BraTS-Path Challenge: Assessing Heterogeneous Histopathologic Brain Tumor Sub-regions

要約

膠芽腫は最も一般的な原発性成人脳腫瘍であり、治療後の生存期間中央値は 12 ～ 18 か月、それ以外の場合は 4 か月という厳しい予後を伴います。
神経膠芽腫は大脳半球に広く浸潤性であり、不均一な分子および微小環境の組織病理学的プロファイルによって明確に定義されており、治療において大きな障害となっています。
これらの腫瘍を正しく診断し、その不均一性を評価することは、正確な治療法を選択し、潜在的に患者の生存率を高めるために重要です。
腫瘍診断に対するゴールドスタンダードの組織病理学ベースのアプローチでは、デジタル化された組織切片全体にわたって、明確な組織構造のさまざまな形態病理学的特徴を検出することが重要です。
そのような「特徴」には、細胞腫瘍の存在、地理的壊死、偽柵状壊死、微小血管の増殖が豊富な領域、皮質への浸潤、皮質下白質の広範な広がり、軟髄膜浸潤、マクロファージが密集した領域、および血管周囲または散在性の存在が含まれる。
リンパ球。
これらの機能を念頭に置き、BraTS Cluster of Challenges https://www.synapse.org/brats2024 の主な目的に基づいて、BraTS-Path チャレンジの目標は、体系的に準備された包括的なデータセットとベンチマーク環境を提供することです。
異なる組織学的プロファイルの腫瘍サブ領域を特定できる深層学習モデルを開発し、公正に比較します。
これらのモデルは、病気についての理解を深め、一貫した方法で状態の診断と等級付けを支援することを目的としています。

要約(オリジナル)

Glioblastoma is the most common primary adult brain tumor, with a grim prognosis – median survival of 12-18 months following treatment, and 4 months otherwise. Glioblastoma is widely infiltrative in the cerebral hemispheres and well-defined by heterogeneous molecular and micro-environmental histopathologic profiles, which pose a major obstacle in treatment. Correctly diagnosing these tumors and assessing their heterogeneity is crucial for choosing the precise treatment and potentially enhancing patient survival rates. In the gold-standard histopathology-based approach to tumor diagnosis, detecting various morpho-pathological features of distinct histology throughout digitized tissue sections is crucial. Such ‘features’ include the presence of cellular tumor, geographic necrosis, pseudopalisading necrosis, areas abundant in microvascular proliferation, infiltration into the cortex, wide extension in subcortical white matter, leptomeningeal infiltration, regions dense with macrophages, and the presence of perivascular or scattered lymphocytes. With these features in mind and building upon the main aim of the BraTS Cluster of Challenges https://www.synapse.org/brats2024, the goal of the BraTS-Path challenge is to provide a systematically prepared comprehensive dataset and a benchmarking environment to develop and fairly compare deep-learning models capable of identifying tumor sub-regions of distinct histologic profile. These models aim to further our understanding of the disease and assist in the diagnosis and grading of conditions in a consistent manner.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google