Cette page résume et organise les publications en intelligence artificielle du monde entier. Les contenus sont synthétisés grâce à Google Gemini et le service est proposé à but non lucratif. Les droits d'auteur des articles appartiennent à leurs auteurs ou institutions respectives ; en cas de partage, il suffit d'en mentionner la source.
Un ensemble de données d'IRM du carcinome nasopharyngé primaire avec segmentation multimodale
Created by
Haebom
Auteur
Yin Li, Qi Chen, Kai Wang, Meige Li, Liping Si, Yingwei Guo, Yu Xiong, Qixing Wang, Yang Qin, Ling Xu, Patrick van der Smagt, Jun Tang, Nutan Chen
Contour
Cet article présente le premier ensemble complet de données d'IRM multimodales visant à améliorer le diagnostic et la planification du traitement du cancer du nasopharynx (CNP). Il comprend des images pondérées en T1, en T2 et en T1 avec injection de produit de contraste (831 scanners) provenant de 277 patients atteints de CNP primaire, ainsi que des données segmentées de haute qualité, annotées et étiquetées manuellement par un radiologue expérimenté. Cet ensemble de données devrait contribuer significativement au développement d'algorithmes d'apprentissage automatique et à la recherche clinique sur le CNP.
Takeaways, Limitations_
•
Takeaways:
◦
Contribuer à l’avancement de la recherche liée au diagnostic et au traitement du NPC en publiant le premier ensemble complet de données IRM du NPC.
◦
Fournir des données de haute qualité, segmentées manuellement, constituant une ressource utile pour le développement d'algorithmes d'apprentissage automatique.
◦
Analyse multidimensionnelle possible en incluant diverses séquences IRM (T1, T2, T1 avec contraste)
◦
Analyse et recherche complètes possibles avec données cliniques incluses
•
Limitations:
◦
La taille de l’ensemble de données (277 patients) peut ne pas être suffisante pour des études à plus grande échelle.
◦
Seuls les patients atteints de NPC primaire ont été inclus, ce qui peut limiter les études sur les NPC métastatiques ou récurrents.
◦
Des informations supplémentaires sont nécessaires pour déterminer si la diversité de l’ensemble de données (âge, sexe, stade de la maladie, etc.) a été suffisamment prise en compte.
◦
Les performances de généralisation de l’ensemble de données peuvent être dégradées en raison des différences entre les images prises dans différents hôpitaux.
