論文の概要: Multimodal classification of Radiation-Induced Contrast Enhancements and tumor recurrence using deep learning

• arxiv url: http://arxiv.org/abs/2603.11827v1
• Date: Thu, 12 Mar 2026 11:48:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-13 14:46:26.049008
• Title: Multimodal classification of Radiation-Induced Contrast Enhancements and tumor recurrence using deep learning
• Title（参考訳）: 深層学習を用いた放射線誘発造影と腫瘍再発のマルチモーダル分類
• Authors: Robin Peretzke, Marlin Hanstein, Maximilian Fischer, Lars Badhi Wessel, Obada Alhalabi, Sebastian Regnery, Andreas Kudak, Maximilian Deng, Tanja Eichkorn, Philipp Hoegen Saßmannshausen, Fabian Allmendinger, Jan-Hendrik Bolten, Philipp Schröter, Christine Jungk, Jürgen Peter Debus, Peter Neher, Laila König, Klaus Maier-Hein,
• Abstract要約: RICE-NETは、経時的MRIデータと放射線治療用線量分布を統合して自動病変分類を行うマルチモーダル3Dディープラーニングモデルである。 アブレーション実験では,各時間点とモダリティの寄与を定量化し,信頼性の高い分類が主に放射マップに依存することを示した。
• 参考スコア（独自算出の注目度）: 0.23179411766464517
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The differentiation between tumor recurrence and radiation-induced contrast enhancements in post-treatment glioblastoma patients remains a major clinical challenge. Existing approaches rely on clinically sparsely available diffusion MRI or do not consider radiation maps, which are gaining increasing interest in the tumor board for this differentiation. We introduce RICE-NET, a multimodal 3D deep learning model that integrates longitudinal MRI data with radiotherapy dose distributions for automated lesion classification using conventional T1-weighted MRI data. Using a cohort of 92 patients, the model achieved an F1 score of 0.92 on an independent test set. During extensive ablation experiments, we quantified the contribution of each timepoint and modality and showed that reliable classification largely depends on the radiation map. Occlusion-based interpretability analyses further confirmed the model's focus on clinically relevant regions. These findings highlight the potential of multimodal deep learning to enhance diagnostic accuracy and support clinical decision-making in neuro-oncology.
• Abstract（参考訳）: 治療後のグリオ芽腫患者における腫瘍再発と放射線誘発コントラスト増強の相違は大きな臨床的課題である。 既存のアプローチは、臨床的に利用可能な拡散MRIや、この分化のために腫瘍板への関心が高まっている放射線マップを考慮していないことに依存している。 従来のT1強調MRIデータを用いた自動病変分類のための放射線治療用線量分布と縦型MRIデータを統合した多モード3DディープラーニングモデルであるRICE-NETを紹介する。 92人のコホートを用いて、独立したテストセットでF1スコア0.92を達成した。 広範囲にわたるアブレーション実験において,各時間点とモダリティの寄与を定量化し,信頼性の高い分類が主に放射マップに依存することを示した。 咬合に基づく解釈可能性分析により、このモデルが臨床的に関連のある領域に焦点を当てていることがさらに確認された。 これらの知見は、診断精度を高め、神経腫瘍学における臨床的意思決定を支援するマルチモーダル深層学習の可能性を強調した。

関連論文リスト

• Closing the Performance Gap Between AI and Radiologists in Chest X-Ray Reporting [40.40577855417923]
  胸部X線レポート生成のための臨床評価型マルチモーダルAIモデルMAIRA-Xを紹介する。 タイプや縦方向の変化,配置などの属性を報告する上での精度を評価するために,新しいL&T特化メトリクスフレームワークを開発した。 以上の結果から,MAIRA-Xは放射線科医,特に高用量臨床現場で効果的に治療できる可能性が示唆された。
  論文  参考訳（メタデータ） (2025-11-21T10:53:26Z)
• 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)
• AXIAL: Attention-based eXplainability for Interpretable Alzheimer's Localized Diagnosis using 2D CNNs on 3D MRI brain scans [43.06293430764841]
  本研究では,3次元MRIを用いたアルツハイマー病診断の革新的手法を提案する。 提案手法では,2次元CNNがボリューム表現を抽出できるソフトアテンション機構を採用している。 ボクセルレベルの精度では、どの領域に注意が払われているかを同定し、これらの支配的な脳領域を同定する。
  論文  参考訳（メタデータ） (2024-07-02T16:44:00Z)
• 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)
• Radiomics Boosts Deep Learning Model for IPMN Classification [3.4659499358648675]
  膵管内乳頭粘液性腫瘍 (IPMN) の嚢胞は術前膵管病変であり,膵癌に進展する可能性がある。 本研究では,MRIスキャンからIPMNリスク分類のための新しいコンピュータ支援診断パイプラインを提案する。
  論文  参考訳（メタデータ） (2023-09-11T22:41:52Z)
• 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)
• 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)
• Risk Classification of Brain Metastases via Radiomics, Delta-Radiomics and Machine Learning [7.165205048529115]
  放射線学と機械学習 (ML) を用いて, 進行の進行のリスクが高い転移は, 腫瘍発生前の経過観察中に同定できると仮定した。 この分類は、最大関連最小冗長(MRMR)技術とサポートベクトルマシン(SVM)により実現される。 以上の結果から,SRT後フォローアップにおける放射能および機械学習に基づくBMのリスク階層化は,良好な精度で可能であり,SRT後フォローアップのパーソナライズと改善のためにさらに追求すべきであることが示唆された。
  論文  参考訳（メタデータ） (2023-02-17T10:55:18Z)
• RadioPathomics: Multimodal Learning in Non-Small Cell Lung Cancer for Adaptive Radiotherapy [1.8161758803237067]
  非小細胞肺癌に対する放射線治療成績を予測するため, マルチモーダルレイトフュージョン法を開発した。 実験により、AUCが90.9%ドルと同等のマルチモーダルパラダイムが、各ユニモーダルアプローチより優れていることが示された。
  論文  参考訳（メタデータ） (2022-04-26T16:32:52Z)

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。