MIST: A Simple and Scalable End-To-End 3D Medical Imaging Segmentation Framework

要約

医用画像セグメンテーションは非常に活発な研究分野であり、深層学習ベースの手法がいくつかのベンチマークで最先端の結果を達成しています。
ただし、新しいメソッドのトレーニング、テスト、評価のための標準化されたツールが不足しているため、メソッドの比較が困難になります。
これに対処するために、深層学習ベースの医用画像セグメンテーション手法の一貫したトレーニング、テスト、評価を容易にするように設計された、シンプルでモジュール式のエンドツーエンドの医用画像セグメンテーション フレームワークである医用画像セグメンテーション ツールキット (MIST) を導入します。
MIST は、データ分析、前処理、評価パイプラインを標準化し、複数のアーキテクチャと損失関数に対応します。
この標準化により、さまざまな方法間で再現可能で公平な比較が保証されます。
MIST のデータ形式要件、パイプライン、補助機能について詳しく説明し、BraTS 成人神経膠腫治療後チャレンジ データセットを使用してその有効性を実証します。
私たちの結果は、MIST の正確なセグメンテーション マスクを生成する能力と複数の GPU にわたる拡張性を強調し、将来の医用画像研究開発のための強力なツールとしての可能性を示しています。

要約(オリジナル)

Medical imaging segmentation is a highly active area of research, with deep learning-based methods achieving state-of-the-art results in several benchmarks. However, the lack of standardized tools for training, testing, and evaluating new methods makes the comparison of methods difficult. To address this, we introduce the Medical Imaging Segmentation Toolkit (MIST), a simple, modular, and end-to-end medical imaging segmentation framework designed to facilitate consistent training, testing, and evaluation of deep learning-based medical imaging segmentation methods. MIST standardizes data analysis, preprocessing, and evaluation pipelines, accommodating multiple architectures and loss functions. This standardization ensures reproducible and fair comparisons across different methods. We detail MIST’s data format requirements, pipelines, and auxiliary features and demonstrate its efficacy using the BraTS Adult Glioma Post-Treatment Challenge dataset. Our results highlight MIST’s ability to produce accurate segmentation masks and its scalability across multiple GPUs, showcasing its potential as a powerful tool for future medical imaging research and development.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google