Optimisation de la segmentation des tumeurs cérébrales avec MedNeXt : BraTS 2024 SSA et Pédiatrie

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

November 24, 2024

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

cs.AI

Résumé

Identifier les caractéristiques pathologiques clés dans les IRM cérébrales est crucial pour la survie à long terme des patients atteints de gliome. Cependant, la segmentation manuelle est chronophage, nécessite l'intervention d'experts et est sujette aux erreurs humaines. Par conséquent, d'importants travaux de recherche ont été consacrés au développement de méthodes d'apprentissage automatique capables de segmenter avec précision les tumeurs dans les IRM cérébrales multimodales 3D. Malgré leurs progrès, les modèles de pointe sont souvent limités par les données sur lesquelles ils sont entraînés, soulevant des préoccupations quant à leur fiabilité lorsqu'ils sont appliqués à des populations diverses pouvant introduire des décalages de distribution. Ces décalages peuvent provenir de la technologie IRM de moindre qualité (par exemple, en Afrique subsaharienne) ou des variations dans les données démographiques des patients (par exemple, les enfants). Le défi BraTS-2024 offre une plateforme pour aborder ces problèmes. Cette étude présente notre méthodologie pour segmenter les tumeurs dans les tâches BraTS-2024 SSA et Tumeurs Pédiatriques en utilisant MedNeXt, un ensemble de modèles complet et un post-traitement approfondi. Notre approche a démontré de solides performances sur l'ensemble de validation non vu, atteignant un coefficient de similarité Dice (DSC) moyen de 0,896 sur l'ensemble de données BraTS-2024 SSA et un DSC moyen de 0,830 sur l'ensemble de données BraTS Tumeurs Pédiatriques. De plus, notre méthode a obtenu une distance de Hausdorff moyenne (HD95) de 14,682 sur l'ensemble de données BraTS-2024 SSA et une HD95 moyenne de 37,508 sur l'ensemble de données BraTS Pédiatriques. Notre dépôt GitHub est accessible ici : Dépôt du projet : 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