial Attention Module for Targeting Multimodal PET-CT Lung Tumor Segmentation [11.622615048002567]
  マルチモーダル空間アテンションモジュール(MSAM)は腫瘍に関連する領域を強調することを学ぶ。 MSAMは一般的なバックボーンアーキテクチャやトレーニングされたエンドツーエンドに適用できる。
  論文  参考訳（メタデータ） (2020-07-29T10:27:22Z)
• Stan: Small tumor-aware network for breast ultrasound image segmentation [68.8204255655161]
  本研究では,小腫瘍認識ネットワーク(Small tumor-Aware Network,STAN)と呼ばれる新しいディープラーニングアーキテクチャを提案する。 提案手法は, 乳腺腫瘍の分節化における最先端のアプローチよりも優れていた。
  論文  参考訳（メタデータ） (2020-02-03T22:25:01Z)

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。