論文の概要: Raidionics: an open software for pre- and postoperative central nervous
system tumor segmentation and standardized reporting
- arxiv url: http://arxiv.org/abs/2305.14351v1
- Date: Fri, 28 Apr 2023 12:40:01 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-28 05:00:41.792250
- Title: Raidionics: an open software for pre- and postoperative central nervous
system tumor segmentation and standardized reporting
- Title（参考訳）: Raidionics: 術前および術後の中枢神経系腫瘍分節と標準化報告のためのオープンソフトウェア
- Authors: David Bouget, Demah Alsinan, Valeria Gaitan, Ragnhild Holden Helland,
Andr\'e Pedersen, Ole Solheim and Ingerid Reinertsen
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.1759008116536278
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: For patients suffering from central nervous system tumors, prognosis
estimation, treatment decisions, and postoperative assessments are made from
the analysis of a set of magnetic resonance (MR) scans. Currently, the lack of
open tools for standardized and automatic tumor segmentation and generation of
clinical reports, incorporating relevant tumor characteristics, leads to
potential risks from inherent decisions' subjectivity. To tackle this problem,
the proposed Raidionics open-source software has been developed, offering both
a user-friendly graphical user interface and stable processing backend. The
software includes preoperative segmentation models for each of the most common
tumor types (i.e., glioblastomas, lower grade gliomas, meningiomas, and
metastases), together with one early postoperative glioblastoma segmentation
model. Preoperative segmentation performances were quite homogeneous across the
four different brain tumor types, with an average Dice around 85% and
patient-wise recall and precision around 95%. Postoperatively, performances
were lower with an average Dice of 41%. Overall, the generation of a
standardized clinical report, including the tumor segmentation and features
computation, requires about ten minutes on a regular laptop. The proposed
Raidionics software is the first open solution enabling an easy use of
state-of-the-art segmentation models for all major tumor types, including
preoperative and postsurgical standardized reports.
- Abstract（参考訳）: 中枢神経系腫瘍患者に対しては、mri(mri)スキャン群の解析から、予後推定、治療決定、術後評価を行う。
現在、標準化および自動腫瘍分割のためのオープンツールの欠如と、関連する腫瘍の特徴を取り入れた臨床報告の生成は、固有の決定の主観性から潜在的リスクをもたらす。
この問題に対処するために、ユーザフレンドリーなグラフィカルユーザインターフェースと安定した処理バックエンドを提供する、raidionicsオープンソースソフトウェアが開発された。
このソフトウェアは、最も一般的な腫瘍の種類(グリオ芽腫、下等度グリオーマ、髄膜腫、転移など)のそれぞれに対する術前のセグメンテーションモデルと、術後早期のグリオ芽腫セグメンテーションモデルを含む。
術前のセグメンテーション成績は4つの異なる脳腫瘍タイプでほぼ均一であり,平均diceは85%,患者側のリコールと精度は95%であった。
術後成績は平均41%と低かった。
全体として、腫瘍のセグメンテーションや特徴計算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。
提案されたRaidionicsソフトウェアは、術前および術後の標準化報告を含むすべての主要な腫瘍タイプに対して最先端のセグメンテーションモデルを簡単に利用できる最初のオープンソリューションである。
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) - Analysis of the BraTS 2023 Intracranial Meningioma Segmentation Challenge [44.586530244472655]
我々はBraTS 2023の頭蓋内髄膜腫チャレンジの設計と結果について述べる。
BraTS髄膜腫チャレンジ(BraTS Meningioma Challenge)は、髄膜腫に焦点を当てた以前のBraTSグリオーマチャレンジとは異なる。
上層部は腫瘍,腫瘍コア,腫瘍全体の拡張のために0.976,0.976,0.964の病変中央値類似係数(DSC)を有していた。
論文 参考訳（メタデータ） (2024-05-16T03:23:57Z) - 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) - 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) - 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) - Segmentation of glioblastomas in early post-operative multi-modal MRI
with deep neural networks [33.51490233427579]
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。
論文 参考訳（メタデータ） (2023-04-18T10:14:45Z) - Preoperative brain tumor imaging: models and software for segmentation
and standardized reporting [0.0]
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。
論文 参考訳（メタデータ） (2022-04-29T16:29:17Z) - 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) - Stan: Small tumor-aware network for breast ultrasound image segmentation [68.8204255655161]
本研究では,小腫瘍認識ネットワーク(Small tumor-Aware Network,STAN)と呼ばれる新しいディープラーニングアーキテクチャを提案する。
提案手法は, 乳腺腫瘍の分節化における最先端のアプローチよりも優れていた。
論文 参考訳（メタデータ） (2020-02-03T22:25:01Z)
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。