論文の概要: Graph-Radiomic Learning (GrRAiL) Descriptor to Characterize Imaging Heterogeneity in Confounding Tumor Pathologies

• arxiv url: http://arxiv.org/abs/2509.19258v1
• Date: Tue, 23 Sep 2025 17:18:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-24 20:41:27.974943
• Title: Graph-Radiomic Learning (GrRAiL) Descriptor to Characterize Imaging Heterogeneity in Confounding Tumor Pathologies
• Title（参考訳）: Graph-Radiomic Learning (GrRAiL) Descriptorによる画像の均一性の評価
• Authors: Dheerendranath Battalapalli, Apoorva Safai, Maria Jaramillo, Hyemin Um, Gustavo Adalfo Pineda Ortiz, Ulas Bagci, Manmeet Singh Ahluwalia, Marwa Ismail, Pallavi Tiwari,
• Abstract要約: 臨床MRIにおいて, 髄腔内不均一性(ILH)を特徴付ける新しいグラフラジオグラフィー学習(GrRAiL)記述法を提案する。 多制度的な設定では、GrRAiLは一貫して最先端のベースラインを上回っている。
• 参考スコア（独自算出の注目度）: 4.871686799559543
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A significant challenge in solid tumors is reliably distinguishing confounding pathologies from malignant neoplasms on routine imaging. While radiomics methods seek surrogate markers of lesion heterogeneity on CT/MRI, many aggregate features across the region of interest (ROI) and miss complex spatial relationships among varying intensity compositions. We present a new Graph-Radiomic Learning (GrRAiL) descriptor for characterizing intralesional heterogeneity (ILH) on clinical MRI scans. GrRAiL (1) identifies clusters of sub-regions using per-voxel radiomic measurements, then (2) computes graph-theoretic metrics to quantify spatial associations among clusters. The resulting weighted graphs encode higher-order spatial relationships within the ROI, aiming to reliably capture ILH and disambiguate confounding pathologies from malignancy. To assess efficacy and clinical feasibility, GrRAiL was evaluated in n=947 subjects spanning three use cases: differentiating tumor recurrence from radiation effects in glioblastoma (GBM; n=106) and brain metastasis (n=233), and stratifying pancreatic intraductal papillary mucinous neoplasms (IPMNs) into no+low vs high risk (n=608). In a multi-institutional setting, GrRAiL consistently outperformed state-of-the-art baselines - Graph Neural Networks (GNNs), textural radiomics, and intensity-graph analysis. In GBM, cross-validation (CV) and test accuracies for recurrence vs pseudo-progression were 89% and 78% with >10% test-accuracy gains over comparators. In brain metastasis, CV and test accuracies for recurrence vs radiation necrosis were 84% and 74% (>13% improvement). For IPMN risk stratification, CV and test accuracies were 84% and 75%, showing >10% improvement.
• Abstract（参考訳）: 固形腫瘍における重要な課題は, 腫瘍と悪性腫瘍の鑑別を確実に行うことである。 放射線学の手法はCT/MRIにおける病変の不均一性のサロゲートマーカーを求めるが、関心領域(ROI)にまたがる多くの集合的特徴は、様々な強度組成間の複雑な空間的関係を欠いている。 臨床MRIにおいて, 髄腔内不均一性(ILH)を特徴付ける新しいグラフラジオグラフィー学習(GrRAiL)記述法を提案する。 GrRAiL (1) はボクセル単位の放射能測定を用いてサブリージョンのクラスタを特定し、(2) グラフ理論のメトリクスを計算してクラスタ間の空間的関連を定量化する。 その結果得られた重み付きグラフは、ROI内の高次空間関係を符号化し、ILHを確実に捕捉し、悪性度から相反する病態を曖昧にすることを目的としている。 GrRAiLは, グリオ芽腫 (GBM; n=106), 脳転移 (n=233), 膵管内乳頭粘液性腫瘍 (IPMNs) の3症例を対象に, n=947例を対象に検討した。 多施設の環境では、GrRAiLは一貫して最先端のベースラインであるグラフニューラルネットワーク(GNN)、テクスチュラルラジオミクス、強度グラフ解析に勝っている。 GBMでは, クロスバリデーション (CV) とテスト精度は89%, 78%, テスト精度は10%であった。 脳転移では,再発と放射線壊死の検査精度は84%と74%(>13%)であった。 IPMNのリスク層化では, CVおよび試験精度は84%, 75%であり, 10%以上改善した。

関連論文リスト

• Glioma Classification using Multi-sequence MRI and Novel Wavelets-based Feature Fusion [0.0]
  グリオーマ (Glioma) はグリオーマ由来の腫瘍であり, WHOの基準により低次グリオーマ (LGG) と高次グリオーマ (HGG) と区別できる。 非侵襲的なグリオーマ評価のために、MRI(MRI)は腫瘍の形態と位置について重要な情報を提供する。 本研究では,マルチシーケンスT1,T1コントラスト拡張(T1CE),T2,Fluid Attenuated Inversion Recovery(FLAIR)MRI画像にウェーブレットを用いた新しい融合アルゴリズムを実装し,放射能特性の計算を行った。
  論文  参考訳（メタデータ） (2025-02-28T04:58:41Z)
• 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)
• Classification of Radiologically Isolated Syndrome and Clinically Isolated Syndrome with Machine-Learning Techniques [0.0]
  多発性硬化症(MS)を示唆する無症候性白質病変の脳におけるMRIによる予期せぬ検出は、放射線学的に孤立した症候群(RIS)と命名された。 本研究の目的は, RIS 患者と CIS 患者を識別する手段として, 機械学習の分類手法を用いて形態計測指標を同定することであった。
  論文  参考訳（メタデータ） (2024-01-24T08:49:50Z)
• Liver Tumor Screening and Diagnosis in CT with Pixel-Lesion-Patient Network [37.931408083443074]
  Pixel-Lesion-pAtient Network (PLAN) は, アンカークエリの改善と前景のサンプリング損失による各病変の分割と分類を行う。 PLANは95%と96%の患者レベルの感度と特異性を達成している。 造影CTでは, 病変レベルの検出精度, リコール, 分類精度は92%, 89%, 86%であり, CNNやトランスフォーマーよりも優れていた。
  論文  参考訳（メタデータ） (2023-07-17T06:21:45Z)
• Multi-class Brain Tumor Segmentation using Graph Attention Network [3.3635982995145994]
  この研究は、MRIとグラフニューラルネットワーク(GNN)の進歩を生かして、効率的な脳腫瘍要約モデルを導入する。 このモデルは、ボリュームMRIを領域隣接グラフ(RAG)として表現し、グラフ注意ネットワーク(GAT)を通して腫瘍の種類を特定することを学習する。
  論文  参考訳（メタデータ） (2023-02-11T04:30:40Z)
• Open-radiomics: A Collection of Standardized Datasets and a Technical Protocol for Reproducible Radiomics Machine Learning Pipelines [0.0]
  我々は,3つのオープンソースデータセット,高次グリオーマ(HGG)と低次グリオーマ(LGG)の分類と生存分析のためのBraTS 2020に基づいて,大規模放射線学データセットをキュレートした。 脳腫瘍369例(GG76例,HG293例)に本プロトコルを適用した。 binWidthや画像正規化とは異なり,腫瘍の亜領域と画像の配列はモデルの性能に大きく影響した。
  論文  参考訳（メタデータ） (2022-07-29T16:37:46Z)
• EMT-NET: Efficient multitask network for computer-aided diagnosis of breast cancer [58.720142291102135]
  乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。 腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。 腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
  論文  参考訳（メタデータ） (2022-01-13T05:24:40Z)
• Comparison of Machine Learning Classifiers to Predict Patient Survival and Genetics of GBM: Towards a Standardized Model for Clinical Implementation [44.02622933605018]
  放射線モデルは、グリオ芽腫(GBM)の結果予測のための臨床データを上回ることが示されています。 GBM患者の生存率(OS),IDH変異,O-6-メチルグアニン-DNA-メチルトランスフェラーゼ(MGMT)プロモーターメチル化,EGFR(EGFR)VII増幅,Ki-67発現の9種類の機械学習分類器を比較した。 xgb は os (74.5%), ab for idh 変異 (88%), mgmt メチル化 (71,7%), ki-67 発現 (86,6%), egfr増幅 (81。
  論文  参考訳（メタデータ） (2021-02-10T15:10:37Z)
• Spatial-And-Context aware (SpACe) "virtual biopsy" radiogenomic maps to target tumor mutational status on structural MRI [0.7573687311514342]
  仮想生検(virtual biopsy)マップは、共局在バイオプシーサイトからの文脈特徴と、人口のアトラスからの空間的優位性を含む。 SpACeマップは、EGFR増幅状態の特定において90%(n=71)と90.48%(n=21)のトレーニングと試験の精度を得た。 SpACeマップは、がんの特定のドライバ遺伝子を標的にするためのサンプリングサイトのローカライゼーションを改善するために、外科的ナビゲーションを提供する可能性がある。
  論文  参考訳（メタデータ） (2020-06-17T13:57:59Z)
• Spatio-spectral deep learning methods for in-vivo hyperspectral laryngeal cancer detection [49.32653090178743]
  頭頸部腫瘍の早期発見は患者の生存に不可欠である。 ハイパースペクトルイメージング(HSI)は頭頸部腫瘍の非侵襲的検出に用いられる。 HSIに基づく喉頭癌診断のための複数の深層学習手法を提案する。
  論文  参考訳（メタデータ） (2020-04-21T17:07:18Z)

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。