面向非洲 MRI 数据的资源高效脑肿瘤分割
计算机视觉与模式识别
2025-09-12 v1 人工智能
摘要
脑肿瘤是最常见的原发性脑肿瘤，其准确分割自 MRI 对诊断、治疗计划和随访监测至关重要。然而，非洲（SSA）地区高质量标注成像数据的稀缺，构成了在临床工作流程中部署先进分割模型的主要挑战。本研究引入一个面向资源受限环境的稳健且计算高效的深度学习框架。我们利用3D注意力 UNet 架构增强了残差块，并通过从 BraTS 2021 数据集预训练权重实现了提升。该模型在 BraTS-Africa 数据集的 95 例 MRI 案例上进行了评估。这一数据集是 SSA MRI 数据基准测试。尽管数据质量和数量有限，我们的方法在增强肿瘤（ET）、坏死和非增强肿瘤核心（NETC）以及围绕非功能半球（SNFH）上取得了 Dice 分别为 0.76、0.80 和 0.85 的成绩。这些结果表明了所提出模型的通用性及其在低资源环境中支持临床决策的潜力。该紧凑架构约为 90 MB，在消费级硬件上实现的每体积推理时间不到 1 分钟，进一步凸显了其在 SSA 健康系统中的实用性。这一工作致力于通过赋能在贫困地区拥有高性能且可接近的医学成像解决方案，来缩小公平 AI 在全球健康领域的差距。
引用
@article{arxiv.2509.09469,
title = {Resource-Efficient Glioma Segmentation on Sub-Saharan MRI},
author = {Freedmore Sidume and Oumayma Soula and Joseph Muthui Wacira and YunFei Zhu and Abbas Rabiu Muhammad and Abderrazek Zeraii and Oluwaseun Kalejaye and Hajer Ibrahim and Olfa Gaddour and Brain Halubanza and Dong Zhang and Udunna C Anazodo and Confidence Raymond},
journal= {arXiv preprint arXiv:2509.09469},
year = {2025}
}
备注
11 pages, 7 figures