Deep Learning: Bewertung von Meningiom-Subtypen anhand semantischer und radiologischer Merkmale

Die klinische Behandlung von Meningeomen, den häufigsten primären intrakraniellen Tumoren bei Erwachsenen, richtet sich nach dem Grad des Tumors und seinem biologischen Verhalten. Gegenwärtig erfolgt die Beurteilung des Tumorgrades nach der chirurgischen Resektion und der histopathologischen Untersuchung. Zuverlässige Techniken zur präoperativen Bestimmung des Tumorgrads könnten die klinische Entscheidungsfindung verbessern.
Mit Hilfe von Algorithmen des maschinellen Lernens, die aus präoperativen MRT-Scans gewonnen werden, soll in dieser Studie die diagnostische Genauigkeit eines neuronalen Netzwerks bei der Segmentierung und Unterscheidung zwischen gutartigen und atypischen/anaplastischen Meningeomen ermittelt werden.
Dieser Text wurde mit DeepL übersetzt am 27.03.2026

Deep Learning: Assessment of meningioma subtypes by semantic and radiomic features

The clinical management of meningioma, the most common adult primary intracranial tumors, is guided by tumor grade and biological behavior. Currently, the assessment of tumor grade follows surgical resection and histopathologic review. Reliable techniques for pre-operative determination of tumor grade may enhance clinical decision-making.
Using machine-learning algorithms gained from pre-operative MRI scans, this study aims to determine the diagnostic accuracy of a neural network in segmentating and discriminating between benign and atypical/anaplastic meningiomas.