論文の概要: GIM-ENDO: A Multimodal Endoscopic Image and Video Dataset for Gastric Intestinal Metaplasia Morphology and Pathology

• arxiv url: http://arxiv.org/abs/2606.20919v1
• Date: Thu, 18 Jun 2026 20:19:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-26 11:53:51.942985
• Title: GIM-ENDO: A Multimodal Endoscopic Image and Video Dataset for Gastric Intestinal Metaplasia Morphology and Pathology
• Title（参考訳）: GIM-ENDO : 胃癌の形態と病理診断のための多モード内視鏡画像とビデオデータセット
• Authors: Mojgan Forootan, Mahziar Setayeshfar, Ali Darvishi, Mohammad Tashakoripour, Hamidreza Bolhasani,
• Abstract要約: 消化管転移 (GIM) は胃異形成と腺癌の前駆性病変である。 信頼できるAIモデルの開発は、公開データセットの欠如によって制限されている。 GIM-ENDOはこのギャップを埋めるために設計された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Gastric intestinal metaplasia (GIM) is a precursor lesion to gastric dysplasia and adenocarcinoma whose early detection is crucial for intervening in the carcinogenesis cascade. Artificial intelligence (AI) holds considerable promise for real-time endoscopic detection and characterization of GIM. However, development of reliable AI models has been constrained by the absence of publicly available, histopathologically validated datasets that combine detailed endoscopic annotations, histological subtype (complete and incomplete), standardized grading systems, and normal mucosal patterns. GIM-ENDO was designed to fill this gap. The dataset comprises demographic data, endoscopic findings, histopathological results, and H. pylori status acquired using the Olympus EVIS X1 system with white-light endoscopy (WLE) and image-enhanced endoscopy (IEE), including narrow-band imaging (NBI) and magnifying NBI (M-NBI), along with images and video clips from 24 patients (22 GIM-positive, 2 normal controls). Annotations cover six primary IEE endoscopic signs -- light blue crest (LBC), marginal turbid band (MTB), white opaque substance (WOS), TV pattern (Fusion), atrophy, and map-like erythema (MLE) -- plus two additional endoscopic findings (AHP and GA) recorded where present. GIM subtypes (complete and incomplete) are annotated for all GIM-positive cases; OLGA and OLGIM staging are provided where complete histological sampling was available. The dataset is publicly accessible at https://doi.org/10.5281/zenodo.20707267. For the latest updates and further information regarding this dataset, readers are referred to the DataBioX website: https://databiox.com A short version of this work has been submitted to MICCAI 2026 Open Data Track.
• Abstract（参考訳）: 胃癌転移は,早期発見が発がんカスケードの介入に不可欠である胃異形成と腺癌の前駆体病変である。 人工知能(AI)は、リアルタイムの内視鏡的検出とGIMのキャラクタリゼーションを約束する。 しかし、信頼できるAIモデルの開発には、詳細な内視鏡的アノテーション、組織学的サブタイプ(完全かつ不完全)、標準化されたグレーディングシステム、正常な粘膜パターンを組み合わせた、組織学的に検証されたデータセットが存在しないことが制限されている。 GIM-ENDOはこのギャップを埋めるために設計された。 このデータセットは, 人口統計, 内視鏡所見, 病理組織学的所見, およびオリンパスEVIS X1システムを用いて得られたH. pyloriステータスと, 狭帯域画像 (NBI) と拡大NBI (M-NBI) を含む画像強調内視鏡 (IEE) と, 24例 (GIM陽性22例, 正常2例) の映像とビデオクリップを含む。 注釈は6つの主要なIEE内視鏡の兆候(ライトブルークレスト(LBC)、限界タービッドバンド(MTB)、ホワイト不透明物質(WOS)、テレビパターン(フュージョン)、萎縮、マップライクなエリテマ(MLE)、および現在記録されている2つの内視鏡所見(AHPとGA)をカバーしている。 GIMサブタイプ(完全および不完全)は全GIM陽性例に対してアノテートされ,OLGAおよびOLGIMステージングは完全な組織学的サンプリングが可能であった。 データセットはhttps://doi.org/10.5281/zenodo.20707267で公開されている。 このデータセットに関する最新情報と詳細については、DataBioXのWebサイトを参照してほしい。 https://databiox.com この研究の短いバージョンがMICCAI 2026 Open Data Trackに投稿されている。

関連論文リスト

• Predicting Immune Biomarkers with MultiModal Mixture-of-Expert Pathology Foundation Models Empowers Precision Oncology [47.79180201495836]
  MixTIMEは、異なるモダリティで訓練された病理基盤モデルを統合したマルチモーダル基礎モデルである。 ヘマトキシリンおよびエオシン全スライディング画像から多重免疫蛍光(mIF)タンパク質の発現を予測する。 MixTIMEは17個のタンパク質マーカーにまたがる最先端のパフォーマンスを相関指標で測定する。
  論文  参考訳（メタデータ） (2026-06-16T16:22:42Z)
• MMBU: A Massive Multi-modal Biomedical Understanding Benchmark to Probe the Perception Capabilities of Vision-Language Models [83.50100003741628]
  ビジョンと言語モデル(VLM)は、バイオメディカルイメージングを変革する大きな可能性を秘めている。 本稿では,MMBU(Massive Multimodal Biomedical Understanding)ベンチマークを紹介する。 今までで最大のビジョンと言語ベンチマークで、35のサブモダリティと豊富な構造化メタデータをカバーしている。
  論文  参考訳（メタデータ） (2026-06-04T20:24:47Z)
• Multimodal Graph-based Classification of Esophageal Motility Disorders [73.90451172929117]
  食道運動障害の診断は,高分解能インピーダンス測定データの複雑化と臨床解釈の多様性が原因で大きな課題となる。 本研究は,HRIM記録と患者固有の情報を組み合わせたマルチモーダル機械学習に基づく分類手法の実現可能性について検討し,食道生理学のグラフベースモデリングを取り入れた。
  論文  参考訳（メタデータ） (2026-05-13T14:52:12Z)
• Multimodal Outer Arithmetic Block Dual Fusion of Whole Slide Images and Omics Data for Precision Oncology [6.418265127069878]
  本稿では, 局所(パッチレベル)から大域(スライダーレベル)の相互作用の相補的な情報を取得するために, 早期・後期融合におけるオミック埋め込みの利用を提案する。 この二重融合戦略は、解釈可能性と分類性能を高め、臨床診断の可能性を強調している。
  論文  参考訳（メタデータ） (2024-11-26T13:25:53Z)
• SMILE-UHURA Challenge -- Small Vessel Segmentation at Mesoscopic Scale from Ultra-High Resolution 7T Magnetic Resonance Angiograms [60.35639972035727]
  公開されている注釈付きデータセットの欠如は、堅牢で機械学習駆動のセグメンテーションアルゴリズムの開発を妨げている。 SMILE-UHURAチャレンジは、7T MRIで取得したTime-of-Flightアンジオグラフィーの注釈付きデータセットを提供することで、公開されている注釈付きデータセットのギャップに対処する。 Diceスコアは、それぞれのデータセットで0.838 $pm$0.066と0.716 $pm$ 0.125まで到達し、平均パフォーマンスは0.804 $pm$ 0.15までになった。
  論文  参考訳（メタデータ） (2024-11-14T17:06:00Z)
• ERCPMP: An Endoscopic Image and Video Dataset for Colorectal Polyps Morphology and Pathology [0.0]
  本データセットは,大腸ポリープ191例の人口統計,形態学的,病理的データ,内視鏡的画像,ビデオを含む。 病理組織学的には, 尿細管, ウイルス, ツブロビラス, 過形成, 血清, 炎症, 腺癌, 異型度などのポリープが診断された。
  論文  参考訳（メタデータ） (2023-07-28T09:52:20Z)
• GastroVision: A Multi-class Endoscopy Image Dataset for Computer Aided Gastrointestinal Disease Detection [6.231109933741383]
  本データセットは, 解剖学的所見, 病理所見, ポリープ除去症例, 正常所見を含む。 経験豊富なGI内科医によって注釈され、検証された。 我々のデータセットは、GI病の検出と分類のためのAIベースのアルゴリズムの開発を促進することができると信じている。
  論文  参考訳（メタデータ） (2023-07-16T19:36:03Z)
• G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for Biomarker Identification and Disease Classification [49.53651166356737]
  診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。 2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
  論文  参考訳（メタデータ） (2021-01-27T19:28:04Z)
• Co-Heterogeneous and Adaptive Segmentation from Multi-Source and Multi-Phase CT Imaging Data: A Study on Pathological Liver and Lesion Segmentation [48.504790189796836]
  我々は,新しいセグメンテーション戦略,コヘテロジネティック・アダプティブセグメンテーション(CHASe)を提案する。 本稿では,外見に基づく半スーパービジョン,マスクに基づく対向ドメイン適応,擬似ラベルを融合した多目的フレームワークを提案する。 CHASeは4.2% sim 9.4%$の範囲で、病理的な肝臓マスクDice-Sorensen係数をさらに改善することができる。
  論文  参考訳（メタデータ） (2020-05-27T06:58:39Z)

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。