論文の概要: The University of California San Francisco, Brain Metastases
Stereotactic Radiosurgery (UCSF-BMSR) MRI Dataset
- arxiv url: http://arxiv.org/abs/2304.07248v3
- Date: Mon, 5 Feb 2024 21:11:40 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-07 21:02:41.906699
- Title: The University of California San Francisco, Brain Metastases
Stereotactic Radiosurgery (UCSF-BMSR) MRI Dataset
- Title(参考訳): カリフォルニア大学サンフランシスコ校脳転移性定位ラジオサージ(ucsf-bmsr)mriデータセット
- Authors: Jeffrey D. Rudie, Rachit Saluja, David A. Weiss, Pierre Nedelec, Evan
Calabrese, John B. Colby, Benjamin Laguna, John Mongan, Steve Braunstein,
Christopher P. Hess, Andreas M. Rauschecker, Leo P. Sugrue, and Javier E.
Villanueva-Meyer
- Abstract要約: UCSF Brain Metastases Stereotactic Radiosurgery データセットは、5136脳転移の専門アノテーションを持つ412患者の560個の脳MRIからなる、公開、臨床、マルチモーダル脳MRIデータセットである。
このデータセットは、研究者たちがこれらのデータを使って脳転移のためのAIアプリケーションの境界を押し上げることを期待して、一般公開されている。
- 参考スコア(独自算出の注目度): 0.2222446118908532
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The University of California San Francisco Brain Metastases Stereotactic
Radiosurgery (UCSF-BMSR) dataset is a public, clinical, multimodal brain MRI
dataset consisting of 560 brain MRIs from 412 patients with expert annotations
of 5136 brain metastases. Data consists of registered and skull stripped T1
post-contrast, T1 pre-contrast, FLAIR and subtraction (T1 pre-contrast - T1
post-contrast) images and voxelwise segmentations of enhancing brain metastases
in NifTI format. The dataset also includes patient demographics, surgical
status and primary cancer types. The UCSF-BSMR has been made publicly available
in the hopes that researchers will use these data to push the boundaries of AI
applications for brain metastases.
- Abstract(参考訳): カリフォルニア大学サンフランシスコ校脳転移ステレオタクティック放射線外科(UCSF-BMSR)データセットは、5136脳転移の専門アノテーションを持つ412人の患者の560個の脳MRIからなる、パブリック、臨床、マルチモーダル脳MRIデータセットである。
データは、T1後コントラスト、T1前コントラスト、FLAIRおよびサブトラクション(T1前コントラスト - T1後コントラスト)の画像と、NifTIフォーマットで脳転移を増強するボクセルワイズセグメンテーションからなる。
このデータセットには、患者の人口統計、手術状況、および原発性がんの種類も含まれる。
UCSF-BSMRは、研究者たちがこれらのデータを使って脳転移のためのAIアプリケーションの境界を押し上げることを期待して、一般公開されている。
関連論文リスト
- fMRI-PTE: A Large-scale fMRI Pretrained Transformer Encoder for
Multi-Subject Brain Activity Decoding [54.17776744076334]
本稿では,fMRI事前学習のための革新的オートエンコーダであるfMRI-PTEを提案する。
我々のアプローチでは、fMRI信号を統合された2次元表現に変換し、次元の整合性を確保し、脳の活動パターンを保存する。
コントリビューションには、fMRI-PTEの導入、革新的なデータ変換、効率的なトレーニング、新しい学習戦略、そして我々のアプローチの普遍的な適用性が含まれる。
論文 参考訳(メタデータ) (2023-11-01T07:24:22Z) - UniBrain: Universal Brain MRI Diagnosis with Hierarchical
Knowledge-enhanced Pre-training [66.16134293168535]
我々はUniBrainと呼ばれるユニバーサル脳MRI診断のための階層的知識強化事前訓練フレームワークを提案する。
具体的には、UniBrainは、定期的な診断から24,770のイメージレポートペアの大規模なデータセットを活用する。
論文 参考訳(メタデータ) (2023-09-13T09:22:49Z) - Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。
腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
論文 参考訳(メタデータ) (2023-03-07T09:40:22Z) - A Novel Mask R-CNN Model to Segment Heterogeneous Brain Tumors through
Image Subtraction [0.0]
画像セグメンテーション(画像セグメンテーション)と呼ばれる放射線学者による手法を用いて機械学習モデルに適用し,より優れたセグメンテーションを証明した。
Mask R-CNNは、RSNA肺炎検出チャレンジデータセットで事前トレーニングされたResNetバックボーンであり、Brats 2020 Brain tumorデータセットでモデルをトレーニングすることができる。
DICE係数(F1スコア)、リコール、未タッチテストセットの精度による画像サブトラクションを伴わないモデルと比較することにより、画像サブトラクションの手法がいかにうまく機能するかを確認できる。
論文 参考訳(メタデータ) (2022-04-04T01:45:11Z) - Cross-Modality Deep Feature Learning for Brain Tumor Segmentation [158.8192041981564]
本稿では, マルチモーダルMRIデータから脳腫瘍を抽出するクロスモーダルディープ・フィーチャーラーニング・フレームワークを提案する。
中心となる考え方は、不十分なデータスケールを補うために、マルチモダリティデータにまたがる豊富なパターンをマイニングすることだ。
on the BraTS benchmarks, this proposed cross-modality deep feature learning framework could effective improve the brain tumor segmentation performance。
論文 参考訳(メタデータ) (2022-01-07T07:46:01Z) - A transformer-based deep learning approach for classifying brain
metastases into primary organ sites using clinical whole brain MRI images [4.263008461907835]
脳転移性疾患の治療決定は、一次臓器部位癌組織学の知識によって引き起こされる。
臨床全体脳データとエンドツーエンドパイプラインの使用は、外部からの人間の介入を妨げる。
悪性腫瘍の一次臓器部位の正確な診断を可能にするために、脳全体の画像特徴が十分に識別可能であることは確実である。
論文 参考訳(メタデータ) (2021-10-07T16:10:44Z) - Deep Transfer Learning for Brain Magnetic Resonance Image Multi-class
Classification [0.6117371161379209]
我々は、Deep Transfer Learningを用いて脳MRI画像中の腫瘍の多重分類を行うフレームワークを開発した。
新たなデータセットと2つの公開MRI脳データセットを使用して、提案手法は86.40%の精度で分類された。
本研究は,脳腫瘍のマルチクラス化タスクにおいて,トランスファーラーニングのためのフレームワークが有用かつ効果的な方法であることを示すものである。
論文 参考訳(メタデータ) (2021-06-14T12:19:27Z) - A self-supervised learning strategy for postoperative brain cavity
segmentation simulating resections [46.414990784180546]
畳み込みニューラルネットワーク(CNN)は最先端の画像セグメンテーション技術である。
CNNはトレーニングに大量の注釈付きデータセットを必要とする。
自己教師型学習戦略は、トレーニングにラベルのないデータを活用することができる。
論文 参考訳(メタデータ) (2021-05-24T12:27:06Z) - ShuffleUNet: Super resolution of diffusion-weighted MRIs using deep
learning [47.68307909984442]
SISR(Single Image Super-Resolution)は、1つの低解像度入力画像から高解像度(HR)の詳細を得る技術である。
ディープラーニングは、大きなデータセットから事前知識を抽出し、低解像度の画像から優れたMRI画像を生成します。
論文 参考訳(メタデータ) (2021-02-25T14:52:23Z) - Multi-stage Deep Layer Aggregation for Brain Tumor Segmentation [2.324913904215885]
アーキテクチャは、3つのDeep Layer Aggregationニューラルネットワークからなるカスケードで構成されており、各ステージは、機能マップと前のステージの確率を使用して応答を詳細化する。
神経画像データは、一般公開されたBrain Tumor (BraTS) 2020チャレンジデータセットの一部です。
実験では, 腫瘍, コア腫瘍, 造影腫瘍全例に対して, 0.8858, 0.8297, 0.7900, ハウスドルフ距離 5.32 mm, 22.32 mm, 20.44 mmのdiceスコアを得た。
論文 参考訳(メタデータ) (2021-01-02T17:59:30Z) - Robust Automatic Whole Brain Extraction on Magnetic Resonance Imaging of
Brain Tumor Patients using Dense-Vnet [5.684776869811468]
全身脳抽出(ひゃく脳きゅうがく、英: Whole brain extract)は、頭蓋骨、眼球、皮膚などの非脳組織を神経画像から除去する過程である。
文献では頭蓋骨を剥がすアプローチが多用されているにもかかわらず、病理像、特に脳腫瘍のMRIの処理に十分な精度のものは少ない。
脳腫瘍患者におけるT1-weighted with Gadolinium contrast (T1Gd) やT2-weighted fluid attenuated inversion recovery (FLAIR) などの腫瘍学における共通MRIシークエンシングのための深層学習手法を提案する。
論文 参考訳(メタデータ) (2020-06-04T03:18:43Z)
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。