Fully Automated Tumor Segmentation for Brain MRI data using Multiplanner UNet

要約

小児脳腫瘍の正確な診断と治療計画には、個別の腫瘍領域の自動セグメンテーションが重要です。
この研究では、小児腫瘍チャレンジ (PED)、脳転移チャレンジ (MET)、およびサハラ以南アフリカ成人神経膠腫 (
SSA）。
これらのデータセットは、多様なシナリオと解剖学的バリエーションを表すため、MPUnet モデルの堅牢性と一般化機能を評価するのに適しています。
MPUnet アーキテクチャは、多平面情報を利用することで、セグメンテーションの精度を向上させることを目指しています。
私たちの結果は、評価された課題全体でさまざまなパフォーマンス レベルを示しており、腫瘍コア (TC) クラスは比較的高いセグメンテーション精度を示しています。
ただし、浮腫領域や増強腫瘍 (ET) 領域など、他のクラスのセグメンテーションではばらつきが観察されます。
これらの発見は、脳腫瘍セグメンテーションの複雑さを強調し、MPUnet アプローチをさらに改良し、MRI のより多くのデータと前処理を組み込む可能性を強調しています。

要約(オリジナル)

Automated segmentation of distinct tumor regions is critical for accurate diagnosis and treatment planning in pediatric brain tumors. This study evaluates the efficacy of the Multi-Planner U-Net (MPUnet) approach in segmenting different tumor subregions across three challenging datasets: Pediatrics Tumor Challenge (PED), Brain Metastasis Challenge (MET), and Sub-Sahara-Africa Adult Glioma (SSA). These datasets represent diverse scenarios and anatomical variations, making them suitable for assessing the robustness and generalization capabilities of the MPUnet model. By utilizing multi-planar information, the MPUnet architecture aims to enhance segmentation accuracy. Our results show varying performance levels across the evaluated challenges, with the tumor core (TC) class demonstrating relatively higher segmentation accuracy. However, variability is observed in the segmentation of other classes, such as the edema and enhancing tumor (ET) regions. These findings emphasize the complexity of brain tumor segmentation and highlight the potential for further refinement of the MPUnet approach and inclusion of MRI more data and preprocessing.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google