在资源受限环境下增强脑肿瘤分割的深度集成方法
图像与视频处理
2025-02-05 v1 计算机视觉与模式识别
摘要
脑肿瘤分割是治疗规划中的关键步骤，然而人工分割既耗时又主观，严重依赖于放射科医生的专业知识。在撒哈拉以南非洲地区，由于医疗系统超负荷、难以获取高级成像模态和缺乏专家放射科医生，这一挑战被进一步放大。利用深度学习自动进行脑肿瘤分割提供了一种有前景的解决方案。卷积神经网络（CNN），尤其是 U-Net 架构，已展现出巨大的潜力。然而，一个重大挑战依然存在：如何在不同数据集之间实现泛化能力。本研究通过开发一种集成了 UNet3D、V-Net 和 MSA-VNet 模型的深度学习集成方法来进行神经胶质瘤的语义分割，从而填补了这一空白。通过首先在 BraTS-GLI 数据集上进行训练，并使用 BraTS-SSA 数据集进行微调，我们提升了模型性能。我们的集成方法显著优于单个模型，在肿瘤核心、整个肿瘤和增强肿瘤上的 DICE 得分分别为 0.8358、0.8521 和 0.8167。这些结果突显了集成方法在提高自动化脑肿瘤分割的准确性和可靠性方面的潜力，尤其是在资源受限的环境中。
引用
@article{arxiv.2502.02179,
title = {Deep Ensemble approach for Enhancing Brain Tumor Segmentation in Resource-Limited Settings},
author = {Jeremiah Fadugba and Isabel Lieberman and Olabode Ajayi and Mansour Osman and Solomon Oluwole Akinola and Tinashe Mustvangwa and Dong Zhang and Udunna C Anazondo and Raymond Confidence},
journal= {arXiv preprint arXiv:2502.02179},
year = {2025}
}