基于合成数据增强的多任务脑肿瘤分割改进
计算机视觉与模式识别
2024-12-03 v2 机器学习
摘要
本文提出了 BraTS 挑战任务 1 的获胜方案和任务 3 的第三名方案。随着越来越多且越来越精密可靠的算法的发展，自动化工具在临床实践中的应用不断增加。然而，达到临床标准并为真实场景开发工具是一项重大挑战。为此，BraTS 组织了针对特定目的寻找最先进方案的任务。在本文中，我们提出使用合成数据来训练最先进的框架，以改进治疗后成人胶质瘤的分割以及用于放疗计划的脑膜瘤分割。我们的结果表明，合成数据的使用能够带来更鲁棒的算法，尽管合成数据生成流程并不直接适用于脑膜瘤任务。在任务 1 中，我们在 ET、NETC、RC、SNFH、TC 和 WT 上分别取得了 DSC 为 0.7900、0.8076、0.7760、0.8926、0.7874、0.8938 以及 HD95 为 35.63、30.35、44.58、16.87、38.19、17.95 的结果，在任务 3 中，我们在测试阶段取得了 DSC 为 0.801 和 HD95 为 38.26 的结果。这些任务的代码可在 https://github.com/ShadowTwin41/BraTS_2023_2024_solutions 获取。
引用
@article{arxiv.2411.04632,
title = {Improved Multi-Task Brain Tumour Segmentation with Synthetic Data Augmentation},
author = {André Ferreira and Tiago Jesus and Behrus Puladi and Jens Kleesiek and Victor Alves and Jan Egger},
journal= {arXiv preprint arXiv:2411.04632},
year = {2024}
}