論文の概要: Domain-Specialized Interactive Segmentation Framework for Meningioma Radiotherapy Planning

• arxiv url: http://arxiv.org/abs/2510.00416v1
• Date: Wed, 01 Oct 2025 01:57:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-03 16:59:20.328587
• Title: Domain-Specialized Interactive Segmentation Framework for Meningioma Radiotherapy Planning
• Title（参考訳）: メニンギオーマ放射線治療計画のためのドメイン特化インタラクティブセグメンテーションフレームワーク
• Authors: Junhyeok Lee, Han Jang, Kyu Sung Choi,
• Abstract要約: Interactive Medical Image (IMIS)は、高度なAI技術と臨床入力を統合することで、この問題に対処する。 放射線治療(RT)における3D髄膜腫セグメンテーションのための専用IMISツールであるInteractiveMEN-RTを紹介する。 このシステムには、ポイントアノテーション、バウンディングボックス、ツール、スクリブルなど、複数の臨床的に関係のある相互作用方法が組み込まれており、使用性と臨床精度が向上している。
• 参考スコア（独自算出の注目度）: 2.2090506971647144
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Precise delineation of meningiomas is crucial for effective radiotherapy (RT) planning, directly influencing treatment efficacy and preservation of adjacent healthy tissues. While automated deep learning approaches have demonstrated considerable potential, achieving consistently accurate clinical segmentation remains challenging due to tumor heterogeneity. Interactive Medical Image Segmentation (IMIS) addresses this challenge by integrating advanced AI techniques with clinical input. However, generic segmentation tools, despite widespread applicability, often lack the specificity required for clinically critical and disease-specific tasks like meningioma RT planning. To overcome these limitations, we introduce Interactive-MEN-RT, a dedicated IMIS tool specifically developed for clinician-assisted 3D meningioma segmentation in RT workflows. The system incorporates multiple clinically relevant interaction methods, including point annotations, bounding boxes, lasso tools, and scribbles, enhancing usability and clinical precision. In our evaluation involving 500 contrast-enhanced T1-weighted MRI scans from the BraTS 2025 Meningioma RT Segmentation Challenge, Interactive-MEN-RT demonstrated substantial improvement compared to other segmentation methods, achieving Dice similarity coefficients of up to 77.6\% and Intersection over Union scores of 64.8\%. These results emphasize the need for clinically tailored segmentation solutions in critical applications such as meningioma RT planning. The code is publicly available at: https://github.com/snuh-rad-aicon/Interactive-MEN-RT
• Abstract（参考訳）: 髄膜腫の精密脱線は, 放射線治療(RT)計画の立案, 治療効果の直接的影響, 隣接する健康組織の保存に不可欠である。 自動化されたディープラーニングアプローチは大きな可能性を示しているが、腫瘍の不均一性のため、一貫して正確な臨床セグメント化を実現することは困難である。 Interactive Medical Image Segmentation (IMIS)は、高度なAI技術と臨床入力を統合することで、この問題に対処する。 しかしながら、一般的なセグメンテーションツールは広く適用可能であるにもかかわらず、メニンギオーマRT計画のような臨床的に重要で疾患固有のタスクに必要な特異性に欠けることが多い。 この制限を克服するために,臨床支援型3D髄膜腫セグメンテーションのための専用IMISツールであるInteractive-MEN-RTを導入した。 このシステムには、ポイントアノテーション、バウンディングボックス、ラッソツール、スクリブルなど、複数の臨床的に関係のある相互作用方法が組み込まれており、使用性と臨床精度が向上している。 BraTS 2025 Meningioma RT Segmentation Challengeの造影T1強調MRIを500回行った結果,Interactive-MEN-RTは,他のセグメンテーション法と比較して有意に改善し,最大77.6\%のDice類似度係数と,64.8\%のUnionスコアに対するIntersectionを実現した。 これらの結果は,髄膜腫 RT 計画などの重要な応用において,臨床的に調整されたセグメンテーションソリューションの必要性を強調した。 コードは、https://github.com/snuh-rad-aicon/Interactive-MEN-RTで公開されている。

関連論文リスト

• Text-guided multi-stage cross-perception network for medical image segmentation [0.0]
  テキスト誘導多段階クロスパーセプションネットワーク(TMC)を提案する。 TMCは、Diceの84.77%、78.50%、88.73%を3つの公開データセットで上回っている。
  論文  参考訳（メタデータ） (2025-06-09T06:50:15Z)
• Dynamically evolving segment anything model with continuous learning for medical image segmentation [50.92344083895528]
  ダイナミックに進化する医療画像セグメンテーションモデルであるEvoSAMを紹介する。 EvoSAMは、継続的に拡張されるシナリオとタスクの配列から新しい知識を蓄積する。 血管セグメンテーションに関する外科医による実験により、EvoSAMはユーザプロンプトに基づいてセグメンテーション効率を高めることが確認された。
  論文  参考訳（メタデータ） (2025-03-08T14:37:52Z)
• In-context learning for medical image segmentation [0.4143603294943439]
  In-context Cascade (ICS) は、シーケンシャルな医用画像に対して高いセグメンテーション精度を達成しつつ、アノテーション要求を最小限に抑える新しい手法である。 ICSはUniverSegフレームワーク上に構築されており、追加のトレーニングなしでサポートイメージを使用して少数ショットのセグメンテーションを実行する。 心臓8領域のセグメンテーションタスクを含むHVSMRデータセットを用いて,提案手法の評価を行った。
  論文  参考訳（メタデータ） (2024-12-17T19:59:08Z)
• End-to-End Breast Cancer Radiotherapy Planning via LMMs with Consistency Embedding [47.360760580820966]
  放射線腫瘍学の分野に適した包括的大規模マルチモーダルモデル(LMM)であるRO-LMMを提案する。 このモデルは臨床ワークフロー内の一連のタスクを効果的に管理し、臨床コンテキストの要約、放射線治療計画の提案、計画誘導されたターゲットボリュームセグメンテーションを含む。 クリーン入力処理の整合性を維持しつつ,LMMのノイズ入力に対する堅牢性を向上する,CEFTune(Consistency Embedding Fine-Tuning)技術を提案する。
  論文  参考訳（メタデータ） (2023-11-27T14:49:06Z)
• Interactive Medical Image Segmentation with Self-Adaptive Confidence Calibration [10.297081695050457]
  本稿では,自己適応信頼度校正(MECCA)を用いた対話型メダカルセグメンテーションという対話型セグメンテーションフレームワークを提案する。 新規な行動に基づく信頼ネットワークを通じて評価を確立し、MARLから補正動作を得る。 種々の医用画像データセットに対する実験結果から,提案アルゴリズムの有意な性能が示された。
  論文  参考訳（メタデータ） (2021-11-15T12:38:56Z)
• Systematic Clinical Evaluation of A Deep Learning Method for Medical Image Segmentation: Radiosurgery Application [48.89674088331313]
  3次元医用画像分割作業において,Deep Learning (DL) 手法を体系的に評価した。 本手法は放射線外科治療プロセスに統合され,臨床ワークフローに直接影響を及ぼす。
  論文  参考訳（メタデータ） (2021-08-21T16:15:40Z)
• A Global Benchmark of Algorithms for Segmenting Late Gadolinium-Enhanced Cardiac Magnetic Resonance Imaging [90.29017019187282]
  現在世界最大の心臓LGE-MRIデータセットである154個の3D LGE-MRIを用いた「2018 left Atrium Challenge」。 技術および生物学的指標を用いた提案アルゴリズムの解析を行った。 その結果, 最上部法は93.2%, 平均表面は0.7mmであった。
  論文  参考訳（メタデータ） (2020-04-26T08:49:17Z)
• Robust Medical Instrument Segmentation Challenge 2019 [56.148440125599905]
  腹腔鏡装置の術中追跡は、しばしばコンピュータとロボットによる介入の必要条件である。 本研究の課題は,30の手術症例から取得した10,040枚の注釈画像からなる外科的データセットに基づいていた。 結果は、初期仮説、すなわち、アルゴリズムの性能がドメインギャップの増大とともに低下することを確認する。
  論文  参考訳（メタデータ） (2020-03-23T14:35:08Z)

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。