論文の概要: SegRap2025: A Benchmark of Gross Tumor Volume and Lymph Node Clinical Target Volume Segmentation for Radiotherapy Planning of Nasopharyngeal Carcinoma
- arxiv url: http://arxiv.org/abs/2601.20575v1
- Date: Wed, 28 Jan 2026 13:11:12 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-29 15:46:06.938311
- Title: SegRap2025: A Benchmark of Gross Tumor Volume and Lymph Node Clinical Target Volume Segmentation for Radiotherapy Planning of Nasopharyngeal Carcinoma
- Title（参考訳）: SegRap2025 鼻咽喉頭癌放射線治療計画のためのGross tumor Volume と Lymph Node Clinical Target Volume Segmentation のベンチマーク
- Abstract要約: SegRap2025チャレンジは、画像センターとモダリティをまたいだセグメンテーションモデルの一般化性と堅牢性を高めることを目的としている。
本稿では,10名の参加チームによるソリューションの総合的な分析を行う。
- 参考スコア（独自算出の注目度）: 37.82643168064292
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Accurate delineation of Gross Tumor Volume (GTV), Lymph Node Clinical Target Volume (LN CTV), and Organ-at-Risk (OAR) from Computed Tomography (CT) scans is essential for precise radiotherapy planning in Nasopharyngeal Carcinoma (NPC). Building upon SegRap2023, which focused on OAR and GTV segmentation using single-center paired non-contrast CT (ncCT) and contrast-enhanced CT (ceCT) scans, the SegRap2025 challenge aims to enhance the generalizability and robustness of segmentation models across imaging centers and modalities. SegRap2025 comprises two tasks: Task01 addresses GTV segmentation using paired CT from the SegRap2023 dataset, with an additional external testing set to evaluate cross-center generalization, and Task02 focuses on LN CTV segmentation using multi-center training data and an unseen external testing set, where each case contains paired CT scans or a single modality, emphasizing both cross-center and cross-modality robustness. This paper presents the challenge setup and provides a comprehensive analysis of the solutions submitted by ten participating teams. For GTV segmentation task, the top-performing models achieved average Dice Similarity Coefficient (DSC) of 74.61% and 56.79% on the internal and external testing cohorts, respectively. For LN CTV segmentation task, the highest average DSC values reached 60.24%, 60.50%, and 57.23% on paired CT, ceCT-only, and ncCT-only subsets, respectively. SegRap2025 establishes a large-scale multi-center, multi-modality benchmark for evaluating the generalization and robustness in radiotherapy target segmentation, providing valuable insights toward clinically applicable automated radiotherapy planning systems. The benchmark is available at: https://hilab-git.github.io/SegRap2025_Challenge.
- Abstract（参考訳）: 鼻咽喉頭癌(NPC)の放射線治療計画には,Gross tumor Volume (GTV), Lymph Node Clinical Target Volume (LN CTV), Organ-at-Risk (OAR) の経時的変化が不可欠である。
シングルセンターの非造影CT(ncCT)とコントラスト強化CT(ceCT)スキャンを用いたOARとGTVセグメンテーションに焦点を当てたSegRap2023をベースとして、SegRap2025チャレンジは、画像センターとモダリティをまたいだセグメンテーションモデルの一般化性と堅牢性を高めることを目的としている。
SegRap2025は、SegRap2023データセットからペアCTを使用したGTVセグメンテーションと、クロスセンタの一般化を評価するための追加の外部テストセット、そしてTask02はマルチセンタトレーニングデータを使用したLN CTVセグメンテーションと、各ケースがペアCTスキャンまたは単一のモダリティを含んでおり、クロスセンタとクロスモダリティの堅牢性の両方を強調している未確認外部テストセットである。
本稿では,10名の参加チームによるソリューションの総合的な分析を行う。
GTVセグメンテーションタスクでは、最高性能のモデルはそれぞれ内部テストコホートと外部テストコホートで平均74.61%と56.79%のDice similarity Coefficient(DSC)を達成した。
LN CTVセグメンテーションタスクでは、平均DSC値は、それぞれペアCT、ceCTのみ、ncCTのみのサブセットで60.24%、60.50%、57.23%に達した。
SegRap2025は、放射線治療対象セグメンテーションの一般化と堅牢性を評価するための大規模なマルチセンターマルチモダリティベンチマークを確立し、臨床応用の自動化放射線治療計画システムに対する貴重な洞察を提供する。
ベンチマークは、https://hilab-git.github.io/SegRap2025_Challenge.orgで公開されている。
関連論文リスト
- HEad and neCK TumOR (HECKTOR) 2025: Benchmark of Segmentation, Diagnosis, and Prognosis in Multimodal PET/CT [13.031827676281729]
HECKTOR 2025チャレンジは、マルチモーダルPET/CT画像と電子健康記録を用いた自動HNC分析のベンチマークを確立した。
このチャレンジには35の登録チームが参加し、15のファイナリストが保持されたテストセットで評価された。
最高性能アルゴリズムは,セグメンテーションにおける平均Dice類似度係数0.75,生存予測のための一致指数0.66,HPV分類における平衡精度0.56を達成した。
論文 参考訳（メタデータ） (2026-06-18T12:06:38Z) - A Multi-Center Benchmark for Abdominal Disease Diagnosis and Report Generation from Non-Contrast CT [15.152662172359355]
腹部病変の鑑別には多核性造影CT(CECT)が広く用いられている。
コントラスト誘発性腎症の固有のリスクを負い、取得負担を増大させ、放射線医の作業負荷に大きく貢献する。
多臓器性腹部疾患の診断と自動放射線診断レポート作成のための新しいマルチセンターベンチマークを導入する。
論文 参考訳（メタデータ） (2026-06-15T17:29:32Z) - TriALS: Triphasic-Aided Liver Lesion Segmentation Benchmark in Non-Contrast CT [49.93685997940356]
コントラスト制限条件下での肝病変の自動分節に対するTriALSの課題について述べる。
最高性能は平均静脈圧0.754で, NCCTでは0.57に低下した。
アルゴリズムの性能は、トレーニングデータスケールと事前学習戦略によって最も強く予測された。
論文 参考訳（メタデータ） (2026-05-15T19:23:35Z) - FUGC: Benchmarking Semi-Supervised Learning Methods for Cervical Segmentation [63.7829089874007]
本稿では,頚椎椎間板断裂における半教師あり学習のための最初のベンチマークであるFetal Ultrasound Grand Challenge (FUGC)を紹介する。
FUGCは、500のトレーニング画像、90の検証画像、300のテスト画像を含む890のTVSイメージのデータセットを提供する。
Dice similarity Coefficient (DSC), Hausdorff Distance (HD), and Runtime (RT), with a weighted combination of 0.4/0.4/0.2。
論文 参考訳（メタデータ） (2026-01-22T01:34:39Z) - Diagnostic Performance of Universal-Learning Ultrasound AI Across Multiple Organs and Tasks: the UUSIC25 Challenge [34.86849736082012]
現在の超音波AIは、シングルタスクツールに断片化されている。
汎用AIモデルは、単一のアーキテクチャを使用して複数のタスクにわたって高い精度と効率を達成する。
論文 参考訳（メタデータ） (2025-12-19T06:54:30Z) - Benchmark of Segmentation Techniques for Pelvic Fracture in CT and X-ray: Summary of the PENGWIN 2024 Challenge [20.058385954540082]
PENGWINは自動破折セグメンテーションを推し進めることを目的としていた。
トップパフォーマンスCTアルゴリズムは、平均的なフラグメントワイド結合(IoU)を0.930で達成し、良好な精度を示した。
最も優れたアルゴリズムは0.774のIoUに達し、解剖学的構造が重なり合うことによって生じる大きな課題を浮き彫りにした。
論文 参考訳（メタデータ） (2025-04-03T08:19:36Z) - A Continual Learning-driven Model for Accurate and Generalizable Segmentation of Clinically Comprehensive and Fine-grained Whole-body Anatomies in CT [67.34586036959793]
完全に注釈付きCTデータセットは存在せず、すべての解剖学がトレーニングのために記述されている。
完全解剖を分割できる連続学習駆動CTモデルを提案する。
単体CT分割モデルCL-Netは, 臨床的に包括的に包括的に235個の粒状体解剖の集合を高精度に分割することができる。
論文 参考訳（メタデータ） (2025-03-16T23:55:02Z) - Multi-Class Segmentation of Aortic Branches and Zones in Computed Tomography Angiography: The AortaSeg24 Challenge [55.252714550918824]
AortaSeg24 MICCAI Challengeは、23の臨床的に関連する大動脈枝と領域に注釈付き100 CTA巻の最初のデータセットを導入した。
本稿では,トップパフォーマンスアルゴリズムの課題設計,データセットの詳細,評価指標,詳細な分析について述べる。
論文 参考訳（メタデータ） (2025-02-07T21:09:05Z) - TotalSegmentator MRI: Robust Sequence-independent Segmentation of Multiple Anatomic Structures in MRI [59.86827659781022]
nnU-Netモデル(TotalSegmentator)をMRIおよび80原子構造で訓練した。
予測されたセグメンテーションと専門家基準セグメンテーションとの間には,ディススコアが算出され,モデル性能が評価された。
オープンソースで使いやすいモデルは、80構造の自動的で堅牢なセグメンテーションを可能にする。
論文 参考訳（メタデータ） (2024-05-29T20:15:54Z) - 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) - SegRap2023: A Benchmark of Organs-at-Risk and Gross Tumor Volume
Segmentation for Radiotherapy Planning of Nasopharyngeal Carcinoma [45.15178196643517]
放射線治療にはGross tumor Volumes (GTVs) とOrgans-At-Risk (OARs) が重要である。
SegRap2023チャレンジはMICCAI2023と共同で編成され、OARとGTVセグメンテーションのための大規模なベンチマークが提示された。
課題を詳述し、すべての参加者のソリューションを分析します。
論文 参考訳（メタデータ） (2023-12-15T07:08:38Z) - Joint nnU-Net and Radiomics Approaches for Segmentation and Prognosis of
Head and Neck Cancers with PET/CT images [6.361835964390572]
3D nnU-Netアーキテクチャは原発性腫瘍とリンパ節の自動分節に同期的に採用された。
従来の放射能の特徴のみを含む3つの予後モデルが構築された。
セグメンテーションと予後タスクの評価指標としてDice scoreとC-indexが用いられた。
論文 参考訳（メタデータ） (2022-11-18T10:31:26Z) - 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) - VerSe: A Vertebrae Labelling and Segmentation Benchmark for
Multi-detector CT Images [121.31355003451152]
大規模Vertebrae Challenge(VerSe)は、2019年と2020年に開催されたMICCAI(International Conference on Medical Image Computing and Computer Assisted Intervention)と共同で設立された。
本評価の結果を報告するとともに,脊椎レベル,スキャンレベル,および異なる視野での性能変化について検討した。
論文 参考訳（メタデータ） (2020-01-24T21:09:18Z)
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。