論文の概要: Exploring Strategies for Personalized Radiation Therapy Part I Unlocking Response-Related Tumor Subregions with Class Activation Mapping

• arxiv url: http://arxiv.org/abs/2506.17536v1
• Date: Sat, 21 Jun 2025 01:24:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-24 19:06:36.462068
• Title: Exploring Strategies for Personalized Radiation Therapy Part I Unlocking Response-Related Tumor Subregions with Class Activation Mapping
• Title（参考訳）: パーソナライズド放射線治療の探索 : 第1報 クラス活性化マッピングによる応答関連腫瘍サブリージョンのアンロック
• Authors: Hao Peng, Steve Jiang, Robert Timmerman,
• Abstract要約: 本研究は, 標準放射能, 勾配に基づく特徴, クラスアクティベーションマッピングにより強化された畳み込みニューラルネットワークという, 治療応答を予測するための3つのアプローチを比較する。 ガンマナイフ治療39例の脳転移69例について検討した。 Pixel wise CAMは、分類精度において放射能と勾配に基づく手法の両方に優れていた。
• 参考スコア（独自算出の注目度）: 17.401088816596054
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Personalized precision radiation therapy requires more than simple classification, it demands the identification of prognostic, spatially informative features and the ability to adapt treatment based on individual response. This study compares three approaches for predicting treatment response: standard radiomics, gradient based features, and convolutional neural networks enhanced with Class Activation Mapping. We analyzed 69 brain metastases from 39 patients treated with Gamma Knife radiosurgery. An integrated autoencoder classifier model was used to predict whether tumor volume would shrink by more than 20 percent at a three months follow up, framed as a binary classification task. The results highlight their strength in hierarchical feature extraction and the classifiers discriminative capacity. Among the models, pixel wise CAM provides the most detailed spatial insight, identifying lesion specific regions rather than relying on fixed patterns, demonstrating strong generalization. In non responding lesions, the activated regions may indicate areas of radio resistance. Pixel wise CAM outperformed both radiomics and gradient based methods in classification accuracy. Moreover, its fine grained spatial features allow for alignment with cellular level data, supporting biological validation and deeper understanding of heterogeneous treatment responses. Although further validation is necessary, these findings underscore the promise in guiding personalized and adaptive radiotherapy strategies for both photon and particle therapies.
• Abstract（参考訳）: パーソナライズされた精密放射線治療は、単純な分類以上のものを必要とし、予後、空間的情報的特徴の同定と、個々の反応に基づいて治療を適応する能力を要求する。 本研究は, 標準放射能, 勾配に基づく特徴, クラスアクティベーションマッピングにより強化された畳み込みニューラルネットワークという, 治療応答を予測するための3つのアプローチを比較する。 ガンマナイフ治療39例の脳転移69例について検討した。 統合自己エンコーダ分類モデルを用いて腫瘍の体積が3ヶ月後に20%以上縮小するかどうかを予測した。 その結果,階層的特徴抽出におけるその強みと分類器の識別能力を強調した。 モデルの中では、ピクセルワイズCAMが最も詳細な空間的洞察を提供し、固定パターンに頼るのではなく、病変特異的領域を識別し、強力な一般化を示す。 非応答性病変では、活性化領域は放射線抵抗の領域を示すことがある。 Pixel wise CAMは、分類精度において放射能と勾配に基づく手法の両方に優れていた。 さらに、その微細な空間的特徴により、細胞レベルデータとのアライメントが可能となり、生物のバリデーションをサポートし、不均一な治療反応をより深く理解することができる。 さらなる検証が必要であるが、これらの知見は、光子療法と粒子療法の両方にパーソナライズされた適応的な放射線治療戦略を導くことの約束を裏付けるものである。

関連論文リスト

• Towards a Benchmark for Colorectal Cancer Segmentation in Endorectal Ultrasound Videos: Dataset and Model Development [59.74920439478643]
  本稿では,多様なERUSシナリオをカバーする最初のベンチマークデータセットを収集し,注釈付けする。 ERUS-10Kデータセットは77の動画と10,000の高解像度アノテートフレームで構成されています。 本稿では,ASTR (Adaptive Sparse-context TRansformer) という大腸癌セグメンテーションのベンチマークモデルを提案する。
  論文  参考訳（メタデータ） (2024-08-19T15:04:42Z)
• 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)
• From Pixel to Slide image: Polarization Modality-based Pathological Diagnosis Using Representation Learning [9.326969394501958]
  病理組織学的には、甲状腺腫瘍は不適切な検体採取による診断上の課題となる。 甲状腺腫瘍の鑑別のための画素レベルのアノテーションとスライスレベルのアノテーションを統合するために,表現学習を用いた3段階モデルを構築した。
  論文  参考訳（メタデータ） (2024-01-03T02:01:09Z)
• 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)
• Prostate Lesion Detection and Salient Feature Assessment Using Zone-Based Classifiers [0.0]
  マルチパラメトリックMRI(Multi-parametric magnetic resonance imaging)は前立腺癌の病変の検出において役割を担っている。 これらのスキャンを解釈する医療専門家は、コンピュータ支援検出システムを用いることで、ヒューマンエラーのリスクを低減することが重要である。 本稿では,各前立腺領域に最適な機械学習分類器について検討する。
  論文  参考訳（メタデータ） (2022-08-24T13:08:56Z)
• Radiomics-Guided Global-Local Transformer for Weakly Supervised Pathology Localization in Chest X-Rays [65.88435151891369]
  Radiomics-Guided Transformer (RGT)は、テキストトグロバル画像情報と、テキストトグロバル情報とを融合する。 RGTは、画像トランスフォーマーブランチ、放射能トランスフォーマーブランチ、および画像と放射線情報を集約する融合層から構成される。
  論文  参考訳（メタデータ） (2022-07-10T06:32:56Z)
• 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)
• Harvesting, Detecting, and Characterizing Liver Lesions from Large-scale Multi-phase CT Data via Deep Dynamic Texture Learning [24.633802585888812]
  ダイナミックコントラストCT(Dynamic contrast Computed Tomography)のための完全自動多段階肝腫瘍評価フレームワークを提案する。 本システムでは, 腫瘍提案検出, 腫瘍採取, 原発部位の選択, 深部テクスチャに基づく腫瘍評価の4段階からなる。
  論文  参考訳（メタデータ） (2020-06-28T19:55:34Z)
• Detecting Scatteredly-Distributed, Small, andCritically Important Objects in 3D OncologyImaging via Decision Stratification [23.075722503902714]
  本研究は腫瘍学的に重要なリンパ節(または不審な癌転移)の検出と分節に焦点を当てた。 我々はOSLNを腫瘍近位・腫瘍遠位分類に分割する分断型決定階層化手法を提案する。 局所的な3D画像パッチから得られた特徴と高次病変特性を組み合わせた新しいグローバルローカルネットワーク(GLNet)を提案する。
  論文  参考訳（メタデータ） (2020-05-27T23:12:11Z)

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。