用于儿科脑肿瘤分割的级联nnU-Net方法
图像与视频处理
2024-10-21 v1 计算机视觉与模式识别
摘要
神经胶质瘤是儿童中最常见的恶性脑肿瘤。磁共振成像（MRI）是评估这些肿瘤的标准影像学方法。放射肿瘤学指南建议使用MRI对这些肿瘤进行体积测量。诸如脑肿瘤分割（BraTS）挑战赛等分割挑战赛，促进了可复制、可泛化且准确的分割方法的发展，以辅助完成这些任务。本研究提出了一种对现有nnU-Net方法的新颖改编，用于儿科脑肿瘤分割，并提交至BraTS-PEDs 2024挑战赛。我们将带有层次级联的改进nnU-Net应用于BraTS-PEDs 2024挑战赛的分割任务。作为我们基线模型的nnU-Net残差编码器变体，已经能够提供高质量的分割结果。我们对nnU-Net的实现进行了多项修改，并设计了一种新颖的两阶段级联nnU-Net，以从粗到细的方式分割脑肿瘤的亚结构。利用nnU-Net残差编码器（使用T1w、T1w-CE、T2w和T2-FLAIR MRI训练，用于分割肿瘤核心（CC）、水肿（ED）、增强肿瘤（ET）和坏死肿瘤（NET）标签）的输出，这些输出被传递给另外两个模型：一个用于区分ET和NET，另一个用于使用级联学习区分CC和ED。我们依据放射学指南来指导在这些级联模型中使用哪些多参数MRI（mpMRI）。与默认的nnU-Net和作为基线方法的集成nnU-Net相比，我们的新方法为BraTS-PEDs 2024挑战赛提供了稳健的分割结果，在ET、NET、CC和ED上分别实现了0.904、0.703、0.967和0.657的平均Dice分数，以及10.1、111.0、12.3和76.2的HD95值。
引用
@article{arxiv.2410.14020,
title = {Segmentation of Pediatric Brain Tumors using a Radiologically informed, Deep Learning Cascade},
author = {Timothy Mulvany and Daniel Griffiths-King and Jan Novak and Heather Rose},
journal= {arXiv preprint arXiv:2410.14020},
year = {2024}
}