Optimización de la Segmentación de Tumores Cerebrales con MedNeXt: BraTS 2024 SSA y Pediatría

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

November 24, 2024

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

cs.AI

Resumen

La identificación de características patológicas clave en las resonancias magnéticas cerebrales es crucial para la supervivencia a largo plazo de los pacientes con glioma. Sin embargo, la segmentación manual es un proceso que consume tiempo, requiere intervención de expertos y es susceptible a errores humanos. Por lo tanto, se ha dedicado una investigación significativa al desarrollo de métodos de aprendizaje automático que puedan segmentar con precisión tumores en escaneos 3D de resonancias magnéticas cerebrales multimodales. A pesar de los avances, los modelos de vanguardia suelen estar limitados por los datos en los que se entrenan, lo que plantea preocupaciones sobre su fiabilidad al aplicarse a poblaciones diversas que pueden introducir cambios en la distribución. Estos cambios pueden deberse a tecnología de resonancia magnética de menor calidad (por ejemplo, en África subsahariana) o variaciones en las características demográficas de los pacientes (por ejemplo, niños). El desafío BraTS-2024 proporciona una plataforma para abordar estos problemas. Este estudio presenta nuestra metodología para la segmentación de tumores en las tareas BraTS-2024 SSA y Tumores Pediátricos utilizando MedNeXt, un ensamblaje exhaustivo de modelos y un postprocesamiento detallado. Nuestro enfoque demostró un rendimiento sólido en el conjunto de validación no visto, logrando un Coeficiente de Similitud de Dice (DSC) promedio de 0.896 en el conjunto de datos BraTS-2024 SSA y un DSC promedio de 0.830 en el conjunto de datos de Tumores Pediátricos de BraTS. Además, nuestro método logró una Distancia de Hausdorff promedio (HD95) de 14.682 en el conjunto de datos BraTS-2024 SSA y un HD95 promedio de 37.508 en el conjunto de datos Pediátricos de BraTS. Nuestro repositorio de GitHub se puede acceder aquí: Repositorio del Proyecto: 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