論文の概要: A unified FLAIR hyperintensity segmentation model for various CNS tumor types and acquisition time points

• arxiv url: http://arxiv.org/abs/2512.17566v1
• Date: Fri, 19 Dec 2025 13:33:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-22 19:25:54.401876
• Title: A unified FLAIR hyperintensity segmentation model for various CNS tumor types and acquisition time points
• Title（参考訳）: 各種CNS腫瘍タイプと獲得時点に対するFLAIR超強度分割モデル
• Authors: Mathilde Gajda Faanes, David Bouget, Asgeir S. Jakola, Timothy R. Smith, Vasileios K. Kavouridis, Francesco Latini, Margret Jensdottir, Peter Milos, Henrietta Nittby Redebrandt, Rickard L. Sjöberg, Rupavathana Mahesparan, Lars Kjelsberg Pedersen, Ole Solheim, Ingerid Reinertsen,
• Abstract要約: FLAIRハイパーインテンシティ容積は腫瘍の体積や周囲の浮腫を評価する重要な指標である。 FLAIRハイパーインテンシティ・セグメンテーションモデルをトレーニングするために, 様々な腫瘍の5000枚前後のFLAIR画像と, 異なる中心からの取得時間点を用いた。 このモデルは、CNS腫瘍解析のためのオープンソースのソフトウェアであるRaidionicsに統合されている。
• 参考スコア（独自算出の注目度）: 0.050178312068213736
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: T2-weighted fluid-attenuated inversion recovery (FLAIR) magnetic resonance imaging (MRI) scans are important for diagnosis, treatment planning and monitoring of brain tumors. Depending on the brain tumor type, the FLAIR hyperintensity volume is an important measure to asses the tumor volume or surrounding edema, and an automatic segmentation of this would be useful in the clinic. In this study, around 5000 FLAIR images of various tumors types and acquisition time points from different centers were used to train a unified FLAIR hyperintensity segmentation model using an Attention U-Net architecture. The performance was compared against dataset specific models, and was validated on different tumor types, acquisition time points and against BraTS. The unified model achieved an average Dice score of 88.65\% for pre-operative meningiomas, 80.08% for pre-operative metastasis, 90.92% for pre-operative and 84.60% for post-operative gliomas from BraTS, and 84.47% for pre-operative and 61.27\% for post-operative lower grade gliomas. In addition, the results showed that the unified model achieved comparable segmentation performance to the dataset specific models on their respective datasets, and enables generalization across tumor types and acquisition time points, which facilitates the deployment in a clinical setting. The model is integrated into Raidionics, an open-source software for CNS tumor analysis.
• Abstract（参考訳）: T2-weighted fluid-attenuated inversion recovery (FLAIR) magnetic resonance imaging (MRI) は脳腫瘍の診断、治療計画、モニタリングに重要である。 脳腫瘍のタイプによっては、FLAIRハイパーインテンシティボリュームは腫瘍の体積や周囲の浮腫を評価する重要な指標であり、この自動セグメンテーションはクリニックで有用である。 本研究では, 各種腫瘍の5000枚のFLAIR画像と異なる中心からの取得時刻を用いて, 意識的U-Netアーキテクチャを用いたFLAIRハイパーインテンシティセグメンテーションモデルの訓練を行った。 成績はデータセット固有のモデルと比較され、腫瘍の種類、取得時間、BraTSに対して検証された。 手術前髄膜腫では平均88.65\%,術前転移では80.08%,手術前グリオーマでは90.92%,手術後グリオーマでは84.60%,術後下等グリオーマでは84.47%,術後下等グリオーマでは61.27\%であった。 さらに,各データセット上のデータセット固有モデルに匹敵するセグメンテーション性能を達成し,腫瘍の種類や獲得時点をまたいだ一般化を実現し,臨床環境への展開を容易にした。 このモデルは、CNS腫瘍解析のためのオープンソースのソフトウェアであるRaidionicsに統合されている。

関連論文リスト

• DRBD-Mamba for Robust and Efficient Brain Tumor Segmentation with Analytical Insights [54.87947751720332]
  脳腫瘍の正確なセグメンテーションは、臨床診断と治療に重要である。 マンバを拠点とするState Space Modelsは、有望なパフォーマンスを示している。 本稿では,計算オーバーヘッドを最小限に抑えながら,マルチスケールの長距離依存関係をキャプチャするマルチ解像度双方向マンバを提案する。
  論文  参考訳（メタデータ） (2025-10-16T07:31:21Z)
• Automatic and standardized surgical reporting for central nervous system tumors [0.2634932446012777]
  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。
  論文  参考訳（メタデータ） (2025-08-12T13:08:49Z)
• 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)
• EMT-NET: Efficient multitask network for computer-aided diagnosis of breast cancer [58.720142291102135]
  乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。 腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。 腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
  論文  参考訳（メタデータ） (2022-01-13T05:24:40Z)
• Glioma Prognosis: Segmentation of the Tumor and Survival Prediction using Shape, Geometric and Clinical Information [13.822139791199106]
  我々は,ハイパーコラムを用いた畳み込みニューラルネットワーク(cnn)を用いて,健常脳組織から腫瘍を分離する。 私たちのモデルは、腫瘍全体、腫瘍コアおよび増強腫瘍の平均ダイス精度87.315%、77.04%および70.22%を達成した。
  論文  参考訳（メタデータ） (2021-04-02T10:49:05Z)
• 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)
• Segmentation of the Myocardium on Late-Gadolinium Enhanced MRI based on 2.5 D Residual Squeeze and Excitation Deep Learning Model [55.09533240649176]
  本研究の目的は,LGE-MRIを用いた心筋境界領域の深部学習モデルに基づく正確な自動セグメンテーション法を開発することである。 合計320回の試験(平均6回の試験)と28回の試験が行われた。 ベーススライスとミドルスライスにおけるアンサンブルモデルの性能解析は, サーバ内調査と同等であり, アトピーススライスではわずかに低かった。
  論文  参考訳（メタデータ） (2020-05-27T20:44:38Z)

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。