論文の概要: Multi-View MRI Approach for Classification of MGMT Methylation in Glioblastoma Patients

• arxiv url: http://arxiv.org/abs/2512.14232v1
• Date: Tue, 16 Dec 2025 09:37:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-17 16:49:26.662604
• Title: Multi-View MRI Approach for Classification of MGMT Methylation in Glioblastoma Patients
• Title（参考訳）: グリオ芽腫患者における多視点MRIによるMGMTメチル化の分類
• Authors: Rawan Alyahya, Asrar Alruwayqi, Atheer Alqarni, Asma Alkhaldi, Metab Alkubeyyer, Xin Gao, Mona Alshahrani,
• Abstract要約: MGMTプロモーターメチル化はGlioblastoma Multiforme (GBM) の化学療法効果に大きく影響する 現在、MGMTプロモーターメチル化の確認は、浸潤性脳腫瘍組織生検に依存している。 MGMTメチル化状態を検出するためにMRIビュー間の空間的関係を考慮した新しいマルチビュー手法を提案する。
• 参考スコア（独自算出の注目度）: 6.414625387280682
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: The presence of MGMT promoter methylation significantly affects how well chemotherapy works for patients with Glioblastoma Multiforme (GBM). Currently, confirmation of MGMT promoter methylation relies on invasive brain tumor tissue biopsies. In this study, we explore radiogenomics techniques, a promising approach in precision medicine, to identify genetic markers from medical images. Using MRI scans and deep learning models, we propose a new multi-view approach that considers spatial relationships between MRI views to detect MGMT methylation status. Importantly, our method extracts information from all three views without using a complicated 3D deep learning model, avoiding issues associated with high parameter count, slow convergence, and substantial memory demands. We also introduce a new technique for tumor slice extraction and show its superiority over existing methods based on multiple evaluation metrics. By comparing our approach to state-of-the-art models, we demonstrate the efficacy of our method. Furthermore, we share a reproducible pipeline of published models, encouraging transparency and the development of robust diagnostic tools. Our study highlights the potential of non-invasive methods for identifying MGMT promoter methylation and contributes to advancing precision medicine in GBM treatment.
• Abstract（参考訳）: MGMTプロモーターメチル化はGlioblastoma Multiforme (GBM) の化学療法効果に大きく影響する。 現在、MGMTプロモーターメチル化の確認は、浸潤性脳腫瘍組織生検に依存している。 本研究では,医療画像から遺伝マーカーを同定するために,精密医療における有望なアプローチである放射線ゲノミクス技術について検討する。 MRIスキャンとディープラーニングモデルを用いて、MRIビュー間の空間的関係を考慮し、MGMTメチル化状態を検出する新しいマルチビューアプローチを提案する。 重要なことは,複雑な3次元深層学習モデルを用いることなく,高パラメータ数,低収束,実質的なメモリ要求に関連する問題を回避し,これら3つのビューから情報を抽出することである。 また,腫瘍スライス抽出のための新しい手法を導入し,複数の評価基準に基づく既存手法よりも優れていることを示す。 提案手法を最先端モデルと比較することにより,本手法の有効性を実証する。 さらに、我々は、公開モデルの再現可能なパイプラインを共有し、透明性を促進し、堅牢な診断ツールを開発する。 本研究は,MGMTプロモーターメチル化の非侵襲的同定法の可能性を強調し,GBM治療の精度向上に寄与する。

関連論文リスト

• Towards Label-Free Brain Tumor Segmentation: Unsupervised Learning with Multimodal MRI [7.144319861722029]
  非教師付き異常検出(UAD)は、MRIにおける脳腫瘍のセグメンテーションのための教師付き学習の代替手段である。 正常脳MRIで腫瘍の検出と局所化を専門に訓練したMViT-AE(Multimodal Vision Transformer Autoencoder)を提案する。 本手法は臨床的に有意な腫瘍局在を達成し, 病変関連Dice類似係数は0.437, 0.316, 検査セット0.350, 異常検出率89.4%であった。
  論文  参考訳（メタデータ） (2025-10-17T14:26:30Z)
• Hybrid Ensemble Approaches: Optimal Deep Feature Fusion and Hyperparameter-Tuned Classifier Ensembling for Enhanced Brain Tumor Classification [24.801687550103217]
  本研究では、特徴抽出のための組立事前学習(DL)モデルと、脳腫瘍を効率的に分類するための組立微調整機械学習(ML)モデルからなる、新しい二重組立フレームワークを提案する。 具体的には,脳MRIから深部特徴を抽出するために,様々なトレーニング済みの深部畳み込みニューラルネットワークと視覚トランスフォーマーネットワークを活用することで,広範な前処理と拡張,伝達学習の概念を含む。
  論文  参考訳（メタデータ） (2025-07-16T12:22:11Z)
• MAST-Pro: Dynamic Mixture-of-Experts for Adaptive Segmentation of Pan-Tumors with Knowledge-Driven Prompts [54.915060471994686]
  MAST-Proは,ダイナミックなMixture-of-Experts(D-MoE)とパン腫瘍セグメンテーションのための知識駆動プロンプトを統合した新しいフレームワークである。 具体的には、テキストと解剖学的プロンプトは、腫瘍表現学習を導くドメイン固有の事前情報を提供し、D-MoEは、ジェネリックと腫瘍固有の特徴学習のバランスをとる専門家を動的に選択する。 マルチ解剖学的腫瘍データセットの実験では、MAST-Proは最先端のアプローチよりも優れており、トレーニング可能なパラメータを91.04%削減し、平均改善の5.20%を達成している。
  論文  参考訳（メタデータ） (2025-03-18T15:39:44Z)
• Unified HT-CNNs Architecture: Transfer Learning for Segmenting Diverse Brain Tumors in MRI from Gliomas to Pediatric Tumors [2.104687387907779]
  トランスファーラーニングにより最適化されたハイブリッドトランスフォーマーと畳み込みニューラルネットワークのアンサンブルであるHT-CNNを紹介した。 この方法では、MRIデータから空間的および文脈的詳細を抽出し、一般的な腫瘍のタイプを表す多様なデータセットを微調整する。 本研究は, 医療イメージセグメンテーションにおけるトランスファーラーニングとアンサンブルアプローチの可能性を明らかにし, 臨床意思決定と患者ケアの大幅な向上を示唆するものである。
  論文  参考訳（メタデータ） (2024-12-11T09:52:01Z)
• Mask-Enhanced Segment Anything Model for Tumor Lesion Semantic Segmentation [48.107348956719775]
  Mask-Enhanced SAM (M-SAM) は, 腫瘍の3次元セグメント化に適した革新的なアーキテクチャである。 本稿では,M-SAM内におけるMask-Enhanced Adapter (MEA) を提案する。 我々のM-SAMは高いセグメンテーション精度を達成し、またロバストな一般化を示す。
  論文  参考訳（メタデータ） (2024-03-09T13:37:02Z)
• Genetic InfoMax: Exploring Mutual Information Maximization in High-Dimensional Imaging Genetics Studies [50.11449968854487]
  遺伝子ワイド・アソシエーション(GWAS)は、遺伝的変異と特定の形質の関係を同定するために用いられる。 画像遺伝学の表現学習は、GWASによって引き起こされる固有の課題により、ほとんど探索されていない。 本稿では,GWAS の具体的な課題に対処するために,トランスモーダル学習フレームワーク Genetic InfoMax (GIM) を提案する。
  論文  参考訳（メタデータ） (2023-09-26T03:59:21Z)
• MGMT promoter methylation status prediction using MRI scans? An extensive experimental evaluation of deep learning models [0.0]
  MRIによるグリオーマ腫瘍におけるMGMTプロモーターのメチル化状態の予測にディープラーニングモデルを用いた。 以上の結果から,癌診断における深層学習システムの精度と信頼性を確保するために,これらのモデルの性能に相関性は認められなかった。
  論文  参考訳（メタデータ） (2023-04-03T07:55:42Z)
• Artificial-intelligence-based molecular classification of diffuse gliomas using rapid, label-free optical imaging [59.79875531898648]
  DeepGliomaは人工知能に基づく診断スクリーニングシステムである。 ディープグリオーマは、世界保健機関が成人型びまん性グリオーマ分類を定義するために使用する分子変化を予測することができる。
  論文  参考訳（メタデータ） (2023-03-23T18:50:18Z)
• Is it Possible to Predict MGMT Promoter Methylation from Brain Tumor MRI Scans using Deep Learning Models? [0.0]
  グリオ芽腫(Glioblastoma)は、高齢者に発生する一般的な脳腫瘍であり、ほぼ常に致死性である。 MGMTプロモーターの状態を同定するために、従来のアプローチは遺伝子解析のための生検を行うことである。 最近のいくつかの出版物は、MGMTプロモーター状態と腫瘍のMRIスキャンとの関連性を提案した。
  論文  参考訳（メタデータ） (2022-01-16T16:44:21Z)
• Lesion Mask-based Simultaneous Synthesis of Anatomic and MolecularMR Images using a GAN [59.60954255038335]
  提案するフレームワークは,ストレッチアウトアップサンプリングモジュール,ブレインアトラスエンコーダ,セグメンテーション一貫性モジュール,マルチスケールラベルワイド識別器から構成される。 実際の臨床データを用いた実験により,提案モデルが最先端の合成法よりも優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2020-06-26T02:50:09Z)
• Stan: Small tumor-aware network for breast ultrasound image segmentation [68.8204255655161]
  本研究では,小腫瘍認識ネットワーク(Small tumor-Aware Network,STAN)と呼ばれる新しいディープラーニングアーキテクチャを提案する。 提案手法は, 乳腺腫瘍の分節化における最先端のアプローチよりも優れていた。
  論文  参考訳（メタデータ） (2020-02-03T22:25:01Z)

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。