Training and Comparison of nnU-Net and DeepMedic Methods for Autosegmentation of Pediatric Brain Tumors

要約

脳腫瘍は最も一般的な固形腫瘍であり、小児のがん関連死亡の主な原因です。
腫瘍のセグメント化は、手術および治療の計画、反応の評価およびモニタリングにおいて不可欠です。
ただし、手動によるセグメンテーションは時間がかかり、オペレータ間のばらつきが大きいため、より効率的な方法の必要性が強調されています。
マルチパラメトリック MRI スキャンに基づく小児特有の多施設脳腫瘍データでトレーニングした後、2 つの深層学習ベースの 3D セグメンテーション モデル、DeepMedic と nnU-Net を比較しました。339 人の小児患者のマルチパラメトリック術前 MRI スキャン (n)
さまざまな腫瘍サブタイプを含む内部コホート = 293、外部コホート n = 46）を前処理し、4 つの腫瘍サブ領域、すなわち増強腫瘍（ET）、非増強腫瘍（NET）、嚢胞性成分（CC）、および
腫瘍周囲浮腫（ED）。
トレーニング後、内部および外部のテスト セットでの 2 つのモデルのパフォーマンスが、グランド トゥルースの手動セグメンテーションを参照して、ダイス スコア、感度、ハウスドルフ距離を使用して評価されました。
nnU-Net 内部テスト セットのダイス スコアは、(平均 +/- SD (中央値)) WT で 0.9+/-0.07 (0.94)、ET で 0.77+/-0.29、NET で 0.66+/-0.32、0.71+/ でした。
それぞれ、CC の場合は -0.33、ED の場合は 0.71+/-0.40 です。
DeepMedic の Dice スコアは、それぞれ WT で 0.82+/-0.16、ET で 0.66+/-0.32、NET で 0.48+/-0.27、CC で 0.48+/-0.36、ED で 0.19+/-0.33 でした。
サイコロスコアはnnU-Netの方が有意に高かった(p<=0.01)。 多施設の BraTS-PEDs 2023 データセットでトレーニングされた nnU-Net モデルの外部検証により、腫瘍全体と腫瘍核のセグメンテーションにおける Dice スコアが 0.87+/-0.13 (0.91) および 0.83+/-0.18 ( 0.89）、それぞれ。 小児特有のデータでトレーニングされた nnU-Net モデルは、腫瘍全体および小児脳腫瘍のサブ領域セグメンテーションにおいて DeepMedic よりも優れています。

要約(オリジナル)

Brain tumors are the most common solid tumors and the leading cause of cancer-related death among children. Tumor segmentation is essential in surgical and treatment planning, and response assessment and monitoring. However, manual segmentation is time-consuming and has high inter-operator variability, underscoring the need for more efficient methods. We compared two deep learning-based 3D segmentation models, DeepMedic and nnU-Net, after training with pediatric-specific multi-institutional brain tumor data using based on multi-parametric MRI scans.Multi-parametric preoperative MRI scans of 339 pediatric patients (n=293 internal and n=46 external cohorts) with a variety of tumor subtypes, were preprocessed and manually segmented into four tumor subregions, i.e., enhancing tumor (ET), non-enhancing tumor (NET), cystic components (CC), and peritumoral edema (ED). After training, performance of the two models on internal and external test sets was evaluated using Dice scores, sensitivity, and Hausdorff distance with reference to ground truth manual segmentations. Dice score for nnU-Net internal test sets was (mean +/- SD (median)) 0.9+/-0.07 (0.94) for WT, 0.77+/-0.29 for ET, 0.66+/-0.32 for NET, 0.71+/-0.33 for CC, and 0.71+/-0.40 for ED, respectively. For DeepMedic the Dice scores were 0.82+/-0.16 for WT, 0.66+/-0.32 for ET, 0.48+/-0.27, for NET, 0.48+/-0.36 for CC, and 0.19+/-0.33 for ED, respectively. Dice scores were significantly higher for nnU-Net (p<=0.01). External validation of the trained nnU-Net model on the multi-institutional BraTS-PEDs 2023 dataset revealed high generalization capability in segmentation of whole tumor and tumor core with Dice scores of 0.87+/-0.13 (0.91) and 0.83+/-0.18 (0.89), respectively. Pediatric-specific data trained nnU-Net model is superior to DeepMedic for whole tumor and subregion segmentation of pediatric brain tumors.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google