Multimodal CNN Networks for Brain Tumor Segmentation in MRI: A BraTS 2022 Challenge Solution

要約

自動セグメンテーションは、脳腫瘍の診断、疾患の予後、神経膠腫患者のフォローアップ治療に不可欠です。
それでも、マルチモーダル MRI でグリオーマとそのサブ領域を正確に検出することは、さまざまなスキャナーとイメージング プロトコルのために非常に困難です。
過去数年間、BraTS チャレンジは、神経膠腫セグメンテーション アルゴリズムのベンチマークとして多数の多施設 MRI スキャンを提供してきました。
このホワイト ペーパーでは、BraTS 2022 継続的評価チャレンジへの当社の貢献について説明します。
術前 MRI で神経膠腫境界を自動検出するために、DeepSeg、nnU-Net、DeepSCAN などの複数のディープ ラーニング フレームワークの新しいアンサンブルを提案します。
私たちのアンサンブル モデルは、BraTS テスト データセットの最終評価で、腫瘍全体、腫瘍コア、
それぞれ腫瘍を増強します。
さらに、提案されたアンサンブル法は、別の目に見えないテスト データセット、つまりサブサハラ アフリカ データセットの最終ランキングで 1 位にランクされ、腫瘍全体で 0.9737、0.9593、および 0.9022 の平均 Dice スコア、および 2.66、1.72、3.32 の HD95 を達成しました。
それぞれ、腫瘍コア、および増強腫瘍。
受賞作品の Docker イメージは、https://hub.docker.com/r/razeineldin/camed22 で公開されています。

要約(オリジナル)

Automatic segmentation is essential for the brain tumor diagnosis, disease prognosis, and follow-up therapy of patients with gliomas. Still, accurate detection of gliomas and their sub-regions in multimodal MRI is very challenging due to the variety of scanners and imaging protocols. Over the last years, the BraTS Challenge has provided a large number of multi-institutional MRI scans as a benchmark for glioma segmentation algorithms. This paper describes our contribution to the BraTS 2022 Continuous Evaluation challenge. We propose a new ensemble of multiple deep learning frameworks namely, DeepSeg, nnU-Net, and DeepSCAN for automatic glioma boundaries detection in pre-operative MRI. It is worth noting that our ensemble models took first place in the final evaluation on the BraTS testing dataset with Dice scores of 0.9294, 0.8788, and 0.8803, and Hausdorf distance of 5.23, 13.54, and 12.05, for the whole tumor, tumor core, and enhancing tumor, respectively. Furthermore, the proposed ensemble method ranked first in the final ranking on another unseen test dataset, namely Sub-Saharan Africa dataset, achieving mean Dice scores of 0.9737, 0.9593, and 0.9022, and HD95 of 2.66, 1.72, 3.32 for the whole tumor, tumor core, and enhancing tumor, respectively. The docker image for the winning submission is publicly available at (https://hub.docker.com/r/razeineldin/camed22).

arxiv情報

提供元, 利用サービス

arxiv.jp, Google