相关实验视频
Updated: Jul 15, 2025
14:15
Multicolor 3D Printing of Complex Intracranial Tumors in Neurosurgery
Published on: January 11, 2020
7.1K
脑转移3D细分与临床和成像特征信息的大型开放访问数据集
Divya Ramakrishnan1, Leon Jekel1,2, Saahil Chadha1
1Yale School of Medicine, Department of Radiology and Biomedical Imaging, New Haven, CT, USA.
ArXiv
|September 25, 2023
概括
这项研究创建了来自200名患者的大脑转移 (BM) 的大型,多样化的数据集. 这一数据集将改进人工智能 (AI) 模型,以便在临床环境中更准确地检测BM.
科学领域:
- 放射学 放射学是一门学科.
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 像切除和全脑放射疗法 (WBRT) 这样的标准大脑转移 (BM) 治疗可以引起认知副作用.
- 立体辐射手术 (SRS) 提供了一种有针对性的方法来最大限度地减少副作用,但需要精确的BM识别.
- 目前用于BM划分的AI算法由于训练数据集的局限性,显示出有限的临床概括性.
研究的目的:
- 开发一个大型的,异质的,注释的大脑转移 (BM) 数据集.
- 促进人工智能模型的培训和验证,以提高在临床环境中的通用性.
- 为了提高人工智能驱动的BM检测和划分的准确性.
主要方法:
- 编制了200名患者的数据集,其中包括预治疗T1,T1后对比,T2和FLAIRMRI扫描.
- 包括T1后对比图像上的对比增强和死体3D细分.
- 在FLAIR图像上提供整个瘤细分 (包括周围胀),使用PACS集成的细分工作流.
主要成果:
- 数据集包括975个增强对比度的病变,许多小于厘米.
- 包括对增强对比度和死成分以及瘤的详细注释.
- 具有临床和成像信息以及细分的MRI数据.
结论:
- 一个庞大的,多样化的,注释的BM数据集对于开发可通用的AI模型至关重要.
- 这一数据集解决了当前人工智能培训数据的局限性,为改进的临床工具铺平了道路.
- 开发的数据集将支持人工智能辅助诊断和大脑转移的治疗计划的进展.
