論文の概要: Real-time prediction of breast cancer sites using deformation-aware graph neural network

• arxiv url: http://arxiv.org/abs/2511.13082v1
• Date: Mon, 17 Nov 2025 07:32:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-18 14:36:24.903634
• Title: Real-time prediction of breast cancer sites using deformation-aware graph neural network
• Title（参考訳）: 変形認識型グラフニューラルネットワークを用いた乳癌部位のリアルタイム予測
• Authors: Kyunghyun Lee, Yong-Min Shin, Minwoo Shin, Jihun Kim, Sunghwan Lim, Won-Yong Shin, Kyungho Yoon,
• Abstract要約: 本研究では, 生検中の乳癌部位をリアルタイムで正確に予測できるグラフニューラルネットワーク(GNN)モデルを開発した。 このモデルをファントムと実際の患者データセットを用いて検証し,癌リンパ節変位の精度を0.2ミリメートル (mm) 以内で達成した。 提案した変形認識型GNNモデルは,乳房生検におけるリアルタイムな腫瘍変位予測に有望なソリューションを提供する。
• 参考スコア（独自算出の注目度）: 18.41781547416937
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Early diagnosis of breast cancer is crucial, enabling the establishment of appropriate treatment plans and markedly enhancing patient prognosis. While direct magnetic resonance imaging-guided biopsy demonstrates promising performance in detecting cancer lesions, its practical application is limited by prolonged procedure times and high costs. To overcome these issues, an indirect MRI-guided biopsy that allows the procedure to be performed outside of the MRI room has been proposed, but it still faces challenges in creating an accurate real-time deformable breast model. In our study, we tackled this issue by developing a graph neural network (GNN)-based model capable of accurately predicting deformed breast cancer sites in real time during biopsy procedures. An individual-specific finite element (FE) model was developed by incorporating magnetic resonance (MR) image-derived structural information of the breast and tumor to simulate deformation behaviors. A GNN model was then employed, designed to process surface displacement and distance-based graph data, enabling accurate prediction of overall tissue displacement, including the deformation of the tumor region. The model was validated using phantom and real patient datasets, achieving an accuracy within 0.2 millimeters (mm) for cancer node displacement (RMSE) and a dice similarity coefficient (DSC) of 0.977 for spatial overlap with actual cancerous regions. Additionally, the model enabled real-time inference and achieved a speed-up of over 4,000 times in computational cost compared to conventional FE simulations. The proposed deformation-aware GNN model offers a promising solution for real-time tumor displacement prediction in breast biopsy, with high accuracy and real-time capability. Its integration with clinical procedures could significantly enhance the precision and efficiency of breast cancer diagnosis.
• Abstract（参考訳）: 乳がんの早期診断は重要であり,適切な治療計画が確立され,予後が著しく向上した。 直接磁気共鳴画像誘導生検は癌病変の検出において有望な性能を示すが、その実用化は長い手術時間と高いコストで制限される。 これらの問題を克服するために、MRI室外での手術を可能にする間接的なMRI誘導生検が提案されているが、正確なリアルタイムな変形可能な乳房モデルを作成する上で、依然として課題に直面している。 本研究では, 生検中の乳癌部位をリアルタイムで正確に予測できるグラフニューラルネットワーク(GNN)モデルを構築し, この問題に対処した。 乳腺と腫瘍のMRI画像から得られる構造情報を組み込んで, 変形挙動をシミュレートすることにより, 個々の有限要素(FE)モデルを開発した。 その後、GNNモデルを用いて表面変位と距離に基づくグラフデータを処理し、腫瘍領域の変形を含む組織全体の変位を正確に予測できるように設計された。 このモデルはファントムと実際の患者データセットを用いて検証され、癌リンパ節変位(RMSE)の0.2ミリ秒以内の精度と、実際のがん領域と空間的に重なる0.977のダイス類似度係数(DSC)が得られた。 さらに、このモデルはリアルタイムの推論を可能にし、従来のFEシミュレーションと比較して4000倍以上の計算コストの高速化を実現した。 提案した変形認識型GNNモデルにより,胸部生検におけるリアルタイム腫瘍変位予測を高精度かつリアルタイムに行うことが可能となる。 臨床試験と統合することで、乳がん診断の精度と効率を大幅に向上させることができる。

関連論文リスト

• A Novel Approach to Breast Cancer Segmentation using U-Net Model with Attention Mechanisms and FedProx [0.0]
  乳がんは世界中の女性の間で主要な死因であり、早期発見と正確な診断の必要性を強調している。 医療データの繊細な性質は、正確でプライベートな人工知能モデルを開発することを困難にしている。 FedProxは、非IIDローカルな医療データセット上で、正確な機械学習モデルをトレーニングするための有望なアプローチになる可能性がある。
  論文  参考訳（メタデータ） (2025-10-21T22:38:18Z)
• Pre to Post-Treatment Glioblastoma MRI Prediction using a Latent Diffusion Model [35.86812994963753]
  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。
  論文  参考訳（メタデータ） (2025-10-13T20:32:06Z)
• Multi-Task Diffusion Approach For Prediction of Glioma Tumor Progression [0.6978367196609415]
  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。
  論文  参考訳（メタデータ） (2025-09-13T14:42:46Z)
• A Foundational Generative Model for Breast Ultrasound Image Analysis [42.618964727896156]
  基礎モデルは臨床現場で様々な課題に対処するための強力なツールとして登場した。 乳房超音波検査に特化して設計された最初の基礎的生成モデルであるBUSGenについて述べる。 BUSGenは、数ショットの適応で、現実的で情報に富んだタスク固有のデータのリポジトリを生成することができる。
  論文  参考訳（メタデータ） (2025-01-12T16:39:13Z)
• 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)
• Improving Breast Cancer Grade Prediction with Multiparametric MRI Created Using Optimized Synthetic Correlated Diffusion Imaging [71.91773485443125]
  乳がん治療計画において、グレーディングは重要な役割を担っている。 現在の腫瘍グレード法では、患者から組織を抽出し、ストレス、不快感、医療費の上昇につながる。 本稿では,CDI$s$の最適化による乳癌の診断精度の向上について検討する。
  論文  参考訳（メタデータ） (2024-05-13T15:48:26Z)
• Improving the diagnosis of breast cancer based on biophysical ultrasound features utilizing machine learning [0.0]
  乳がん検出のための生物物理学的特徴に基づく機械学習手法を提案する。 以上より, 乳腺病変のタイプとサイズは, 分類では98.0%, 操作特性曲線では0.98以上であった。
  論文  参考訳（メタデータ） (2022-07-13T23:53:09Z)
• Breast Cancer Induced Bone Osteolysis Prediction Using Temporal Variational Auto-Encoders [65.95959936242993]
  骨分解性骨病変の進展を正確に予測し,可視化する深層学習フレームワークを開発した。 乳癌患者の骨格関連事象(SRE)を予防するための治療戦略の計画と評価を支援する。
  論文  参考訳（メタデータ） (2022-03-20T21:00:10Z)
• 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)
• 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)
• 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。