論文の概要: Ultra-Strong Gradient Diffusion MRI with Self-Supervised Learning for Prostate Cancer Characterization

• arxiv url: http://arxiv.org/abs/2512.03196v1
• Date: Tue, 02 Dec 2025 19:49:49 GMT
• ステータス: 情報取得中
• システム内更新日: 2025-12-04 12:15:39.949205
• Title: Ultra-Strong Gradient Diffusion MRI with Self-Supervised Learning for Prostate Cancer Characterization
• Title（参考訳）: 前立腺癌評価のための自己監督学習による超強磁場勾配拡散MRI
• Authors: Tanishq Patil, Snigdha Sen, Malwina Molendowska, Kieran G. Foley, Fabrizio Fasano, Mara Cercignani, Marco Palombo, Paddy J. Slator, Eleftheria Panagiotaki,
• Abstract要約: 本研究は,物理インフォームド自己監督型VERDICTフィッティングが,現在の臨床試験と比較して前立腺癌の特徴を高めるか否かを考察する。 我々は,高密度多層パーセプトロン(Dense)と畳み込みU-Netアーキテクチャを用いた拡張ssVERDICTフィッティング手法を開発した。 NLLS VERDICT の超強勾配では,NLLS VERDICT が47%,CNR が47%,CNR が52%,F_ic が50%であった。
• 参考スコア（独自算出の注目度）: 1.300205097905435
• License:
• Abstract: Diffusion MRI (dMRI) enables non-invasive assessment of prostate microstructure but conventional metrics such as the Apparent Diffusion Coefficient in multiparametric MRI lack specificity to underlying histology. Integrating dMRI with the compartment-based biophysical VERDICT (Vascular, Extracellular, and Restricted Diffusion for Cytometry in Tumours) framework offers richer microstructural insights, though clinical gradient systems (40-80 mT/m) suffer from poor signal-to-noise ratio (SNR) at stronger diffusion weightings due to prolonged echo times. Ultra-strong gradients (up to 300 mT/m) can mitigate these limitations by improving SNR and contrast-to-noise ratios (CNR) but their adoption has until recently been limited to research environments due to challenges with peripheral nerve stimulation thresholds and gradient non-uniformity. This study investigates whether physics-informed self-supervised VERDICT (ssVERDICT) fitting applied to ultra-strong gradients enhances prostate cancer characterization relative to current clinical acquisitions. We developed enhanced ssVERDICT fitting approaches using dense multilayer perceptron (Dense MLP) and convolutional U-Net architectures, benchmarking them against non-linear least-squares (NLLS) fitting and Diffusion Kurtosis Imaging across clinical- to ultra-strong gradient systems. Dense ssVERDICT at ultra-strong gradient notably outperformed NLLS VERDICT, boosting median CNR by 47%, cutting inter-patient Coefficient of Variation by 52%, and reducing pooled f_ic variation by 50%. Overall, it delivered the highest CNR, the most stable parameter estimates, and the clearest tumour-normal contrast compared with conventional methods and clinical gradient systems. These findings highlight the potential of advanced gradient systems and deep learning-based modelling to improve non-invasive prostate cancer characterization and reduce unnecessary biopsies.
• Abstract（参考訳）: 拡散MRI(dMRI)は前立腺の微細構造を非侵襲的に評価できるが、マルチパラメトリックMRIにおけるApparent Diffusion Coefficientのような従来の指標では、基礎となる組織学に特異性が欠如している。 dMRIとコンパートメントベースのバイオフィジカルVERDICT(Vascular, intracellular, and Restricted Diffusion for Cytometry in Tumours)フレームワークを統合すると、よりリッチな微細構造的な洞察が得られるが、臨床勾配系(40-80 mT/m)は、長いエコー時間による強い拡散重み付けによる信号-雑音比(SNR)の低下に悩まされている。 超強勾配(最大300mT/m)は、SNRとコントラスト・ツー・ノイズ比(CNR)を改善することでこれらの制限を軽減することができるが、周辺神経刺激閾値と勾配非均一性の課題により、最近まで研究環境に限られている。 本研究は,超強勾配に適応する物理インフォームド自己教師型VERDICT(ssVERDICT)が,現在の臨床試験と比較して前立腺癌の特徴を高めるか否かを考察する。 我々は,高密度多層パーセプトロン (Dense MLP) と畳み込みU-Netアーキテクチャを用いて,NLLS (Non-linear least-squares) フィッティングとDiffusion Kurtosis Imaging を臨床から超強勾配系で比較検討した。 NLLS VERDICT の超強勾配では,NLLS VERDICT が47%,CNR が47%,CNR が52%,F_ic が50%であった。 総じて、CNRが最も高く、最も安定なパラメータ推定値であり、従来の方法や臨床勾配システムと比較すると、最も明確な腫瘍-正常コントラストであった。 これらの知見は、非侵襲的な前立腺がんの特徴を改善し、不必要な生検を減らすために、高度な勾配システムとディープラーニングに基づくモデリングの可能性を強調した。

関連論文リスト

• Neural Discrete Representation Learning for Sparse-View CBCT Reconstruction: From Algorithm Design to Prospective Multicenter Clinical Evaluation [64.42236775544579]
  コーンビームCT(CBCT)ガイド下穿刺は胸部腫瘍の診断・治療に確立されたアプローチとなっている。 DeepPriorCBCTは3段階のディープラーニングフレームワークであり、従来の放射線線量の6分の1しか使用せずに診断段階の再構築を実現する。
  論文  参考訳（メタデータ） (2025-11-30T12:45:02Z)
• 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)
• Decoding MGMT Methylation: A Step Towards Precision Medicine in Glioblastoma [2.5157401709060063]
  本研究ではMGMTメチル化状態予測フレームワークのための畳み込みオートエンコーダを提案する。 このフレームワークは、予測精度を高めるために適応的なスパースペナルティに基づいている。 脳組織、脂肪、および個々の腫瘍構造を保存し、MRI画像合成に優れる。
  論文  参考訳（メタデータ） (2025-08-22T14:32:50Z)
• From Promise to Practical Reality: Transforming Diffusion MRI Analysis with Fast Deep Learning Enhancement [35.368152968098194]
  FastFOD-Netは、FODを優れたパフォーマンスで強化し、臨床使用のためのトレーニング/推論効率を提供するエンドツーエンドのディープラーニングフレームワークである。 この研究は、拡散MRIの強化のための深層学習に基づく手法を、より広く採用し、臨床信頼を構築することを促進する。
  論文  参考訳（メタデータ） (2025-08-13T17:56:29Z)
• Equivariant Spherical CNNs for Accurate Fiber Orientation Distribution Estimation in Neonatal Diffusion MRI with Reduced Acquisition Time [1.675857332621569]
  新生児dMRIに適した回転同変球状畳み込みニューラルネットワーク(SCNN)フレームワークを提案する。 我々は、43の新生児dMRIデータセットから得られた実データを用いて、sCNNの性能を訓練し、評価する。
  論文  参考訳（メタデータ） (2025-04-02T17:36:51Z)
• Acquisition-Independent Deep Learning for Quantitative MRI Parameter Estimation using Neural Controlled Differential Equations [0.0]
  NCDEはQMRIパラメータの正確な予測のための汎用ツールとして機能することを示す。 これらの結果は,NCDEが信頼性QMRIパラメータ推定に頑健なアプローチを提供することを示している。
  論文  参考訳（メタデータ） (2024-12-30T10:24:30Z)
• TopoTxR: A topology-guided deep convolutional network for breast parenchyma learning on DCE-MRIs [49.69047720285225]
  そこで本研究では,乳房側葉構造をよりよく近似するために,マルチスケールのトポロジ構造を明示的に抽出する新しいトポロジカルアプローチを提案する。 VICTREファントム乳房データセットを用いてemphTopoTxRを実験的に検証した。 本研究の質的および定量的分析は,乳房組織における画像診断におけるトポロジカルな挙動を示唆するものである。
  論文  参考訳（メタデータ） (2024-11-05T19:35:10Z)
• Preserved Edge Convolutional Neural Network for Sensitivity Enhancement of Deuterium Metabolic Imaging (DMI) [10.884358837187243]
  本研究は,Deuterium Metabolic Imaging (DMI)の感度向上のための深層学習手法を提案する。 畳み込みニューラルネットワーク(CNN)は低SNRから2H標識代謝物濃度を推定するために設計された。 推定精度は、MRIに基づく各DMIデータセットのエッジ保存正規化によるCNNの微調整によりさらに向上した。
  論文  参考訳（メタデータ） (2023-09-08T03:41:54Z)
• Improved Prognostic Prediction of Pancreatic Cancer Using Multi-Phase CT by Integrating Neural Distance and Texture-Aware Transformer [37.55853672333369]
  本稿では, 異なる患者のCT像における腫瘍と血管の正確な関係を記述した, 学習可能なニューラル距離を提案する。 発達したリスクマーカーは, 術前因子の生存率の予測因子として最強であった。
  論文  参考訳（メタデータ） (2023-08-01T12:46:02Z)
• Controlling False Positive/Negative Rates for Deep-Learning-Based Prostate Cancer Detection on Multiparametric MR images [58.85481248101611]
  そこで本研究では,病変からスライスまでのマッピング機能に基づく,病変レベルのコスト感受性損失と付加的なスライスレベルの損失を組み込んだ新しいPCa検出ネットワークを提案する。 1) 病変レベルFNRを0.19から0.10に, 病変レベルFPRを1.03から0.66に減らした。
  論文  参考訳（メタデータ） (2021-06-04T09:51:27Z)

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。