論文の概要: Multi-Task Diffusion Approach For Prediction of Glioma Tumor Progression

• arxiv url: http://arxiv.org/abs/2509.10824v1
• Date: Sat, 13 Sep 2025 14:42:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-16 17:26:22.798942
• Title: Multi-Task Diffusion Approach For Prediction of Glioma Tumor Progression
• Title（参考訳）: グリオーマ腫瘍進展予測のためのマルチタスク拡散法
• Authors: Aghiles Kebaili, Romain Modzelewski, Jérôme Lapuyade-Lahorgue, Maxime Fontanilles, Sébastien Thureau, Su Ruan,
• Abstract要約: グリオーマは攻撃的な脳腫瘍であり、正確な進化予測に重大な課題をもたらす。 本稿では,グリオーマ進行の時間依存的,ピクセルワイドな予測のためのマルチタスク拡散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）: 0.6978367196609415
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Glioma, an aggressive brain malignancy characterized by rapid progression and its poor prognosis, poses significant challenges for accurate evolution prediction. These challenges are exacerbated by sparse, irregularly acquired longitudinal MRI data in clinical practice, where incomplete follow-up sequences create data imbalances and make reliable modeling difficult. In this paper, we present a multitask diffusion framework for time-agnostic, pixel-wise prediction of glioma progression. The model simultaneously generates future FLAIR sequences at any chosen time point and estimates spatial probabilistic tumor evolution maps derived using signed distance fields (SDFs), allowing uncertainty quantification. To capture temporal dynamics of tumor evolution across arbitrary intervals, we integrate a pretrained deformation module that models inter-scan changes using deformation fields. Regarding the common clinical limitation of data scarcity, we implement a targeted augmentation pipeline that synthesizes complete sequences of three follow-up scans and imputes missing MRI modalities from available patient studies, improving the stability and accuracy of predictive models. Based on merely two follow-up scans at earlier timepoints, our framework produces flexible time-depending probability maps, enabling clinicians to interrogate tumor progression risks at any future temporal milestone. We further introduce a radiotherapy-weighted focal loss term that leverages radiation dose maps, as these highlight regions of greater clinical importance during model training. The proposed method was trained on a public dataset and evaluated on an internal private dataset, achieving promising results in both cases
• Abstract（参考訳）: グリオーマは急激な進行と予後不良を特徴とする攻撃的な脳腫瘍であり、正確な進化予測には重大な課題がある。 これらの課題は、不完全なフォローアップシーケンスがデータ不均衡を生じさせ、信頼性の高いモデリングを困難にする臨床実践において、スパースで不規則に取得された縦型MRIデータによって悪化する。 本稿では,グリオーマ進行の時間依存的,ピクセルワイドな予測のためのマルチタスク拡散フレームワークを提案する。 このモデルは任意の選択された時点における将来のFLAIRシーケンスを同時に生成し、符号付き距離場(SDF)から導出される空間確率的腫瘍進化マップを推定し、不確実な定量化を可能にする。 任意の間隔で腫瘍の進展の時間的ダイナミクスを捉えるため、変形場を用いてスキャン間変化をモデル化する事前学習変形モジュールを統合する。 データ不足の一般的な臨床的限界に関して、我々は、3つのフォローアップスキャンの完全なシーケンスを合成し、MRIの欠如を患者実験から示唆し、予測モデルの安定性と精度を向上させるターゲット拡張パイプラインを実装した。 これまでの2回の経過観察の結果から,我々のフレームワークは柔軟に時間依存性の確率マップを作成できるため,臨床医は将来的な時間的節目において腫瘍進行リスクを問うことができる。 さらに,放射線線量マップを応用した放射線治療強調焦点損失項を導入し,これらの領域は,モデルトレーニングにおいてより臨床的に重要であることを強調した。 提案手法は,パブリックデータセットを用いてトレーニングし,内部プライベートデータセットを用いて評価し,両ケースで有望な結果を得た。

関連論文リスト

• impuTMAE: Multi-modal Transformer with Masked Pre-training for Missing Modalities Imputation in Cancer Survival Prediction [75.43342771863837]
  我々は,効率的なマルチモーダル事前学習戦略を備えた新しいトランスフォーマーに基づくエンドツーエンドアプローチである impuTMAE を紹介する。 マスクされたパッチを再構築することで、モダリティの欠如を同時に示唆しながら、モダリティ間の相互作用とモダリティ内相互作用を学習する。 本モデルは,TGA-GBM/LGGとBraTSデータセットを用いたグリオーマ生存予測のために,異種不完全データに基づいて事前訓練を行った。
  論文  参考訳（メタデータ） (2025-08-08T10:01:16Z)
• Diffusion with a Linguistic Compass: Steering the Generation of Clinically Plausible Future sMRI Representations for Early MCI Conversion Prediction [13.937881108738042]
  そこで本研究では,臨床応用可能な将来のsMRI表現を直接ベースラインデータから合成する拡散型フレームワークを提案する。 ADNIとAIBLのコホートの実験では、MCI-Diffは最先端のベースラインを上回っている。
  論文  参考訳（メタデータ） (2025-06-05T07:01:05Z)
• Brain Latent Progression: Individual-based Spatiotemporal Disease Progression on 3D Brain MRIs via Latent Diffusion [2.7853513988338108]
  進行脳潜時モデル(BrLP)は3次元脳MRIで個々の疾患レベルの進行を予測するように設計されている。 BrLPはT1-Resonance (T1w) 脳MRIで2,805例の訓練と評価を行い,922例のMRIで2,257例の検診を行った。
  論文  参考訳（メタデータ） (2025-02-12T16:47:41Z)
• Latent Drifting in Diffusion Models for Counterfactual Medical Image Synthesis [55.959002385347645]
  遅延ドリフトにより、医療画像に対して拡散モデルを条件付けし、反ファクト画像生成の複雑なタスクに適合させることができる。 我々は,脳MRIと胸部X線による3つの時系列的ベンチマークデータセットを用いて,対物画像生成法について検討した。
  論文  参考訳（メタデータ） (2024-12-30T01:59:34Z)
• Deep State-Space Generative Model For Correlated Time-to-Event Predictions [54.3637600983898]
  そこで本研究では,様々な種類の臨床イベント間の相互作用を捉えるために,潜伏状態空間生成モデルを提案する。 また,死亡率と臓器不全の関連性について有意な知見が得られた。
  論文  参考訳（メタデータ） (2024-07-28T02:42:36Z)
• TADM: Temporally-Aware Diffusion Model for Neurodegenerative Progression on Brain MRI [4.414541804340033]
  時間的認識拡散モデル(TADM)は,スキャン間の強度差による構造変化の分布を学習する。 トレーニング中、モデルのトレーニングプロセスを洗練するために、トレーニング済みのBrain-Age Estimator(BAE)を活用することを提案する。 我々のアプローチは、患者の結果を予測したり、患者に対する治療を改善するといった応用に役立ちます。
  論文  参考訳（メタデータ） (2024-06-18T09:00:49Z)
• Spatiotemporal Graph Neural Network Modelling Perfusion MRI [12.712005118761516]
  Per vascular MRI (pMRI) は腫瘍について貴重な洞察を与え、腫瘍の遺伝子型を予測することを約束する。 しかし、4D pMRIに合わせた効果的なモデルはまだ不足している。 本研究は,GNNモデルを用いた4次元pMRIのモデル化の試みである。
  論文  参考訳（メタデータ） (2024-06-10T16:24:46Z)
• SurvLatent ODE : A Neural ODE based time-to-event model with competing risks for longitudinal data improves cancer-associated Deep Vein Thrombosis (DVT) prediction [68.8204255655161]
  本稿では,不規則なサンプルデータの下で潜在表現をパラメータ化する生成時間対イベントモデルSurvLatent ODEを提案する。 そこで,本モデルでは,事象特異的ハザード関数の形状を指定せずに,複数の競合イベントの生存時間を柔軟に推定する。 SurvLatent ODEは、DVTリスクグループを成層化するために、現在の臨床標準であるKhorana Riskスコアより優れている。
  論文  参考訳（メタデータ） (2022-04-20T17:28:08Z)
• Deep Learning for Reaction-Diffusion Glioma Growth Modelling: Towards a Fully Personalised Model? [0.2609639566830968]
  グリオーマの成長を捉えるために、反応拡散モデルが何十年も提案されてきた。 ディープ畳み込みニューラルネットワーク(DCNN)は、現場でよく見られる落とし穴に対処することができる。 このアプローチは,腫瘍予後および治療計画に対する反応拡散成長モデルの臨床応用の視点を開放する可能性がある。
  論文  参考訳（メタデータ） (2021-11-26T10:16:57Z)
• STELAR: Spatio-temporal Tensor Factorization with Latent Epidemiological Regularization [76.57716281104938]
  我々は,多くの地域の流行傾向を同時に予測するテンソル法を開発した。 stelarは離散時間差分方程式のシステムを通じて潜在時間正規化を組み込むことで長期予測を可能にする。 我々は、カウンティレベルと州レベルのCOVID-19データの両方を用いて実験を行い、このモデルが流行の興味深い潜伏パターンを識別できることを示します。
  論文  参考訳（メタデータ） (2020-12-08T21:21:47Z)
• MIA-Prognosis: A Deep Learning Framework to Predict Therapy Response [58.0291320452122]
  本稿では,患者の予後と治療反応を予測するための統合型深層学習手法を提案する。 我々は,マルチモーダル非同期時系列分類タスクとして,確率モデリングを定式化する。 我々の予測モデルは、長期生存の観点から、低リスク、高リスクの患者をさらに階層化する可能性がある。
  論文  参考訳（メタデータ） (2020-10-08T15:30:17Z)

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。