用于MRI脑肿瘤分割的多模态CNN网络：一项BraTS 2022挑战赛解决方案
图像与视频处理
2022-12-20 v1 计算机视觉与模式识别
机器学习
摘要
自动分割对于脑肿瘤诊断、疾病预后以及胶质瘤患者的后续治疗至关重要。然而，由于扫描仪和成像协议的多样性，在多模态MRI中准确检测胶质瘤及其子区域仍然非常具有挑战性。在过去几年中，BraTS挑战赛提供了大量多机构MRI扫描数据，作为胶质瘤分割算法的基准。本文描述了我们对BraTS 2022持续评估挑战赛的贡献。我们提出了一种新的集成方法，结合了多个深度学习框架，即DeepSeg、nnU-Net和DeepSCAN，用于术前MRI中的自动胶质瘤边界检测。值得注意的是，我们的集成模型在BraTS测试数据集的最终评估中获得了第一名，对于全肿瘤、肿瘤核心和增强肿瘤，Dice分数分别为0.9294、0.8788和0.8803，Hausdorff距离分别为5.23、13.54和12.05。此外，所提出的集成方法在另一个未见过的测试数据集（即撒哈拉以南非洲数据集）的最终排名中也位居第一，对于全肿瘤、肿瘤核心和增强肿瘤，平均Dice分数分别达到0.9737、0.9593和0.9022，HD95分别为2.66、1.72和3.32。获胜提交方案的Docker镜像已公开可用（https://hub.docker.com/r/razeineldin/camed22）。
引用
@article{arxiv.2212.09310,
title = {Multimodal CNN Networks for Brain Tumor Segmentation in MRI: A BraTS 2022 Challenge Solution},
author = {Ramy A. Zeineldin and Mohamed E. Karar and Oliver Burgert and Franziska Mathis-Ullrich},
journal= {arXiv preprint arXiv:2212.09310},
year = {2022}
}
备注
Accepted in BraTS 2022 (as part of the BrainLes workshop proceedings distributed by Springer LNCS). arXiv admin note: text overlap with arXiv:2112.06554