論文の概要: BrainLesion Suite: A Flexible and User-Friendly Framework for Modular Brain Lesion Image Analysis
- arxiv url: http://arxiv.org/abs/2507.09036v1
- Date: Fri, 11 Jul 2025 21:32:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-15 18:48:22.164548
- Title: BrainLesion Suite: A Flexible and User-Friendly Framework for Modular Brain Lesion Image Analysis
- Title（参考訳）: BrainLesion Suite: モジュール型脳損傷画像解析のためのフレキシブルでユーザフレンドリーなフレームワーク
- Authors: Florian Kofler, Marcel Rosier, Mehdi Astaraki, Hendrik Möller, Ilhem Isra Mekki, Josef A. Buchner, Anton Schmick, Arianna Pfiffer, Eva Oswald, Lucas Zimmer, Ezequiel de la Rosa, Sarthak Pati, Julian Canisius, Arianna Piffer, Ujjwal Baid, Mahyar Valizadeh, Akis Linardos, Jan C. Peeken, Surprosanna Shit, Felix Steinbauer, Daniel Rueckert, Rolf Heckemann, Spyridon Bakas, Jan Kirschke, Constantin von See, Ivan Ezhov, Marie Piraud, Benedikt Wiestler, Bjoern Menze,
- Abstract要約: BrainLesion Suiteは、Pythonでモジュラー脳病変画像解析パイプラインを構築するための汎用ツールキットである。
BrainLesion Suiteは、グリオーマ、転移、多発性硬化などの脳病変の画像解析パイプラインのために開発された。
- 参考スコア（独自算出の注目度）: 9.004070127834042
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: BrainLesion Suite is a versatile toolkit for building modular brain lesion image analysis pipelines in Python. Following Pythonic principles, BrainLesion Suite is designed to provide a 'brainless' development experience, minimizing cognitive effort and streamlining the creation of complex workflows for clinical and scientific practice. At its core is an adaptable preprocessing module that performs co-registration, atlas registration, and optional skull-stripping and defacing on arbitrary multi-modal input images. BrainLesion Suite leverages algorithms from the BraTS challenge to synthesize missing modalities, inpaint lesions, and generate pathology-specific tumor segmentations. BrainLesion Suite also enables quantifying segmentation model performance, with tools such as panoptica to compute lesion-wise metrics. Although BrainLesion Suite was originally developed for image analysis pipelines of brain lesions such as glioma, metastasis, and multiple sclerosis, it can be adapted for other biomedical image analysis applications. The individual BrainLesion Suite packages and tutorials are accessible on GitHub.
- Abstract（参考訳）: BrainLesion Suiteは、Pythonでモジュラー脳病変画像解析パイプラインを構築するための汎用ツールキットである。
Pythonの原則に従って、BrainLesion Suiteは、"ブラインドレス"な開発エクスペリエンスを提供し、認知活動を最小限にし、臨床および科学的実践のための複雑なワークフローの作成を合理化するように設計されている。
コアとなるのは、共登録、アトラス登録、オプションで頭蓋骨切り抜きを行い、任意のマルチモーダル入力画像に表示される適応可能な前処理モジュールである。
BrainLesion SuiteはBraTSチャレンジのアルゴリズムを利用して、欠落したモダリティを合成し、病変を塗布し、病理特異的な腫瘍セグメンテーションを生成する。
BrainLesion Suiteはセグメンテーションモデルのパフォーマンスの定量化も可能にする。
BrainLesion Suiteは、グリオーマ、転移、多発性硬化などの脳病変の画像解析パイプライン用に開発されたが、他の生体画像解析用途にも応用できる。
BrainLesion SuiteのパッケージとチュートリアルはGitHubから入手できる。
関連論文リスト
- AdaBrain-Bench: Benchmarking Brain Foundation Models for Brain-Computer Interface Applications [52.91583053243446]
非侵襲的なBrain-Computer Interface(BCI)は、人間の脳を外部デバイスに接続する安全でアクセスしやすい手段を提供する。
近年,自己指導型プレトレーニングの導入により,非侵襲的BCI研究の展望が変化しつつある。
AdaBrain-Benchは、広範囲にわたる非侵襲的BCIタスクにおける脳基盤モデルを評価するための標準化されたベンチマークである。
論文 参考訳（メタデータ） (2025-07-14T03:37:41Z) - BraTS orchestrator : Democratizing and Disseminating state-of-the-art brain tumor image analysis [4.763995663617133]
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。
論文 参考訳（メタデータ） (2025-06-13T21:28:01Z) - MindAligner: Explicit Brain Functional Alignment for Cross-Subject Visual Decoding from Limited fMRI Data [64.92867794764247]
MindAlignerは、限られたfMRIデータからのクロスオブジェクト脳デコーディングのためのフレームワークである。
脳伝達マトリックス(BTM)は、任意の新しい被験者の脳信号を既知の被験者の1人に投射する。
脳機能アライメントモジュールは、異なる視覚刺激下で軟質なクロスオブジェクト脳アライメントを実行するために提案されている。
論文 参考訳（メタデータ） (2025-02-07T16:01:59Z) - CodeBrain: Imputing Any Brain MRI via Modality- and Instance-Specific Codes [39.308423499912806]
統合脳MRIのためのパイプラインであるCodeBrainを提案する。
第一段階では、CodeBrainは、各インスタンスとモダリティのコンパクトなスカラー量子化コードを学ぶことによって、ターゲットのモダリティを再構築する。
第2段階では、プロジェクションエンコーダが訓練され、不完全なMRIサンプルから全モードのコンパクトコードを予測する。
論文 参考訳（メタデータ） (2025-01-30T13:14:40Z) - UniBrain: A Unified Model for Cross-Subject Brain Decoding [22.49964298783508]
被験者固有のパラメータを必要としない統一脳復号モデルUniBrainを提案する。
提案手法は, 可変fMRI信号長を扱うグループベース抽出器, クロスオブジェクトの共通点を捕捉する相互支援組込み器, 被写体不変特徴を抽出するバイレベル特徴アライメント方式を含む。
我々は、UniBrainを脳復号ベンチマークで検証し、パラメータが極端に少ない現在の最先端の主題特化モデルに匹敵する性能を実現した。
論文 参考訳（メタデータ） (2024-12-27T07:03:47Z) - 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) - BrainSegFounder: Towards 3D Foundation Models for Neuroimage Segmentation [6.5388528484686885]
本研究は,医療基盤モデルの創出に向けた新しいアプローチを紹介する。
本稿では,視覚変換器を用いた2段階事前学習手法を提案する。
BrainFounderは、これまでの勝利ソリューションの成果を上回る、大幅なパフォーマンス向上を実演している。
論文 参考訳（メタデータ） (2024-06-14T19:49:45Z) - MindBridge: A Cross-Subject Brain Decoding Framework [60.58552697067837]
脳の復号化は、獲得した脳信号から刺激を再構築することを目的としている。
現在、脳の復号化はモデルごとのオブジェクトごとのパラダイムに限られている。
我々は,1つのモデルのみを用いることで,オブジェクト間脳デコーディングを実現するMindBridgeを提案する。
論文 参考訳（メタデータ） (2024-04-11T15:46:42Z) - 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) - Unsupervised Brain Tumor Segmentation with Image-based Prompts [12.525656002678856]
我々は,脳腫瘍の診断を可能にする画像ベースのプロンプトを設計し,教師なし脳腫瘍セグメンテーションへのアプローチを提案する。
大量の注釈付きデータで脳腫瘍セグメンテーションのモデルを直接訓練する代わりに、私たちは質問に答えられるモデルをトレーニングしようとしています。
手作りのデザインは、あらゆる種類の実際の腫瘍を表現するには単純すぎるため、訓練されたモデルは、実際には異常の問題に答えるのではなく、単純化された手作りのタスクに過度に適合する可能性がある。
論文 参考訳（メタデータ） (2023-04-04T02:28:25Z) - BrainCLIP: Bridging Brain and Visual-Linguistic Representation Via CLIP
for Generic Natural Visual Stimulus Decoding [51.911473457195555]
BrainCLIPはタスクに依存しないfMRIベースの脳復号モデルである。
脳の活動、画像、およびテキストの間のモダリティギャップを埋める。
BrainCLIPは、高い意味的忠実度で視覚刺激を再構築することができる。
論文 参考訳（メタデータ） (2023-02-25T03:28:54Z)
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。