面向撒哈拉以南非洲成人胶质瘤数据集的脑肿瘤分割改进卷积基线的参数高效微调
摘要
使用深度学习方法自动进行脑肿瘤分割是医学成像中的一个持续挑战。存在多个遗留问题，包括领域偏移和在资源匮乏环境中的应用，这带来了一系列独特的挑战，包括数据稀缺。作为解决这些具体问题的一步，我们提出了受卷积适配器启发的MedNeXt架构参数高效微调（PEFT）。为了验证我们的想法，我们展示了我们的方法与完全微调性能相当，并具有减少训练计算量的额外优势，使用BraTS-2021作为预训练数据集，BraTS-Africa作为微调数据集。BraTS-Africa包含来自撒哈拉以南非洲人群的小型数据集（60个训练/35个验证），与BraTS-2021（1251个训练样本）相比，MRI质量存在显著偏移。我们首先表明，在BraTS-2021数据集上训练的模型不能很好地泛化到BraTS-Africa，在BraTS-Africa验证样本上平均Dice降低了20%。然后，我们表明PEFT可以利用BraTS-2021和BraTS-Africa数据集获得0.8的平均Dice，而仅在BraTS-Africa上训练时仅为0.72。最后，我们表明PEFT（平均Dice 0.80）产生了与完全微调（平均Dice 0.77）相当的性能，这可能表明PEFT平均更好，但箱线图显示完全微调结果的性能方差更小。然而，在分解Dice指标时，我们发现模型倾向于过度分割，表现为高特异性（0.99）和相对较低的灵敏度（0.75）。源代码可在https://github.com/CAMERA-MRI/SPARK2024/tree/main/PEFT_MedNeXt获取。
引用
@article{arxiv.2412.14100,
title = {Parameter-efficient Fine-tuning for improved Convolutional Baseline for Brain Tumor Segmentation in Sub-Saharan Africa Adult Glioma Dataset},
author = {Bijay Adhikari and Pratibha Kulung and Jakesh Bohaju and Laxmi Kanta Poudel and Confidence Raymond and Dong Zhang and Udunna C Anazodo and Bishesh Khanal and Mahesh Shakya},
journal= {arXiv preprint arXiv:2412.14100},
year = {2024}
}
备注
Accepted to "The International Brain Tumor Segmentation (BraTS) challenge organized at MICCAI 2024 conference"