論文の概要: CFB-GBM v2.0: An Augmented Longitudinal Dataset for Multi-Modal Glioblastoma Segmentation, Radiomics, and RANO Progression Tracking
- arxiv url: http://arxiv.org/abs/2608.17884v1
- Date: Tue, 18 Aug 2026 15:18:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-19 21:40:53.374347
- Title: CFB-GBM v2.0: An Augmented Longitudinal Dataset for Multi-Modal Glioblastoma Segmentation, Radiomics, and RANO Progression Tracking
- Title（参考訳）: CFB-GBM v2.0 : マルチモーダルグリオ芽腫, 放射線, RANO進行追跡のための拡張縦断的データセット
- Abstract要約: Glioblastoma (GBM) は成人で最も攻撃的な原発性脳腫瘍であり, 平均生存期間は15カ月である。
CFB-GBM v2.0は、標準Stuppプロトコルで治療された264名のGBM患者からなるCFB-GBMデータセットの拡張である。
- 参考スコア（独自算出の注目度）: 24.55213154744583
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Glioblastoma (GBM) is the most aggressive primary brain tumor in adults, with a median overall survival of 15 months. Longitudinal, multi-modal imaging datasets with comprehensive clinical and treatment data are essential to support the development of reproducible computational methods for treatment response prediction, disease progression modelling, and personalized medicine. We present CFB-GBM v2.0, an extension of our previously released CFB-GBM dataset comprising 264 GBM patients treated according to the standard Stupp protocol. The primary contribution of this release is the completion of Gross Tumour Volume (GTV) delineations across all available timepoints ($t_0$, $t_1$ and $t_2$), increasing the overall GTV completion rate from 35% to 97%. This was achieved using a nnU-Net model pre-trained on BraTS 2021 and fine-tuned on CFB-GBM ground-truth contours, with the generated segmentations validated by five radiation oncologists. From these longitudinal GTV annotations, volumetric RANO 2.0 response category labels were derived for all available temporality pairs ($t_0 \rightarrow t_1$, $t_0 \rightarrow t_2$ and $t_1 \rightarrow t_2$). To further ease dataset usability and reproducibility, brain masks computed with HD-BET and pre-computed radiomic features extracted with PyRadiomics are provided for each patient timepoint and MRI modality. Additionally, the WHO classification guideline (2016 vs. 2021) applicable to each patient's diagnosis is now explicitly documented. CFB-GBM v2.0 is publicly available on The Cancer Imaging Archive (TCIA) at https://www.cancerimagingarchive.net/collection/cfb-gbm .
- Abstract（参考訳）: Glioblastoma (GBM) は成人で最も攻撃的な原発性脳腫瘍であり, 平均生存期間は15カ月である。
治療応答予測, 疾患進行モデル, パーソナライズド医療のための再現可能な計算手法の開発を支援するために, 総合的な臨床・治療データを含む縦断的多モード画像データセットが不可欠である。
CFB-GBM v2.0は、標準Stuppプロトコルで治療された264名のGBM患者からなるCFB-GBMデータセットの拡張である。
このリリースの主な貢献は、Gross Tumour Volume (GTV) のすべての利用可能なタイムポイント($t_0$, $t_1$, $t_2$)における記述の完了であり、全体のGTV完了率は35%から97%に増加した。
これは、BraTS 2021で事前訓練され、CFB-GBM地中輪郭で微調整されたnnU-Netモデルを用いて達成され、5人の放射線腫瘍学者によって生成されたセグメンテーションが検証された。
これらの経時的GTVアノテーションから, ボリュームRANO 2.0応答カテゴリラベルを全時間性ペア(t_0 \rightarrow t_1$, $t_0 \rightarrow t_2$, $t_1 \rightarrow t_2$)に導出した。
さらに、データセットの使いやすさと再現性を高めるために、HD-BETで計算された脳マスクと、PyRadiomicsで抽出された予め計算された放射線特徴を、各患者時間ポイントとMRIのモダリティに付与する。
さらに、各患者の診断に適用可能なWHO分類ガイドライン(2016 vs. 2021)が、現在、明示的に文書化されている。
CFB-GBM v2.0はThe Cancer Imaging Archive (TCIA) at https://www.cancerimagingarchive.net/collection/cfb-gbm で公開されている。
関連論文リスト
- CoMNeT: A MedNeXt-CorrDiff Framework for Volumetric Brain Tumor Segmentation [1.2048008992808203]
最新の3次元畳み込みセグメンテーションモデルと、補正拡散に基づく精細化とアンサンブルを組み合わせることで、容積グリオーマセグメンテーションが向上することを示す。
我々は,MedNeXt-CorrDiffフレームワークであるCoMNeTを提案する。
ET, TC, WT, and average Dice scores of 0.7543 +/- 0.0261, 0.6806 +/- 0.0166, 0.9049 +/- 0.0128, 0.7798 +/- 0.0184。
論文 参考訳（メタデータ） (2026-06-13T13:51:10Z) - Brain-WM: Brain Glioblastoma World Model [56.45393372490125]
我々は、次世代治療予測と将来のMRI生成を統一する先駆的なGBMワールドモデルであるBrain-WMを提案する。
Brain-WMは、潜在ダイナミクスを共有潜在空間に符号化し、関節自己回帰治療予測とフローベース将来のMRI生成を行う。
最終的にBrain-WMは、患者医療を最適化するための堅牢な臨床サンドボックスを提供する。
論文 参考訳（メタデータ） (2026-03-08T09:54:08Z) - 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) - ReCoSeg++:Extended Residual-Guided Cross-Modal Diffusion for Brain Tumor Segmentation [0.9374652839580183]
より大きく異質なBraTS 2021データセットにReCoSegアプローチを拡張した,半教師付き2段階のフレームワークを提案する。
第1段階では、残留誘導拡散確率モデル (DDPM) がFLAIR, T1, T2スキャンからT1ceモダリティを再構成することにより、クロスモーダル合成を行う。
第2段階では、軽量なU-Netが残基マップの連結を入力として、T1, T2, FLAIRによるT1ceと合成されたT1ceの差として計算し、腫瘍全体のセグメンテーションを改善する。
論文 参考訳（メタデータ） (2025-08-01T20:24:31Z) - MAST-Pro: Dynamic Mixture-of-Experts for Adaptive Segmentation of Pan-Tumors with Knowledge-Driven Prompts [54.915060471994686]
MAST-Proは,ダイナミックなMixture-of-Experts(D-MoE)とパン腫瘍セグメンテーションのための知識駆動プロンプトを統合した新しいフレームワークである。
具体的には、テキストと解剖学的プロンプトは、腫瘍表現学習を導くドメイン固有の事前情報を提供し、D-MoEは、ジェネリックと腫瘍固有の特徴学習のバランスをとる専門家を動的に選択する。
マルチ解剖学的腫瘍データセットの実験では、MAST-Proは最先端のアプローチよりも優れており、トレーニング可能なパラメータを91.04%削減し、平均改善の5.20%を達成している。
論文 参考訳（メタデータ） (2025-03-18T15:39:44Z) - Analysis of the 2024 BraTS Meningioma Radiotherapy Planning Automated Segmentation Challenge [45.3253187215396]
2024年脳腫瘍髄膜腫放射線療法(BraTS-MEN-RT)は、自動セグメンテーションアルゴリズムの進歩を目的とした課題である。
我々はBraTS-MEN-RTチャレンジの設計と結果について述べる。
論文 参考訳（メタデータ） (2024-05-28T17:25:43Z) - 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) - Improving Breast Cancer Grade Prediction with Multiparametric MRI Created Using Optimized Synthetic Correlated Diffusion Imaging [71.91773485443125]
乳がん治療計画において、グレーディングは重要な役割を担っている。
現在の腫瘍グレード法では、患者から組織を抽出し、ストレス、不快感、医療費の上昇につながる。
本稿では,CDI$s$の最適化による乳癌の診断精度の向上について検討する。
論文 参考訳（メタデータ） (2024-05-13T15:48:26Z) - Vestibular schwannoma growth prediction from longitudinal MRI by time conditioned neural fields [5.662694302758444]
本稿では,腫瘍進展予測のためのニューラルネットワークとリカレントニューラルネットワークを組み合わせたディープラーニング手法であるDeepGrowthを紹介する。
社内の経時的VSデータセットを用いた実験により,提案モデルにより性能が有意に向上した。
論文 参考訳（メタデータ） (2024-04-03T10:01:23Z) - Recurrence-free Survival Prediction under the Guidance of Automatic
Gross Tumor Volume Segmentation for Head and Neck Cancers [8.598790229614071]
自動原発性腫瘍 (GTVp) とリンパ節郭清法 (GTVn) を開発した。
腫瘍の分節体積から放射能の特徴を抽出し,RFS予測モデルを構築した。
論文 参考訳（メタデータ） (2022-09-22T18:44:57Z) - Ensemble CNN Networks for GBM Tumors Segmentation using Multi-parametric
MRI [0.0]
本稿では,術前の mpMRI におけるグリオーマの自動認識のための,DeepSeg と nnU-Net という2つのディープラーニングフレームワークのアグリゲーションを提案する。
本手法では, 腫瘍, 腫瘍コア, 全腫瘍領域のDice類似度スコアが92.00, 87.33, 84.10, Hausdorff Distances 3.81, 8.91, 16.02を得た。
論文 参考訳（メタデータ） (2021-12-13T10:51:20Z) - H2NF-Net for Brain Tumor Segmentation using Multimodal MR Imaging: 2nd
Place Solution to BraTS Challenge 2020 Segmentation Task [96.49879910148854]
当社のH2NF-Netは、単一およびカスケードのHNF-Netを使用して、異なる脳腫瘍サブリージョンを分割します。
我々は、マルチモーダル脳腫瘍チャレンジ(BraTS)2020データセットでモデルをトレーニングし、評価した。
提案手法は,80名近い参加者のうち,brats 2020チャレンジセグメンテーションタスクで2位となった。
論文 参考訳（メタデータ） (2020-12-30T20:44:55Z)
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。