Transferring Knowledge from High-Quality to Low-Quality MRI for Adult Glioma Diagnosis

要約

神経膠腫は一般的かつ致命的な脳腫瘍であり、予後を改善するには早期診断が必要です。
しかし、サハラ以南アフリカ (SSA) では低品質の磁気共鳴画像法 (MRI) 技術が正確な診断を妨げています。
この論文では、SSA 成人神経膠腫に関する BraTS チャレンジにおける私たちの研究について紹介します。
BraTS-GLI 2021 で優勝したソリューションのモデルを採用し、3 つのトレーニング戦略でそれを利用します。(1) 最初は BraTS-GLI 2021 データセットでトレーニングし、BraTS-Africa データセットで微調整します。(2) BraTS-Africa データセットのみでトレーニングします。
BraTS-Africa データセット、および (3) 2 倍の超解像度強化を備えた BraTS-Africa データセットのみでのトレーニング。
結果は、BraTS-GLI 2021 データセットでの初期トレーニングとその後の BraTS-Africa データセットでの微調整によって最良の結果が得られたことを示しています。
これは、トレーニング中に事前知識を提供する際に高品質のデータセットが重要であることを示唆しています。
当社の最高パフォーマンスのモデルは、検証段階で腫瘍、腫瘍核、腫瘍全体の増強に関して、それぞれ Dice スコア 0.882、0.840、0.926、ハウスドルフ距離 (95%) スコア 15.324、37.518、13.971 を達成しました。
コンテストの最終段階では、モデルとトレーニング戦略の強さと有効性を反映して、私たちのアプローチは全体で 2 位を獲得することに成功しました。
私たちのアプローチは、SSA における神経膠腫の診断を改善するための洞察を提供し、リソースが限られた設定における深層学習の可能性と、高品質のデータセットからの転移学習の重要性を示しています。

要約(オリジナル)

Glioma, a common and deadly brain tumor, requires early diagnosis for improved prognosis. However, low-quality Magnetic Resonance Imaging (MRI) technology in Sub-Saharan Africa (SSA) hinders accurate diagnosis. This paper presents our work in the BraTS Challenge on SSA Adult Glioma. We adopt the model from the BraTS-GLI 2021 winning solution and utilize it with three training strategies: (1) initially training on the BraTS-GLI 2021 dataset with fine-tuning on the BraTS-Africa dataset, (2) training solely on the BraTS-Africa dataset, and (3) training solely on the BraTS-Africa dataset with 2x super-resolution enhancement. Results show that initial training on the BraTS-GLI 2021 dataset followed by fine-tuning on the BraTS-Africa dataset has yielded the best results. This suggests the importance of high-quality datasets in providing prior knowledge during training. Our top-performing model achieves Dice scores of 0.882, 0.840, and 0.926, and Hausdorff Distance (95%) scores of 15.324, 37.518, and 13.971 for enhancing tumor, tumor core, and whole tumor, respectively, in the validation phase. In the final phase of the competition, our approach successfully secured second place overall, reflecting the strength and effectiveness of our model and training strategies. Our approach provides insights into improving glioma diagnosis in SSA, showing the potential of deep learning in resource-limited settings and the importance of transfer learning from high-quality datasets.

arxiv情報

著者 Yanguang Zhao,Long Bai,Zhaoxi Zhang,Yanan Wu,Mobarakol Islam,Hongliang Ren
発行日 2024-10-25 09:01:58+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.CV, eess.IV パーマリンク