利用MedNeXt优化脑肿瘤分割：BraTS 2024 SSA和儿童数据集
图像与视频处理
2024-11-27 v2 计算机视觉与模式识别
摘要
识别脑MRI中关键病理特征对于glioma患者的长期存活率至关重要。然而，手动分割耗时，需要专家介入且容易出错。因此，致力于开发能够准确分割3D多模态脑MRI扫描中肿瘤的机器学习方法。尽管取得了进展，最先进的模型常受限于其训练数据，引发对其在应用到可能引入分布迁移的多样化人群时可靠性的担忧。此类迁移可能源于较低质量的MRI技术(例如在非撒哈拉非洲)或患者人口统计特征差异(例如儿童)。BraTS-2024挑战为解决这些问题提供了平台。本研究提出了我们的方法，用于BraTS-2024 SSA和儿童肿瘤任务中的脑肿瘤分割，采用MedNeXt、综合模型集成和彻底的后处理。我们的 approach 在未见的验证集上表现出色，在BraTS-2024 SSA数据集上实现平均Dice相似系数(DSC)为0.896，在BraTS儿童肿瘤数据集上实现平均DSC为0.830。此外，我们的方法在BraTS-2024 SSA数据集上实现平均Hausdorff距离(HD95)为14.682，在BraTS儿童数据集上实现平均HD95为37.508。我们的GitHub仓库可在此处访问：Project Repository : https://github.com/python-arch/BioMbz-Optimizing-Brain-Tumor-Segmentation-with-MedNeXt-BraTS-2024-SSA-and-Pediatrics
引用
@article{arxiv.2411.15872,
title = {Optimizing Brain Tumor Segmentation with MedNeXt: BraTS 2024 SSA and Pediatrics},
author = {Sarim Hashmi and Juan Lugo and Abdelrahman Elsayed and Dinesh Saggurthi and Mohammed Elseiagy and Alikhan Nurkamal and Jaskaran Walia and Fadillah Adamsyah Maani and Mohammad Yaqub},
journal= {arXiv preprint arXiv:2411.15872},
year = {2024}
}