Model Ensemble for Brain Tumor Segmentation in Magnetic Resonance Imaging

要約

マルチパラメトリック磁気共鳴画像法で脳腫瘍をセグメント化することにより、臨床試験や個別の患者ケアをサポートする定量的分析を実行できるようになります。
この分析により、診断や予後などの臨床意思決定プロセスに影響を与える可能性が得られます。
2023 年、確立された脳腫瘍セグメンテーション (BraTS) チャレンジは、8 つのタスクと 4,500 件の脳腫瘍症例という大幅な拡大を示しました。
この論文では、小児脳腫瘍 (PED)、頭蓋内髄膜腫 (MEN)、脳転移 (MET) の 3 つのタスクで新たに含まれた腫瘍症例を評価する深層学習ベースのアンサンブル戦略を紹介します。
特に、最先端の nnU-Net モデルと Swin UNETR モデルからの出力を地域ごとにアンサンブルします。
さらに、腫瘍サブ領域のセグメンテーション結果を改善するために、相互検証されたしきい値検索に基づいたターゲットを絞った後処理戦略を実装しました。
3 つのタスクの未確認のテスト ケースで提案した方法を評価した結果、PED の病変ごとの Dice スコアが得られました: 0.653、0.809、0.826。
男性: 0.876、0.867、0.849;
およびMET: 0.555、0.6、0.58。
それぞれ腫瘍、腫瘍コア、腫瘍全体を増強します。
私たちの方法は、PED で 1 位、MEN で 3 位、MET で 4 位にランクされました。

要約(オリジナル)

Segmenting brain tumors in multi-parametric magnetic resonance imaging enables performing quantitative analysis in support of clinical trials and personalized patient care. This analysis provides the potential to impact clinical decision-making processes, including diagnosis and prognosis. In 2023, the well-established Brain Tumor Segmentation (BraTS) challenge presented a substantial expansion with eight tasks and 4,500 brain tumor cases. In this paper, we present a deep learning-based ensemble strategy that is evaluated for newly included tumor cases in three tasks: pediatric brain tumors (PED), intracranial meningioma (MEN), and brain metastases (MET). In particular, we ensemble outputs from state-of-the-art nnU-Net and Swin UNETR models on a region-wise basis. Furthermore, we implemented a targeted post-processing strategy based on a cross-validated threshold search to improve the segmentation results for tumor sub-regions. The evaluation of our proposed method on unseen test cases for the three tasks resulted in lesion-wise Dice scores for PED: 0.653, 0.809, 0.826; MEN: 0.876, 0.867, 0.849; and MET: 0.555, 0.6, 0.58; for the enhancing tumor, tumor core, and whole tumor, respectively. Our method was ranked first for PED, third for MEN, and fourth for MET, respectively.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google