論文の概要: Towards a deep learning approach for classifying treatment response in glioblastomas

• arxiv url: http://arxiv.org/abs/2504.18268v1
• Date: Fri, 25 Apr 2025 11:27:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-02 19:15:53.753023
• Title: Towards a deep learning approach for classifying treatment response in glioblastomas
• Title（参考訳）: グリオ芽腫における治療反応の分類のための深層学習アプローチ
• Authors: Ana Matoso, Catarina Passarinho, Marta P. Loureiro, José Maria Moreira, Patrícia Figueiredo, Rita G. Nunes,
• Abstract要約: グリオーマは最も攻撃的なタイプのグリオーマであり、5年生存率は6.9%である。 放射線医は、RANO(Re Response Assessment in Neuro-Oncology)基準を用いて、画像と臨床の特徴に基づいて腫瘍を4つのラベルの1つに分類する。 ディープラーニングは、分類問題に対処するために広く用いられているため、RANO基準の分類のための最初のDLパイプラインの実装を目的としている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Glioblastomas are the most aggressive type of glioma, having a 5-year survival rate of 6.9%. Treatment typically involves surgery, followed by radiotherapy and chemotherapy, and frequent magnetic resonance imaging (MRI) scans to monitor disease progression. To assess treatment response, radiologists use the Response Assessment in Neuro-Oncology (RANO) criteria to categorize the tumor into one of four labels based on imaging and clinical features: complete response, partial response, stable disease, and progressive disease. This assessment is very complex and time-consuming. Since deep learning (DL) has been widely used to tackle classification problems, this work aimed to implement the first DL pipeline for the classification of RANO criteria based on two consecutive MRI acquisitions. The models were trained and tested on the open dataset LUMIERE. Five approaches were tested: 1) subtraction of input images, 2) different combinations of modalities, 3) different model architectures, 4) different pretraining tasks, and 5) adding clinical data. The pipeline that achieved the best performance used a Densenet264 considering only T1-weighted, T2-weighted, and Fluid Attenuated Inversion Recovery (FLAIR) images as input without any pretraining. A median Balanced Accuracy of 50.96% was achieved. Additionally, explainability methods were applied. Using Saliency Maps, the tumor region was often successfully highlighted. In contrast, Grad-CAM typically failed to highlight the tumor region, with some exceptions observed in the Complete Response and Progressive Disease classes, where it effectively identified the tumor region. These results set a benchmark for future studies on glioblastoma treatment response assessment based on the RANO criteria while emphasizing the heterogeneity of factors that might play a role when assessing the tumor's response to treatment.
• Abstract（参考訳）: グリオーマは最も攻撃的なタイプのグリオーマであり、5年生存率は6.9%である。 治療は通常、手術、放射線療法と化学療法、疾患の進行を監視するために頻繁にMRI(MRI)スキャンが用いられる。 治療反応を評価するために、放射線医は神経腫瘍学における反応アセスメント(RANO)基準を用いて、腫瘍を画像および臨床特徴(完全反応、部分反応、安定した疾患、進行性疾患)に基づいて4つのラベルの1つに分類する。 この評価は非常に複雑で時間を要する。 ディープラーニング (DL) は, 分類問題に対処するために広く用いられているため, RANO 基準の分類のための最初の DL パイプラインの実装を目的とした。 モデルは、オープンデータセットLUMIEREでトレーニングされ、テストされた。 5つのアプローチがテストされた。 1)入力画像の減算 2) モダリティの異なる組み合わせ 3)異なるモデルアーキテクチャ。 4)異なる事前訓練作業、及び 5) 臨床データの追加。 最高の性能を達成したパイプラインは、T1重み、T2重み、Fluid Attenuated Inversion Recovery (FLAIR) 画像のみを事前訓練なしで入力として考慮したDensenet264を使用した。 平均バランス精度は50.96%に達した。 さらに、説明可能性法を適用した。 Saliency Mapsを用いて腫瘍領域のハイライトを成功させた。 対照的に、Grad-CAMは通常腫瘍領域の強調に失敗し、一部の例外は完全反応と進行性疾患のクラスで観察され、腫瘍領域を効果的に同定した。 これらの結果は今後,RANO基準に基づくグリオブラスト腫治療反応評価の指標となるとともに,治療に対する腫瘍の反応を評価する際の因子の不均一性を強調した。

関連論文リスト

• 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)
• Swin transformers are robust to distribution and concept drift in endoscopy-based longitudinal rectal cancer assessment [3.0468533447146244]
  直腸癌治療の様々な段階において内視鏡画像を用いて治療の反応と毒性を評価する。 主観評価は非常に変動しており、一部の患者では反応の程度を過小評価することができる。 深層学習の進歩は、内視鏡画像に対して一貫した客観的応答アセスメントを生成する能力を示している。
  論文  参考訳（メタデータ） (2024-05-06T18:01:13Z)
• Spatio-spectral classification of hyperspectral images for brain cancer detection during surgical operations [0.0]
  脳腫瘍の手術は神経外科において大きな問題である。 手術中の腫瘍境界の同定は困難である。 本研究では,ハイパースペクトル画像の空間特性とスペクトル特性を考慮した新しい分類法の開発について述べる。
  論文  参考訳（メタデータ） (2024-02-11T12:58:42Z)
• Treatment-wise Glioblastoma Survival Inference with Multi-parametric Preoperative MRI [34.830878479276286]
  MRスキャンに加えて治療情報を組み込んだグリオブラスト腫STの治療条件回帰モデルを提案する。 当社のアプローチでは,各治療の個別モデルをトレーニングする必要はなく,すべての治療から得られるデータを統一的に活用することが可能です。
  論文  参考訳（メタデータ） (2024-02-10T16:13:09Z)
• Domain Transfer Through Image-to-Image Translation for Uncertainty-Aware Prostate Cancer Classification [42.75911994044675]
  前立腺MRIの非対位画像翻訳のための新しいアプローチと臨床的に重要なPCaを分類するための不確実性認識トレーニングアプローチを提案する。 提案手法では,無ペアの3.0T多パラメータ前立腺MRIを1.5Tに翻訳し,利用可能なトレーニングデータを増強する。 実験の結果,提案手法は,従来の研究に比べてAUC(Area Under ROC Curve)を20%以上改善することがわかった。
  論文  参考訳（メタデータ） (2023-07-02T05:26:54Z)
• Segmentation of glioblastomas in early post-operative multi-modal MRI with deep neural networks [33.51490233427579]
  手術前セグメンテーションのための2つの最先端ニューラルネットワークアーキテクチャをトレーニングした。 最高の成績は61%のDiceスコアで、最高の分類性能は80%のバランスの取れた精度で達成された。 予測セグメンテーションは、患者を残存腫瘍と全切除患者に正確に分類するために用いられる。
  論文  参考訳（メタデータ） (2023-04-18T10:14:45Z)
• 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)
• Enhancing Clinical Support for Breast Cancer with Deep Learning Models using Synthetic Correlated Diffusion Imaging [66.63200823918429]
  深層学習モデルを用いた乳癌に対する臨床支援の強化について検討した。 我々は、体積畳み込みニューラルネットワークを利用して、前処理コホートから深い放射能特徴を学習する。 提案手法は, グレードと処理後応答予測の両方において, より良い性能を実現することができる。
  論文  参考訳（メタデータ） (2022-11-10T03:02:12Z)
• Exploiting segmentation labels and representation learning to forecast therapy response of PDAC patients [60.78505216352878]
  化学療法に対する腫瘍反応を予測するためのハイブリッドディープニューラルネットワークパイプラインを提案する。 セグメンテーションから分類への表現伝達の組み合わせと、ローカライゼーションと表現学習を利用する。 提案手法は, 合計477個のデータセットを用いて, ROC-AUC 63.7% の処理応答を予測できる, 極めて効率的な手法である。
  論文  参考訳（メタデータ） (2022-11-08T11:50:31Z)
• Moving from 2D to 3D: volumetric medical image classification for rectal cancer staging [62.346649719614]
  術前T2期とT3期を区別することは直腸癌治療における最も困難かつ臨床的に重要な課題である。 直腸MRIでT3期直腸癌からT2を正確に判別するための体積畳み込みニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2022-09-13T07:10:14Z)
• 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 Deep Learning Approach to Predicting Collateral Flow in Stroke Patients Using Radiomic Features from Perfusion Images [58.17507437526425]
  側方循環は、血流を妥協した領域に酸素を供給する特殊な無酸素流路から生じる。 実際のグレーティングは主に、取得した画像の手動検査によって行われる。 MR灌流データから抽出した放射線学的特徴に基づいて,脳卒中患者の側方血流低下を予測するための深層学習手法を提案する。
  論文  参考訳（メタデータ） (2021-10-24T18:58:40Z)
• Spectral-Spatial Recurrent-Convolutional Networks for In-Vivo Hyperspectral Tumor Type Classification [49.32653090178743]
  ハイパースペクトル画像とディープラーニングを用いたin-vivo腫瘍型分類の可能性を示した。 我々の最良のモデルは76.3%のAUCを達成し、従来の学習手法とディープラーニング手法を著しく上回っている。
  論文  参考訳（メタデータ） (2020-07-02T12:00:53Z)

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。