論文の概要: Predicting Brain Tumor Response to Therapy using a Hybrid Deep Learning and Radiomics Approach

• arxiv url: http://arxiv.org/abs/2509.06511v1
• Date: Mon, 08 Sep 2025 10:15:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-09 14:07:04.059676
• Title: Predicting Brain Tumor Response to Therapy using a Hybrid Deep Learning and Radiomics Approach
• Title（参考訳）: ハイブリッド深層学習と放射能を用いた治療による脳腫瘍反応の予測
• Authors: Daniil Tikhonov, Matheus Scatolin, Mohor Banerjee, Qiankun Ji, Ahmed Jaheen, Mostafa Salem, Abdelrahman Elsayed, Hu Wang, Sarim Hashmi, Mohammad Yaqub,
• Abstract要約: 本稿では,縦型MRI画像から介入応答を自動分類する手法を提案する。 本稿では,深層学習による特徴抽出と広い範囲の放射能と臨床選択された特徴を組み合わせた新しいハイブリッドフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 4.7766856771039725
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate evaluation of the response of glioblastoma to therapy is crucial for clinical decision-making and patient management. The Response Assessment in Neuro-Oncology (RANO) criteria provide a standardized framework to assess patients' clinical response, but their application can be complex and subject to observer variability. This paper presents an automated method for classifying the intervention response from longitudinal MRI scans, developed to predict tumor response during therapy as part of the BraTS 2025 challenge. We propose a novel hybrid framework that combines deep learning derived feature extraction and an extensive set of radiomics and clinically chosen features. Our approach utilizes a fine-tuned ResNet-18 model to extract features from 2D regions of interest across four MRI modalities. These deep features are then fused with a rich set of more than 4800 radiomic and clinically driven features, including 3D radiomics of tumor growth and shrinkage masks, volumetric changes relative to the nadir, and tumor centroid shift. Using the fused feature set, a CatBoost classifier achieves a mean ROC AUC of 0.81 and a Macro F1 score of 0.50 in the 4-class response prediction task (Complete Response, Partial Response, Stable Disease, Progressive Disease). Our results highlight that synergizing learned image representations with domain-targeted radiomic features provides a robust and effective solution for automated treatment response assessment in neuro-oncology.
• Abstract（参考訳）: 治療に対するグリオ芽腫の反応の正確な評価は、臨床的意思決定と患者管理に不可欠である。 神経オンコロジーにおける反応アセスメント(RANO)基準は、患者の臨床反応を評価するための標準化された枠組みを提供するが、それらの応用は複雑であり、観察者の多様性を損なう可能性がある。 そこで本研究では,BraTS 2025チャレンジの一環として,治療中の腫瘍反応を予測するために開発された縦型MRI画像からの介入応答を自動分類する手法を提案する。 本稿では,深層学習による特徴抽出と広い範囲の放射能と臨床選択された特徴を組み合わせた新しいハイブリッドフレームワークを提案する。 提案手法は細調整されたResNet-18モデルを用いて、4つのMRIモダリティにまたがる2次元関心領域の特徴を抽出する。 これらの深い特徴は、腫瘍成長と収縮マスクの3D放射能、ナディルに対する体積変化、腫瘍セントロイドシフトなどの4800以上の放射能および臨床的に駆動された特徴の豊富なセットで融合される。 融合特徴集合を用いて、CatBoost分類器は、平均ROC AUCが0.81、マクロF1スコアが0.50となる4クラスの応答予測タスク(完全応答、部分応答、安定疾患、進行性疾患)を達成する。 以上の結果から, 学習画像表現とドメイン目標の放射能特徴の相乗効果は, 神経腫瘍学における自動治療応答評価において, 堅牢かつ効果的であることがわかった。

関連論文リスト

• Exploring Strategies for Personalized Radiation Therapy Part I Unlocking Response-Related Tumor Subregions with Class Activation Mapping [17.401088816596054]
  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。
  論文  参考訳（メタデータ） (2025-06-21T01:24:25Z)
• Towards a general-purpose foundation model for fMRI analysis [58.06455456423138]
  我々は,4次元fMRIボリュームから学習し,多様なアプリケーション間で効率的な知識伝達を可能にするフレームワークであるNeuroSTORMを紹介する。 NeuroSTORMは、複数のセンターにまたがる5万人以上の被験者から5歳から100歳までの28.65万fMRIフレーム(→9000時間)で事前トレーニングされている。 年齢/性別予測、表現型予測、疾患診断、fMRI-to-image検索、タスクベースのfMRIの5つのタスクにおいて、既存の手法よりも優れています。
  論文  参考訳（メタデータ） (2025-06-11T23:51:01Z)
• Towards a deep learning approach for classifying treatment response in glioblastomas [0.0]
  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。
  論文  参考訳（メタデータ） (2025-04-25T11:27:05Z)
• TopoTxR: A topology-guided deep convolutional network for breast parenchyma learning on DCE-MRIs [49.69047720285225]
  そこで本研究では,乳房側葉構造をよりよく近似するために,マルチスケールのトポロジ構造を明示的に抽出する新しいトポロジカルアプローチを提案する。 VICTREファントム乳房データセットを用いてemphTopoTxRを実験的に検証した。 本研究の質的および定量的分析は,乳房組織における画像診断におけるトポロジカルな挙動を示唆するものである。
  論文  参考訳（メタデータ） (2024-11-05T19:35:10Z)
• 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)
• 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)

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。