Optimierung der Hirntumor-Segmentierung mit MedNeXt: BraTS 2024 SSA und Pädiatrie

Optimizing Brain Tumor Segmentation with MedNeXt: BraTS 2024 SSA and Pediatrics

November 24, 2024

Autoren: Sarim Hashmi, Juan Lugo, Abdelrahman Elsayed, Dinesh Saggurthi, Mohammed Elseiagy, Alikhan Nurkamal, Jaskaran Walia, Fadillah Adamsyah Maani, Mohammad Yaqub

cs.AI

Zusammenfassung

Die Identifizierung wichtiger pathologischer Merkmale in Hirn-MRTs ist entscheidend für das langfristige Überleben von Gliom-Patienten. Die manuelle Segmentierung ist jedoch zeitaufwändig, erfordert Experteneingriffe und ist anfällig für menschliche Fehler. Daher wurde erhebliche Forschung betrieben, um Machine-Learning-Methoden zu entwickeln, die Tumore in 3D-multimodalen Hirn-MRT-Scans präzise segmentieren können. Trotz des Fortschritts sind modernste Modelle oft durch die Daten begrenzt, auf denen sie trainiert wurden, was Bedenken hinsichtlich ihrer Zuverlässigkeit bei der Anwendung auf verschiedene Populationen aufwirft, die Verteilungsverschiebungen verursachen können. Solche Verschiebungen können auf eine niedrigere Qualität der MRT-Technologie (z. B. in Subsahara-Afrika) oder Variationen in den Patientendemografien (z. B. Kinder) zurückzuführen sein. Die BraTS-2024-Herausforderung bietet eine Plattform, um diese Probleme anzugehen. Diese Studie präsentiert unsere Methodik zur Segmentierung von Tumoren in den BraTS-2024-SSA- und Pädiatrischen Tumoraufgaben unter Verwendung von MedNeXt, umfassendem Modell-Ensembling und gründlicher Nachverarbeitung. Unser Ansatz zeigte eine starke Leistung auf dem nicht gesehenen Validierungsset und erzielte einen durchschnittlichen Dice-Ähnlichkeitskoeffizienten (DSC) von 0,896 auf dem BraTS-2024-SSA-Datensatz und einen durchschnittlichen DSC von 0,830 auf dem BraTS-Pädiatrischen Tumor-Datensatz. Darüber hinaus erreichte unsere Methode einen durchschnittlichen Hausdorff-Abstand (HD95) von 14,682 auf dem BraTS-2024-SSA-Datensatz und einen durchschnittlichen HD95 von 37,508 auf dem BraTS-Pädiatrischen Datensatz. Unser GitHub-Repository ist hier verfügbar: Projekt-Repository: https://github.com/python-arch/BioMbz-Optimizing-Brain-Tumor-Segmentation-with-MedNeXt-BraTS-2024-SSA-and-Pediatrics

English

Identifying key pathological features in brain MRIs is crucial for the long-term survival of glioma patients. However, manual segmentation is time-consuming, requiring expert intervention and is susceptible to human error. Therefore, significant research has been devoted to developing machine learning methods that can accurately segment tumors in 3D multimodal brain MRI scans. Despite their progress, state-of-the-art models are often limited by the data they are trained on, raising concerns about their reliability when applied to diverse populations that may introduce distribution shifts. Such shifts can stem from lower quality MRI technology (e.g., in sub-Saharan Africa) or variations in patient demographics (e.g., children). The BraTS-2024 challenge provides a platform to address these issues. This study presents our methodology for segmenting tumors in the BraTS-2024 SSA and Pediatric Tumors tasks using MedNeXt, comprehensive model ensembling, and thorough postprocessing. Our approach demonstrated strong performance on the unseen validation set, achieving an average Dice Similarity Coefficient (DSC) of 0.896 on the BraTS-2024 SSA dataset and an average DSC of 0.830 on the BraTS Pediatric Tumor dataset. Additionally, our method achieved an average Hausdorff Distance (HD95) of 14.682 on the BraTS-2024 SSA dataset and an average HD95 of 37.508 on the BraTS Pediatric dataset. Our GitHub repository can be accessed here: Project Repository : https://github.com/python-arch/BioMbz-Optimizing-Brain-Tumor-Segmentation-with-MedNeXt-BraTS-2024-SSA-and-Pediatrics