Lung tumor segmentation in MRI mice scans using 3D nnU-Net with minimum annotations

要約

創薬において、肺腫瘍の正確なセグメンテーションは、MRI などの \textit{in-vivo} イメージングを使用して腫瘍のサイズとその進行を評価するための重要なステップです。
このプロセスを自動化するために深層学習モデルが開発されてきましたが、主に人間の被験者に焦点が当てられ、前臨床薬開発における動物モデルの極めて重要な役割が無視されてきました。
この研究では、マウスの肺腫瘍セグメンテーションの最適化に焦点を当てています。
まず、nnU-Net モデルが U-Net、U-Net3+、および DeepMeta モデルよりも優れていることを示します。
最も重要なことは、nnU-Net 3D モデルの方が 2D モデルよりも優れた結果を達成していることです。これは、MRI マウス スキャンにおけるセグメンテーション タスクにおける空間コンテキストの重要性を示しています。
この研究は、MRI スキャンにおける肺腫瘍のセグメンテーションにおいて、2D 入力画像よりも 3D 入力の重要性を示しています。
最後に、本発明者らは、肺と肺内の腫瘍のセグメント化を組み合わせた従来の最先端のアプローチよりも優れた性能を発揮する。
私たちの研究では、肺腫瘍のアノテーションのみを使用して同等の結果が得られ、必要なアノテーションが少なくなり、時間とアノテーションの労力が節約されます。
この研究 (https://anonymous.4open.science/r/lung-tumour-mice-mri-64BB) は、特に腫瘍変化の評価において、実験薬の有効性を定量化するための前臨床動物実験を自動化するための重要なステップです。

要約(オリジナル)

In drug discovery, accurate lung tumor segmentation is an important step for assessing tumor size and its progression using \textit{in-vivo} imaging such as MRI. While deep learning models have been developed to automate this process, the focus has predominantly been on human subjects, neglecting the pivotal role of animal models in pre-clinical drug development. In this work, we focus on optimizing lung tumor segmentation in mice. First, we demonstrate that the nnU-Net model outperforms the U-Net, U-Net3+, and DeepMeta models. Most importantly, we achieve better results with nnU-Net 3D models than 2D models, indicating the importance of spatial context for segmentation tasks in MRI mice scans. This study demonstrates the importance of 3D input over 2D input images for lung tumor segmentation in MRI scans. Finally, we outperform the prior state-of-the-art approach that involves the combined segmentation of lungs and tumors within the lungs. Our work achieves comparable results using only lung tumor annotations requiring fewer annotations, saving time and annotation efforts. This work (https://anonymous.4open.science/r/lung-tumour-mice-mri-64BB) is an important step in automating pre-clinical animal studies to quantify the efficacy of experimental drugs, particularly in assessing tumor changes.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google