論文の概要: Interpretable Prediction of Lymph Node Metastasis in Rectal Cancer MRI Using Variational Autoencoders

• arxiv url: http://arxiv.org/abs/2507.11638v1
• Date: Tue, 15 Jul 2025 18:20:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-17 19:00:11.105124
• Title: Interpretable Prediction of Lymph Node Metastasis in Rectal Cancer MRI Using Variational Autoencoders
• Title（参考訳）: 変異型オートエンコーダを用いた直腸癌MRIにおけるリンパ節転移の予測
• Authors: Benjamin Keel, Aaron Quyn, David Jayne, Maryam Mohsin, Samuel D. Relton,
• Abstract要約: 本研究では,既存のアプローチで使用されている大規模学習済み畳み込みニューラルネットワーク(CNN)を置き換えるために,機能エンコーダモデルとして変分オートエンコーダ(VAE)を適用することを検討する。 VAEを使用する動機は、生成モデルがイメージを再構成することを目的としているため、データ全体にわたる視覚的特徴や意味のあるパターンを直接エンコードする。 提案したモデル「VAE-MLP」は,AUC 0.86 +/-0.05,感性 0.79 +/-0.06,および特異性を用いて,MRIデータセット上での最先端性能を実現した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Effective treatment for rectal cancer relies on accurate lymph node metastasis (LNM) staging. However, radiological criteria based on lymph node (LN) size, shape and texture morphology have limited diagnostic accuracy. In this work, we investigate applying a Variational Autoencoder (VAE) as a feature encoder model to replace the large pre-trained Convolutional Neural Network (CNN) used in existing approaches. The motivation for using a VAE is that the generative model aims to reconstruct the images, so it directly encodes visual features and meaningful patterns across the data. This leads to a disentangled and structured latent space which can be more interpretable than a CNN. Models are deployed on an in-house MRI dataset with 168 patients who did not undergo neo-adjuvant treatment. The post-operative pathological N stage was used as the ground truth to evaluate model predictions. Our proposed model 'VAE-MLP' achieved state-of-the-art performance on the MRI dataset, with cross-validated metrics of AUC 0.86 +/- 0.05, Sensitivity 0.79 +/- 0.06, and Specificity 0.85 +/- 0.05. Code is available at: https://github.com/benkeel/Lymph_Node_Classification_MIUA.
• Abstract（参考訳）: 直腸癌に対する効果的な治療は、正確なリンパ節転移 (LNM) に依存している。 しかし, リンパ節の大きさ, 形状, テクスチャ形態に基づく放射線学的基準は, 診断精度に限界がある。 本研究では,既存のアプローチで使用されている大規模学習済み畳み込みニューラルネットワーク(CNN)を置き換えるために,機能エンコーダモデルとして変分オートエンコーダ(VAE)を適用することを検討する。 VAEを使用する動機は、生成モデルがイメージを再構成することを目的としているため、データ全体にわたる視覚的特徴や意味のあるパターンを直接エンコードする。 これにより、CNNよりも解釈可能な非絡み合いで構造化された潜在空間が導かれる。 モデルは、ネオアジュバント治療を受けていない168人の患者で、社内MRIデータセットにデプロイされる。 術後病理組織学的N期をモデル予測の根拠として用いた。 AUC 0.86 +/- 0.05, Sensitivity 0.79 +/- 0.06, Specificity 0.85 +/- 0.05。 コードは、https://github.com/benkeel/Lymph_Node_Classification_MIUA.comで入手できる。

関連論文リスト

• Differentiated Thyroid Cancer Recurrence Classification Using Machine Learning Models and Bayesian Neural Networks with Varying Priors: A SHAP-Based Interpretation of the Best Performing Model [0.0]
  甲状腺癌のDTC再発は主要な公衆衛生上の問題である。 本研究は, 383名の患者を対象としたデータセットを用いて, DTC再分類のための包括的枠組みを提案する。
  論文  参考訳（メタデータ） (2025-07-25T06:31:31Z)
• Classification based deep learning models for lung cancer and disease using medical images [2.0809985825763198]
  本稿では、確立されたResNetフレームワークをベースにした、ResNet+と呼ばれる新しいディープ畳み込みニューラルネットワーク(CNN)モデルを紹介する。 実験の結果、ResNet+モデルは、LC25000データセットで98.14/98.14%、IQ-OTH/NCCDデータセットで99.25/99.13%に達している。
  論文  参考訳（メタデータ） (2025-07-02T01:36:29Z)
• KaLDeX: Kalman Filter based Linear Deformable Cross Attention for Retina Vessel Segmentation [46.57880203321858]
  カルマンフィルタを用いた線形変形型クロスアテンション(LDCA)モジュールを用いた血管セグメンテーションのための新しいネットワーク(KaLDeX)を提案する。 我々のアプローチは、カルマンフィルタ(KF)ベースの線形変形可能な畳み込み(LD)とクロスアテンション(CA)モジュールの2つの重要なコンポーネントに基づいている。 提案手法は,網膜基底画像データセット(DRIVE,CHASE_BD1,STARE)とOCTA-500データセットの3mm,6mmを用いて評価した。
  論文  参考訳（メタデータ） (2024-10-28T16:00:42Z)
• 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)
• Lung-CADex: Fully automatic Zero-Shot Detection and Classification of Lung Nodules in Thoracic CT Images [45.29301790646322]
  コンピュータ支援診断は早期の肺結節の検出に役立ち、その後の結節の特徴づけを促進する。 MedSAMと呼ばれるSegment Anything Modelの変種を用いて肺結節をゼロショットでセグメント化するためのCADeを提案する。 また、放射能特徴のギャラリーを作成し、コントラスト学習を通じて画像と画像のペアを整列させることにより、良性/良性としての結節的特徴付けを行うCADxを提案する。
  論文  参考訳（メタデータ） (2024-07-02T19:30:25Z)
• Re-DiffiNet: Modeling discrepancies in tumor segmentation using diffusion models [1.7995110894203483]
  本稿では,U-Netのようなセグメンテーションモデルの出力と基底真理との相違をモデル化するRe-Diffinetというフレームワークを紹介する。 その結果、Diceスコアの平均0.55%、HD95の平均16.28%が5倍以上のクロスバリデーションで改善された。
  論文  参考訳（メタデータ） (2024-02-12T01:03:39Z)
• ssVERDICT: Self-Supervised VERDICT-MRI for Enhanced Prostate Tumour Characterisation [2.755232740505053]
  トレーニングデータなしでVERDICT推定パラメータマップを適合させる自己教師型ニューラルネットワーク。 本研究では,SsVERDICTの性能を拡散MRIモデルに適合する2つの確立されたベースライン法と比較する。
  論文  参考訳（メタデータ） (2023-09-12T14:31:33Z)
• Cross-Shaped Windows Transformer with Self-supervised Pretraining for Clinically Significant Prostate Cancer Detection in Bi-parametric MRI [6.930082824262643]
  前立腺癌 (bpMRI) における臨床的に重要な前立腺癌 (csPCa) を検出するために, CSwin 変圧器 UNet モデル (CSwin 変圧器 UNet モデル) を導入した。 1500人の患者を対象とした大規模前立腺bpMRIデータセットを用いて、まずマルチタスク自己教師型学習を用いてCSwin変換器を事前訓練し、データ効率とネットワークの一般化性を向上させる。 5倍のクロスバリデーションは、自己教師型CSwin UNetが0.888 AUCと0.545 Average Precision(AP)を達成し、4つの同等モデル(Swin U)を著しく上回っていることを示している。
  論文  参考訳（メタデータ） (2023-04-30T04:40:32Z)
• Negligible effect of brain MRI data preprocessing for tumor segmentation [36.89606202543839]
  我々は3つの公開データセットの実験を行い、ディープニューラルネットワークにおける異なる前処理ステップの効果を評価する。 その結果、最も一般的な標準化手順は、ネットワーク性能に何の価値も与えないことが示されている。 画像の規格化に伴う信号分散の低減のため,画像強度正規化手法はモデル精度に寄与しない。
  論文  参考訳（メタデータ） (2022-04-11T17:29:36Z)
• StRegA: Unsupervised Anomaly Detection in Brain MRIs using a Compact Context-encoding Variational Autoencoder [48.2010192865749]
  教師なし異常検出(UAD)は、健康な被験者の異常なデータセットからデータ分布を学習し、分布サンプルの抽出に応用することができる。 本研究では,コンテクストエンコーディング(context-encoding)VAE(ceVAE)モデルのコンパクトバージョンと,前処理と後処理のステップを組み合わせて,UADパイプライン(StRegA)を作成することを提案する。 提案したパイプラインは、BraTSデータセットのT2w画像と0.859$pm$0.112の腫瘍を検出しながら、Diceスコアが0.642$pm$0.101に達した。
  論文  参考訳（メタデータ） (2022-01-31T14:27:35Z)
• Automatic Segmentation of Head and Neck Tumor: How Powerful Transformers Are? [0.0]
  我々は,H&N腫瘍を自動デライン化するための視覚変換器を用いた手法を開発した。 我々は、その結果をCNNベースのモデルと比較する。 選択した変換器ベースモデルにより,CNNベースモデルと同等の結果が得られることを示す。
  論文  参考訳（メタデータ） (2022-01-17T07:31:52Z)
• Inverting brain grey matter models with likelihood-free inference: a tool for trustable cytoarchitecture measurements [62.997667081978825]
  脳の灰白質細胞構造の特徴は、体密度と体積に定量的に敏感であり、dMRIでは未解決の課題である。 我々は新しいフォワードモデル、特に新しい方程式系を提案し、比較的スパースなb殻を必要とする。 次に,提案手法を逆転させるため,確率自由推論 (LFI) として知られるベイズ解析から最新のツールを適用した。
  論文  参考訳（メタデータ） (2021-11-15T09:08:27Z)
• An interpretable classifier for high-resolution breast cancer screening images utilizing weakly supervised localization [45.00998416720726]
  医用画像の特徴に対処する枠組みを提案する。 このモデルはまず、画像全体の低容量だがメモリ効率のよいネットワークを使用して、最も情報性の高い領域を識別する。 次に、選択したリージョンから詳細を収集するために、別の高容量ネットワークを適用します。 最後に、グローバルおよびローカル情報を集約して最終的な予測を行うフュージョンモジュールを使用する。
  論文  参考訳（メタデータ） (2020-02-13T15:28:42Z)

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。