基于磁共振成像特征的亚型分型与模型集成用于增强脑肿瘤分割
图像与视频处理
2024-12-24 v3 计算机视觉与模式识别
摘要
在多参数磁共振成像（mpMRI）中准确、自动地分割脑肿瘤对于定量测量至关重要，后者在临床诊断和预后中扮演着日益重要的角色。2024年国际脑肿瘤分割（BraTS）挑战赛提供了一个独特的基准测试机会，涵盖了成人和儿童群体中的多种脑肿瘤类型，例如儿童脑肿瘤（PED）、脑膜瘤（MEN-RT）和脑转移瘤（MET）等。与往届相比，BraTS 2024实施了旨在显著提高临床相关性的变革，例如细化了用于评估的肿瘤区域。我们提出了一种基于深度学习的集成方法，该方法整合了最先进的分割模型。此外，我们引入了创新的、自适应的预处理和后处理技术，这些技术利用基于MRI的影像组学分析来区分肿瘤亚型。鉴于BraTS数据集中存在的肿瘤具有异质性，这种方法提高了分割模型的精度和泛化能力。在最终测试集上，我们的方法在PED、MEN-RT和MET的全肿瘤分割中，分别取得了0.926、0.801和0.688的平均病灶级Dice相似系数。这些结果证明了我们的方法在提高多种脑肿瘤类型的分割性能和泛化能力方面的有效性。我们实现的源代码可在https://github.com/Precision-Medical-Imaging-Group/HOPE-Segmenter-Kids获取。此外，一个开源的网络应用程序可通过https://segmenter.hope4kids.io/访问，该应用使用了docker容器aparida12/brats-peds-2024:v20240913。
引用
@article{arxiv.2412.04094,
title = {Magnetic Resonance Imaging Feature-Based Subtyping and Model Ensemble for Enhanced Brain Tumor Segmentation},
author = {Zhifan Jiang and Daniel Capellán-Martín and Abhijeet Parida and Austin Tapp and Xinyang Liu and María J. Ledesma-Carbayo and Syed Muhammad Anwar and Marius George Linguraru},
journal= {arXiv preprint arXiv:2412.04094},
year = {2024}
}
备注
11 pages, 4 figures, 3 tables. This paper was accepted at MICCAI-BraTS 2024