Oct, 2023

儿童脑肿瘤网络的多机构临床放射学 MRI 儿童数据集

PDF
TL;DR小儿脑和脊髓癌是儿童癌症相关死亡的主要原因。通过临床决策支持，在小儿神经肿瘤学中利用收集的丰富放射学成像数据，与其他领域相比，然而显著滞后。因此，我们提供了一种多机构、大规模的小儿数据集，包括 23,101 个经过例行护理收集的多参数 MRI 检查，适用于 1,526 名脑肿瘤患者，作为儿童脑肿瘤网络的一部分。这包括对各种癌症诊断的纵向 MRI，以及相关的临床患者信息、数字病理学切片以及组织基因型和组学数据。通过连续构建这些成像存储库的努力，我们的目标是加速发现和翻译 AI 模型，并利用实际数据赋予儿童精准医学能力。
发现论文，激发创造
  • 小儿脑肿瘤分割挑战 (BraTS-PEDs): 以小儿为重点的挑战 (CBTN-CONNECT-DIPGR-ASNR-MICCAI BraTS-PEDs)

    儿童中枢神经系统肿瘤是导致儿童癌症相关死亡的最常见原因之一，高级别胶质瘤的五年存活率不到 20%，由于它们的罕见性，这些实体的诊断经常延迟，治疗主要基于历史性治疗概念，临床试验需要多机构合作。本研究介绍了 CBTN-CONNECT-DIPGR-ASNR-MICCAI BraTS-PEDs 挑战赛，专注于儿童脑肿瘤，数据来自多个国际联盟，致力于儿童神经肿瘤学和临床试验。人工智能 / 图像科学家与临床医生一同努力，以加快自动化分割技术的发展，这将有助于临床试验，并最终改善儿童脑肿瘤患者的治疗。

    Apr, 2024

  • 2023 年脑肿瘤分割（BraTS）挑战赛：重点关注儿科（CBTN-CONNECT-DIPGR-ASNR-MICCAI BraTS-PEDs）

    CBTN-CONNECT-DIPGR-ASNR-MICCAI BraTS-PEDs 2023 challenge is the first BraTS challenge focused on pediatric brain tumors with data acquired across multiple international consortia dedicated to pediatric neuro-oncology and clinical trials, aiming to develop volumentric segmentation algorithms for high-grade pediatric glioma utilizing standardized quantitative performance evaluation metrics and multi-parametric structural MRI (mpMRI) training data.

    May, 2023

  • 儿童脑肿瘤的自动集成分割：使用 CBTN-CONNECT-ASNR-MICCAI BraTS-PEDs 2023 挑战数据的新方法

    该研究基于磁共振成像技术（MRI）模态，采用深度学习技术和创新的集成方法，成功实现了对儿童脑肿瘤的精确分割模型，具有提高诊断准确性和有效治疗策划的潜力。

    Aug, 2023

  • 基于深度学习的脑肿瘤儿童放疗计划的 MRI 加速

    通过使用数据重建，我们开发了一种基于深度学习的方法（DeepMRIRec），可从与 RT 特定接收线圈排列获取的欠采样数据进行 MRI 重建。通过在 73 名患有脑肿瘤 / 手术后区的儿童中使用环状线圈和后方线圈（12 个通道）获取的完全采样数据进行评估，我们的方法将扫描时间缩短了四倍，结构相似性得分（0.960）超过了目前评估的最先进方法（0.896），从而展示了加速 MRI 扫描用于 RT 规划的潜力。

    Nov, 2023

  • 一组原发鼻咽癌多模态 MRI 图像分割的数据集

    多模态磁共振成像数据在鼻咽癌的早期诊断、肿瘤分割和疾病分期管理中起到重要作用，研究团队引入了第一个全面的鼻咽癌 MRI 数据集，包括了 277 名患者的 MR 轴向成像，总计 831 次扫描，并提供了经验丰富的放射科医生手动注释和标记的未经治疗的鼻咽癌高质量数据资源。

    Apr, 2024

  • 加利福尼亚大学旧金山分校，脑转移立体定向放疗（UCSF-BMSR）MRI 数据集

    UCSF-BMSR 是一个公共的、多模态的 MRI 数据集，包括 560 个病人的 5136 个脑转移灶的专家标注，旨在推动脑转移灶 AI 应用的研究。

    Apr, 2023

  • 脑瘤分类的迁移学习的比较评估使用 MRI

    利用四种迁移学习技术对三种不同类型的脑肿瘤进行分类，在基准数据集中，ResNet-50 模型以 99.06% 的显著准确率优于其他模型。我们强调，在不使用数据增强方法的情况下，通过保持数据集平衡以提高准确度的重要性，并通过 F1 分数、AUC、精确度和召回率等评估指标实验性地验证了我们的方法并与其他分类算法进行比较。

    Sep, 2023

  • 有限、异构数据的深度神经进化：运用小型虚拟池化图像集的神经母细胞瘤脑转移概念证明应用

    本研究旨在将深度神经进化算法（DNE）应用于来自不同机构的图像数据集中，以解决人工智能在放射学中的过度拟合和泛化问题，并应用于分类磁共振成像中的神经母细胞瘤脑转移。结果表明，该算法在虚拟的汇总图像数据集上取得了接近完美的分类准确性，为实现临床可行的人工智能提供了重要的贡献。

    Nov, 2022

  • 脑肿瘤放射遗传分类

    通过对多参数 mpMRI 扫描图片（T1w，T1wCE，T2w 和 FLAIR）进行二分类，RSNA-MICCAI 脑肿瘤放射基因组分类挑战旨在预测胶质母细胞瘤中的 MGMT 生物标记物状态。我们使用的数据集分为三个主要组：训练集、验证集（在训练中使用），以及仅在最终评估期间使用的测试集。图像可以是 DICOM 格式或 Png 格式。我们尝试了不同的架构，包括三维版本的 Vision Transformer（ViT3D）、ResNet50、Xception 和 EfficientNet-B3，以研究这个问题。我们使用 AUC 作为主要评估指标，在测试集上，ViT3D 模型和 Xception 模型分别达到了 0.6015 和 0.61745 的优势。与其他结果相比，我们的结果在这个复杂的任务中证明是有效的。通过探索不同的策略、不同的架构和更多样化的数据集，可以进一步提高。

    Jan, 2024

  • 一份面向乳腺癌临床决策支持的多机构开源基准数据集，使用合成相关扩散成像数据

    介绍了 Cancer-Net BCa，这是一个包含 253 例临床前乳腺癌患者 CDI$^s$ 成像数据的多机构开放数据集，可用于通过机器学习加速癌症诊断和治疗的全球开源倡议。

    Apr, 2023