論文の概要: AI-Enhanced Hyperspectral Imaging for Intraoperative Detection of Low-Grade Glioma: A Clinical Study

• arxiv url: http://arxiv.org/abs/2610.17944v1
• Date: Tue, 13 Oct 2026 08:27:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.559026
• Title: AI-Enhanced Hyperspectral Imaging for Intraoperative Detection of Low-Grade Glioma: A Clinical Study
• Title（参考訳）: 低重力グリオーマの術中診断のためのAI強調ハイパースペクトルイメージングの臨床的検討
• Abstract要約: 低次グリオーマ (LGGs) は、手術顕微鏡上の白色光条件下での正常脳に類似している。 本研究は健康組織と腫瘍組織とのスペクトル差を特徴付ける。 スペクトルと空間的特徴を統合した3D CNNは、74.5%という最も中央値のLOC-AUCを達成した。
• 参考スコア（独自算出の注目度）: 4.933759759970085
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Current image-guided neuronavigation techniques, such as intraoperative MRI and ultrasound, are limited by high costs, limited sensitivity and operational complexity. There is a clear need for more efficient systems to enhance intra-operative tumor detection and improve patient outcomes for intrinsic brain tumor resection. Whereas previous intraoperative brain HSI studies have predominantly investigated high-grade gliomas, glioblastomas, or mixed-grade cohorts, this clinical study focuses specifically on low-grade gliomas (LGGs). LGGs strongly resemble normal brain under white light conditions on the operative microscope. This study characterizes spectral differences between healthy and tumor tissue and provides a paired comparison of HSI- and RGB-based classification at matched tissue locations and under identical patient-level data splits. Tumor regions showed consistently lower reflectance, which may be associated with differences in hemoglobin concentration and oxygenation. A range of classification models was evaluated. The 3D CNN, which integrates spectral and spatial features, achieved the highest median ROC-AUC of 74.5%, compared with 67.9% for the spectral-only XGBoost model and 64.0% for the RGB-based model. These results support further investigation of HSI for low-grade glioma classification and quantify its performance relative to conventional RGB imaging in this cohort.
• Abstract（参考訳）: 術中MRIや超音波などの現在の画像誘導神経ナビゲーション技術は、高コスト、感度の制限、運用上の複雑さによって制限されている。 術中腫瘍検出の効率化と内因性脳腫瘍切除の患者予後改善のための,より効率的なシステムの必要性は明らかである。 前回の術中脳波検査では、高次グリオーマ、グリオーマ、混合型コホートが主に研究されているが、この臨床研究は特に低次グリオーマ(LGG)に焦点を当てている。 LGGは手術顕微鏡上の白色光条件下では正常な脳に強く似ている。 本研究は, 正常組織と腫瘍組織とのスペクトル差を特徴とし, 一致した組織部位と同一の患者レベルのデータ分割下でのHSIとRGBの分類を比較検討した。 腫瘍部位の反射率は一貫して低く,ヘモグロビン濃度と酸素濃度の差がみられた。 様々な分類モデルが評価された。 スペクトルと空間の特徴を統合した3D CNNは、スペクトルのみのXGBoostモデルでは67.9%、RGBベースのモデルでは64.0%に対して、中央値のROC-AUCは74.5%に達した。 これらの結果は,低次グリオーマ分類のためのHSIのさらなる研究を支援し,このコホートにおける従来のRGB画像と比較して,その性能を定量化する。

関連論文リスト

• HyKey: Hyperspectral Keypoint Detection and Matching in Minimally Invasive Surgery [40.93245185071822]
  ミニマル侵襲手術(MIS)における3次元再構築は,視認性の向上,ツールトラッキング,拡張現実による手術指導の強化を可能にする。 我々は, スナップショットハイパースペクトルイメージング(HSI)を用いて, キーポイント検出と手術シーンの整合性を改善することができるか検討した。 我々はHyKeyを開発した。HyKeyはハイブリッド3D-2D畳み込みニューラルネットワークで構築されたハイパスペクトルKEYpointの検出と記述モデルで、HSIから空間スペクトルの特徴を共同抽出する。
  論文  参考訳（メタデータ） (2026-04-19T13:57:03Z)
• Squeezed-Eff-Net: Edge-Computed Boost of Tomography Based Brain Tumor Classification leveraging Hybrid Neural Network Architecture [0.7829352305480285]
  本研究では,軽量モデルであるSqueezeNet v1と高性能モデルであるEfficientNet-B0に基づくハイブリッドディープラーニングモデルを提案する。 このフレームワークは、Nickparvar Brain tumor MRIデータセットでのみトレーニングされ、テストされた。
  論文  参考訳（メタデータ） (2025-12-08T07:37:30Z)
• Graph-Radiomic Learning (GrRAiL) Descriptor to Characterize Imaging Heterogeneity in Confounding Tumor Pathologies [4.871686799559543]
  臨床MRIにおいて, 髄腔内不均一性(ILH)を特徴付ける新しいグラフラジオグラフィー学習(GrRAiL)記述法を提案する。 多制度的な設定では、GrRAiLは一貫して最先端のベースラインを上回っている。
  論文  参考訳（メタデータ） (2025-09-23T17:18:33Z)
• Glioma Classification using Multi-sequence MRI and Novel Wavelets-based Feature Fusion [0.0]
  グリオーマ (Glioma) はグリオーマ由来の腫瘍であり, WHOの基準により低次グリオーマ (LGG) と高次グリオーマ (HGG) と区別できる。 非侵襲的なグリオーマ評価のために、MRI(MRI)は腫瘍の形態と位置について重要な情報を提供する。 本研究では,マルチシーケンスT1,T1コントラスト拡張(T1CE),T2,Fluid Attenuated Inversion Recovery(FLAIR)MRI画像にウェーブレットを用いた新しい融合アルゴリズムを実装し,放射能特性の計算を行った。
  論文  参考訳（メタデータ） (2025-02-28T04:58:41Z)
• Transferring Ultrahigh-Field Representations for Intensity-Guided Brain Segmentation of Low-Field Magnetic Resonance Imaging [51.92395928517429]
  7T MRIの使用は、低磁場MRIと比較して高コストでアクセシビリティが低いため制限されている。 本研究では,入力されたLF磁気共鳴特徴表現と,脳画像分割タスクのための7T様特徴表現とを融合したディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-02-13T12:21:06Z)
• 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)
• Brain MRI study for glioma segmentation using convolutional neural networks and original post-processing techniques with low computational demand [0.6719751155411076]
  グリオーマは、高度に異質な組織学的サブリージョンからなる脳腫瘍である。 グリオーマの多様性が高いため、このセグメンテーション・タスクは現在、医用画像解析の分野で大きな課題となっている。 畳み込みニューラルネットワーク(CNN)の設計と応用に基づくセグメンテーション手法と,計算負荷の低い元の後処理技術を組み合わせたセグメンテーション手法を提案する。
  論文  参考訳（メタデータ） (2022-07-15T17:34:05Z)
• A New Deep Hybrid Boosted and Ensemble Learning-based Brain Tumor Analysis using MRI [0.28675177318965034]
  磁気共鳴画像(MRI)における脳腫瘍の検出・分類のための2段階深層学習フレームワークの提案 第1フェーズでは、健康な人から腫瘍MRI画像を検出するために、新しい深層化特徴とアンサンブル分類器(DBF-EC)方式が提案されている。 第2段階では, 異なる腫瘍タイプを分類するために, 動的静的特徴とML分類器からなる融合型脳腫瘍分類法が提案されている。
  論文  参考訳（メタデータ） (2022-01-14T10:24:47Z)
• Comparison of Machine Learning Classifiers to Predict Patient Survival and Genetics of GBM: Towards a Standardized Model for Clinical Implementation [44.02622933605018]
  放射線モデルは、グリオ芽腫(GBM)の結果予測のための臨床データを上回ることが示されています。 GBM患者の生存率(OS),IDH変異,O-6-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,EGFR(EGFR)VII増幅,Ki-67発現の9種類の機械学習分類器を比較した。 xgb は os (74.5%), ab for idh 変異 (88%), mgmt メチル化 (71,7%), ki-67 発現 (86,6%), egfr増幅 (81。
  論文  参考訳（メタデータ） (2021-02-10T15:10:37Z)
• Spectral-Spatial Recurrent-Convolutional Networks for In-Vivo Hyperspectral Tumor Type Classification [49.32653090178743]
  ハイパースペクトル画像とディープラーニングを用いたin-vivo腫瘍型分類の可能性を示した。 我々の最良のモデルは76.3%のAUCを達成し、従来の学習手法とディープラーニング手法を著しく上回っている。
  論文  参考訳（メタデータ） (2020-07-02T12:00:53Z)
• Spatio-spectral deep learning methods for in-vivo hyperspectral laryngeal cancer detection [49.32653090178743]
  頭頸部腫瘍の早期発見は患者の生存に不可欠である。 ハイパースペクトルイメージング(HSI)は頭頸部腫瘍の非侵襲的検出に用いられる。 HSIに基づく喉頭癌診断のための複数の深層学習手法を提案する。
  論文  参考訳（メタデータ） (2020-04-21T17:07:18Z)

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。