論文の概要: LUND-PROBE -- LUND Prostate Radiotherapy Open Benchmarking and Evaluation dataset
- arxiv url: http://arxiv.org/abs/2502.04493v1
- Date: Thu, 06 Feb 2025 20:44:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-10 14:55:23.228531
- Title: LUND-PROBE -- LUND Prostate Radiotherapy Open Benchmarking and Evaluation dataset
- Title（参考訳）: LUND-PROBE -- LUND 前立腺放射線療法のベンチマークと評価データセット
- Authors: Viktor Rogowski, Lars E Olsson, Jonas Scherman, Emilia Persson, Mustafa Kadhim, Sacha af Wetterstedt, Adalsteinn Gunnlaugsson, Martin P. Nilsson, Nandor Vass, Mathieu Moreau, Maria Gebre Medhin, Sven Bäck, Per Munck af Rosenschöld, Silke Engelholm, Christian Jamtheim Gustafsson,
- Abstract要約: MRI誘導放射線療法を施行した前立腺癌432例に対する、MRIおよび合成CT(sCT)画像、ターゲットおよびOARsセグメンテーション、線量放射線療法を含む、一般に利用可能な臨床データセットが提示される。
また、深層学習(DL)生成セグメンテーション、DLセグメンテーションの不確実性マップ、および4人の放射線腫瘍学者によって手動で調整されたDLセグメンテーションなど、35人の患者による拡張データセットも含んでいる。
本論文は, 自動放射線治療計画, セグメンテーション, サーバ間分析, DLモデル不確実性調査の分野における研究を支援することを目的としている。
- 参考スコア（独自算出の注目度）: 0.0
- License:
- Abstract: Radiotherapy treatment for prostate cancer relies on computed tomography (CT) and/or magnetic resonance imaging (MRI) for segmentation of target volumes and organs at risk (OARs). Manual segmentation of these volumes is regarded as the gold standard for ground truth in machine learning applications but to acquire such data is tedious and time-consuming. A publicly available clinical dataset is presented, comprising MRI- and synthetic CT (sCT) images, target and OARs segmentations, and radiotherapy dose distributions for 432 prostate cancer patients treated with MRI-guided radiotherapy. An extended dataset with 35 patients is also included, with the addition of deep learning (DL)-generated segmentations, DL segmentation uncertainty maps, and DL segmentations manually adjusted by four radiation oncologists. The publication of these resources aims to aid research within the fields of automated radiotherapy treatment planning, segmentation, inter-observer analyses, and DL model uncertainty investigation. The dataset is hosted on the AIDA Data Hub and offers a free-to-use resource for the scientific community, valuable for the advancement of medical imaging and prostate cancer radiotherapy research.
- Abstract（参考訳）: 前立腺癌に対する放射線治療は、CT(Computed tomography)とMRI(MRI)に頼っている。
これらのボリュームのマニュアルセグメンテーションは、機械学習アプリケーションにおける地上真実のゴールドスタンダードとされているが、そのようなデータを取得するのは面倒で時間を要する。
MRI誘導放射線療法を施行した前立腺癌432例に対する、MRIおよび合成CT(sCT)画像、ターゲットおよびOARsセグメンテーション、放射線照射線量分布を含む、一般に利用可能な臨床データセットが提示される。
また、深層学習(DL)生成セグメンテーション、DLセグメンテーションの不確実性マップ、および4人の放射線腫瘍学者が手動で調整したDLセグメンテーションなど、35人の患者による拡張データセットも含んでいる。
これらの資源の公開は, 自動放射線治療計画, セグメンテーション, サーバ間分析, DLモデル不確実性調査の分野における研究を支援することを目的としている。
このデータセットはAIDA Data Hub上にホストされており、医学画像や前立腺癌放射線治療研究の進歩に有用な、科学コミュニティのためのフリーユースリソースを提供している。
関連論文リスト
- MGH Radiology Llama: A Llama 3 70B Model for Radiology [50.42811030970618]
本稿では,高度な放射線学に焦点を当てた大規模言語モデルMGH Radiology Llamaを提案する。
Llama 3 70Bモデルを使用して開発され、Radiology-GPTやRadiology-Llama2といった従来のドメイン固有モデルをベースにしている。
従来の指標とGPT-4に基づく評価の両方を取り入れた評価では,汎用LLMよりも高い性能を示す。
論文 参考訳（メタデータ） (2024-08-13T01:30:03Z) - 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) - Radiology Report Generation Using Transformers Conditioned with
Non-imaging Data [55.17268696112258]
本稿では,胸部X線画像と関連する患者の人口統計情報を統合したマルチモーダルトランスフォーマーネットワークを提案する。
提案ネットワークは、畳み込みニューラルネットワークを用いて、CXRから視覚的特徴を抽出し、その視覚的特徴と患者の人口統計情報のセマンティックテキスト埋め込みを組み合わせたトランスフォーマーベースのエンコーダデコーダネットワークである。
論文 参考訳（メタデータ） (2023-11-18T14:52:26Z) - ChatRadio-Valuer: A Chat Large Language Model for Generalizable
Radiology Report Generation Based on Multi-institution and Multi-system Data [115.0747462486285]
ChatRadio-Valuerは、一般化可能な表現を学習する自動放射線学レポート生成のための調整されたモデルである。
本研究で利用した臨床データセットは,textbf332,673の顕著な総計を含む。
ChatRadio-Valuerは、最先端のモデル、特にChatGPT(GPT-3.5-Turbo)やGPT-4などより一貫して優れている。
論文 参考訳（メタデータ） (2023-10-08T17:23:17Z) - Radiology-Llama2: Best-in-Class Large Language Model for Radiology [71.27700230067168]
本稿では,ラジオロジーに特化した大規模言語モデルであるRadiology-Llama2を紹介する。
MIMIC-CXRとOpenIデータセットのROUGEメトリクスを用いた定量的評価は、Radiology-Llama2が最先端のパフォーマンスを達成することを示す。
論文 参考訳（メタデータ） (2023-08-29T17:44:28Z) - Segmentation of Planning Target Volume in CT Series for Total Marrow
Irradiation Using U-Net [0.0]
U-Netアーキテクチャを用いたTMLI処理のためのプランニングターゲットボリューム(PTV)のセグメンテーションのためのディープラーニングに基づく自動コンストラクション手法を提案する。
本研究は放射線腫瘍学者を相当の時間で救うことができるセグメンテーションモデルの開発に向けた予備的だが重要なステップである。
論文 参考訳（メタデータ） (2023-04-05T10:40:37Z) - SynthRAD2023 Grand Challenge dataset: generating synthetic CT for
radiotherapy [0.0]
本稿では,厳密に登録されたCBCTおよびMRI画像を用いた脳・骨盤CT画像のデータセットについて述べる。
このデータセットは、オランダの3つの大学医療センターの540人の脳と540人の骨盤放射線治療患者のCT、CBCT、MRIで構成されている。
論文 参考訳（メタデータ） (2023-03-28T21:38:25Z) - Exploiting segmentation labels and representation learning to forecast
therapy response of PDAC patients [60.78505216352878]
化学療法に対する腫瘍反応を予測するためのハイブリッドディープニューラルネットワークパイプラインを提案する。
セグメンテーションから分類への表現伝達の組み合わせと、ローカライゼーションと表現学習を利用する。
提案手法は, 合計477個のデータセットを用いて, ROC-AUC 63.7% の処理応答を予測できる, 極めて効率的な手法である。
論文 参考訳（メタデータ） (2022-11-08T11:50:31Z) - 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) - Deep learning in magnetic resonance prostate segmentation: A review and
a new perspective [4.453410156617238]
MR前立腺セグメンテーションにおける最先端のディープラーニングアルゴリズムについて概説する。
その限界と強みを議論することで、この分野に洞察を与えます。
MR前立腺セグメンテーションのための最適化された2次元U-Netを提案する。
論文 参考訳（メタデータ） (2020-11-16T08:58:38Z)
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。