儿童脑肿瘤分割的新逻辑
计算机视觉与模式识别
2025-11-20 v3 图像与视频处理
摘要
在本文中，我们提出了一种基于深度学习架构的儿童脑肿瘤分割新方法，其灵感来源于专家放射科医生的分割策略。我们的模型勾勒出四种不同的肿瘤标签，并在留出的 PED BraTS 2024 测试集（即 BraTS 引入的儿童脑肿瘤数据集）上进行基准测试。此外，我们使用一个新的外部数据集——来自 CBTN（儿童脑肿瘤网络）的 30 名患者数据——按照 PED BraTS 2024 指南和 2023 BraTS 成人胶质瘤数据集进行标注，评估了我们模型的性能。我们将分割结果与 PED BraTS 2023 挑战赛的获胜算法（SOTA 模型）进行了比较。我们提出的算法在 CBTN 测试数据上取得了平均 Dice 分数 0.642 和 HD95 为 73.0 mm，优于 SOTA 模型的 Dice 分数 0.626 和 HD95 84.0 mm。此外，我们的模型表现出强大的泛化能力，在 BraTS 2023 成人胶质瘤数据集的全肿瘤分割上取得了 0.877 的 Dice 分数，超越了现有的 SOTA。我们的结果表明，所提出的模型是迈向为儿童脑肿瘤提供更准确分割的一步，这对于评估治疗反应和监测患者进展至关重要。我们的源代码可在 https://github.com/NUBagciLab/Pediatric-Brain-Tumor-Segmentation-Model 获取。
引用
@article{arxiv.2411.01390,
title = {A New Logic For Pediatric Brain Tumor Segmentation},
author = {Max Bengtsson and Elif Keles and Gorkem Durak and Syed Anwar and Yuri S. Velichko and Marius G. Linguraru and Angela J. Waanders and Ulas Bagci},
journal= {arXiv preprint arXiv:2411.01390},
year = {2025}
}