論文の概要: Automatic and standardized surgical reporting for central nervous system tumors

• arxiv url: http://arxiv.org/abs/2508.08916v1
• Date: Tue, 12 Aug 2025 13:08:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-13 21:07:34.430669
• Title: Automatic and standardized surgical reporting for central nervous system tumors
• Title（参考訳）: 中枢神経系腫瘍に対する自動および標準化手術報告
• Authors: David Bouget, Mathilde Gajda Faanes, Asgeir Store Jakola, Frederik Barkhof, Hilko Ardon, Lorenzo Bello, Mitchel S. Berger, Shawn L. Hervey-Jumper, Julia Furtner, Albert J. S. Idema, Barbara Kiesel, Georg Widhalm, Rishi Nandoe Tewarie, Emmanuel Mandonnet, Pierre A. Robe, Michiel Wagemakers, Timothy R. Smith, Philip C. De Witt Hamer, Ole solheim, Ingerid Reinertsen,
• Abstract要約: 本研究で提示したパイプラインは、堅牢で自動化されたセグメンテーション、MRシークエンス分類、標準化されたレポート生成を可能にする。 提案したモデルとメソッドは、CNS腫瘍解析のためのオープンソースのソフトウェアプラットフォームであるRaidionicsに統合され、現在、手術後解析専用のモジュールを含んでいる。
• 参考スコア（独自算出の注目度）: 0.2634932446012777
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Magnetic resonance (MR) imaging is essential for evaluating central nervous system (CNS) tumors, guiding surgical planning, treatment decisions, and assessing postoperative outcomes and complication risks. While recent work has advanced automated tumor segmentation and report generation, most efforts have focused on preoperative data, with limited attention to postoperative imaging analysis. This study introduces a comprehensive pipeline for standardized postsurtical reporting in CNS tumors. Using the Attention U-Net architecture, segmentation models were trained for the preoperative (non-enhancing) tumor core, postoperative contrast-enhancing residual tumor, and resection cavity. Additionally, MR sequence classification and tumor type identification for contrast-enhancing lesions were explored using the DenseNet architecture. The models were integrated into a reporting pipeline, following the RANO 2.0 guidelines. Training was conducted on multicentric datasets comprising 2000 to 7000 patients, using a 5-fold cross-validation. Evaluation included patient-, voxel-, and object-wise metrics, with benchmarking against the latest BraTS challenge results. The segmentation models achieved average voxel-wise Dice scores of 87%, 66%, 70%, and 77% for the tumor core, non-enhancing tumor core, contrast-enhancing residual tumor, and resection cavity, respectively. Classification models reached 99.5% balanced accuracy in MR sequence classification and 80% in tumor type classification. The pipeline presented in this study enables robust, automated segmentation, MR sequence classification, and standardized report generation aligned with RANO 2.0 guidelines, enhancing postoperative evaluation and clinical decision-making. The proposed models and methods were integrated into Raidionics, open-source software platform for CNS tumor analysis, now including a dedicated module for postsurgical analysis.
• Abstract（参考訳）: MRIは、中枢神経系(CNS)腫瘍の評価、手術計画の指導、治療決定、術後成績と合併症リスクの評価に不可欠である。 最近の研究は、自動腫瘍の分節化とレポート生成が進んでいるが、ほとんどの研究は、術前データに焦点を合わせ、術後画像解析に限定している。 本研究は, CNS腫瘍における標準化後報告のための包括的パイプラインを提案する。 Attention U-Net アーキテクチャを用いて, 術前(非エンハンシング)腫瘍コア, 術後コントラスト増強残存腫瘍, 切除腔のセグメンテーションモデルを訓練した。 さらに,DenseNetアーキテクチャを用いた造影造影病変に対するMRシークエンス分類と腫瘍型同定について検討した。 モデルはRANO 2.0ガイドラインに従ってレポートパイプラインに統合された。 2000～7000人の患者を対象に,5倍のクロスバリデーションを用いて多心性データセットを用いて訓練を行った。 評価には、最新のBraTSチャレンジ結果に対するベンチマークを含む、患者、ボクセル、オブジェクトに関するメトリクスが含まれていた。 セグメンテーションモデルでは, 腫瘍コアが平均87%, 66%, 70%, 77%, 非エンハンスな腫瘍コアが非エンハンスな腫瘍コア, コントラストエンハンスな残存腫瘍が, 切除腔がそれぞれ得られた。 分類モデルは、MRシークエンス分類で99.5%、腫瘍型分類で80%に達した。 本研究は,RANO 2.0ガイドラインに適合した堅牢かつ自動セグメンテーション,MRシークエンス分類,標準化されたレポート生成を可能にし,術後評価と臨床意思決定の促進を可能にする。 提案したモデルとメソッドは、CNS腫瘍解析のためのオープンソースのソフトウェアプラットフォームであるRaidionicsに統合され、現在、手術後解析専用のモジュールを含んでいる。

関連論文リスト

• Magnetic Resonance Imaging Feature-Based Subtyping and Model Ensemble for Enhanced Brain Tumor Segmentation [6.14919256198409]
  本稿では,最先端セグメンテーションモデルを統合する深層学習に基づくアンサンブル手法を提案する。 BraTSデータセットに存在する腫瘍の不均一性を考えると、この手法はセグメンテーションモデルの精度と一般化性を高める。
  論文  参考訳（メタデータ） (2024-12-05T12:00:00Z)
• Analysis of the 2024 BraTS Meningioma Radiotherapy Planning Automated Segmentation Challenge [45.3253187215396]
  2024年脳腫瘍髄膜腫放射線療法(BraTS-MEN-RT)は、自動セグメンテーションアルゴリズムの進歩を目的とした課題である。 我々はBraTS-MEN-RTチャレンジの設計と結果について述べる。
  論文  参考訳（メタデータ） (2024-05-28T17:25:43Z)
• Analysis of the BraTS 2023 Intracranial Meningioma Segmentation Challenge [44.76736949127792]
  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)
• Raidionics: an open software for pre- and postoperative central nervous system tumor segmentation and standardized reporting [0.1759008116536278]
  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。
  論文  参考訳（メタデータ） (2023-04-28T12:40:01Z)
• 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)
• Multi-class Brain Tumor Segmentation using Graph Attention Network [3.3635982995145994]
  この研究は、MRIとグラフニューラルネットワーク(GNN)の進歩を生かして、効率的な脳腫瘍要約モデルを導入する。 このモデルは、ボリュームMRIを領域隣接グラフ(RAG)として表現し、グラフ注意ネットワーク(GAT)を通して腫瘍の種類を特定することを学習する。
  論文  参考訳（メタデータ） (2023-02-11T04:30:40Z)
• 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)
• Comparison of Machine Learning Classifiers to Predict Patient Survival and Genetics of GBM: Towards a Standardized Model for Clinical Implementation [44.02622933605018]
  放射線モデルは、グリオ芽腫(GBM)の結果予測のための臨床データを上回ることが示されています。 GBM患者の生存率(OS),IDH変異,O-6-メチルグアニン-DNA-メチルトランスフェラーゼ(MGMT)プロモーターメチル化,EGFR(EGFR)VII増幅,Ki-67発現の9種類の機械学習分類器を比較した。 xgb は os (74.5%), ab for idh 変異 (88%), mgmt メチル化 (71,7%), ki-67 発現 (86,6%), egfr増幅 (81。
  論文  参考訳（メタデータ） (2021-02-10T15:10:37Z)

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。