利用先进变换器和卷积网络方法对撒哈拉亚地区脑肿瘤分割进行精细调优、数据混合与集成
定量方法
2025-08-18 v1
摘要
脑肿瘤是全球最致命的癌症之一，在撒哈拉亚地区（SSA）影响尤为灾难性，因为当地缺乏医学影像基础设施和专业人才，往往导致诊断和治疗计划延迟。准确的脑肿瘤分割对于治疗计划、手术指导和监测疾病进展至关重要，但手动分割耗时且受观察者间变异性影响。近期基于卷积神经网络（CNN）和变换器的深度学习技术在自动化这一关键任务方面显示出巨大潜力。本研究评估了三种最先进的体积结构：SwinUNETR-v2、nnUNet 和 MedNeXt，用于多参数磁共振成像（MRI）扫描中脑肿瘤的自动化分割。我们在BraTS-Africa 2024 和 BraTS2021 数据集上训练模型，并在BraTS-Africa 2024 验证集上进行验证。我们观察到，在SSA验证集的所有肿瘤区域上，使用混合数据集（BraTS-Africa 2024 和 BraTS2021）训练的模型，并未优于仅使用撒哈拉亚地区数据并采用经验证方法训练的模型。来自不同模型的集成预测也导致显著的性能提升。我们最佳表现的模型——经过精细调优的 MedNeXt，实现了0.84的平均肿瘤 Dice 评分，分别为0.81（增强肿瘤）、0.81（肿瘤核心）和0.91（whole肿瘤）。尽管进一步的训练和更大数据集有望带来更好的结果，但这些结果表明在资源受限的环境中部署深度学习技术以实现可靠的肿瘤分割是可行的。我们进一步强调，需要改进当地的数据获取协议，以支持开发临床相关的地区特定人工智能工具的发展。
引用
@article{arxiv.2508.10905,
title = {Brain Tumor Segmentation in Sub-Sahara Africa with Advanced Transformer and ConvNet Methods: Fine-Tuning, Data Mixing and Ensembling},
author = {Toufiq Musah and Chantelle Amoako-Atta and John Amankwaah Otu and Lukman E. Ismaila and Swallah Alhaji Suraka and Oladimeji Williams and Isaac Tigbee and Kato Hussein Wabbi and Samantha Katsande and Kanyiri Ahmed Yakubu and Adedayo Kehinde Lawal and Anita Nsiah Donkor and Naeem Mwinlanaah Adamu and Adebowale Akande and John Othieno and Prince Ebenezer Adjei and Zhang Dong and Confidence Raymond and Udunna C. Anazodo and Abdul Nashirudeen Mumuni and Adaobi Chiazor Emegoakor and Chidera Opara and Maruf Adewole and Richard Asiamah},
journal= {arXiv preprint arXiv:2508.10905},
year = {2025}
}
备注
12 pages, 1 figure, 3 tables, Accepted at the Medical Image Computing in Resource Constrained Settings (MIRASOL) Workshop