論文の概要: BraTS orchestrator : Democratizing and Disseminating state-of-the-art brain tumor image analysis

• arxiv url: http://arxiv.org/abs/2506.13807v1
• Date: Fri, 13 Jun 2025 21:28:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-18 17:34:59.157758
• Title: BraTS orchestrator : Democratizing and Disseminating state-of-the-art brain tumor image analysis
• Title（参考訳）: BraTSオーケストレータ : 最先端脳腫瘍画像解析の民主化と普及
• Authors: Florian Kofler, Marcel Rosier, Mehdi Astaraki, Ujjwal Baid, Hendrik Möller, Josef A. Buchner, Felix Steinbauer, Eva Oswald, Ezequiel de la Rosa, Ivan Ezhov, Constantin von See, Jan Kirschke, Anton Schmick, Sarthak Pati, Akis Linardos, Carla Pitarch, Sanyukta Adap, Jeffrey Rudie, Maria Correia de Verdier, Rachit Saluja, Evan Calabrese, Dominic LaBella, Mariam Aboian, Ahmed W. Moawad, Nazanin Maleki, Udunna Anazodo, Maruf Adewole, Marius George Linguraru, Anahita Fathi Kazerooni, Zhifan Jiang, Gian Marco Conte, Hongwei Li, Juan Eugenio Iglesias, Spyridon Bakas, Benedikt Wiestler, Marie Piraud, Bjoern Menze,
• Abstract要約: 我々は、さまざまな脳腫瘍に対する最先端のセグメンテーションと合成アルゴリズムへのシームレスなアクセスを提供するオープンソースのPythonパッケージであるBraTS Orchestratorを紹介する。 このパッケージは、最小限のプログラミング経験を持つユーザのために設計された直感的なチュートリアルを特徴としている。
• 参考スコア（独自算出の注目度）: 4.763995663617133
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The Brain Tumor Segmentation (BraTS) cluster of challenges has significantly advanced brain tumor image analysis by providing large, curated datasets and addressing clinically relevant tasks. However, despite its success and popularity, algorithms and models developed through BraTS have seen limited adoption in both scientific and clinical communities. To accelerate their dissemination, we introduce BraTS orchestrator, an open-source Python package that provides seamless access to state-of-the-art segmentation and synthesis algorithms for diverse brain tumors from the BraTS challenge ecosystem. Available on GitHub (https://github.com/BrainLesion/BraTS), the package features intuitive tutorials designed for users with minimal programming experience, enabling both researchers and clinicians to easily deploy winning BraTS algorithms for inference. By abstracting the complexities of modern deep learning, BraTS orchestrator democratizes access to the specialized knowledge developed within the BraTS community, making these advances readily available to broader neuro-radiology and neuro-oncology audiences.
• Abstract（参考訳）: 脳腫瘍セグメンテーション(BraTS)クラスタは、大規模でキュレートされたデータセットを提供し、臨床的に関係のあるタスクに対処することで、脳腫瘍の画像解析を大幅に進歩させた。 しかし、その成功と人気にもかかわらず、BraTSによって開発されたアルゴリズムとモデルは、科学と臨床の両方で限定的に採用されている。 このパッケージは、BraTSチャレンジエコシステムの様々な脳腫瘍に対して、最先端のセグメンテーションと合成アルゴリズムへのシームレスなアクセスを提供する。 GitHub(https://github.com/BrainLesion/BraTS)で入手できるこのパッケージは、最小限のプログラミング経験を持つユーザのために設計された直感的なチュートリアルを備えている。 現代のディープラーニングの複雑さを抽象化することによって、BraTSオーケストレータはBraTSコミュニティ内で開発された専門知識へのアクセスを民主化し、これらの進歩をより広範な神経放射線学や神経オンコロジーのオーディエンスに容易に利用できるようにする。

関連論文リスト

• Deep Ensemble approach for Enhancing Brain Tumor Segmentation in Resource-Limited Settings [4.022491041135248]
  本研究では, グリオーマのセマンティックセグメンテーションのために, UNet3D, V-Net, MSA-VNetモデルを統合した深層学習アンサンブルを開発する。 DICEスコアは腫瘍コア0.8358、全腫瘍0.8521、腫瘍エンハンス0.8167である。
  論文  参考訳（メタデータ） (2025-02-04T09:53:09Z)
• BrainMAP: Learning Multiple Activation Pathways in Brain Networks [77.15180533984947]
  本稿では,脳ネットワークにおける複数の活性化経路を学習するための新しいフレームワークであるBrainMAPを紹介する。 本フレームワークは,タスクに関わる重要な脳領域の説明的分析を可能にする。
  論文  参考訳（メタデータ） (2024-12-23T09:13:35Z)
• MBDRes-U-Net: Multi-Scale Lightweight Brain Tumor Segmentation Network [0.0]
  本研究では,マルチブランチ残差ブロックを統合した3次元U-Netフレームワークを用いたMBDRes-U-Netモデルを提案する。 モデルの計算負担は分岐戦略によって低減され、マルチモーダル画像のリッチな局所的特徴を効果的に活用する。
  論文  参考訳（メタデータ） (2024-11-04T09:03:43Z)
• Knowledge-Guided Prompt Learning for Lifespan Brain MR Image Segmentation [53.70131202548981]
  本稿では,脳MRIにKGPL(Knowledge-Guided Prompt Learning)を用いた2段階のセグメンテーションフレームワークを提案する。 具体的には,大規模データセットと準最適ラベルを用いたトレーニング前セグメンテーションモデルについて述べる。 知識的プロンプトの導入は、解剖学的多様性と生物学的プロセスの間の意味的関係を捉えている。
  論文  参考訳（メタデータ） (2024-07-31T04:32:43Z)
• The Brain Tumor Segmentation (BraTS) Challenge: Local Synthesis of Healthy Brain Tissue via Inpainting [50.01582455004711]
  脳腫瘍患者の場合、画像取得の時系列は通常、すでに病理的なスキャンから始まる。 多くのアルゴリズムは、健康な脳を分析し、病変を特徴とする画像の保証を提供しないように設計されている。 例えば、脳解剖学のパーセレーション、組織セグメンテーション、脳抽出のアルゴリズムがある。 そこで参加者は、損傷した脳から健康な脳スキャンを合成するための塗装技術を探る。
  論文  参考訳（メタデータ） (2023-05-15T20:17:03Z)
• Cross-Modality Deep Feature Learning for Brain Tumor Segmentation [158.8192041981564]
  本稿では, マルチモーダルMRIデータから脳腫瘍を抽出するクロスモーダルディープ・フィーチャーラーニング・フレームワークを提案する。 中心となる考え方は、不十分なデータスケールを補うために、マルチモダリティデータにまたがる豊富なパターンをマイニングすることだ。 on the BraTS benchmarks, this proposed cross-modality deep feature learning framework could effective improve the brain tumor segmentation performance。
  論文  参考訳（メタデータ） (2022-01-07T07:46:01Z)
• Relational Graph Learning on Visual and Kinematics Embeddings for Accurate Gesture Recognition in Robotic Surgery [84.73764603474413]
  本稿では,マルチモーダルグラフネットワーク(MRG-Net)の新たなオンラインアプローチを提案し,視覚情報とキネマティクス情報を動的に統合する。 本手法の有効性は, JIGSAWSデータセット上での最先端の成果で実証された。
  論文  参考訳（メタデータ） (2020-11-03T11:00:10Z)
• CANet: Context Aware Network for 3D Brain Glioma Segmentation [33.34852704111597]
  そこで我々は,脳神経グリオーマセグメンテーションのためのコンテキスト・アウェア・ネットワーク(CANet)という新しいアプローチを提案する。 CANetは、畳み込み空間と特徴相互作用グラフの両方からコンテキストを持つ高次元および差別的な特徴をキャプチャする。 BRATS 2017, BRATS 2018 および BRATS 2019 を用いて脳神経グリオーマ分節データセットを用いて本手法の評価を行った。
  論文  参考訳（メタデータ） (2020-07-15T16:12:41Z)
• Robust Semantic Segmentation of Brain Tumor Regions from 3D MRIs [2.4736005621421686]
  マルチモーダル脳腫瘍セグメンテーションチャレンジ(BraTS)は、3次元MRI脳腫瘍セグメンテーションの自動化方法を改善するために研究者を結集させる。 この手法をBraTS 2019の課題として評価した。
  論文  参考訳（メタデータ） (2020-01-06T07:47:42Z)
• Transfer Learning for Brain Tumor Segmentation [0.6408773096179187]
  グリオーマは、化学療法や手術で治療される最も一般的な悪性脳腫瘍である。 近年のディープラーニングの進歩により、様々な視覚認識タスクに優れた畳み込みニューラルネットワークアーキテクチャが実現されている。 本研究では,事前学習した畳み込みエンコーダを用いてFCNを構築し,この方法でトレーニングプロセスを安定させ,ダイススコアやハウスドルフ距離に対する改善を実現することを示す。
  論文  参考訳（メタデータ） (2019-12-28T12:45:34Z)

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。