論文の概要: GLI-AL: A Multi-Modal Glioma MRI Label Resource with Unified Anatomy-Lesion Labels

• arxiv url: http://arxiv.org/abs/2607.22135v2
• Date: Mon, 27 Jul 2026 07:55:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-28 14:56:47.045193
• Title: GLI-AL: A Multi-Modal Glioma MRI Label Resource with Unified Anatomy-Lesion Labels
• Title（参考訳）: GLI-AL: 統一解剖学的病変ラベルを用いたマルチモーダルグリオーマMRIラベル
• Abstract要約: 我々は、BraTS 2023-GLIトレーニングコホートから構築された、制御アクセス可能なラベルのみの派生リソースであるBraTS-GLI-Lesionを紹介する。 このリソースは、元の4つのモードのMRIケースと一致した1,251個の統合された8クラスの解剖学的配列ラベルセットを提供する。 このリソースは科学的な研究を目的としており、共同解剖・行動監視、ラベル・ノイズ分析、再現可能な評価をサポートする。
• 参考スコア（独自算出の注目度）: 12.624297025241782
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Existing BraTS-GLI datasets provide a widely used benchmark for adult glioma MRI segmentation, but their task definition focuses on tumor subregions and does not systematically represent coexisting white matter hyperintensities (WMH). In joint segmentation settings, such unlabeled abnormalities introduce task-specific label noise by treating pathological regions as normal tissue. To address this limitation, we introduce BraTS-GLI Anatomy-Lesion, a controlled-access, labels-only derived resource built from the BraTS 2023-GLI training cohort. The resource provides 1,251 unified eight-class anatomy-lesion label sets aligned with the original four-modal MRI cases, including image-repair labels for 116 cases requiring repaired imaging inputs. The cohort is organized into a 394-case purified subset and an 857-case extended subset, with case-level metadata covering label source, image-repair requirements, quality-control status, access conditions, checksums, and release boundaries. Compared with the original BraTS-GLI annotations, the resource substantially expands foreground supervision by incorporating healthy brain tissues and previously unlabeled coexisting abnormalities within a unified label space. A validation study using MedNeXt and T1/FLAIR inputs suggests that WMH-aware supervision preserves healthy-tissue segmentation performance across both in-domain GLI and external WMH datasets, while improving sensitivity to coexisting lesions relative to noisy-control training. The resource is intended for scientific research and supports joint anatomy-lesion supervision, label-noise analysis, and reproducible evaluation. Data are available at https://www.synapse.org/Synapse:syn75210889/wiki/, and code is available at https://github.com/xyx200/brats-gli-anatomy-lesion-code. The data resource DOI is https://doi.org/10.7303/SYN75210889.
• Abstract（参考訳）: 既存のBraTS-GLIデータセットは、成人グリオーマMRIのセグメンテーションに広く使われているベンチマークを提供するが、それらのタスク定義は腫瘍のサブリージョンに焦点を当てており、体系的に共存する白色物質の超強度(WMH)を表現していない。 関節セグメンテーションでは、そのようなラベルのない異常は、病理領域を正常な組織として扱うことにより、タスク固有のラベルノイズをもたらす。 この制限に対処するために、BraTS 2023-GLIトレーニングコホートから構築された、制御アクセス可能なラベルのみの派生リソースであるBraTS-GLI Anatomy-Lesionを導入する。 このリソースは、元の4つのモードのMRIケースと整合した1,251個の統合された8クラスの解剖-配列ラベルセットを提供する。 コホートは394ケースの精製されたサブセットと877ケースの拡張サブセットで構成され、ラベルソース、画像修復要件、品質管理ステータス、アクセス条件、チェックサム、リリースバウンダリをカバーするケースレベルのメタデータを備えている。 もともとのBraTS-GLIアノテーションと比較すると、このリソースは健康な脳組織を組み込んで前景の監督を著しく拡張し、これまでラベル空間内にラベルが付けられていなかった異常を包含する。 MedNeXtとT1/FLAIRの入力を用いた検証研究は、WMHを意識した監視が、ノイズ制御トレーニングに対する既存の病変に対する感受性を改善しつつ、ドメイン内GLIと外部WMHデータセットの両方にわたる健全な分割性能を維持することを示唆している。 このリソースは科学的な研究を目的としており、共同解剖・行動監視、ラベル・ノイズ分析、再現可能な評価をサポートする。 データはhttps://www.synapse.org/Synapse:syn75210889/wiki/で、コードはhttps://github.com/xyx200/brats-gli-anatomy-lesion-codeで入手できる。 データリソースDOIはhttps://doi.org/10.7303/SYN75210889である。

関連論文リスト

• Heterogeneity-Aware Deep Learning for Tumour Classification from Multiparametric MRI [14.605535300098552]
  異種性を考慮したディープラーニング分類フレームワークを提案する。 HA-DLCは、病変型診断と分子統計予測のために、画像由来の腫瘍亜領域を明示的にモデル化する。 LLD-MMRI2023肝病変データセットとRSNA-ASNR-MICCAI 2021放射線ゲノム脳腫瘍データセットを用いたHA-DLCの評価を行った。
  論文  参考訳（メタデータ） (2026-08-18T01:16:51Z)
• Echo-DM: Ultrasound Marker Removal via Conditional Latent Diffusion and Region-Aware Fusion [50.02433280054874]
  マーカーは下流の自動分析にショートカットバイアスを導入することができる。 条件付き潜伏拡散と領域認識融合による超音波マーカー除去のためのフレームワークであるEcho-DMを提案する。 大規模な超音波検査データセットであるEcho-PAIRの実験は、優れたマーカー除去と強力な解剖学的忠実さを示す。
  論文  参考訳（メタデータ） (2026-06-08T11:56:33Z)
• Domain-Aware Hierarchical Contrastive Learning for Semi-Supervised Generalization Fault Diagnosis [49.89578655034085]
  本稿では,障害診断のためのドメイン認識型階層的コントラスト学習(DAHCL)という統合フレームワークを提案する。 DAHCLは、ソースドメインの幾何学的特徴を捉え、異種ソースドメイン間の擬似ラベル予測を校正する。 また,動的信頼層化とファジィコントラスト監視を組み合わせた階層型コントラスト学習モジュールを開発した。
  論文  参考訳（メタデータ） (2026-04-22T08:41:27Z)
• Transformer Classification of Breast Lesions: The BreastDCEDL_AMBL Benchmark Dataset and 0.92 AUC Baseline [1.9336815376402718]
  本研究では,ダイナミックコントラスト強調MRIにおける乳腺病変の自動分類のためのトランスフォーマーベースフレームワークを提案する。 患者レベルでは100%の感度と67%の特異性を有する病変レベル分類のAUCを0.92で達成したSegFormerアーキテクチャを実装した。 データセット、モデル、評価プロトコルの公開リリースは、DCE-MRI病変分類のための最初の標準化されたベンチマークを提供する。
  論文  参考訳（メタデータ） (2025-09-30T15:58:02Z)
• Subcortical Masks Generation in CT Images via Ensemble-Based Cross-Domain Label Transfer [1.312727273368205]
  神経画像における皮質下セグメンテーションは、脳解剖の理解と、外傷性脳損傷や神経変性障害のコンピュータ支援による診断の促進に重要な役割を果たしている。 磁気共鳴画像(MRI)用の皮質下セグメンテーションデータセットが公開されているが、CT(Computed Tomography)には大きなギャップがある。 本稿では,既存のMRIモデルを利用して,CTスキャンのための高品質な皮質下セグメンテーションラベルを生成するための自動アンサンブルフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-15T12:57:35Z)
• BRISC: Annotated Dataset for Brain Tumor Segmentation and Classification [0.6840587119863303]
  我々は,脳腫瘍のセグメンテーションと分類タスクのためのデータセットであるBRISCを紹介し,高分解能セグメンテーションマスクを特徴とする。 データセットは6000のコントラスト強化T1強調MRIスキャンで構成され、セグメンテーションラベルを欠いた複数の公開データセットから照合された。 悪性腫瘍としてはグリオーマ、髄膜腫、下垂体腫瘍の3種類と非腫瘍の3種類がある。
  論文  参考訳（メタデータ） (2025-06-17T08:56:05Z)
• MRGen: Segmentation Data Engine for Underrepresented MRI Modalities [59.61465292965639]
  稀ながら臨床的に重要な画像モダリティのための医用画像分割モデルの訓練は、注釈付きデータの不足により困難である。 本稿では,データ合成における生成モデルの利用について検討する。 本稿では,テキストプロンプトとセグメンテーションマスクを条件とした医用画像合成のためのデータエンジンMRGenを提案する。
  論文  参考訳（メタデータ） (2024-12-04T16:34:22Z)
• Generative Adversarial Networks for Weakly Supervised Generation and Evaluation of Brain Tumor Segmentations on MR Images [0.0]
  本研究は2次元磁気共鳴画像におけるセグメント異常に対する弱教師付きアプローチを示す。 我々は,癌画像を健全な変種に変換するGAN(Generative Adversarial Network)を訓練する。 非共役な変種は、弱監督的な方法で分割を評価するためにも用いられる。
  論文  参考訳（メタデータ） (2022-11-10T00:04:46Z)
• Anatomy-Guided Weakly-Supervised Abnormality Localization in Chest X-rays [17.15666977702355]
  本稿では,弱いアノテーション問題に対処するため,解剖誘導胸部X線ネットワーク(AGXNet)を提案する。 本フレームワークは2つのネットワークのカスケードから構成される。1つは解剖学的異常を同定し,もう1つは病理学的観察を行う。 MIMIC-CXRデータセットを用いて,AGXNetの疾患および解剖学的異常局在に対する有効性を示した。
  論文  参考訳（メタデータ） (2022-06-25T18:33:27Z)
• Cross-Modality Brain Tumor Segmentation via Bidirectional Global-to-Local Unsupervised Domain Adaptation [61.01704175938995]
  本論文では,UDAスキームに基づくBiGL(Bidirectional Global-to-Local)適応フレームワークを提案する。 具体的には、脳腫瘍をセグメント化するために、双方向画像合成およびセグメンテーションモジュールを提案する。 提案手法は, 最先端の非教師なし領域適応法を大きなマージンで上回っている。
  論文  参考訳（メタデータ） (2021-05-17T10:11:45Z)
• 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)
• A Teacher-Student Framework for Semi-supervised Medical Image Segmentation From Mixed Supervision [62.4773770041279]
  そこで我々は,臓器と病変のセグメンテーションのための教師と学生のスタイルに基づくセミ教師付き学習フレームワークを開発した。 我々は,本モデルがバウンディングボックスの品質に対して堅牢であることを示し,フル教師付き学習手法と比較した性能を実現する。
  論文  参考訳（メタデータ） (2020-10-23T07:58:20Z)

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。