MARC

 008250123s2024        us                              c    eng  d
■001000017160634
■00520250211151052
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798382321370
■035    ▼a(MiAaPQ)AAI31141731
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a610
■1001  ▼aMcLean,  Ryan.
■24510▼aMeningioma  Relational  Database  Curation  Using  a  PACS-Integrated  Tool  for  Collection  of  Clinical  and  Imaging  Features
■260    ▼a[Sl]▼bYale  University▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a74  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  85-11,  Section:  B.
■500    ▼aAdvisor:  Aboian,  Mariam.
■5021  ▼aThesis  (M.D.)--Yale  University,  2024.
■520    ▼aMeningiomas  are  the  most  common  primary  intracranial  neoplasm  seen  in  adults,  and  despite  the  largely  benign  nature  of  these  tumors,  they  are  associated  with  significant  morbidity  and  mortality.  Physicians  specialized  in  CNS  pathologies,  such  as  neurosurgeons,  neuroradiologists,  and  neuro-oncologists  rely  on  multiparametric  MRI  (mpMRI)  for  diagnosis,  guidance  of  management,  and  response  to  therapy  of  CNS  lesions.  Today,  in  the  era  of  artificial  intelligence,  with  high-throughput  computing  and  accessibility  to  massive  amounts  of  data,  we  see  the  emergence  of  new  fields  in  translational  science.  Proteomics,  genomics,  metabolomics,  and  more  recently,  radiomics  are  quantitative  and  analytical  fields  that  are  driven  by  the  accumulation  of  data.  Advancements  in  these  areas,  as  well  as  computer  and  data  science  in  general,  have  resulted  in  the  development  of  automated,  objective,  and  quantitative  tools  that  can  provide  non-invasive  assessments  of  tumors.  However,  the  accessibility  to  large  amounts  of  medical  imaging  data  for  machine  learning  (ML)  and  deep  learning  (DL)  purposes  is  limited,  resulting  in  a  shortage  of  such  tools  for  meningiomas.  To  bridge  this  gap,  in  this  thesis  we  specifically  focus  on  contributing  to  the  development  of  automated  segmentation  tools  by  building  a  database  of  meningiomas.The  Brain  Tumor  Segmentation  (BraTS)  Challenge  has  formed  a  multi-institutional  coalition  to  increase  the  accessibility  of  automated  segmentation  tools  for  CNS  tumors.  To  do  this,  the  BraTS  network  aims  to  compile  the  largest  annotated  multilabel  meningioma  dataset.  This  dataset  will  serve  as  the  training  dataset  for  participants  in  the  challenge  to  develop  automated  segmentation  models  for  meningiomas.  Models  will  then  be  validated  using  standardized  metrics.  The  ultimate  goal  of  this  challenge  is  to  provide  a  resource  of  segmentation  tools  and  to  facilitate  incorporation  of  this  technology  into  clinical  practice  to  improve  the  care  and  outcomes  of  meningioma  patients.This  thesis  will  have  two  primary  aims.  First,  compile  a  series  of  manually  segmented  and  annotated  MR  scans  of  meningioma  patients  treated  at  Yale-New  Haven  Hospital  to  contribute  to  the  BraTS  Challenge.  Second,  outline  a  method  of  database  curation  that  accommodates  the  storage,  organization,  and  secure  transfer  of  clinical,  genomic,  and  imaging  data  to  streamline.  The  ultimate  objective  is  to  reduce  the  time  and  labor  burden  on  researchers  interested  in  data  collection  and  organization  for  prediction  algorithm  development  via  machine  learning  or  deep  learning.To  accomplish  the  second  aim,  we  utilized  Fast  Healthcare  Interoperability  Resources  (FHIR)  webforms,  a  customizable  questionnaire  that  can  be  integrated  into  a  picture  archiving  and  communication  system  (PACS).  A  PACS-integrated  tool  serves  as  a  bridge  between  the  electronic  medical  record  (EMR)  and  PACS,  where  patient  medical  imaging  is  organized  and  stored.  This  is  advantageous  in  the  context  of  research  and  data  collection  because  it  can  reduce  or  eliminate  the  requirement  of  external  software  that  is  typically  used  for  the  storage  of  clinical  variables.  Utilization  of  external  software,  particularly  in  the  context  of  a  large  research  group,  can  often  result  in  a  disjointed  workflow  and  errors  making  the  management  of  large  amounts  of  data  challenging.  This  approach  provides  an  avenue  for  researchers  interested  in  developing  ensemble  models  that  use  image-based  measurements  and  features  to  augment  traditional  clinical-only/clinical-weighted  staging  and  treatment  response  prediction  algorithms.
■590    ▼aSchool  code:  0265.
■650  4▼aMedicine
■650  4▼aBiomedical  engineering
■650  4▼aMedical  imaging
■653    ▼aDeep  learning
■653    ▼aMachine  learning
■653    ▼aMeningiomas
■653    ▼aSegmentation  tools
■690    ▼a0564
■690    ▼a0541
■690    ▼a0574
■71020▼aYale  University▼bYale  School  of  Medicine.
■7730  ▼tDissertations  Abstracts  International▼g85-11B.
■790    ▼a0265
■791    ▼aM.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17160634▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서