論文の概要: Preoperative brain tumor imaging: models and software for segmentation and standardized reporting

• arxiv url: http://arxiv.org/abs/2204.14199v1
• Date: Fri, 29 Apr 2022 16:29:17 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-02 13:48:27.075904
• Title: Preoperative brain tumor imaging: models and software for segmentation and standardized reporting
• Title（参考訳）: 術前脳腫瘍イメージング : セグメンテーションと標準化報告のためのモデルとソフトウェア
• Authors: D. Bouget, A. Pedersen, A. S. Jakola, V. Kavouridis, K. E. Emblem, R. S. Eijgelaar, I. Kommers, H. Ardon, F. Barkhof, L. Bello, M. S. Berger, M. C. Nibali, J. Furtner, S. Hervey-Jumper, A. J. S. Idema, B. Kiesel, A. Kloet, E. Mandonnet, D. M. J. M\"uller, P. A. Robe, M. Rossi, T. Sciortino, W. Van den Brink, M. Wagemakers, G. Widhalm, M. G. Witte, A. H. Zwinderman, P. C. De Witt Hamer, O. Solheim, I. Reinertsen
• Abstract要約: 症例は4例のコホートで, グリオーマ, 下等グリオーマ, 髄膜腫, 転移について検討した。 腫瘍セグメンテーションモデルは、AGU-Netアーキテクチャを使って、異なる前処理ステップとプロトコルで訓練された。 2つのソフトウェアソリューションが開発され、トレーニングされたモデルと標準化された臨床報告を簡単に利用できるようになった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: For patients suffering from brain tumor, prognosis estimation and treatment decisions are made by a multidisciplinary team based on a set of preoperative MR scans. Currently, the lack of standardized and automatic methods for tumor detection and generation of clinical reports represents a major hurdle. In this study, we investigate glioblastomas, lower grade gliomas, meningiomas, and metastases, through four cohorts of up to 4000 patients. Tumor segmentation models were trained using the AGU-Net architecture with different preprocessing steps and protocols. Segmentation performances were assessed in-depth using a wide-range of voxel and patient-wise metrics covering volume, distance, and probabilistic aspects. Finally, two software solutions have been developed, enabling an easy use of the trained models and standardized generation of clinical reports: Raidionics and Raidionics-Slicer. Segmentation performances were quite homogeneous across the four different brain tumor types, with an average true positive Dice ranging between 80% and 90%, patient-wise recall between 88% and 98%, and patient-wise precision around 95%. With our Raidionics software, running on a desktop computer with CPU support, tumor segmentation can be performed in 16 to 54 seconds depending on the dimensions of the MRI volume. For the generation of a standardized clinical report, including the tumor segmentation and features computation, 5 to 15 minutes are necessary. All trained models have been made open-access together with the source code for both software solutions and validation metrics computation. In the future, an automatic classification of the brain tumor type would be necessary to replace manual user input. Finally, the inclusion of post-operative segmentation in both software solutions will be key for generating complete post-operative standardized clinical reports.
• Abstract（参考訳）: 脳腫瘍を患っている患者は、術前mrスキャンのセットに基づいて、複数の学際チームによって予後推定と治療決定が行われる。 現在,腫瘍検出および臨床報告作成のための標準化および自動手法の欠如は大きなハードルとなっている。 本研究では, 最大4000例のコホートを通して, グリオブラスト腫, 下級グリオーマ, 髄膜腫, 転移について検討した。 腫瘍のセグメンテーションモデルは、前処理手順やプロトコルが異なるagu-netアーキテクチャを用いて訓練された。 音量,距離,確率的側面をカバーするvoxelと患者側での指標を用いて,セグメンテーション性能を詳細に評価した。 最後に、2つのソフトウェアソリューションが開発され、トレーニングされたモデルの簡単な使用と、raidionicsとraidionics-slicerの標準化された臨床レポートの生成が可能になった。 セグメンテーション性能は4種類の脳腫瘍に対して非常に均一であり, 平均正のDiceは80%から90%, 患者側のリコールは88%から98%, 患者側の精度は95%であった。 弊社のRaidionicsソフトウェアでは、CPUをサポートしたデスクトップコンピュータ上で動作し、MRIボリュームの寸法に応じて16秒から54秒で腫瘍の分画を行うことができる。 腫瘍セグメンテーションと特徴計算を含む標準化された臨床報告の生成には,5～15分が必要である。 トレーニングされたすべてのモデルは、ソフトウェアソリューションと検証メトリクスの計算の両方のソースコードと一緒にオープンアクセスされました。 将来的には、手動入力を置き換えるために、脳腫瘍のタイプを自動分類する必要がある。 最後に、両ソフトウェアソリューションに術後のセグメンテーションを含めることが、術後の標準化された臨床報告の完全生成の鍵となる。

関連論文リスト

• Brain Tumor Segmentation (BraTS) Challenge 2024: Meningioma Radiotherapy Planning Automated Segmentation [47.119513326344126]
  BraTS-MEN-RTの課題は、脳MRIを計画する放射線治療の最大のマルチ機関データセットを使用して、自動セグメンテーションアルゴリズムを進化させることである。 それぞれの症例には、3D後T1強調放射線治療計画MRIがネイティブな取得スペースに含まれている。 ターゲットボリュームアノテーションは、確立された放射線治療計画プロトコルに準拠している。
  論文  参考訳（メタデータ） (2024-05-28T17:25:43Z)
• Hybrid Multihead Attentive Unet-3D for Brain Tumor Segmentation [0.0]
  脳腫瘍のセグメンテーションは、医療画像解析において重要な課題であり、脳腫瘍患者の診断と治療計画を支援する。 様々な深層学習技術がこの分野で大きな進歩を遂げてきたが、脳腫瘍形態の複雑で変動的な性質のため、精度の面ではまだ限界に直面している。 本稿では,脳腫瘍の正確なセグメンテーションにおける課題を解決するために,新しいハイブリッドマルチヘッド注意型U-Netアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-05-22T02:46:26Z)
• Towards a clinically accessible radiology foundation model: open-access and lightweight, with automated evaluation [113.5002649181103]
  オープンソースの小型マルチモーダルモデル(SMM)を訓練し、放射線学における未測定臨床ニーズに対する能力ギャップを埋める。 トレーニングのために,697万以上の画像テキストペアからなる大規模なデータセットを組み立てる。 評価のために,GPT-4に基づく実測値CheXpromptを提案する。 LlaVA-Radの推論は高速で、単一のV100 GPU上でプライベート設定で実行できる。
  論文  参考訳（メタデータ） (2024-03-12T18:12:02Z)
• Automated ensemble method for pediatric brain tumor segmentation [0.0]
  本研究では,ONet と UNet の修正版を用いた新しいアンサンブル手法を提案する。 データ拡張により、さまざまなスキャンプロトコル間の堅牢性と精度が保証される。 以上の結果から,この高度なアンサンブルアプローチは診断精度の向上に期待できる可能性が示唆された。
  論文  参考訳（メタデータ） (2023-08-14T15:29:32Z)
• A Novel SLCA-UNet Architecture for Automatic MRI Brain Tumor Segmentation [0.0]
  脳腫瘍は、個人の寿命を減少させる深刻な健康上の合併症の1つである。 脳腫瘍のタイムリーな検出と予測は、脳腫瘍による死亡率の予防に役立つ。 ディープラーニングベースのアプローチは、自動化バイオメディカル画像探索ツールを開発するための有望なソリューションとして登場した。
  論文  参考訳（メタデータ） (2023-07-16T14:06:45Z)
• Raidionics: an open software for pre- and postoperative central nervous system tumor segmentation and standardized reporting [0.1759008116536278]
  Raidionicsソフトウェアは、標準化され、自動的な腫瘍セグメンテーションと臨床報告を作成するためのオープンソースツールである。 このソフトウェアには、すべての主要な腫瘍タイプに対する術前および術後のセグメンテーションモデルが含まれている。 腫瘍のセグメンテーションや特徴を含む標準化された臨床報告の生成には、通常のラップトップで約10分を要する。
  論文  参考訳（メタデータ） (2023-04-28T12:40:01Z)
• EMT-NET: Efficient multitask network for computer-aided diagnosis of breast cancer [58.720142291102135]
  乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。 腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。 腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
  論文  参考訳（メタデータ） (2022-01-13T05:24:40Z)
• Lung-Originated Tumor Segmentation from Computed Tomography Scan (LOTUS) Benchmark [48.30502612686276]
  肺癌は最も致命的ながんの1つであり、その効果的な診断と治療は腫瘍の正確な悪性度に依存している。 現在最も一般的なアプローチであるHuman-centered segmentationは、サーバ間変動の対象となる。 2018年のVIPカップは、42か国から競争データにアクセスするための世界的な参加から始まった。 簡単に言えば、競争中に提案されたアルゴリズムはすべて、偽陽性還元手法と組み合わせたディープラーニングモデルに基づいている。
  論文  参考訳（メタデータ） (2022-01-03T03:06:38Z)
• H2NF-Net for Brain Tumor Segmentation using Multimodal MR Imaging: 2nd Place Solution to BraTS Challenge 2020 Segmentation Task [96.49879910148854]
  当社のH2NF-Netは、単一およびカスケードのHNF-Netを使用して、異なる脳腫瘍サブリージョンを分割します。 我々は、マルチモーダル脳腫瘍チャレンジ(BraTS)2020データセットでモデルをトレーニングし、評価した。 提案手法は,80名近い参加者のうち,brats 2020チャレンジセグメンテーションタスクで2位となった。
  論文  参考訳（メタデータ） (2020-12-30T20:44:55Z)
• Automatic Brain Tumor Segmentation with Scale Attention Network [1.7767466724342065]
  マルチモーダル脳腫瘍チャレンジ2020(BraTS 2020)は、マルチパラメトリック磁気共鳴イメージング(mpMRI)で異なる自動アルゴリズムを比較する共通のプラットフォームを提供する 本稿では,異なるスケールで特徴写像から高レベルな意味論を取り入れた,低レベルな細部を取り入れた動的スケールアテンション機構を提案する。 術式はBraTS 2020で提供した369症例を用いて訓練し, 平均Dice similarity Coefficient (DSC) は0.8828, 0.8433, 0.8177, Hausdorff は95%, 5.2176, 17.9697, 13.4298 であった。
  論文  参考訳（メタデータ） (2020-11-06T04:45:49Z)
• Brain tumor segmentation with self-ensembled, deeply-supervised 3D U-net neural networks: a BraTS 2020 challenge solution [56.17099252139182]
  U-netのようなニューラルネットワークを用いた脳腫瘍セグメント化作業の自動化と標準化を行う。 2つの独立したモデルのアンサンブルが訓練され、それぞれが脳腫瘍のセグメンテーションマップを作成した。 我々の解は、最終試験データセットにおいて、Diceの0.79、0.89、0.84、およびHausdorffの95%の20.4、6.7、19.5mmを達成した。
  論文  参考訳（メタデータ） (2020-10-30T14:36:10Z)

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。