論文の概要: Training the next generation of physicians for artificial intelligence-assisted clinical neuroradiology: ASNR MICCAI Brain Tumor Segmentation (BraTS) 2025 Lighthouse Challenge education platform
- arxiv url: http://arxiv.org/abs/2509.17281v1
- Date: Sun, 21 Sep 2025 23:39:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-23 18:58:16.196459
- Title: Training the next generation of physicians for artificial intelligence-assisted clinical neuroradiology: ASNR MICCAI Brain Tumor Segmentation (BraTS) 2025 Lighthouse Challenge education platform
- Title（参考訳）: 次世代の人工知能支援臨床神経放射線学医の育成:ASNR MICCAI Brain tumor Segmentation (BraTS) 2025 Lighthouse Challenge教育プラットフォーム
- Abstract要約: 我々は,MICCAI脳腫瘍灯台チャレンジ2025において,学生と研修生を対象としたマルチモーダルな教育手法を開発した。
2023年と2024年のBraTS課題に対して、60名の医学生と放射線学研修生が脳腫瘍MR画像に注釈をつけることを志願した。
- 参考スコア（独自算出の注目度）: 0.8537583673345064
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: High-quality reference standard image data creation by neuroradiology experts for automated clinical tools can be a powerful tool for neuroradiology & artificial intelligence education. We developed a multimodal educational approach for students and trainees during the MICCAI Brain Tumor Segmentation Lighthouse Challenge 2025, a landmark initiative to develop accurate brain tumor segmentation algorithms. Fifty-six medical students & radiology trainees volunteered to annotate brain tumor MR images for the BraTS challenges of 2023 & 2024, guided by faculty-led didactics on neuropathology MRI. Among the 56 annotators, 14 select volunteers were then paired with neuroradiology faculty for guided one-on-one annotation sessions for BraTS 2025. Lectures on neuroanatomy, pathology & AI, journal clubs & data scientist-led workshops were organized online. Annotators & audience members completed surveys on their perceived knowledge before & after annotations & lectures respectively. Fourteen coordinators, each paired with a neuroradiologist, completed the data annotation process, averaging 1322.9+/-760.7 hours per dataset per pair and 1200 segmentations in total. On a scale of 1-10, annotation coordinators reported significant increase in familiarity with image segmentation software pre- and post-annotation, moving from initial average of 6+/-2.9 to final average of 8.9+/-1.1, and significant increase in familiarity with brain tumor features pre- and post-annotation, moving from initial average of 6.2+/-2.4 to final average of 8.1+/-1.2. We demonstrate an innovative offering for providing neuroradiology & AI education through an image segmentation challenge to enhance understanding of algorithm development, reinforce the concept of data reference standard, and diversify opportunities for AI-driven image analysis among future physicians.
- Abstract（参考訳）: 自動化された臨床ツールのための神経放射線学の専門家による高品質な基準画像データ作成は、神経放射線学と人工知能教育のための強力なツールとなる。
我々は,MICCAI脳腫瘍セグメンテーション・ライトハウス・チャレンジ2025において,学生や研修生を対象としたマルチモーダルな教育手法を開発した。
2023年と2024年のBraTS課題に対する脳腫瘍MR画像のアノテートを志願した60名の医学生と放射線学研修生。
56名のうち14名のボランティアがBraTS 2025の1対1のアノテーションセッションに神経放射線学の教員とペアを組んだ。
神経解剖学、病理学、AI、ジャーナルクラブ、データサイエンティスト主導のワークショップがオンラインで開催された。
アノテーションとオーディエンスのメンバーはそれぞれ、アノテーションと講義の前後で認識された知識に関する調査を完了した。
14人のコーディネーターがそれぞれ神経放射線学者と組んで、平均1322.9時間/760.7時間、1200のセグメンテーションでデータアノテーションプロセスを完成させた。
1-10のスケールで、アノテーションコーディネータは、画像分割ソフトウェアへの慣れ度が6+/-2.9から8.9+/-1.1に大きく上昇し、脳腫瘍の特徴に対する親しみ度が6.2+/-2.4から8.1+/-1.2に大幅に増加したことを報告した。
我々は、画像セグメンテーションによる神経放射線学とAI教育を提供する革新的な製品を紹介し、アルゴリズム開発の理解を深め、データ参照標準の概念を強化し、将来の医師の間でAI駆動の画像分析の機会を多様化させる。
関連論文リスト
- A Vision-Language Foundation Model for Precise and Comprehensive Brain Tumor Diagnosis from Preoperative Multimodal Data [50.52606847963128]
我々は2021年の世界保健機関(WHO)の脳腫瘍タイプを分類するためにBrainVLMを開発した。
BrainVLMは40,043人のマルチモーダルデータ(MRIスキャン、人口統計学、放射線学)で訓練された。
病理組織学的に確認された脳腫瘍5,211例について検討した。
論文 参考訳（メタデータ） (2026-09-15T03:46:03Z) - NeuroABench: A Multimodal Evaluation Benchmark for Neurosurgical Anatomy Identification [56.133469598652624]
MLLM(Multimodal Large Language Models)は、外科的ビデオ理解において大きな可能性を秘めている。
Neurosurgical Anatomy Benchmark (NeuroABench)は、神経外科領域における解剖学的理解を評価するために明示的に作成された最初のマルチモーダルベンチマークである。
NeuroABenchは89の異なる手順をカバーする9時間の注釈付き神経外科ビデオで構成されている。
論文 参考訳（メタデータ） (2025-12-07T17:00:25Z) - Fusion-Based Brain Tumor Classification Using Deep Learning and Explainable AI, and Rule-Based Reasoning [0.0]
本研究では,MobileNetV2とDenseNet121畳み込みニューラルネットワーク(CNN)を組み合わせたアンサンブルに基づくディープラーニングフレームワークを提案する。
モデルは、階層化された5倍のクロスバリデーションプロトコルを使用して、Figshareデータセット上でトレーニングされ、評価された。
このアンサンブルは個々のCNNよりも優れた性能を示し、精度は91.7%、精度は91.9%、リコールは91.7%、F1スコアは91.6%だった。
論文 参考訳（メタデータ） (2025-08-09T08:46:36Z) - Towards a general-purpose foundation model for fMRI analysis [58.06455456423138]
我々は,4次元fMRIボリュームから学習し,多様なアプリケーション間で効率的な知識伝達を可能にするフレームワークであるNeuroSTORMを紹介する。
NeuroSTORMは、複数のセンターにまたがる5万人以上の被験者から5歳から100歳までの28.65万fMRIフレーム(→9000時間)で事前トレーニングされている。
年齢/性別予測、表現型予測、疾患診断、fMRI-to-image検索、タスクベースのfMRIの5つのタスクにおいて、既存の手法よりも優れています。
論文 参考訳（メタデータ） (2025-06-11T23:51:01Z) - Real-Time Brain Tumor Detection in Intraoperative Ultrasound Using YOLO11: From Model Training to Deployment in the Operating Room [13.503074690080453]
術中超音波(ioUS)は脳腫瘍手術において,術中ワークフローへの能率性,手頃性,シームレスな統合により有用である。
本研究は,手術室に展開可能なリアルタイム脳腫瘍検出システムを開発することにより,ioUS画像の解釈可能性を高めることを目的とした。
脳腫瘍術中データベース(BraTioUS)とパブリックReMINDデータセットから2D ioUS画像の収集を行った。
YOLO11アーキテクチャとその変異体を用いて、脳腫瘍を特定するために物体検出モデルを訓練した。
論文 参考訳（メタデータ） (2025-01-27T12:29:19Z) - A New Logic For Pediatric Brain Tumor Segmentation [0.5942186563711294]
深層学習アーキテクチャを用いた小児脳腫瘍の分節化のための新しいアプローチを提案する。
PED BraTS 2024テストセットに4つの異なる腫瘍ラベルを基準としてベンチマークを行った。
我々は、最先端(SOTA)モデルに対して、我々のモデルの性能を評価する。
論文 参考訳（メタデータ） (2024-11-03T00:52:14Z) - 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) - A Survey of Artificial Intelligence in Gait-Based Neurodegenerative Disease Diagnosis [51.07114445705692]
神経変性疾患(神経変性疾患、ND)は、伝統的に医学的診断とモニタリングのために広範囲の医療資源と人的努力を必要とする。
重要な疾患関連運動症状として、ヒトの歩行を利用して異なるNDを特徴づけることができる。
人工知能(AI)モデルの現在の進歩は、NDの識別と分類のための自動歩行分析を可能にする。
論文 参考訳（メタデータ） (2024-05-21T06:44:40Z) - Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。
腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
論文 参考訳（メタデータ） (2023-03-07T09:40:22Z) - 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) - Preoperative brain tumor imaging: models and software for segmentation
and standardized reporting [0.0]
症例は4例のコホートで, グリオーマ, 下等グリオーマ, 髄膜腫, 転移について検討した。
腫瘍セグメンテーションモデルは、AGU-Netアーキテクチャを使って、異なる前処理ステップとプロトコルで訓練された。
2つのソフトウェアソリューションが開発され、トレーニングされたモデルと標準化された臨床報告を簡単に利用できるようになった。
論文 参考訳（メタデータ） (2022-04-29T16:29:17Z) - H2NF-Net for Brain Tumor Segmentation using Multimodal MR Imaging: 2nd
Place Solution to BraTS Challenge 2020 Segmentation Task [96.49879910148854]
当社のH2NF-Netは、単一およびカスケードのHNF-Netを使用して、異なる脳腫瘍サブリージョンを分割します。
我々は、マルチモーダル脳腫瘍チャレンジ(BraTS)2020データセットでモデルをトレーニングし、評価した。
提案手法は,80名近い参加者のうち,brats 2020チャレンジセグメンテーションタスクで2位となった。
論文 参考訳（メタデータ） (2020-12-30T20:44:55Z) - Brain tumor segmentation with self-ensembled, deeply-supervised 3D U-net
neural networks: a BraTS 2020 challenge solution [56.17099252139182]
U-netのようなニューラルネットワークを用いた脳腫瘍セグメント化作業の自動化と標準化を行う。
2つの独立したモデルのアンサンブルが訓練され、それぞれが脳腫瘍のセグメンテーションマップを作成した。
我々の解は、最終試験データセットにおいて、Diceの0.79、0.89、0.84、およびHausdorffの95%の20.4、6.7、19.5mmを達成した。
論文 参考訳（メタデータ） (2020-10-30T14:36:10Z)
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。