GLI-AL:一种具有统一解剖-病灶标签的多模态胶质瘤MRI标签资源
摘要
GLI-AL是一种新的胶质瘤MRI标签资源,统一了解剖和病灶标签,将监督范围扩展至健康组织和先前未标记的异常区域。该资源提供了与BraTS-GLI病例对齐的1,251组标签集。
查看缓存全文
缓存时间: 2026/07/29 11:52
论文页面 - GLI-AL:基于统一解剖-病灶标签的多模态胶质瘤MRI标注资源
来源:https://huggingface.co/papers/2607.22135
摘要
现有的BraTS-GLI数据集为成人胶质瘤MRI分割提供了广泛使用的基准,但其任务定义集中于肿瘤子区域,并未系统性地表示共存的脑白质高信号(WMH)。在联合分割场景中,此类未标注的异常会将病理区域视为正常组织,从而引入任务特定的标签噪声。为解决这一局限,我们提出了BraTS-GLI解剖-病灶(BraTS-GLI Anatomy-Lesion)资源,这是一个基于BraTS2023-GLI训练队列构建的受控访问、仅含标签的衍生资源。该资源提供了1,251套统一的八类解剖-病灶标签集,与原始四模态MRI病例对齐,其中包括116个需修复影像输入的病例的影像修复标签。队列被组织为394例的纯净子集和857例的扩展子集,并附带病例级元数据,涵盖标签来源、影像修复需求、质量控制状态、访问条件、校验和以及发布边界。与原始BraTS-GLI标注相比,该资源通过将健康脑组织及先前未标注的共存异常整合到统一标签空间中,大幅扩展了前景监督。基于MedNeXt和T1/FLAIR输入的验证研究表明,与基线训练相比,WMH感知的监督在域内GLI及外部WMH数据集上均能保持健康组织分割性能,同时提高对共存病灶的敏感性。该资源仅用于科学研究,支持联合解剖-病灶监督、标签噪声分析及可复现评估。数据获取地址:https://www.synapse.org/Synapse:syn75210889/wiki/,代码获取地址:https://github.com/xyx200/brats-gli-anatomy-lesion-code。数据资源DOI:https://doi.org/10.7303/SYN75210889。
查看arXiv页面(https://arxiv.org/abs/2607.22135)查看PDF(https://arxiv.org/pdf/2607.22135)项目页面(https://www.synapse.org/Synapse:syn75210889/wiki/640990)GitHub 0(https://github.com/xyx200/brats-gli-anatomy-lesion-code)添加到收藏(https://huggingface.co/login?next=%2Fpapers%2F2607.22135)
在您的代理中获取此论文:
hf papers read 2607.22135
没有最新的CLI?curl -LsSf https://hf.co/cli/install.sh | bash
引用此论文的模型 0
没有模型链接此论文
在模型 README.md 中引用 arxiv.org/abs/2607.22135 即可从此页面关联。
引用此论文的数据集 1
Yuxan222/BraTS-GLI-Anatomy-Lesion Viewer• 更新于41分钟前 • 1.38k (https://huggingface.co/datasets/Yuxan222/BraTS-GLI-Anatomy-Lesion)
引用此论文的Spaces 0
没有Space链接此论文
在Space README.md中引用 arxiv.org/abs/2607.22135 即可从此页面关联。
包含此论文的收藏集 0
没有收藏集包含此论文
将此论文添加到收藏集(https://huggingface.co/new-collection)即可从此页面关联。
相似文章
从丢失的溯源中学习:用于癌症登记肿瘤组分类的多实例学习
本文提出了一种基于注意力的多实例学习(ABMIL)框架,利用癌症登记处的患者级别标签来训练用于肿瘤组分类的深度学习分类器,无需每份报告的注释,在BC癌症登记处的任务上实现了0.83的宏F1。
可重构放射学标签:无需重新标注
本文介绍了一种流水线方法,只需一次结构化标注即可将自由文本的胸部X光报告转换为多标签矩阵,通过字典编辑即可重新配置标签方案而无需重新标注,从而显著节省成本和时间。
iLENS: 可解释的LLM引导的混合专家模型用于神经影像生存分析
本文介绍了iLENS,一种可解释的、由大语言模型(LLM)引导的混合专家(MoE)框架,用于阿尔茨海默病的生存预测和患者亚型分析。该方法为其路由决策提供了透明且基于生物学的合理解释,弥合了高性能生存分析与可解释临床决策支持之间的差距。
用于监测和分类研究文献中数据使用的AI
本文提出了一种基于多任务GLiNER的框架,用于可扩展地监测研究文献中的数据集使用情况。该框架利用合成数据生成和基于LLM的重新验证,以解决提取、关系识别和使用分类中的挑战。
BrainG3N: 一种用于可控3D脑部MRI生成的双用途分词器
介绍了BrainG3N,一种用于3D脑部MRI潜在扩散的双用途分词器,它使用冻结的掩码自编码器(MAE)编码器生成临床信息丰富的嵌入表示,并使用CNN解码器进行重建,在23个任务的基准测试中达到了最先进性能,并实现了可控生成和纵向预测。