論文の概要: The Rio Hortega University Hospital Glioblastoma dataset: a
comprehensive collection of preoperative, early postoperative and recurrence
MRI scans (RHUH-GBM)
- arxiv url: http://arxiv.org/abs/2305.00005v2
- Date: Tue, 2 May 2023 08:27:55 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-03 16:39:29.109298
- Title: The Rio Hortega University Hospital Glioblastoma dataset: a
comprehensive collection of preoperative, early postoperative and recurrence
MRI scans (RHUH-GBM)
- Title（参考訳）: リオ・ホルテガ大学グリオブラストマデータセット : 術前,早期,再発MRI(RHUH-GBM)の総合的収集
- Authors: Santiago Cepeda, Sergio Garcia-Garcia, Ignacio Arrese, Francisco
Herrero, Trinidad Escudero, Tomas Zamora, Rosario Sarabia
- Abstract要約: R'io Hortega University Hospital Glioblastoma dataset"は、多パラメータMRI画像、容積評価、分子データ、生存率の詳細の集合体である。
このデータセットは、専門家が修正した腫瘍サブリージョンのセグメンテーションを特徴とし、術後および術後のMRIスキャンのためのアルゴリズムを開発するための貴重な真実データを提供する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Glioblastoma, a highly aggressive primary brain tumor, is associated with
poor patient outcomes. Although magnetic resonance imaging (MRI) plays a
critical role in diagnosing, characterizing, and forecasting glioblastoma
progression, public MRI repositories present significant drawbacks, including
insufficient postoperative and follow-up studies as well as expert tumor
segmentations. To address these issues, we present the "R\'io Hortega
University Hospital Glioblastoma Dataset (RHUH-GBM)," a collection of
multiparametric MRI images, volumetric assessments, molecular data, and
survival details for glioblastoma patients who underwent total or near-total
enhancing tumor resection. The dataset features expert-corrected segmentations
of tumor subregions, offering valuable ground truth data for developing
algorithms for postoperative and follow-up MRI scans. The public release of the
RHUH-GBM dataset significantly contributes to glioblastoma research, enabling
the scientific community to study recurrence patterns and develop new
diagnostic and prognostic models. This may result in more personalized,
effective treatments and ultimately improved patient outcomes.
- Abstract（参考訳）: 強力な原発性脳腫瘍であるグリオ芽腫は患者の予後不良と関連している。
MRIはグリオ芽腫の進行の診断,特徴化,予測に重要な役割を担っているが,MRIは術後経過観察や経過観察に乏しく,専門的な腫瘍セグメンテーションも欠如している。
これらの問題に対処するために,本論文では,腫瘍全摘,あるいはほぼ全切除を施行したグリオブラスト腫患者に対して,マルチパラメトリックmri画像,体積評価,分子データ,生存詳細を収集した"r\'io hortega university hospital glioblastoma dataset"(rhuh-gbm)を提案する。
このデータセットは、専門家が修正した腫瘍サブリージョンのセグメンテーションを特徴とし、術後および術後のMRIスキャンのためのアルゴリズムを開発するための貴重な真実データを提供する。
RHUH-GBMデータセットの公開は、グリオーマの研究に大きく貢献し、科学コミュニティは再発パターンを研究し、新しい診断および予後モデルを開発することができる。
これにより、よりパーソナライズされ、効果的に治療され、最終的には患者の結果が改善される。
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) - The 2024 Brain Tumor Segmentation (BraTS) Challenge: Glioma Segmentation on Post-treatment MRI [5.725734864357991]
治療後のグリオーマMRIに対する2024 Brain tumor (BraTS)チャレンジは、最先端の自動セグメンテーションモデルのコミュニティ標準とベンチマークを提供する。
競合他社は、4つの異なる腫瘍サブリージョンを予測するために、自動セグメンテーションモデルを開発する。
モデルは別個の検証とテストデータセットで評価される。
論文 参考訳（メタデータ） (2024-05-28T17:07:55Z) - Using Multiparametric MRI with Optimized Synthetic Correlated Diffusion Imaging to Enhance Breast Cancer Pathologic Complete Response Prediction [71.91773485443125]
ネオアジュバント化学療法は乳癌の治療戦略として最近人気を集めている。
ネオアジュバント化学療法を推奨する現在のプロセスは、医療専門家の主観的評価に依存している。
本研究は, 乳癌の病理組織学的完全反応予測に最適化されたCDI$s$を応用することを検討した。
論文 参考訳（メタデータ） (2024-05-13T15:40:56Z) - Towards Generalizable Tumor Synthesis [48.45704270448412]
腫瘍合成は、医用画像における人工腫瘍の作成を可能にし、腫瘍の検出とセグメンテーションのためのAIモデルのトレーニングを容易にする。
本論文は, 臨界観察を生かして, 一般化可能な腫瘍合成に向けて進歩的な一歩を踏み出した。
私たちは、Diffusion Modelsのような生成AIモデルが、単一の臓器から限られた数の腫瘍例を訓練しても、様々な臓器に一般化された現実的な腫瘍を作成できることを確認した。
論文 参考訳（メタデータ） (2024-02-29T18:57:39Z) - Cross-modality Guidance-aided Multi-modal Learning with Dual Attention
for MRI Brain Tumor Grading [47.50733518140625]
脳腫瘍は世界で最も致命的ながんの1つであり、子供や高齢者に非常に多い。
本稿では,MRI脳腫瘍グレーディングの課題に対処するために,新たな多モード学習法を提案する。
論文 参考訳（メタデータ） (2024-01-17T07:54:49Z) - Treatment-aware Diffusion Probabilistic Model for Longitudinal MRI
Generation and Diffuse Glioma Growth Prediction [0.5806504980491878]
今後,腫瘍マスクを生成できる新しいエンドツーエンドネットワークと,腫瘍が今後どのように見えるかの現実的なMRIを提示する。
我々のアプローチは、最先端拡散確率モデルとディープセグメンテーションニューラルネットワークに基づいている。
論文 参考訳（メタデータ） (2023-09-11T12:12:52Z) - A Multi-Institutional Open-Source Benchmark Dataset for Breast Cancer
Clinical Decision Support using Synthetic Correlated Diffusion Imaging Data [82.74877848011798]
Cancer-Net BCaは、乳がん患者の画像データであるボリュームCDI$s$の複数機関のオープンソースベンチマークデータセットである。
Cancer-Net BCaは、機械学習の進歩を加速し、がんと戦う臨床医を助ける、グローバルなオープンソースイニシアチブの一部として、一般公開されている。
論文 参考訳（メタデータ） (2023-04-12T05:41:44Z) - CancerUniT: Towards a Single Unified Model for Effective Detection,
Segmentation, and Diagnosis of Eight Major Cancers Using a Large Collection
of CT Scans [45.83431075462771]
ヒトの読者や放射線医は、臨床実践において、全身多臓器多臓器の検出と診断を日常的に行う。
ほとんどの医療用AIシステムは、いくつかの疾患のリストの狭い単一の臓器に焦点を当てて構築されている。
CancerUniT は、マルチ腫瘍予測の出力を持つクエリベースの Mask Transformer モデルである。
論文 参考訳（メタデータ） (2023-01-28T20:09:34Z) - Deep learning automates bidimensional and volumetric tumor burden
measurement from MRI in pre- and post-operative glioblastoma patients [2.4199968850337354]
グリオ芽腫患者の完全自動エンドツーエンド解析のためのディープラーニングパイプラインを提案する。
本手法では, 造影腫瘍, 周術期浮腫, 外科的空洞を含む腫瘍亜領域を同時に同定する。
術前MRIと術後MRIの正確なセグメンテーションを手作業で行う。
論文 参考訳（メタデータ） (2022-09-03T11:41:42Z) - MAG-Net: Mutli-task attention guided network for brain tumor
segmentation and classification [0.9176056742068814]
本稿では,MRI画像を用いて脳腫瘍領域の分類と分類を行うマルチタスク注意誘導エンコーダネットワーク(MAG-Net)を提案する。
このモデルは既存の最先端モデルと比較して有望な結果を得た。
論文 参考訳（メタデータ） (2021-07-26T16:51:00Z) - Expectation-Maximization Regularized Deep Learning for Weakly Supervised
Tumor Segmentation for Glioblastoma [8.24450401153384]
本研究では,弱監督腫瘍分割のためのEM正規化ディープラーニング(EMReDL)モデルを提案する。
この枠組みは周囲の脳組織への拡散浸潤を特徴とする悪性腫瘍の一種であるグリオ芽腫に特化していた。
論文 参考訳（メタデータ） (2021-01-21T18:14:43Z)
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。