MU-Glioma Post:自动化MR多序列细分和临床特征的全面数据集
Esmat Mahmoud1, Jaime Gass2, Yaseen Dhemesh3
1Diagnostic and Interventional Radiology, National Cancer Institute, Cairo University, Cairo, Egypt.
Scientific data
|November 20, 2025
概括
这项研究引入了大脑质瘤MRI的大数据集,用于训练AI模型. 目标是通过区分瘤进展与辐射亡来改善治疗结果的评估.
科学领域:
- 神经瘤学神经瘤学
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 质瘤是多样化的原发性脑瘤,具有具有挑战性的成像表型.
- 传统的MRI很难可靠地评估治疗结果,原因是异质性和重叠的治疗后特征,如辐射死亡和瘤进展.
- 准确评估治疗反应对于质瘤患者至关重要.
研究的目的:
- 为人工智能模型开发提供一个全面的,开源的质瘤患者成像数据数据集.
- 为了促进人工智能工具的创建,可以改善对质瘤患者治疗结果的评估.
- 为了应对区分瘤进展与放射性亡在治疗后MRI上的挑战.
主要方法:
- 收集了203名质瘤患者的数据集,其中包括594个治疗后MRI时间点 (T1,T1后对比,T2,FLAIR).
- 标准化的预处理包括瘤组件的自动深度学习细分 (增强瘤,死核,FLAIR超强度,切除腔).
- 自动细分被神经放射学家手动验证和完善,以建立基本真相标签.
主要成果:
- 创建了一个强大的,手工验证的细分质瘤MRI数据集.
- 数据集包括详细的临床病史和多个治疗后时间点.
- 该资源可用于训练和验证人工智能模型,以改进质瘤评估.
结论:
- 这一数据集的开源发布将大大帮助开发人工智能模型来评估质瘤治疗.
- 改进的人工智能工具可以提高诊断准确度,特别是在区分瘤进展和辐射亡方面.
- 这个倡议旨在通过人工智能驱动的成像分析来推进神经瘤学的精密医学.
