論文の概要: Glioma Classification using Multi-sequence MRI and Novel Wavelets-based Feature Fusion

• arxiv url: http://arxiv.org/abs/2502.20715v1
• Date: Fri, 28 Feb 2025 04:58:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-03 13:41:59.335526
• Title: Glioma Classification using Multi-sequence MRI and Novel Wavelets-based Feature Fusion
• Title（参考訳）: マルチシーケンスMRIと新しいウェーブレットベース特徴融合を用いたグリオーマ分類
• Authors: Kiranmayee Janardhan, Christy Bobby Thomas,
• Abstract要約: グリオーマ (Glioma) はグリオーマ由来の腫瘍であり, WHOの基準により低次グリオーマ (LGG) と高次グリオーマ (HGG) と区別できる。 非侵襲的なグリオーマ評価のために、MRI(MRI)は腫瘍の形態と位置について重要な情報を提供する。 本研究では,マルチシーケンスT1,T1コントラスト拡張(T1CE),T2,Fluid Attenuated Inversion Recovery(FLAIR)MRI画像にウェーブレットを用いた新しい融合アルゴリズムを実装し,放射能特性の計算を行った。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Glioma, a prevalent and heterogeneous tumor originating from the glial cells, can be differentiated as Low Grade Glioma (LGG) and High Grade Glioma (HGG) according to World Health Organization's norms. Classifying gliomas is essential for treatment protocols that depend extensively on subtype differentiation. For non-invasive glioma evaluation, Magnetic Resonance Imaging (MRI) offers vital information about the morphology and location of the the tumor. The versatility of MRI allows the classification of gliomas as LGG and HGG based on their texture, perfusion, and diffusion characteristics, and further for improving the diagnosis and providing tailored treatments. Nevertheless, the precise classification is complicated by tumor heterogeneity and overlapping radiomic characteristics. Thus, in this work, wavelet based novel fusion algorithm were implemented on multi-sequence T1, T1-contrast enhanced (T1CE), T2 and Fluid Attenuated Inversion Recovery (FLAIR) MRI images to compute the radiomics features. Furthermore, principal component analysis is applied to reduce the feature space and XGBoost, Support Vector Machine, and Random Forest Classifier are used for the classification. The result shows that the SVM algorithm performs comparatively well with an accuracy of 90.17%, precision of 91.04% and recall of 96.19%, F1-score of 93.53%, and AUC of 94.60% when implemented on BraTS 2018 dataset and with an accuracy of 91.34%, precision of 93.05% and recall of 96.13%, F1-score of 94.53%, and AUC of 93.71% for BraTS 2018 dataset. Thus, the proposed algorithm could be potentially implemented for the computer-aided diagnosis and grading system for gliomas.
• Abstract（参考訳）: グリオーマ(Glioma)は、グリオーマ由来の腫瘍で、世界保健機関(WHO)の基準により、低次グリオーマ(LGG)と高次グリオーマ(HGG)と区別できる。 グリオーマの分類は、サブタイプ分化に大きく依存する治療プロトコルに不可欠である。 非侵襲的なグリオーマ評価のために、MRI(MRI)は腫瘍の形態と位置について重要な情報を提供する。 MRIの汎用性は、そのテクスチャ、灌流、拡散特性に基づいてグリオーマをLGGとHGGに分類することができ、さらに診断を改善し、調整された治療を提供することができる。 それにもかかわらず、正確な分類は腫瘍の不均一性と重なり合う放射線学的特徴によって複雑である。 そこで本研究では,マルチシーケンスT1,T1コントラスト拡張(T1CE),T2,Fluid Attenuated Inversion Recovery(FLAIR)MRI画像にウェーブレットを用いた新しい融合アルゴリズムを実装し,放射能特性の計算を行った。 さらに、特徴空間を減らすために主成分分析を適用し、その分類にXGBoost、サポートベクトルマシン、ランダムフォレスト分類器を用いる。 その結果、SVMアルゴリズムは精度が90.17%、精度が91.04%、リコールが96.19%、F1スコアが93.53%、AUCが94.60%、精度が91.34%、精度が93.05%、リコールが96.13%、F1スコアが94.53%、AUCが93.71%であることがわかった。 したがって,提案アルゴリズムはグリオーマの診断・評価システムに応用できる可能性が示唆された。

関連論文リスト

• Brain Tumor Classification on MRI in Light of Molecular Markers [61.77272414423481]
  1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。 本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
  論文  参考訳（メタデータ） (2024-09-29T07:04:26Z)
• Exploiting Precision Mapping and Component-Specific Feature Enhancement for Breast Cancer Segmentation and Identification [0.0]
  乳房病変の分類・分類のための新しいDeep Learning(DL)フレームワークを提案する。 本稿では,PMAD-LinkNetセグメンテーションフレームワークの高精度マッピング機構(PMM)を提案する。 また、コンポーネント固有の特徴拡張モジュール (CSFEM) を導入し、コンポーネント固有の特徴強化分類器 (CSFEC-Net) を提案する。
  論文  参考訳（メタデータ） (2024-07-03T06:40:26Z)
• 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)
• Breast Ultrasound Tumor Classification Using a Hybrid Multitask CNN-Transformer Network [63.845552349914186]
  胸部超音波(BUS)画像分類において,グローバルな文脈情報の収集が重要な役割を担っている。 ビジョントランスフォーマーは、グローバルなコンテキスト情報をキャプチャする能力が改善されているが、トークン化操作によって局所的なイメージパターンを歪めてしまう可能性がある。 本研究では,BUS腫瘍分類とセグメンテーションを行うハイブリッドマルチタスクディープニューラルネットワークであるHybrid-MT-ESTANを提案する。
  論文  参考訳（メタデータ） (2023-08-04T01:19:32Z)
• Improving Deep Learning Models for Pediatric Low-Grade Glioma Tumors Molecular Subtype Identification Using 3D Probability Distributions of Tumor Location [0.0]
  pLGGサブタイプ同定のためのCNNモデルは腫瘍セグメンテーションに依存している。 我々はMRIデータにおける腫瘍位置確率を用いてCNNモデルを拡張することを提案する。 腫瘍位置をCNNモデルに組み込むことにより,統計的に有意な改善が得られた。
  論文  参考訳（メタデータ） (2022-10-13T18:30:11Z)
• MRI-based classification of IDH mutation and 1p/19q codeletion status of gliomas using a 2.5D hybrid multi-task convolutional neural network [0.18374319565577152]
  グリオーマにおけるIsocitrate dehydrogenase変異と1p/19q符号欠失は重要な予後マーカーである。 我々の目標は、MRIからこれらの分子変化を非侵襲的に決定する人工知能ベースの手法を開発することであった。 2.5Dハイブリッド畳み込みニューラルネットワークは、腫瘍を同時に局在させ、その分子状態を分類するために提案された。
  論文  参考訳（メタデータ） (2022-10-07T18:46:39Z)
• Automated SSIM Regression for Detection and Quantification of Motion Artefacts in Brain MR Images [54.739076152240024]
  磁気共鳴脳画像における運動アーチファクトは重要な問題である。 MR画像の画質評価は,臨床診断に先立って基本的である。 構造類似度指数(SSIM)回帰に基づく自動画像品質評価法が提案されている。
  論文  参考訳（メタデータ） (2022-06-14T10:16:54Z)
• A New Deep Hybrid Boosted and Ensemble Learning-based Brain Tumor Analysis using MRI [0.28675177318965034]
  磁気共鳴画像(MRI)における脳腫瘍の検出・分類のための2段階深層学習フレームワークの提案 第1フェーズでは、健康な人から腫瘍MRI画像を検出するために、新しい深層化特徴とアンサンブル分類器(DBF-EC)方式が提案されている。 第2段階では, 異なる腫瘍タイプを分類するために, 動的静的特徴とML分類器からなる融合型脳腫瘍分類法が提案されている。
  論文  参考訳（メタデータ） (2022-01-14T10:24:47Z)
• 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)
• A multicenter study on radiomic features from T$_2$-weighted images of a customized MR pelvic phantom setting the basis for robust radiomic models in clinics [47.187609203210705]
  骨盤ファントムの2Dおよび3D T$$-weightedイメージを3つのスキャナーで取得した。 放射線学的特徴の再現性と再配置を評価した。
  論文  参考訳（メタデータ） (2020-05-14T09:24:48Z)
• Machine-Learning-Based Multiple Abnormality Prediction with Large-Scale Chest Computed Tomography Volumes [64.21642241351857]
  19,993症例から36,316巻の胸部CTデータセットを収集,解析した。 自由テキストラジオグラフィーレポートから異常ラベルを自動的に抽出するルールベース手法を開発した。 胸部CTボリュームの多臓器・多臓器分類モデルも開発した。
  論文  参考訳（メタデータ） (2020-02-12T00:59:23Z)

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。