論文の概要: The 2024 Brain Tumor Segmentation (BraTS) Challenge: Glioma Segmentation on Post-treatment MRI

• arxiv url: http://arxiv.org/abs/2405.18368v1
• Date: Tue, 28 May 2024 17:07:55 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-29 17:30:42.166059
• Title: The 2024 Brain Tumor Segmentation (BraTS) Challenge: Glioma Segmentation on Post-treatment MRI
• Title（参考訳）: 2024年脳腫瘍切開(BraTS)課題 : 術後MRIにおけるグリオーマ切開
• Authors: Maria Correia de Verdier, Rachit Saluja, Louis Gagnon, Dominic LaBella, Ujjwall Baid, Nourel Hoda Tahon, Martha Foltyn-Dumitru, Jikai Zhang, Maram Alafif, Saif Baig, Ken Chang, Gennaro D'Anna, Lisa Deptula, Diviya Gupta, Muhammad Ammar Haider, Ali Hussain, Michael Iv, Marinos Kontzialis, Paul Manning, Farzan Moodi, Teresa Nunes, Aaron Simon, Nico Sollmann, David Vu, Maruf Adewole, Jake Albrecht, Udunna Anazodo, Rongrong Chai, Verena Chung, Shahriar Faghani, Keyvan Farahani, Anahita Fathi Kazerooni, Eugenio Iglesias, Florian Kofler, Hongwei Li, Marius George Linguraru, Bjoern Menze, Ahmed W. Moawad, Yury Velichko, Benedikt Wiestler, Talissa Altes, Patil Basavasagar, Martin Bendszus, Gianluca Brugnara, Jaeyoung Cho, Yaseen Dhemesh, Brandon K. K. Fields, Filip Garrett, Jaime Gass, Lubomir Hadjiiski, Jona Hattangadi-Gluth, Christopher Hess, Jessica L. Houk, Edvin Isufi, Lester J. Layfield, George Mastorakos, John Mongan, Pierre Nedelec, Uyen Nguyen, Sebastian Oliva, Matthew W. Pease, Aditya Rastogi, Jason Sinclair, Robert X. Smith, Leo P. Sugrue, Jonathan Thacker, Igor Vidic, Javier Villanueva-Meyer, Nathan S. White, Mariam Aboian, Gian Marco Conte, Anders Dale, Mert R. Sabuncu, Tyler M. Seibert, Brent Weinberg, Aly Abayazeed, Raymond Huang, Sevcan Turk, Andreas M. Rauschecker, Nikdokht Farid, Philipp Vollmuth, Ayman Nada, Spyridon Bakas, Evan Calabrese, Jeffrey D. Rudie,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 5.725734864357991
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Gliomas are the most common malignant primary brain tumors in adults and one of the deadliest types of cancer. There are many challenges in treatment and monitoring due to the genetic diversity and high intrinsic heterogeneity in appearance, shape, histology, and treatment response. Treatments include surgery, radiation, and systemic therapies, with magnetic resonance imaging (MRI) playing a key role in treatment planning and post-treatment longitudinal assessment. The 2024 Brain Tumor Segmentation (BraTS) challenge on post-treatment glioma MRI will provide a community standard and benchmark for state-of-the-art automated segmentation models based on the largest expert-annotated post-treatment glioma MRI dataset. Challenge competitors will develop automated segmentation models to predict four distinct tumor sub-regions consisting of enhancing tissue (ET), surrounding non-enhancing T2/fluid-attenuated inversion recovery (FLAIR) hyperintensity (SNFH), non-enhancing tumor core (NETC), and resection cavity (RC). Models will be evaluated on separate validation and test datasets using standardized performance metrics utilized across the BraTS 2024 cluster of challenges, including lesion-wise Dice Similarity Coefficient and Hausdorff Distance. Models developed during this challenge will advance the field of automated MRI segmentation and contribute to their integration into clinical practice, ultimately enhancing patient care.
• Abstract（参考訳）: グリオーマは成人で最も多い悪性原発性脳腫瘍であり、最も致命的ながんの1つである。 遺伝的多様性と外見、形状、組織学、治療反応における内在的不均一性のために、治療とモニタリングには多くの課題がある。 治療には手術、放射線治療、全身療法があり、MRI(MRI)は治療計画や治療後縦断的評価において重要な役割を果たしている。 2024年のBrain tumor Segmentation(BraTS)チャレンジは、治療後のグリオーマMRIにおける最大の専門家による注釈付きグリオーマMRIデータセットに基づいて、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。 競合相手は,T2/fluid-attenuated inversion recovery (FLAIR) hyperintensity (SNFH),non-enhancing tumor core (NETC),resection cavity (RC) の4つの異なる腫瘍部分領域を,拡張組織(ET),非エンハンシングT2/fluid-attenuated Inversion recovery (FLAIR) hyperintensity (SNFH) の周囲で予測する自動セグメンテーションモデルを開発する。 モデルは個別の検証とテストデータセットで評価され、BraTS 2024のクラスタで使用されている標準化されたパフォーマンスメトリクスを使用して、障害度に関するDice similarity CoefficientとHausdorff Distanceを含む。 この課題で開発されたモデルは、自動MRIセグメンテーションの分野を前進させ、臨床実践への統合に貢献し、最終的には患者のケアを強化する。

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)
• 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)
• Reconstructing the somatotopic organization of the corticospinal tract remains a challenge for modern tractography methods [55.07297021627281]
  CST(Corticospinal tract)は、人間の脳において、身体の自発的な動きを制御できる重要なホワイトマター線維である。 拡散MRIトラクトグラフィーは、ヒトの健康におけるCST経路の解剖学的および変動性の研究を可能にする唯一の方法である。
  論文  参考訳（メタデータ） (2023-06-09T02:05:40Z)
• The Brain Tumor Segmentation (BraTS) Challenge 2023: Focus on Pediatrics (CBTN-CONNECT-DIPGR-ASNR-MICCAI BraTS-PEDs) [4.119582963064813]
  中枢神経系の小児腫瘍は、小児におけるがん関連死の最も一般的な原因である。 小児の高次グリオーマの生存率は20%未満である。 BraTS-PEDs 2023チャレンジは、小児脳グリオーマのためのボリュームセグメンテーションアルゴリズムの開発に焦点を当てている。
  論文  参考訳（メタデータ） (2023-05-26T15:40:11Z)
• The ASNR-MICCAI Brain Tumor Segmentation (BraTS) Challenge 2023: Intracranial Meningioma [4.435336201147607]
  BraTS Meningioma 2023 チャレンジは、最先端の自動頭蓋内髄膜腫セグメンテーションモデルのためのコミュニティ標準とベンチマークを提供する。 競合相手はMRIで3つの異なる髄膜下領域を予測する自動セグメンテーションモデルを開発する。
  論文  参考訳（メタデータ） (2023-05-12T17:52:36Z)
• The Rio Hortega University Hospital Glioblastoma dataset: a comprehensive collection of preoperative, early postoperative and recurrence MRI scans (RHUH-GBM) [0.0]
  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。
  論文  参考訳（メタデータ） (2023-04-27T13:10:55Z)
• Ensemble CNN Networks for GBM Tumors Segmentation using Multi-parametric MRI [0.0]
  本稿では,術前の mpMRI におけるグリオーマの自動認識のための,DeepSeg と nnU-Net という2つのディープラーニングフレームワークのアグリゲーションを提案する。 本手法では, 腫瘍, 腫瘍コア, 全腫瘍領域のDice類似度スコアが92.00, 87.33, 84.10, Hausdorff Distances 3.81, 8.91, 16.02を得た。
  論文  参考訳（メタデータ） (2021-12-13T10:51:20Z)
• 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)
• 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)

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。