論文の概要: Pre to Post-Treatment Glioblastoma MRI Prediction using a Latent Diffusion Model

• arxiv url: http://arxiv.org/abs/2510.17851v1
• Date: Mon, 13 Oct 2025 20:32:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 03:08:12.14484
• Title: Pre to Post-Treatment Glioblastoma MRI Prediction using a Latent Diffusion Model
• Title（参考訳）: 潜在拡散モデルを用いた外傷後Glioblastoma MRIの予測
• Authors: Alexandre G. Leclercq, Sébastien Bougleux, Noémie N. Moreau, Alexis Desmonts, Romain Hérault, Aurélien Corroyer-Dulmont,
• Abstract要約: 本稿では, 術前MRIと腫瘍の局在から, 結合型条件付き潜時拡散モデルを提案する。 本モデルは,Central Franccois Baclesseで収集した140名のGBM患者からなる局所的データセットを用いて訓練および試験を行った。
• 参考スコア（独自算出の注目度）: 35.86812994963753
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Glioblastoma (GBM) is an aggressive primary brain tumor with a median survival of approximately 15 months. In clinical practice, the Stupp protocol serves as the standard first-line treatment. However, patients exhibit highly heterogeneous therapeutic responses which required at least two months before first visual impact can be observed, typically with MRI. Early prediction treatment response is crucial for advancing personalized medicine. Disease Progression Modeling (DPM) aims to capture the trajectory of disease evolution, while Treatment Response Prediction (TRP) focuses on assessing the impact of therapeutic interventions. Whereas most TRP approaches primarly rely on timeseries data, we consider the problem of early visual TRP as a slice-to-slice translation model generating post-treatment MRI from a pre-treatment MRI, thus reflecting the tumor evolution. To address this problem we propose a Latent Diffusion Model with a concatenation-based conditioning from the pre-treatment MRI and the tumor localization, and a classifier-free guidance to enhance generation quality using survival information, in particular post-treatment tumor evolution. Our model were trained and tested on a local dataset consisting of 140 GBM patients collected at Centre Fran\c{c}ois Baclesse. For each patient we collected pre and post T1-Gd MRI, tumor localization manually delineated in the pre-treatment MRI by medical experts, and survival information.
• Abstract（参考訳）: Glioblastoma (GBM) は発作性原発性脳腫瘍であり, 生存期間は約15カ月である。 臨床実践において、Stuppプロトコルは標準のファーストライン治療として機能する。 しかし、患者は、通常MRIで、最初の視覚的影響が観察されるのに少なくとも2ヶ月はかからない非常に異種な治療反応を示す。 パーソナライズド医療の推進には早期の予測治療が不可欠である。 疾患進行モデル(DPM)は、疾患の進行の軌跡を捉えることを目的としており、治療反応予測(TRP)は治療介入の影響を評価することに焦点を当てている。 TRPのほとんどのアプローチは、主に時系列データに依存しているが、我々は、早期視覚的TRPの問題は、前処理MRIからMRIを生成するスライス・ツー・スライス翻訳モデルとして考慮し、腫瘍の進化を反映している。 この問題に対処するために,前処置MRIと腫瘍局在からの結合に基づく条件付き潜在拡散モデル,および生存情報を用いた生成品質向上のための分類器フリーガイダンスを提案する。 本モデルは,Central Fran\c{c}ois Baclesseで収集した140名のGBM患者からなる局所的データセットを用いて訓練および試験を行った。 対象はT1-Gd MRI, 治療前MRIにおける腫瘍局在, 生存情報であった。

関連論文リスト

• ContextMRI: Enhancing Compressed Sensing MRI through Metadata Conditioning [51.26601171361753]
  本稿では, 微細なメタデータを再構成プロセスに統合したMRI用テキスト条件拡散モデルであるContextMRIを提案する。 メタデータの忠実度はスライス位置やコントラストから患者年齢、性別、病理まで増加し、体系的に再構築性能が向上することを示す。
  論文  参考訳（メタデータ） (2025-01-08T05:15:43Z)
• Treatment-aware Diffusion Probabilistic Model for Longitudinal MRI Generation and Diffuse Glioma Growth Prediction [0.5667953366862138]
  本稿では,腫瘍マスクの将来の予測と,腫瘍が今後の治療計画にどう対応するかのマルチパラメトリック磁気共鳴画像(MRI)を提案する。 我々のアプローチは、最先端拡散確率モデルとディープセグメンテーションニューラルネットワークに基づいている。
  論文  参考訳（メタデータ） (2023-09-11T12:12:52Z)
• Domain Transfer Through Image-to-Image Translation for Uncertainty-Aware Prostate Cancer Classification [42.75911994044675]
  前立腺MRIの非対位画像翻訳のための新しいアプローチと臨床的に重要なPCaを分類するための不確実性認識トレーニングアプローチを提案する。 提案手法では,無ペアの3.0T多パラメータ前立腺MRIを1.5Tに翻訳し,利用可能なトレーニングデータを増強する。 実験の結果,提案手法は,従来の研究に比べてAUC(Area Under ROC Curve)を20%以上改善することがわかった。
  論文  参考訳（メタデータ） (2023-07-02T05:26:54Z)
• The Rio Hortega University Hospital Glioblastoma dataset: a comprehensive collection of preoperative, early postoperative and recurrence MRI scans (RHUH-GBM) [0.0]
  R'io Hortega University Hospital Glioblastoma dataset"は、多パラメータMRI画像、容積評価、分子データ、生存率の詳細の集合体である。 このデータセットは、専門家が修正した腫瘍サブリージョンのセグメンテーションを特徴とし、術後および術後のMRIスキャンのためのアルゴリズムを開発するための貴重な真実データを提供する。
  論文  参考訳（メタデータ） (2023-04-27T13:10:55Z)
• 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)
• Recurrence-free Survival Prediction under the Guidance of Automatic Gross Tumor Volume Segmentation for Head and Neck Cancers [8.598790229614071]
  自動原発性腫瘍 (GTVp) とリンパ節郭清法 (GTVn) を開発した。 腫瘍の分節体積から放射能の特徴を抽出し,RFS予測モデルを構築した。
  論文  参考訳（メタデータ） (2022-09-22T18:44:57Z)
• PD-DWI: Predicting response to neoadjuvant chemotherapy in invasive breast cancer with Physiologically-Decomposed Diffusion-Weighted MRI machine-learning model [0.0]
  DWIと臨床データからpCRを予測するための生理学的に分解されたDWI機械学習モデルPD-DWIを紹介する。 我々のモデルは、現在のリーダーボードの最良の結果と比較して、曲線下(AUC)の面積を大幅に改善します。
  論文  参考訳（メタデータ） (2022-06-12T08:59:49Z)
• 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。