如何在 BraTS-SSA 2025 中获胜：针对撒哈拉亚非洲人群的脑肿瘤分割
图像与视频处理
2025-10-10 v2 计算机视觉与模式识别
摘要
脑肿瘤，特别是脑腺瘤，因其复杂的生长模式、浸润性特征以及个体之间脑结构的差异性，导致诊断和监测具有显著挑战。深度学习模型已被开发出来准确描绘这些肿瘤。然而，这些模型大多在相对均质的高资源数据集上训练，限制了其在资源匮乏地区部署时的鲁棒性。本研究对 BraTS-Africa 数据集进行分割感知的离线数据增强，以增加数据样本量和多样性以增强泛化能力。我们进一步构建了一个由 MedNeXt、SegMamba 和 Residual-Encoder U-Net 三个不同架构组成的集成模型，以利用它们的互补优势。我们的最佳模型 MedNeXt 在 1000 个 epoch 训练，实现了最高的平均病灶性 dice 和标准化表面距离得分，分别为 0.86 和 0.81。然而，500 个 epoch 训练的集成模型在肿瘤亚区域实现了最具均衡的分割性能。该工作表明，高级数据增强和模型集成的结合可以提高在多样化和欠代表的数据集上的分割准确性和鲁棒性。代码地址：https://github.com/SPARK-Academy-2025/SPARK-2025/tree/main/SPARK2025_BraTs_MODELS/SPARK_NeuroAshanti
关键词
引用
@article{arxiv.2510.03568,
title = {How We Won BraTS-SSA 2025: Brain Tumor Segmentation in the Sub-Saharan African Population Using Segmentation-Aware Data Augmentation and Model Ensembling},
author = {Claudia Takyi Ankomah and Livingstone Eli Ayivor and Ireneaus Nyame and Leslie Wambo and Patrick Yeboah Bonsu and Aondona Moses Iorumbur and Raymond Confidence and Toufiq Musah},
journal= {arXiv preprint arXiv:2510.03568},
year = {2025}
}
备注
Brain Tumor Segmentation Challenge, International Medical Image Computing and Computer Assisted Intervention (MICCAI) Conference, 11 Pages, 2 Figures, 2 Tables