論文の概要: Trimodal Glioma Representation Alignment via Volumetric Contrastive Learning
- arxiv url: http://arxiv.org/abs/2606.14568v1
- Date: Fri, 12 Jun 2026 15:45:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-15 16:00:42.965144
- Title: Trimodal Glioma Representation Alignment via Volumetric Contrastive Learning
- Title（参考訳）: ボリュームコントラスト学習による三モーダルグリオーマ表現アライメント
- Authors: Denise Marini, Eleonora Grassucci, Danilo Comminiello,
- Abstract要約: 本稿では,Glioma Omics - Radiology - hIstopathology Alignmentのための新しい3モーダルフレームワークであるGLORIAを紹介する。
GLORIAは、モダリティ特異的エンコーダを通して全スライディング画像領域、遺伝子発現プロファイル、および3次元MRIボリュームを処理し、それらを共有潜在空間に投影し、3つのモダリティ埋め込みによって広がる体積を測定するグラミアンコントラスト損失と整列する。
整列した表現は、クロスモーダルゲーティングモジュールを通して融合し、3クラスのグリオーマグレーディングと全体的な生存予測に共同で最適化される。
- 参考スコア（独自算出の注目度）: 14.431898131553785
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Glioma grading and survival prediction require the integration of heterogeneous information collected at different spatial and biological scales. Histopathology describes tissue morphology, mRNA expression captures molecular activity, and magnetic resonance imaging provides a non-invasive view of tumor extent and radiological heterogeneity. Existing glioma prognosis models often combine only two of these sources, while their alignment objectives remain mostly pairwise. This paper introduces GLORIA, a novel trimodal framework for GLioma Omics - Radiology - hIstopathology Alignment. GLORIA processes whole-slide image regions, gene-expression profiles, and 3D MRI volumes through modality-specific encoders, projects them into a shared latent space, and aligns them with a Gramian contrastive loss that measures the volume spanned by the three modality embeddings. The aligned representations are fused through a cross-modal gating module and optimized jointly for three-class glioma grading and overall survival prediction. We evaluate GLORIA on a matched TCGA-GBM/LGG and BraTS21 cohort, comprising 132 patients with all three modalities. On the shared trimodal test set, GLORIA improves over the bimodal WSI-mRNA baseline in all the metrics considered.
- Abstract（参考訳）: グリオーマのグレーディングと生存予測は、異なる空間的および生物学的スケールで収集された異種情報の統合を必要とする。
病理組織学は組織形態を記述し、mRNA発現は分子活性を捉え、MRIは腫瘍の範囲と放射線学的多様性を非侵襲的に観察する。
既存のグリオーマ予後モデルはしばしばこれら2つのソースを結合するが、それらのアライメントの目的は概ねペアワイズのままである。
本稿では,Glioma Omics - Radiology - hIstopathology Alignmentのための新しい3モーダルフレームワークであるGLORIAを紹介する。
GLORIAは、モダリティ特異的エンコーダを通して全スライディング画像領域、遺伝子発現プロファイル、および3次元MRIボリュームを処理し、それらを共有潜在空間に投影し、3つのモダリティ埋め込みによって広がる体積を測定するグラミアンコントラスト損失と整列する。
整列した表現は、クロスモーダルゲーティングモジュールを通して融合し、3クラスのグリオーマグレーディングと全体的な生存予測に共同で最適化される。
一致したTCGA-GBM/LGGとBraTS21コホートを用いてGLORIAの評価を行った。
共有トライモーダルテストセットでは、GLORIAは考慮されたすべてのメトリクスにおいて、バイモーダルWSI-mRNAベースラインよりも改善されている。
関連論文リスト
- Brain Tumor Classification from 3D MRI Using Persistent Homology and Betti Features: A Topological Data Analysis Approach on BraTS2020 [0.8374077003751697]
トポロジカルデータ解析に基づく脳腫瘍分類のためのトポロジ駆動フレームワークを提案する。
我々はBraTS 2020データセットからFLAIR(Fluid Attenuated Inversion Recovery)の画像を分析した。
脳腫瘍構造の基礎となるトポロジを要約した100のトポロジ的特徴のコンパクトなセットを導出する。
論文 参考訳（メタデータ） (2026-03-14T05:44:38Z) - OmniCT: Towards a Unified Slice-Volume LVLM for Comprehensive CT Analysis [53.01523944168442]
臨床解釈はスライス駆動の局所特徴と体積駆動の空間表現の両方に依存している。
既存のLVLM(Large Vision-Language Models)は、CTスライスとボリューム理解で断片化されている。
我々は,CTシナリオのための強力な統合スライスボリュームLVLMであるOmniCTを提案する。
論文 参考訳（メタデータ） (2026-02-18T00:42:41Z) - Unified Multi-Site Multi-Sequence Brain MRI Harmonization Enriched by Biomedical Semantic Style [13.422551989566983]
MMHは多地点のマルチシーケンス脳MRIハーモニゼーションのための統合フレームワークである。
MMHは,(1)拡散型大域的調和器でMR画像をスタイルに依存しない勾配条件付けを用いてシーケンス固有統一領域にマッピングし,(2)グローバル整列画像を所望のターゲット領域に適応させるターゲット固有微調整器である。
4,163T1強調MRIとT2強調MRIによる画像特徴クラスタリング、ボクセルレベルの比較、組織セグメンテーション、下流年齢と部位に対するMMHの高調波効果の評価
論文 参考訳（メタデータ） (2026-01-13T03:47:23Z) - 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) - BRISC: Annotated Dataset for Brain Tumor Segmentation and Classification [0.6840587119863303]
我々は,脳腫瘍のセグメンテーションと分類タスクのためのデータセットであるBRISCを紹介し,高分解能セグメンテーションマスクを特徴とする。
データセットは6000のコントラスト強化T1強調MRIスキャンで構成され、セグメンテーションラベルを欠いた複数の公開データセットから照合された。
悪性腫瘍としてはグリオーマ、髄膜腫、下垂体腫瘍の3種類と非腫瘍の3種類がある。
論文 参考訳（メタデータ） (2025-06-17T08:56:05Z) - 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) - Quantifying intra-tumoral genetic heterogeneity of glioblastoma toward
precision medicine using MRI and a data-inclusive machine learning algorithm [3.2507684591996036]
Glioblastoma (GBM) は最も攻撃的で致命的なヒト癌の一つである。
バイオプシーは侵襲的であり、非侵襲的なMRIベースの機械学習(ML)モデルの開発を動機付けている。
我々は,MRIを用いて各GBM腫瘍の局所的遺伝的変化を予測するための新しいWeakly Supervised Ordinal Support Vector Machine (WSO-SVM)を提案する。
論文 参考訳（メタデータ） (2023-12-30T03:28:51Z) - MGCT: Mutual-Guided Cross-Modality Transformer for Survival Outcome
Prediction using Integrative Histopathology-Genomic Features [2.3942863352287787]
Mutual-Guided Cross-Modality Transformer (MGCT) は、注意に基づくマルチモーダル学習フレームワークである。
腫瘍微小環境における遺伝子型-フェノタイプ相互作用をモデル化するために,組織学的特徴とゲノム的特徴を組み合わせたMGCTを提案する。
論文 参考訳（メタデータ） (2023-11-20T10:49:32Z)
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。