利用BraTS撒哈拉以南非洲数据集优化用于脑肿瘤（胶质瘤）分割的nnU-Net模型

医学图像分割是现代医学科学的一项关键成就，经过数十年的研究发展。它利用像素强度、纹理和解剖背景等概念，能够在二维或三维图像中精确描绘解剖和病理特征。随着自动分割的出现，医生和放射科医生现在可以专注于诊断和治疗计划，而智能计算机则执行常规的图像处理任务。本研究使用了BraTS撒哈拉以南非洲数据集，这是BraTS数据集的一个选定子集，包含60例胶质瘤患者的多模态MRI病例。令人惊讶的是，在最初的60个病例上训练的nnU-Net模型，其表现优于在包含360个病例的离线增强数据集上训练的网络。假设认为，离线增强引入了人为的解剖变异或强度分布，降低了泛化能力。相比之下，原始数据集与nnU-Net强大的在线增强程序相结合，保持了真实的变异性并产生了更好的结果。本研究在全肿瘤分割上达到了0.84的Dice分数。这些发现强调了数据质量和适当的增强方法在构建准确、可泛化的医学图像分割模型中的重要性，尤其是在代表性不足的地区。