論文の概要: Enhancement Without Contrast: Stability-Aware Multicenter Machine Learning for Glioma MRI Imaging

• arxiv url: http://arxiv.org/abs/2509.10767v1
• Date: Sat, 13 Sep 2025 00:47:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-16 17:26:22.771274
• Title: Enhancement Without Contrast: Stability-Aware Multicenter Machine Learning for Glioma MRI Imaging
• Title（参考訳）: コントラストのない強化:グリオーマMRIのための安定性を考慮したマルチセンター機械学習
• Authors: Sajad Amiri, Shahram Taeb, Sara Gharibi, Setareh Dehghanfard, Somayeh Sadat Mehrnia, Mehrdad Oveisi, Ilker Hacihaliloglu, Arman Rahmim, Mohammad R. Salmanpour,
• Abstract要約: 機械学習(ML)を用いた非コントラストMRIからのコントラスト強調予測は、ガドリニウムベースのコントラストエージェント(GBCA)のより安全な代替手段を提供する グリオーマMRIコントラスト強調のマルチセンター予測のための再現可能なMLパイプラインを同定するための安定性を考慮した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）: 2.5012408467295555
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Gadolinium-based contrast agents (GBCAs) are central to glioma imaging but raise safety, cost, and accessibility concerns. Predicting contrast enhancement from non-contrast MRI using machine learning (ML) offers a safer alternative, as enhancement reflects tumor aggressiveness and informs treatment planning. Yet scanner and cohort variability hinder robust model selection. We propose a stability-aware framework to identify reproducible ML pipelines for multicenter prediction of glioma MRI contrast enhancement. We analyzed 1,446 glioma cases from four TCIA datasets (UCSF-PDGM, UPENN-GB, BRATS-Africa, BRATS-TCGA-LGG). Non-contrast T1WI served as input, with enhancement derived from paired post-contrast T1WI. Using PyRadiomics under IBSI standards, 108 features were extracted and combined with 48 dimensionality reduction methods and 25 classifiers, yielding 1,200 pipelines. Rotational validation was trained on three datasets and tested on the fourth. Cross-validation prediction accuracies ranged from 0.91 to 0.96, with external testing achieving 0.87 (UCSF-PDGM), 0.98 (UPENN-GB), and 0.95 (BRATS-Africa), with an average of 0.93. F1, precision, and recall were stable (0.87 to 0.96), while ROC-AUC varied more widely (0.50 to 0.82), reflecting cohort heterogeneity. The MI linked with ETr pipeline consistently ranked highest, balancing accuracy and stability. This framework demonstrates that stability-aware model selection enables reliable prediction of contrast enhancement from non-contrast glioma MRI, reducing reliance on GBCAs and improving generalizability across centers. It provides a scalable template for reproducible ML in neuro-oncology and beyond.
• Abstract（参考訳）: ガドリニウム系造影剤(GBCA)はグリオーマ画像の中心であるが、安全性、コスト、アクセシビリティの懸念が高まる。 機械学習(ML)を用いた非コントラストMRIからのコントラスト増強の予測は、腫瘍の攻撃性を反映し、治療計画を伝えるため、より安全な代替手段を提供する。 しかし、スキャナとコホート変動は、堅牢なモデル選択を妨げる。 グリオーマMRIコントラスト強調のマルチセンター予測のための再現可能なMLパイプラインを同定するための安定性を考慮したフレームワークを提案する。 4つのTCIAデータセット(UCSF-PDGM, UPENN-GB, BRATS-Africa, BRATS-TCGA-LGG)から1,446症例を解析した。 非コントラストのT1WIは入力として機能し、ペアのポストコントラストのT1WIから拡張された。 IBSI標準でPyRadiomicsを用いて108個の特徴を抽出し,48次元還元法と25個の分類器を組み合わせ,1200個のパイプラインを得た。 回転検証は3つのデータセットでトレーニングされ、4番目のデータセットでテストされた。 クロスバリデーション予測精度は0.91から0.96で、外部テストは0.87(UCSF-PDGM)、0.98(UPENN-GB)、0.95(BRATS-Africa)、平均0.93である。 F1、精度、リコールは安定であり(0.87から0.96)、ROC-AUCはコホートの不均一性を反映してより広範囲に変化した(0.50から0.82)。 ETrパイプラインにリンクされたMIは、正確性と安定性のバランスをとるため、常に最高位にランクインしている。 この枠組みは、安定性を考慮したモデル選択により、非コントラストグリオーマMRIからのコントラスト増強の確実な予測を可能にし、GBCAへの依存を低減し、センター間の一般化性を向上させることを実証する。 ニューロオンコロジーなどにおいて再現可能なMLのためのスケーラブルなテンプレートを提供する。

関連論文リスト

• LGE-Guided Cross-Modality Contrastive Learning for Gadolinium-Free Cardiomyopathy Screening in Cine CMR [51.11296719862485]
  CMRを用いたガドリニウムフリー心筋症スクリーニングのためのコントラシブラーニングおよびクロスモーダルアライメントフレームワークを提案する。 CMRとLate Gadolinium Enhancement (LGE) 配列の潜伏空間を整列させることにより, 本モデルでは線維症特異的な病理組織をCMR埋め込みにエンコードする。
  論文  参考訳（メタデータ） (2025-08-23T07:21:23Z)
• MobileDenseAttn:A Dual-Stream Architecture for Accurate and Interpretable Brain Tumor Detection [0.0]
  我々はMobileNetV2とDenseNet201の融合モデルであるMobileDenseAttnを紹介する。 MobileDenseAttnは、グリオーマ、髄膜腫、下垂体腫瘍、正常サンプルを表す6,020個のMRIスキャンのデータセットで訓練されている。 訓練精度99.75%、試験精度98.35%、安定したF1スコア0.9835を提供する。
  論文  参考訳（メタデータ） (2025-08-22T13:24:38Z)
• A Novel Attention-Augmented Wavelet YOLO System for Real-time Brain Vessel Segmentation on Transcranial Color-coded Doppler [49.03919553747297]
  我々は,脳動脈を効率よく捉えることができるAIを利用したリアルタイムCoW自動分割システムを提案する。 Transcranial Color-coded Doppler (TCCD) を用いたAIによる脳血管セグメンテーションの事前研究は行われていない。 提案したAAW-YOLOは, 異方性および対側性CoW容器のセグメンテーションにおいて高い性能を示した。
  論文  参考訳（メタデータ） (2025-08-19T14:41:22Z)
• A Foundation Model Framework for Multi-View MRI Classification of Extramural Vascular Invasion and Mesorectal Fascia Invasion in Rectal Cancer [3.9216006287929086]
  直腸癌では, 血管外浸潤 (EVI) と中腸間膜間膜浸潤 (MFI) が重要視される。 基礎モデルの特徴,調和,多視点融合は直腸MRIの診断性能を著しく向上させる。
  論文  参考訳（メタデータ） (2025-05-23T16:04:27Z)
• Predicting Length of Stay in Neurological ICU Patients Using Classical Machine Learning and Neural Network Models: A Benchmark Study on MIMIC-IV [49.1574468325115]
  本研究は、MIMIC-IVデータセットに基づく神経疾患患者を対象とした、ICUにおけるLOS予測のための複数のMLアプローチについて検討する。 評価されたモデルには、古典的MLアルゴリズム(K-Nearest Neighbors、Random Forest、XGBoost、CatBoost)とニューラルネットワーク(LSTM、BERT、テンポラルフュージョントランス)が含まれる。
  論文  参考訳（メタデータ） (2025-05-23T14:06:42Z)
• A Staged Approach using Machine Learning and Uncertainty Quantification to Predict the Risk of Hip Fracture [7.28435301162289]
  本研究は, 高齢者および中高年者における股関節骨折リスクの予測に焦点をあてる。 本稿では,高度な画像と臨床データを組み合わせて予測性能を向上させる新しいステージドモデルを提案する。
  論文  参考訳（メタデータ） (2024-05-30T14:01:02Z)
• Comprehensive Multimodal Deep Learning Survival Prediction Enabled by a Transformer Architecture: A Multicenter Study in Glioblastoma [4.578027879885667]
  本研究は,変圧器を用いた深層学習モデルにMR画像,臨床および分子病理学的データを統合することにより,グリオーマの生存率予測を改善することを目的とする。 このモデルは、自己教師付き学習技術を用いて、高次元MRI入力を効果的に符号化し、クロスアテンションを用いた非画像データと統合する。
  論文  参考訳（メタデータ） (2024-05-21T17:44:48Z)
• Analysis of the BraTS 2023 Intracranial Meningioma Segmentation Challenge [44.76736949127792]
  我々はBraTS 2023の頭蓋内髄膜腫チャレンジの設計と結果について述べる。 BraTS髄膜腫チャレンジ(BraTS Meningioma Challenge)は、髄膜腫に焦点を当てた以前のBraTSグリオーマチャレンジとは異なる。 上層部は腫瘍,腫瘍コア,腫瘍全体の拡張のために0.976,0.976,0.964の病変中央値類似係数(DSC)を有していた。
  論文  参考訳（メタデータ） (2024-05-16T03:23:57Z)
• Non-invasive Liver Fibrosis Screening on CT Images using Radiomics [0.0]
  本研究の目的は,肝のCTで肝線維症を検出するための放射能機械学習モデルの開発と評価である。 肝線維症スクリーニングモデルの開発には,AUCの最高値と組み合わせ,選択された特徴を併用した。
  論文  参考訳（メタデータ） (2022-11-25T22:33:22Z)
• The Report on China-Spain Joint Clinical Testing for Rapid COVID-19 Risk Screening by Eye-region Manifestations [59.48245489413308]
  携帯電話カメラで中国とスペインで撮影された視線領域の画像を用いて、新型コロナウイルスの早期スクリーニングモデルを開発し、テストした。 AUC, 感度, 特異性, 精度, F1。
  論文  参考訳（メタデータ） (2021-09-18T02:28:01Z)
• 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)

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。