論文の概要: Segmentation of glioblastomas in early post-operative multi-modal MRI with deep neural networks

• arxiv url: http://arxiv.org/abs/2304.08881v1
• Date: Tue, 18 Apr 2023 10:14:45 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-19 15:07:07.797389
• Title: Segmentation of glioblastomas in early post-operative multi-modal MRI with deep neural networks
• Title（参考訳）: 深部神経回路を用いた術前多モードMRIにおけるグリオ芽腫の分離
• Authors: Ragnhild Holden Helland, Alexandros Ferles, Andr\'e Pedersen, Ivar Kommers, Hilko Ardon, Frederik Barkhof, Lorenzo Bello, Mitchel S. Berger, Tora Dun{\aa}s, Marco Conti Nibali, Julia Furtner, Shawn Hervey-Jumper, Albert J. S. Idema, Barbara Kiesel, Rishi Nandoe Tewari, Emmanuel Mandonnet, Domenique M.J. M\"uller, Pierre A. Robe, Marco Rossi, Lisa M. Sagberg, Tommaso Sciortino, Tom Aalders, Michiel Wagemakers, Georg Widhalm, Marnix G. Witte, Aeilko H. Zwinderman, Paulina L. Majewska, Asgeir S. Jakola, Ole Solheim, Philip C. De Witt Hamer, Ingerid Reinertsen, Roelant S. Eijgelaar, and David Bouget
• Abstract要約: 手術前セグメンテーションのための2つの最先端ニューラルネットワークアーキテクチャをトレーニングした。 最高の成績は61%のDiceスコアで、最高の分類性能は80%のバランスの取れた精度で達成された。 予測セグメンテーションは、患者を残存腫瘍と全切除患者に正確に分類するために用いられる。
• 参考スコア（独自算出の注目度）: 33.51490233427579
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Extent of resection after surgery is one of the main prognostic factors for patients diagnosed with glioblastoma. To achieve this, accurate segmentation and classification of residual tumor from post-operative MR images is essential. The current standard method for estimating it is subject to high inter- and intra-rater variability, and an automated method for segmentation of residual tumor in early post-operative MRI could lead to a more accurate estimation of extent of resection. In this study, two state-of-the-art neural network architectures for pre-operative segmentation were trained for the task. The models were extensively validated on a multicenter dataset with nearly 1000 patients, from 12 hospitals in Europe and the United States. The best performance achieved was a 61\% Dice score, and the best classification performance was about 80\% balanced accuracy, with a demonstrated ability to generalize across hospitals. In addition, the segmentation performance of the best models was on par with human expert raters. The predicted segmentations can be used to accurately classify the patients into those with residual tumor, and those with gross total resection.
• Abstract（参考訳）: 手術後の切除範囲はグリオブラスト腫と診断された患者の予後因子の1つである。 これを実現するために,術後MR画像からの残存腫瘍の正確な分画と分類が不可欠である。 術後早期MRIでは, 腫瘍の分画の自動化が, より正確な切除範囲の推定に繋がる可能性が示唆された。 本研究では,手術前セグメンテーションのための2つの最先端ニューラルネットワークアーキテクチャを訓練した。 モデルはヨーロッパと米国の12の病院から1000人近い患者からなる多施設データセットで広範囲に検証された。 最高の成績は61%のDiceスコアで、最も優れた分類成績は80パーセントのバランスの取れた精度で、病院全体での一般化が実証された。 さらに、最高のモデルのセグメンテーション性能は、人間のエキスパートレートと同等であった。 予測された分節は、残腫瘍と総切除の患者を正確に分類するために使用できる。

関連論文リスト

• TotalSegmentator MRI: Sequence-Independent Segmentation of 59 Anatomical Structures in MR images [62.53931644063323]
  本研究では,TotalSegmentatorをMR画像に拡張した。 このデータセットに基づいてnnU-Netセグメンテーションアルゴリズムを訓練し、類似度係数(Dice)を計算し、モデルの性能を評価した。 このモデルは、他の2つの公開セグメンテーションモデル(Dice score 0.824 vs 0.762; p0.001 and 0.762 versus 0.542; p)を大きく上回った。
  論文  参考訳（メタデータ） (2024-05-29T20:15:54Z)
• 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)
• Lumbar Spine Tumor Segmentation and Localization in T2 MRI Images Using AI [2.9746083684997418]
  本研究は, 脊椎腫瘍の領域分割と局所化をAIアプローチで自動化することを目的とした, 新たなデータ拡張手法を提案する。 畳み込みニューラルネットワーク(CNN)アーキテクチャは、腫瘍の分類に用いられている。3次元の椎骨分割とラベル付け技術は、腰椎の腫瘍の正確な位置を特定するのに役立つ。 その結果, 腫瘍分節の99%の精度, 腫瘍分類の98%の精度, 腫瘍局在の99%の精度が得られた。
  論文  参考訳（メタデータ） (2024-05-07T05:55:50Z)
• 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)
• Risk Classification of Brain Metastases via Radiomics, Delta-Radiomics and Machine Learning [7.165205048529115]
  放射線学と機械学習 (ML) を用いて, 進行の進行のリスクが高い転移は, 腫瘍発生前の経過観察中に同定できると仮定した。 この分類は、最大関連最小冗長(MRMR)技術とサポートベクトルマシン(SVM)により実現される。 以上の結果から,SRT後フォローアップにおける放射能および機械学習に基づくBMのリスク階層化は,良好な精度で可能であり,SRT後フォローアップのパーソナライズと改善のためにさらに追求すべきであることが示唆された。
  論文  参考訳（メタデータ） (2023-02-17T10:55:18Z)
• Integrative Imaging Informatics for Cancer Research: Workflow Automation for Neuro-oncology (I3CR-WANO) [0.12175619840081271]
  我々は,多系列ニューロオンコロジーMRIデータの集約と処理のための人工知能ベースのソリューションを提案する。 エンド・ツー・エンドのフレームワーク i) アンサンブル分類器を用いてMRIの配列を分類し, i) 再現可能な方法でデータを前処理し, iv) 腫瘍組織サブタイプを規定する。 欠落したシーケンスに対して堅牢であり、専門的なループアプローチを採用しており、セグメンテーションの結果は放射線学者によって手動で洗練される可能性がある。
  論文  参考訳（メタデータ） (2022-10-06T18:23:42Z)
• Automated Segmentation and Recurrence Risk Prediction of Surgically Resected Lung Tumors with Adaptive Convolutional Neural Networks [3.5413688566798096]
  肺がんは、がん関連死亡の重大な原因である。 本稿では,肺腫瘍のセグメンテーションと再発リスク予測における畳み込みニューラルネットワーク(CNN)の利用について検討する。 我々の知る限りでは、これは最初の完全自動化されたセグメンテーションと再発リスク予測システムである。
  論文  参考訳（メタデータ） (2022-09-17T23:06:22Z)
• 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)
• Segmentation of the Myocardium on Late-Gadolinium Enhanced MRI based on 2.5 D Residual Squeeze and Excitation Deep Learning Model [55.09533240649176]
  本研究の目的は,LGE-MRIを用いた心筋境界領域の深部学習モデルに基づく正確な自動セグメンテーション法を開発することである。 合計320回の試験(平均6回の試験)と28回の試験が行われた。 ベーススライスとミドルスライスにおけるアンサンブルモデルの性能解析は, サーバ内調査と同等であり, アトピーススライスではわずかに低かった。
  論文  参考訳（メタデータ） (2020-05-27T20:44:38Z)
• A Global Benchmark of Algorithms for Segmenting Late Gadolinium-Enhanced Cardiac Magnetic Resonance Imaging [90.29017019187282]
  現在世界最大の心臓LGE-MRIデータセットである154個の3D LGE-MRIを用いた「2018 left Atrium Challenge」。 技術および生物学的指標を用いた提案アルゴリズムの解析を行った。 その結果, 最上部法は93.2%, 平均表面は0.7mmであった。
  論文  参考訳（メタデータ） (2020-04-26T08:49:17Z)

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。