論文の概要: An integrated geometric quantification and shape analysis framework for axillary lymph node metastasis in breast cancer patients
- arxiv url: http://arxiv.org/abs/2609.35437v1
- Date: Mon, 28 Sep 2026 15:39:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-02 05:27:56.091001
- Title: An integrated geometric quantification and shape analysis framework for axillary lymph node metastasis in breast cancer patients
- Title（参考訳）: 乳癌における軸索リンパ節転移の定量的定量化と形状解析の総合的枠組み
- Abstract要約: 位相対応表面処理と多分解能球面調和解析を組み合わせた統合フレームワークを開発した。
家族固有の混合分解能モデルは、従来のPyRadiomics Shape14ベースラインの0.884と比較して0.918のAUCを達成した。
- 参考スコア（独自算出の注目度）: 0.16992697670497803
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Quantitative characterization of lymph node morphology is important for assessing axillary lymph node metastasis in breast cancer. However, surfaces reconstructed from computed tomography (CT) segmentation may contain geometric and topological defects that compromise subsequent analysis, while conventional shape descriptors predominantly characterize global morphology. To address these issues, we developed an integrated framework combining topology-aware surface processing with multi-resolution spherical harmonic (SH) analysis of CT-derived axillary lymph nodes. The processing pipeline produced topology-valid genus-0 surfaces with improved mesh quality, which were then represented at multiple SH degrees and characterized using 20 predefined geometric feature families. Geometric fidelity increased with SH degree, whereas predictive performance peaked at intermediate resolutions. Preferred SH degree also differed across feature families. A family-specific mixed-resolution model achieved an AUC of 0.918, compared with 0.884 for the conventional PyRadiomics Shape14 baseline, corresponding to an improvement of 0.0344. Controlled perturbation experiments showed that higher SH degrees transmitted more fine-scale geometric variation and yielded lower stability of curvature-based predictions. Representative geometric descriptors provided interpretable characterization of metastasis-associated surface morphology. Independent validation further supported the framework's transportability: label-free replication in a multicenter lymph node cohort reproduced the family-specific resolution effects, while a labeled LIDC-IDRI lung-nodule experiment reproduced the resolution-dependent relationship between SH degree and predictive performance. Altogether, the framework provides a topology-valid basis for quantitative characterization of lymph node morphology and metastasis-associated imaging phenotypes.
- Abstract（参考訳）: 乳癌における軸索リンパ節転移の評価にはリンパ節形態の定量的評価が重要である。
しかし、CT区分けから再構成された表面は、その後の解析を損なう幾何学的および位相的欠陥を含む可能性があり、一方、従来の形状記述子は、大域的な形態を主に特徴付ける。
これらの課題に対処するため,CT由来軸索リンパ節のトポロジー対応表面処理と多分解能球面調和(SH)解析を組み合わせた統合フレームワークを開発した。
処理パイプラインはメッシュ品質を向上したトポロジー価の種数-0の表面を生成し、その後、複数のSH度で表現され、20の事前定義された幾何学的特徴ファミリを用いて特徴付けられる。
幾何学的忠実度はSH度とともに増加し, 予測性能は中間分解能でピークに達した。
SH度も特徴群で異なっていた。
従来型のPyRadiomics Shape14ベースラインの0.884に対して, 0.918のAUCを達成し, 0.0344の改善が得られた。
制御摂動実験により、より高いSH度がより微細な幾何変化を伝達し、曲率に基づく予測の安定性を低下させることが示された。
代表的な幾何学的記述子は転移関連表面形態の解釈可能な特徴を与えた。
多心リンパ節コホートにおけるラベルフリー複製は、家族固有の解決効果を再現し、ラベル付きLIDC-IDRI肺結節実験は、SH度と予測性能の分解能依存性の関係を再現した。
また、このフレームワークは、リンパ節形態および転移関連画像表現型を定量的に評価するためのトポロジ-バリッドベースを提供する。
関連論文リスト
- Hierarchical Perfusion Graphs for Tumor Heterogeneity Modeling in Glioma Molecular Subtyping [3.6629715315648976]
実時間強度曲線から離散的血行動態表現を学習するフレームワークであるHiPerfGNNを紹介する。
階層型グラフニューラルネットワークは、分子予測のためにスケールを越えて情報を伝播する。
論文 参考訳（メタデータ） (2026-05-08T02:42:38Z) - A multi-stage soft computing framework for complex disease modelling and decision support: A liver cirrhosis case study [3.562872553084045]
肝硬変は毎年数百万人が死亡する世界的な健康問題である。
バイオメディカルデータから複雑な疾患をモデル化することは、計算的に困難である。
複雑な疾患モデリングと治療研究のためのML駆動型多段階意思決定フレームワークを提案する。
論文 参考訳（メタデータ） (2026-04-26T11:55:48Z) - LDDMM stochastic interpolants: an application to domain uncertainty quantification in hemodynamics [2.003675800246271]
三次元形状の生成モデリングのための新しい条件補間フレームワークを提案する。
本稿では,患者の初期コホートから大動脈の形状が生成する心血管シミュレーションの文脈における応用について述べる。
論文 参考訳（メタデータ） (2026-03-30T11:52:36Z) - Learning Glioblastoma Tumor Heterogeneity Using Brain Inspired Topological Neural Networks [3.120728330365825]
TopoGBMは3D MRIからスキャナ・ロバスト表現をキャプチャする学習フレームワークである。
機械的解釈可能性分析により、再構成残基が病理学的に不均一な領域に高度に局在していることが判明した。
論文 参考訳（メタデータ） (2026-02-11T16:28:13Z) - A Semantically Enhanced Generative Foundation Model Improves Pathological Image Synthesis [82.01597026329158]
本稿では,組織合成のための相関調整フレームワーク(CRAFTS)について紹介する。
CRAFTSは、生物学的精度を確保するためにセマンティックドリフトを抑制する新しいアライメント機構を組み込んでいる。
本モデルは,30種類の癌にまたがる多彩な病理像を生成する。
論文 参考訳（メタデータ） (2025-12-15T10:22:43Z) - An End-to-End Deep Learning Generative Framework for Refinable Shape
Matching and Generation [45.820901263103806]
In-Silico Clinical Trials (ISCTs) の必要条件としての形状生成モデルの構築
本研究では,非教師なしの幾何学的深層学習モデルを構築し,潜在空間における補修可能な形状対応を確立する。
提案するベースモデルを,より可変性を高めるために,結合形状生成クラスタリングマルチアトラスフレームワークに拡張する。
論文 参考訳（メタデータ） (2024-03-10T21:33:53Z) - ReshapeIT: Reliable Shape Interaction with Implicit Template for Anatomical Structure Reconstruction [59.971808117043366]
ReShapeITは、同じカテゴリ内で共有される暗黙のテンプレートフィールドを持つ解剖学的構造を表す。
これにより、インスタンス形状とテンプレート形状との対応性の制約を強化することにより、暗黙テンプレートフィールドが有効なテンプレートを生成する。
テンプレートインタラクションモジュールは、有効なテンプレートシェイプとインスタンスワイドの潜在コードとを相互作用することで、目に見えないシェイプを再構築するために導入される。
論文 参考訳（メタデータ） (2023-12-11T07:09:32Z) - Penalized Deep Partially Linear Cox Models with Application to CT Scans
of Lung Cancer Patients [42.09584755334577]
肺がんは世界中のがん死亡の原因であり、効果的な治療法を設計するための死亡リスクを理解することの重要性を強調している。
NLST(National Lung Screening Trial)は、肺がん患者の死亡リスクを定量化するために、CTテクスチャ解析を用いている。
本稿では,SCADペナルティを組み込んで重要なテクスチャ特徴を抽出し,深層ニューラルネットワークを用いてモデルの非パラメトリック成分を推定する,Pentalized Deep partially Linear Cox Model (Penalized DPLC)を提案する。
論文 参考訳（メタデータ） (2023-03-09T15:38:16Z) - Thermal Analysis of Malignant Brain Tumors by Employing a Morphological
Differentiation-Based Method in Conjunction with Artificial Neural Network [0.0]
組織表面の温度分布を利用して脳腫瘍の悪性度を検出する形態分化法が提案されている。
本手法は良性腫瘍と悪性腫瘍を鑑別し,良性腫瘍の程度を高精度に推定できる。
論文 参考訳（メタデータ） (2023-02-04T22:41:04Z)
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。