論文の概要: Predicting brain tumour enhancement from non-contrast MR imaging with artificial intelligence

• arxiv url: http://arxiv.org/abs/2508.16650v1
• Date: Tue, 19 Aug 2025 21:22:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-26 18:43:45.084459
• Title: Predicting brain tumour enhancement from non-contrast MR imaging with artificial intelligence
• Title（参考訳）: 人工知能を用いた非造影MRIによる脳腫瘍の進展予測
• Authors: James K Ruffle, Samia Mohinta, Guilherme Pombo, Asthik Biswas, Alan Campbell, Indran Davagnanam, David Doig, Ahmed Hamman, Harpreet Hyare, Farrah Jabeen, Emma Lim, Dermot Mallon, Stephanie Owen, Sophie Wilkinson, Sebastian Brandner, Parashkev Nachev,
• Abstract要約: 我々は,非コントラストMRIのみによる脳腫瘍造影効果の予測が可能な深層学習モデルを開発した。 非コントラストT1-、T2-、T2/FLAIR強調画像のみを用いて、深層学習モデルを用いて腫瘍の予測とセグメンテーションを行った。 最高性能のnnU-Netは83%の精度、91.5%の感度、74.4%の特異性を達成した。
• 参考スコア（独自算出の注目度）: 0.617129457697534
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Brain tumour imaging assessment typically requires both pre- and post-contrast MRI, but gadolinium administration is not always desirable, such as in frequent follow-up, renal impairment, allergy, or paediatric patients. We aimed to develop and validate a deep learning model capable of predicting brain tumour contrast enhancement from non-contrast MRI sequences alone. We assembled 11089 brain MRI studies from 10 international datasets spanning adult and paediatric populations with various neuro-oncological states, including glioma, meningioma, metastases, and post-resection appearances. Deep learning models (nnU-Net, SegResNet, SwinUNETR) were trained to predict and segment enhancing tumour using only non-contrast T1-, T2-, and T2/FLAIR-weighted images. Performance was evaluated on 1109 held-out test patients using patient-level detection metrics and voxel-level segmentation accuracy. Model predictions were compared against 11 expert radiologists who each reviewed 100 randomly selected patients. The best-performing nnU-Net achieved 83% balanced accuracy, 91.5% sensitivity, and 74.4% specificity in detecting enhancing tumour. Enhancement volume predictions strongly correlated with ground truth (R2 0.859). The model outperformed expert radiologists, who achieved 69.8% accuracy, 75.9% sensitivity, and 64.7% specificity. 76.8% of test patients had Dice over 0.3 (acceptable detection), 67.5% had Dice over 0.5 (good detection), and 50.2% had Dice over 0.7 (excellent detection). Deep learning can identify contrast-enhancing brain tumours from non-contrast MRI with clinically relevant performance. These models show promise as screening tools and may reduce gadolinium dependence in neuro-oncology imaging. Future work should evaluate clinical utility alongside radiology experts.
• Abstract（参考訳）: 脳腫瘍画像検査は通常、コントラストMRIと後MRIの両方を必要とするが、頻繁なフォローアップ、腎障害、アレルギー、小児患者など、ガドリニウム投与は必ずしも望ましいものではない。 我々は,非コントラストMRIでのみ脳腫瘍造影効果を予測できる深層学習モデルを開発し,検証することを目的とした。 神経腫瘍,髄膜腫,転移,術後の出現など,多彩な神経腫瘍学的状態を有する成人・小児10名を対象に,11089個の脳MRIデータを収集した。 深層学習モデル(nnU-Net、SegResNet、SwinUNETR)は、非コントラストT1-、T2-、T2/FLAIR強調画像のみを用いて、拡張腫瘍の予測とセグメント化を訓練した。 患者レベルの測定値とボクセルレベルのセグメンテーション精度を用いて, 1109名の持久検査患者を対象に, 評価を行った。 ランダムに選択された患者100名を対象に,11名の専門放射線技師とモデル予測を比較した。 最高性能のnnU-Netは83%の精度、91.5%の感度、74.4%の特異性を達成した。 体積予測の増大は地理と強く相関している(R2 0.859)。 このモデルは、69.8%の精度、75.9%の感度、64.7%の特異性を達成した専門家の放射線学者より優れていた。 76.8%が0.3以上(検出可能)、67.5%が0.5以上(良好な検出)、50.2%が0.7以上(優れた検出)である。 深層学習は、臨床的に関連するパフォーマンスを持つ非コントラストMRIから、コントラストを増強する脳腫瘍を特定することができる。 これらのモデルはスクリーニングツールとして有望であり、ニューロオンコロジーイメージングにおけるガドリニウム依存を減少させる可能性がある。 今後は放射線学の専門家と共に臨床効果を評価すべきである。

関連論文リスト

• Toward Non-Invasive Diagnosis of Bankart Lesions with Deep Learning [0.0]
  バンカート病変(Banart lesions)は、標準的なMRIでは診断的に困難である。 本研究は,標準MRIとMRAの両方において,Banart病変を検出するためのディープラーニング(DL)モデルを開発する。
  論文  参考訳（メタデータ） (2024-12-09T18:04:27Z)
• Analysis of clinical, dosimetric and radiomic features for predicting local failure after stereotactic radiotherapy of brain metastases in malignant melanoma [1.813829334805839]
  本研究は悪性黒色腫脳転移症例に対する定位放射線治療後の病変特異的な予後を予測することを目的とした。 RFベースのモデルは臨床モデルよりも優れていたが、ドシメトリックデータだけでは予測できない。
  論文  参考訳（メタデータ） (2024-05-31T14:18:37Z)
• 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)
• Deep-Learning Tool for Early Identifying Non-Traumatic Intracranial Hemorrhage Etiology based on CT Scan [40.51754649947294]
  深層学習モデルは、2011年1月から2018年4月までに収集された非外傷性ICHを用いた1868個のNCCTスキャンを用いて開発された。 診断成績は臨床医の成績と比較した。 臨床医は, システム拡張による特定の出血エチオロジーの感度, 特異性, 精度を著しく改善した。
  論文  参考訳（メタデータ） (2023-02-02T08:45:17Z)
• Automated SSIM Regression for Detection and Quantification of Motion Artefacts in Brain MR Images [54.739076152240024]
  磁気共鳴脳画像における運動アーチファクトは重要な問題である。 MR画像の画質評価は,臨床診断に先立って基本的である。 構造類似度指数(SSIM)回帰に基づく自動画像品質評価法が提案されている。
  論文  参考訳（メタデータ） (2022-06-14T10:16:54Z)
• 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)
• Accurate Prostate Cancer Detection and Segmentation on Biparametric MRI using Non-local Mask R-CNN with Histopathological Ground Truth [0.0]
  我々は,bp-MRIにおける前立腺内病変の検出とセグメンテーションを改善するため,ディープラーニングモデルを開発した。 前立腺切除術による脱線をMRIでトレーニングした。 前立腺切除術をベースとした非局所的なMask R-CNNは、微調整と自己訓練により、すべての評価基準を大幅に改善した。
  論文  参考訳（メタデータ） (2020-10-28T21:07:09Z)
• Deep Convolutional Neural Networks Model-based Brain Tumor Detection in Brain MRI Images [0.0]
  我々の研究は、MR画像から脳腫瘍を診断するためのディープ畳み込みニューラルネットワーク(DCNN)を実装することである。 本モデルでは, 腫瘍でMR像を抽出し, 全体的な精度は96%であった。
  論文  参考訳（メタデータ） (2020-10-03T07:42:17Z)
• A multicenter study on radiomic features from T$_2$-weighted images of a customized MR pelvic phantom setting the basis for robust radiomic models in clinics [47.187609203210705]
  骨盤ファントムの2Dおよび3D T$$-weightedイメージを3つのスキャナーで取得した。 放射線学的特徴の再現性と再配置を評価した。
  論文  参考訳（メタデータ） (2020-05-14T09:24:48Z)
• Predicting the risk of pancreatic cancer with a CT-based ensemble AI algorithm [0.0]
  膵癌は致死性疾患であり、診断が困難であり、予後不良と死亡率が高い。 非造影CTによるあらゆる膵病変の普遍的癌リスクを予測するために,アンサンブルAIアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-04-03T06:06:43Z)

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。