論文の概要: Robust Computational Extraction of Non-Enhancing Hypercellular Tumor Regions from Clinical Imaging Data

• arxiv url: http://arxiv.org/abs/2601.17802v1
• Date: Sun, 25 Jan 2026 11:39:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-27 15:23:08.398383
• Title: Robust Computational Extraction of Non-Enhancing Hypercellular Tumor Regions from Clinical Imaging Data
• Title（参考訳）: 臨床画像データを用いた非エンハンス性高細胞癌領域のロバスト計算による抽出
• Authors: A. Brawanski, Th. Schaffer, F. Raab, K. -M. Schebesch, M. Schrey, Chr. Doenitz, A. M. Tomé, E. W. Lang,
• Abstract要約: 日常的なMRIデータからNEH領域の確率マップを生成する頑健な計算フレームワークを提案する。 本手法は独立した臨床マーカーに対して有効であった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate identification of non-enhancing hypercellular (NEH) tumor regions is an unmet need in neuro-oncological imaging, with significant implications for patient management and treatment planning. We present a robust computational framework that generates probability maps of NEH regions from routine MRI data, leveraging multiple network architectures to address the inherent variability and lack of clear imaging boundaries. Our approach was validated against independent clinical markers -- relative cerebral blood volume (rCBV) and enhancing tumor recurrence location (ETRL) -- demonstrating both methodological robustness and biological relevance. This framework enables reliable, non-invasive mapping of NEH tumor compartments, supporting their integration as imaging biomarkers in clinical workflows and advancing precision oncology for brain tumor patients.
• Abstract（参考訳）: 非エンハンス性高細胞性腫瘍(NEH)の正確な同定は、神経腫瘍学的イメージングにおいて必要とされないものであり、患者の管理と治療計画に重要な意味を持つ。 本稿では,通常のMRIデータからNEH領域の確率マップを生成する頑健な計算フレームワークを提案する。 RCBV (reative brain blood volume) とETRL (regrated tumor recurrence location) を併用し, 組織学的ロバスト性および生物学的妥当性を示した。 このフレームワークは、NEH腫瘍複合体の信頼性、非侵襲的なマッピングを可能にし、臨床ワークフローにおけるイメージングバイオマーカーとしての統合と、脳腫瘍患者に対する精密腫瘍学の進歩をサポートする。

関連論文リスト

• Towards Label-Free Brain Tumor Segmentation: Unsupervised Learning with Multimodal MRI [7.144319861722029]
  非教師付き異常検出(UAD)は、MRIにおける脳腫瘍のセグメンテーションのための教師付き学習の代替手段である。 正常脳MRIで腫瘍の検出と局所化を専門に訓練したMViT-AE(Multimodal Vision Transformer Autoencoder)を提案する。 本手法は臨床的に有意な腫瘍局在を達成し, 病変関連Dice類似係数は0.437, 0.316, 検査セット0.350, 異常検出率89.4%であった。
  論文  参考訳（メタデータ） (2025-10-17T14:26:30Z)
• 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)
• VGDM: Vision-Guided Diffusion Model for Brain Tumor Detection and Segmentation [2.538209532048867]
  VGDMは脳腫瘍の検出とセグメンテーションのための視覚誘導拡散フレームワークである。 拡散過程のコアに視覚変換器を埋め込む。 トランスフォーマーバックボーンは、MRIボリューム全体にわたってより効果的な空間関係のモデリングを可能にする。 ボクセルレベルの誤差を緩和し、きめ細かい腫瘍の詳細を回復する。
  論文  参考訳（メタデータ） (2025-10-02T14:52:08Z)
• Cross-modality Guidance-aided Multi-modal Learning with Dual Attention for MRI Brain Tumor Grading [47.50733518140625]
  脳腫瘍は世界で最も致命的ながんの1つであり、子供や高齢者に非常に多い。 本稿では,MRI脳腫瘍グレーディングの課題に対処するために,新たな多モード学習法を提案する。
  論文  参考訳（メタデータ） (2024-01-17T07:54:49Z)
• Improved Prognostic Prediction of Pancreatic Cancer Using Multi-Phase CT by Integrating Neural Distance and Texture-Aware Transformer [37.55853672333369]
  本稿では, 異なる患者のCT像における腫瘍と血管の正確な関係を記述した, 学習可能なニューラル距離を提案する。 発達したリスクマーカーは, 術前因子の生存率の予測因子として最強であった。
  論文  参考訳（メタデータ） (2023-08-01T12:46:02Z)
• Detecting Histologic & Clinical Glioblastoma Patterns of Prognostic Relevance [6.281092892485014]
  グリオ芽腫は中枢神経系で最も一般的で攻撃的な悪性成人腫瘍である。 18年前に現在の標準治療を採用して以降,実質的な予後改善は認められていない。 ここでは,H&E染色WSIとOSに関する臨床データから,予後関連特性の同定に焦点をあてる。
  論文  参考訳（メタデータ） (2023-02-01T18:56:09Z)
• Brain Tumor MRI Classification using a Novel Deep Residual and Regional CNN [0.0]
  Res-BRNet Convolutional Neural Network (CNN) は脳腫瘍(磁気共鳴イメージング)MRIの診断に有用である。 開発されたRes-BRNetの効率は、KaggleとFigshareから収集された標準データセットに基づいて評価される。 実験により、Res-BRNetは標準CNNモデルよりも優れ、優れた性能を示した。
  論文  参考訳（メタデータ） (2022-11-29T20:14:13Z)
• Diagnose Like a Radiologist: Hybrid Neuro-Probabilistic Reasoning for Attribute-Based Medical Image Diagnosis [42.624671531003166]
  本稿では,属性に基づく医用画像診断のためのハイブリッド型ニューロ確率推論アルゴリズムを提案する。 我々は,ハイブリッド推論アルゴリズムを2つの困難な画像診断タスクに適用することに成功している。
  論文  参考訳（メタデータ） (2022-08-19T12:06:46Z)
• Adaptive unsupervised learning with enhanced feature representation for intra-tumor partitioning and survival prediction for glioblastoma [12.36330256366686]
  そこで本研究では, 腫瘍内パーティショニングとグリオ芽腫生存予測のための適応型非教師なし学習手法を提案する。 新規かつ問題特異的な自動エンコーダ(FAE)を開発した。 以上の結果から, 提案手法は, 堅牢で臨床的に関連のあるMRIサブリージョンと, 統計的に有意な生存予測をもたらすことが示唆された。
  論文  参考訳（メタデータ） (2021-08-21T02:47:59Z)

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。