大尺寸核MedNeXt用于乳腺肿瘤分割与用于pCR分类的自归一化网络
图像与视频处理
2025-10-10 v1 计算机视觉与模式识别
摘要
动态对比增强MRI（DCE-MRI）中准确的乳腺肿瘤分割对于下游任务如旁路完全反应（pCR）评估至关重要。本文我们利用大规模MAMA-MIA DCE-MRI数据集同时解决分割和pCR分类问题。我们采用大尺寸核的MedNeXt架构，并采用两阶段训练策略将感受野从3x3x3扩展到5x5x5核，使用UpKern算法。这一方法允许稳定地将已学习的特征传递到更大的核上，提高了在未见验证集上的分割性能。一组大尺寸模型在Dice得分达到0.67，归一化Hausdorff距离（NormHD）为0.24。对于pCR分类，我们在从预测分段和首次对比DCE-MRI中提取的放射组学特征上训练了自归一化网络（SNN），在平均平衡准确率达到57%，在某些子组中可达75%。我们的发现突显了结合更大感受野和放射组学驱动分类的优势，激励未来在高级集成和临床变量的整合方面进一步提高性能和泛化能力。代码：https://github.com/toufiqmusah/caladan-mama-mia.git
引用
@article{arxiv.2508.01831,
title = {Large Kernel MedNeXt for Breast Tumor Segmentation and Self-Normalizing Network for pCR Classification in Magnetic Resonance Images},
author = {Toufiq Musah},
journal= {arXiv preprint arXiv:2508.01831},
year = {2025}
}
备注
8 pages, 2 figures, 2 tables, Accepted at MICCAI 2025 Deep-Breath Workshop