論文の概要: The Multi-View Paradigm Shift in MRI Radiomics: Predicting MGMT Methylation in Glioblastoma

• arxiv url: http://arxiv.org/abs/2512.22331v1
• Date: Fri, 26 Dec 2025 16:32:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-30 22:37:29.998958
• Title: The Multi-View Paradigm Shift in MRI Radiomics: Predicting MGMT Methylation in Glioblastoma
• Title（参考訳）: MRIにおけるマルチビューパラダイムシフト : グリオ芽腫におけるMGMTメチル化の予測
• Authors: Mariya Miteva, Maria Nisheva-Pavlova,
• Abstract要約: 医用画像からの分子腫瘍の特徴の非侵襲的推測は、放射線ゲノミクスの中心的目的である。 本稿では,変分オートエンコーダ(VAE)に基づく多視点潜在表現学習フレームワークを提案する。 提案手法は,効率的なマルチモーダル積分を実現しつつ,モダリティ固有の構造を保存する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Non-invasive inference of molecular tumor characteristics from medical imaging is a central goal of radiogenomics, particularly in glioblastoma (GBM), where O6-methylguanine-DNA methyltransferase (MGMT) promoter methylation carries important prognostic and therapeutic significance. Although radiomics-based machine learning methods have shown promise for this task, conventional unimodal and early-fusion approaches are often limited by high feature redundancy and an incomplete modeling of modality-specific information. In this work, we introduce a multi-view latent representation learning framework based on variational autoencoders (VAE) to integrate complementary radiomic features derived from post-contrast T1-weighted (T1Gd) and Fluid-Attenuated Inversion Recovery (FLAIR) magnetic resonance imaging (MRI). By encoding each modality through an independent probabilistic encoder and performing fusion in a compact latent space, the proposed approach preserves modality-specific structure while enabling effective multimodal integration. The resulting latent embeddings are subsequently used for MGMT promoter methylation classification.
• Abstract（参考訳）: 特にO6-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が重要な予後および治療上の意義を担っている。 放射能に基づく機械学習手法は,この課題に対して有望であるが,従来の単調・早期融合手法は,高機能冗長性やモダリティ固有情報の不完全なモデリングによって制限されることが多い。 本研究では,T1-weighted (T1Gd) とFluid-Attenuated Inversion Recovery (FLAIR) MRI(Fluid-Attenuated Inversion Recovery) から得られた補完的放射能特徴を統合するために,可変オートエンコーダ(VAE)に基づく多視点潜在表現学習フレームワークを提案する。 独立確率エンコーダを用いて各モダリティを符号化し、コンパクトな潜在空間での融合を行うことにより、効率的なマルチモーダル積分を実現しつつ、モダリティ固有の構造を保存する。 結果として生じる潜伏埋め込みは、MGMTプロモーターメチル化の分類に使用される。

関連論文リスト

• R-GenIMA: Integrating Neuroimaging and Genetics with Interpretable Multimodal AI for Alzheimer's Disease Progression [63.97617759805451]
  アルツハイマー病の早期発見には、マクロスケールの神経解剖学的変化とマイクロスケールの遺伝的感受性を統合できるモデルが必要である。 本稿では,新しいROIワイド・ビジョン・トランスフォーマと遺伝的プロンプトを結合した多モード多言語モデルR-GenIMAを紹介する。 R-GenIMAは、通常の認知、主観記憶、軽度認知障害、ADの4方向分類において最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-12-22T02:54:10Z)
• Multi-View MRI Approach for Classification of MGMT Methylation in Glioblastoma Patients [6.414625387280682]
  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。
  論文  参考訳（メタデータ） (2025-12-16T09:37:20Z)
• 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)
• impuTMAE: Multi-modal Transformer with Masked Pre-training for Missing Modalities Imputation in Cancer Survival Prediction [75.43342771863837]
  我々は,効率的なマルチモーダル事前学習戦略を備えた新しいトランスフォーマーに基づくエンドツーエンドアプローチである impuTMAE を紹介する。 マスクされたパッチを再構築することで、モダリティの欠如を同時に示唆しながら、モダリティ間の相互作用とモダリティ内相互作用を学習する。 本モデルは,TGA-GBM/LGGとBraTSデータセットを用いたグリオーマ生存予測のために,異種不完全データに基づいて事前訓練を行った。
  論文  参考訳（メタデータ） (2025-08-08T10:01:16Z)
• MIRROR: Multi-Modal Pathological Self-Supervised Representation Learning via Modality Alignment and Retention [57.044719143401664]
  病理組織学と転写学は、腫瘍学の基本的なモダリティであり、疾患の形態学的および分子的側面を包含している。 モーダルアライメントと保持を両立させる新しいマルチモーダル表現学習法であるMIRRORを提案する。 がんの亜型化と生存分析のためのTCGAコホートに関する広範囲な評価は,MIRRORの優れた性能を浮き彫りにしている。
  論文  参考訳（メタデータ） (2025-03-01T07:02:30Z)
• Principled Feature Disentanglement for High-Fidelity Unified Brain MRI Synthesis [5.657045602016982]
  ハイブリッド融合GAN(HF-GAN)と呼ばれる,マルチシーケンスMR画像のための新しい統合フレームワークを提案する。 並列な1対1ストリームを利用して、モダリティ固有の情報を処理しながら、複雑な相補的特徴を抽出するために、強力な多対1ストリームを構築する。 健康脳MRIと病理脳MRIの両方の公開データセットの枠組みを検証した。
  論文  参考訳（メタデータ） (2024-06-21T08:06:00Z)
• Cross-modality Guidance-aided Multi-modal Learning with Dual Attention for MRI Brain Tumor Grading [47.50733518140625]
  脳腫瘍は世界で最も致命的ながんの1つであり、子供や高齢者に非常に多い。 本稿では,MRI脳腫瘍グレーディングの課題に対処するために,新たな多モード学習法を提案する。
  論文  参考訳（メタデータ） (2024-01-17T07:54:49Z)
• Synthesis of Contrast-Enhanced Breast MRI Using Multi-b-Value DWI-based Hierarchical Fusion Network with Attention Mechanism [15.453470023481932]
  造影MRI(CE-MRI)は腫瘍と浸潤した健全な組織との鑑別に優れる。 CE-MRIを得るためにガドリニウムベースの造影剤(GBCA)を使用することは、ネフローゼ性全身線維症と関連し、脳内での生体蓄積を引き起こす可能性がある。 造影剤の使用を減らすため,拡散強調画像(DWI)が重要画像技術として出現している。
  論文  参考訳（メタデータ） (2023-07-03T09:46:12Z)
• Novel Local Radiomic Bayesian Classifiers for Non-Invasive Prediction of MGMT Methylation Status in Glioblastoma [0.0]
  グリオーマ腫瘍組織におけるO6-メチルグアニン-DNA-メチルトランスフェラーゼ(MGMT)遺伝子の発現は臨床的に重要である。 現在、MGMTメチル化は、侵襲的な脳生検およびその後に抽出された腫瘍組織の遺伝子解析によって決定されている。 FLAIR系列磁気共鳴画像(MRI)から抽出した放射能特性に基づいてMGMTメチル化状態の確率論的予測を行う新しいベイズ分類器を提案する。
  論文  参考訳（メタデータ） (2021-11-30T04:53:23Z)
• Confidence-guided Lesion Mask-based Simultaneous Synthesis of Anatomic and Molecular MR Images in Patients with Post-treatment Malignant Gliomas [65.64363834322333]
  信頼性ガイドSAMR(CG-SAMR)は、病変情報からマルチモーダル解剖学的配列にデータを合成する。 モジュールは中間結果に対する信頼度測定に基づいて合成をガイドする。 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） (2020-08-06T20:20:22Z)
• 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)

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。