How we won BraTS 2023 Adult Glioma challenge? Just faking it! Enhanced Synthetic Data Augmentation and Model Ensemble for brain tumour segmentation

要約

ディープラーニングは、脳腫瘍をセグメント化するための最先端のテクノロジーです。
ただし、これには多くの高品質のデータが必要ですが、特に医療分野では入手が困難です。
したがって、私たちのソリューションは、データ拡張のための型破りなメカニズムを使用することでこの問題に対処します。
BraTS2023 チャレンジの最初のタスクである脳腫瘍セグメンテーション用の 3 つの異なる深層学習モデルをトレーニングするために利用可能なサンプルの量を大幅に増やすために、敵対的生成ネットワークと登録が使用されています。
最初のモデルは標準の nnU-Net、2 番目は Swin UNETR、3 番目は BraTS 2021 Challenge の優勝ソリューションです。
合成データの生成を除き、パイプライン全体が nnU-Net 実装に基づいて構築されています。
畳み込みアルゴリズムとトランスフォーマーを使用すると、互いの知識のギャップを埋めることができます。
新しい指標を使用した場合、最良のソリューションは、検証セットでサイコロ結果 0.9005、0.8673、0.8509 および HD95 14.940、14.467、17.699 (腫瘍全体、腫瘍コア、および増強腫瘍) を達成します。

要約(オリジナル)

Deep Learning is the state-of-the-art technology for segmenting brain tumours. However, this requires a lot of high-quality data, which is difficult to obtain, especially in the medical field. Therefore, our solutions address this problem by using unconventional mechanisms for data augmentation. Generative adversarial networks and registration are used to massively increase the amount of available samples for training three different deep learning models for brain tumour segmentation, the first task of the BraTS2023 challenge. The first model is the standard nnU-Net, the second is the Swin UNETR and the third is the winning solution of the BraTS 2021 Challenge. The entire pipeline is built on the nnU-Net implementation, except for the generation of the synthetic data. The use of convolutional algorithms and transformers is able to fill each other’s knowledge gaps. Using the new metric, our best solution achieves the dice results 0.9005, 0.8673, 0.8509 and HD95 14.940, 14.467, 17.699 (whole tumour, tumour core and enhancing tumour) in the validation set.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google