論文の概要: Liver Cirrhosis Stage Estimation from MRI with Deep Learning

• arxiv url: http://arxiv.org/abs/2502.18225v1
• Date: Sun, 23 Feb 2025 20:50:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-26 15:19:14.167967
• Title: Liver Cirrhosis Stage Estimation from MRI with Deep Learning
• Title（参考訳）: ディープラーニングを用いたMRIによる肝硬変のステージ推定
• Authors: Jun Zeng, Debesh Jha, Ertugrul Aktas, Elif Keles, Alpay Medetalibeyoglu, Matthew Antalek, Amir A. Borhani, Daniela P. Ladner, Gorkem Durak, Ulas Bagci,
• Abstract要約: マルチシーケンスMRIを用いた肝硬変自動ステージ推定のためのエンドツーエンドディープラーニングフレームワークを提案する。 本手法は,肝硬変進行段階の微妙な組織変化を捉えるために,多段階的特徴学習とシーケンス特異的注意機構を統合した。 我々の最良のモデルは、T1Wで72.8%、T2Wで63.8%の精度を達成し、従来のラジオミクスベースのアプローチよりも大幅に優れている。
• 参考スコア（独自算出の注目度）: 8.624095515251993
• License:
• Abstract: We present an end-to-end deep learning framework for automated liver cirrhosis stage estimation from multi-sequence MRI. Cirrhosis is the severe scarring (fibrosis) of the liver and a common endpoint of various chronic liver diseases. Early diagnosis is vital to prevent complications such as decompensation and cancer, which significantly decreases life expectancy. However, diagnosing cirrhosis in its early stages is challenging, and patients often present with life-threatening complications. Our approach integrates multi-scale feature learning with sequence-specific attention mechanisms to capture subtle tissue variations across cirrhosis progression stages. Using CirrMRI600+, a large-scale publicly available dataset of 628 high-resolution MRI scans from 339 patients, we demonstrate state-of-the-art performance in three-stage cirrhosis classification. Our best model achieves 72.8% accuracy on T1W and 63.8% on T2W sequences, significantly outperforming traditional radiomics-based approaches. Through extensive ablation studies, we show that our architecture effectively learns stage-specific imaging biomarkers. We establish new benchmarks for automated cirrhosis staging and provide insights for developing clinically applicable deep learning systems. The source code will be available at https://github.com/JunZengz/CirrhosisStage.
• Abstract（参考訳）: マルチシーケンスMRIを用いた肝硬変自動ステージ推定のためのエンドツーエンドディープラーニングフレームワークを提案する。 硬変は肝の重篤な傷(線維症)であり、様々な慢性肝疾患の共通点である。 早期診断は、脱補償やがんなどの合併症の予防に不可欠であり、寿命を著しく減少させる。 しかし, 肝硬変の早期診断は困難であり, 致命的な合併症がみられがちである。 本手法は,肝硬変進行段階の微妙な組織変化を捉えるために,多段階的特徴学習とシーケンス特異的注意機構を統合した。 CirrMRI600+は, 339例の高分解能MRIスキャン628例の大規模公開データセットであり, 3段階の肝硬変分類における最先端の成績を示した。 我々の最良のモデルは、T1Wで72.8%、T2Wで63.8%の精度を達成し、従来のラジオミクスベースのアプローチよりも大幅に優れている。 広範囲にわたるアブレーション研究を通して、我々のアーキテクチャはステージ固有のイメージングバイオマーカーを効果的に学習することを示した。 そこで我々は,臨床応用深層学習システムを開発する上での洞察を提供するとともに,肝硬変自動ステージングのための新しいベンチマークを構築した。 ソースコードはhttps://github.com/JunZengz/CirrhosisStage.comから入手できる。

関連論文リスト

• MPBD-LSTM: A Predictive Model for Colorectal Liver Metastases Using Time Series Multi-phase Contrast-Enhanced CT Scans [8.437136847051546]
  我々は,大腸癌肝転移の予測方法を評価するため,最先端のディープラーニング技術を構築した。 実験の結果,MPBD-LSTMと呼ばれる3次元双方向LSTMに基づくマルチプレーンアーキテクチャが最適であることがわかった。
  論文  参考訳（メタデータ） (2024-12-02T21:02:11Z)
• CirrMRI600+: Large Scale MRI Collection and Segmentation of Cirrhotic Liver [1.3157208364269697]
  肝硬変 (肝硬変) は, 肝疾患終末期の肝硬変であり, 広範な線維化と結節再生を特徴とする。 末期硬変の早期診断と治療は重要な臨床課題である。 Deep Learning (DL)は、MRIスキャンで肝硬変を自動分類し、認識するための有望なソリューションを提供する。 CirrMRI600+は肝硬変に対する注釈付きセグメンテーションラベルを用いた腹部MRIの広範なデータセットである。
  論文  参考訳（メタデータ） (2024-10-06T20:24:41Z)
• Semi-supervised ViT knowledge distillation network with style transfer normalization for colorectal liver metastases survival prediction [1.283897253352624]
  本稿では,H&EおよびHPSで染色した組織学的スライドを用いて,自動予後予測のためのエンドツーエンドアプローチを提案する。 まずGAN(Generative Adversarial Network)を用いてスライス正規化を行い、染色のばらつきを低減し、予測パイプラインへの入力として使用される画像の全体的な品質を向上させる。 転移性結節および周囲組織から抽出した特徴を利用して予後モデルを訓練し,同時に知識蒸留フレームワークで視覚変換器(ViT)を訓練し,予後予測の性能を再現し,向上させる。
  論文  参考訳（メタデータ） (2023-11-17T03:32:11Z)
• A Cascaded Approach for ultraly High Performance Lesion Detection and False Positive Removal in Liver CT Scans [15.352636778576171]
  肝臓がんは世界中で高い死亡率と死亡率を持っている。 CT画像における肝病変の自動検出と分類は、臨床ワークフローを改善する可能性がある。 本研究では,多相CT画像のためのマルチオブジェクトラベリングツールをカスタマイズする。
  論文  参考訳（メタデータ） (2023-06-28T09:11:34Z)
• Risk Classification of Brain Metastases via Radiomics, Delta-Radiomics and Machine Learning [7.165205048529115]
  放射線学と機械学習 (ML) を用いて, 進行の進行のリスクが高い転移は, 腫瘍発生前の経過観察中に同定できると仮定した。 この分類は、最大関連最小冗長(MRMR)技術とサポートベクトルマシン(SVM)により実現される。 以上の結果から,SRT後フォローアップにおける放射能および機械学習に基づくBMのリスク階層化は,良好な精度で可能であり,SRT後フォローアップのパーソナライズと改善のためにさらに追求すべきであることが示唆された。
  論文  参考訳（メタデータ） (2023-02-17T10:55:18Z)
• Learning to diagnose cirrhosis from radiological and histological labels with joint self and weakly-supervised pretraining strategies [62.840338941861134]
  そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。 我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。 この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
  論文  参考訳（メタデータ） (2023-02-16T17:06:23Z)
• CoRe: An Automated Pipeline for The Prediction of Liver Resection Complexity from Preoperative CT Scans [53.561797148529664]
  肝切除を複雑にするために重要な位置にある腫瘍が知られている。 CoReは、術後LRの複雑さを予測するための自動化された医療画像処理パイプラインである。
  論文  参考訳（メタデータ） (2022-10-15T15:29:24Z)
• SpineOne: A One-Stage Detection Framework for Degenerative Discs and Vertebrae [54.751251046196494]
  SpineOneと呼ばれる一段階検出フレームワークを提案し、MRIスライスから変性椎骨と椎骨を同時に局在化・分類する。 1)キーポイントの局所化と分類を促進するためのキーポイント・ヒートマップの新しい設計、2)ディスクと脊椎の表現をよりよく区別するためのアテンション・モジュールの使用、3)後期訓練段階における複数の学習目標を関連付けるための新しい勾配誘導客観的アソシエーション機構。
  論文  参考訳（メタデータ） (2021-10-28T12:59:06Z)
• M3Lung-Sys: A Deep Learning System for Multi-Class Lung Pneumonia Screening from CT Imaging [85.00066186644466]
  マルチタスク型マルチスライス深層学習システム(M3Lung-Sys)を提案する。 COVID-19とHealthy, H1N1, CAPとの鑑別に加えて, M3 Lung-Sysも関連病変の部位を特定できる。
  論文  参考訳（メタデータ） (2020-10-07T06:22:24Z)
• Multiple Sclerosis Lesion Activity Segmentation with Attention-Guided Two-Path CNNs [49.32653090178743]
  畳み込みニューラルネットワーク(CNN)は2つの時点から病変活動のセグメンテーションについて研究されている。 CNNは、異なる方法で2つのポイントからの情報を組み合わせて設計され、評価される。 深層学習に基づく手法が古典的アプローチより優れていることが実証された。
  論文  参考訳（メタデータ） (2020-08-05T08:49:20Z)
• 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。