利用分层微调数据的迁移学习进行撒哈拉以南非洲成人胶质瘤分割
图像与视频处理
2024-12-24 v2 计算机视觉与模式识别
摘要
胶质瘤是一种以高死亡率为特征的脑肿瘤，在低收入和中等收入国家，特别是撒哈拉以南非洲，带来了巨大的诊断挑战。本文介绍了一种利用迁移学习进行胶质瘤分割的新方法，以应对资源有限地区 MRI 数据量少且质量低的挑战。我们利用预训练的深度学习模型 nnU-Net 和 MedNeXt，并使用 BraTS2023-Adult-Glioma 和 BraTS-Africa 数据集应用分层微调策略。我们的方法利用影像组学分析创建分层训练折，在大型脑肿瘤数据集上进行模型训练，并通过迁移学习适应撒哈拉以南非洲的环境。采用加权模型集成策略和自适应后处理来提高分割精度。在 BraTS-Africa 2024 挑战赛的未见验证病例上评估我们提出的方法，结果显示增强肿瘤、肿瘤核心和全肿瘤区域的病灶平均 Dice 分数分别为 0.870、0.865 和 0.926，并在该挑战赛中排名第一。我们的方法突显了集成机器学习技术弥合资源有限国家与发达地区之间医学成像能力差距的能力。通过根据目标人群的特定需求和限制定制我们的方法，我们旨在增强孤立环境中的诊断能力。我们的发现强调了本地数据集成和分层细化等方法对于解决医疗保健差异、确保实际适用性和增强影响力的重要性。BraTS-Africa 2024 获奖算法的 Docker 版本可在 https://hub.docker.com/r/aparida12/brats-ssa-2024 获取。
引用
@article{arxiv.2412.04111,
title = {Adult Glioma Segmentation in Sub-Saharan Africa using Transfer Learning on Stratified Finetuning Data},
author = {Abhijeet Parida and Daniel Capellán-Martín and Zhifan Jiang and Austin Tapp and Xinyang Liu and Syed Muhammad Anwar and María J. Ledesma-Carbayo and Marius George Linguraru},
journal= {arXiv preprint arXiv:2412.04111},
year = {2024}
}
备注
10 pages, 3 figures, 3 tables. BraTS-Africa 2024 winning algorithm presented at MICCAI BraTS 2024