利用病理学多样性单中心临床数据提高儿童脑肿瘤分割效率
计算机视觉与模式识别
2025-11-21 v2 医学物理
摘要
背景 脑肿瘤是儿童最常见的实体恶性肿瘤，涵盖多样的组织学、分子亚型及影像特征和预后。儿童脑肿瘤（PBTs），包括高低级胶质瘤（HGG, LGG）、脑脊液瘤（MB）、小脑囊肿瘤以及其他罕见类型，正在构成诊断和治疗的挑战。基于深度学习（DL）的分割为肿瘤描绘提供了有前景的工具，但其在异构PBT亚型和MRI协议上的性能尚不确定。方法 我们采用了174例单中心回顾性队列患者，包括HGG、LGG、脑脊液瘤（MB）、小脑囊肿瘤以及其他罕见亚型。MRI序列包括T1、对比增强T1（T1-C）、T2和FLAIR。为四个肿瘤亚区域（whole tumour[WT]、T2-hyperintensity[T2H]、enhancing tumour[ET]、cystic component[CC]）提供了手工注释。训练并测试了3D nnU-Net模型（121/53划分），以Dice相似系数（DSC）评估分割性能，并与人工注释者的变异性进行比较。结果 模型对WT和T2H表现出稳健的分割性能（平均DSC: 0.85），与人工注释者变异性相当（平均DSC: 0.86）。ET分割 moderately accurate（中等精度，平均DSC: 0.75），而CC性能较差。分割精度随肿瘤类型、MRI序列组合和位置而异。值得注意的是，仅T1、T1-C和T2即可接近于完整协议的结果。结论 基于DL的PBT分割是可行的，尤其适用于T2H和WT。挑战仍在于ET和CC的分割，凸显了需要进一步优化的必要性。这些发现支持了协议简化和自动化以提高儿童神经内科肿瘤工作流程的潜力。
引用
@article{arxiv.2507.22152,
title = {Enhancing efficiency in paediatric brain tumour segmentation using a pathologically diverse single-center clinical dataset},
author = {A. Piffer and J. A. Buchner and A. G. Gennari and P. Grehten and S. Sirin and E. Ross and I. Ezhov and M. Rosier and J. C. Peeken and M. Piraud and B. Menze and A. Guerreiro Stücklin and A. Jakab and F. Kofler},
journal= {arXiv preprint arXiv:2507.22152},
year = {2025}
}
备注
A. Jakab and F. Kofler have shared last authorship