Het optimaliseren van de segmentatie van hersentumoren met MedNeXt: BraTS 2024 SSA en Pediatrie

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

Samenvatting

Het identificeren van belangrijke pathologische kenmerken in hersen-MRI's is cruciaal voor de langetermijnoverleving van glioompatiënten. Echter, handmatige segmentatie is tijdrovend, vereist expertinterventie en is vatbaar voor menselijke fouten. Daarom is er aanzienlijk onderzoek gewijd aan het ontwikkelen van machine learning methoden die tumoren nauwkeurig kunnen segmenteren in 3D multimodale hersen-MRI-scans. Ondanks hun vooruitgang worden state-of-the-art modellen vaak beperkt door de data waarop ze zijn getraind, wat zorgen oproept over hun betrouwbaarheid bij toepassing op diverse populaties die distributieverschuivingen kunnen introduceren. Dergelijke verschuivingen kunnen voortkomen uit lagere kwaliteit MRI-technologie (bijv. in sub-Sahara Afrika) of variaties in patiëntdemografie (bijv. kinderen). De BraTS-2024 uitdaging biedt een platform om deze kwesties aan te pakken. Deze studie presenteert onze methodologie voor het segmenteren van tumoren in de BraTS-2024 SSA en Pediatrische Tumoren taken met behulp van MedNeXt, uitgebreide modelensemble en grondige postprocessing. Onze aanpak toonde sterke prestaties op de ongeziene validatieset, met een gemiddelde Dice Similarity Coefficient (DSC) van 0.896 op de BraTS-2024 SSA dataset en een gemiddelde DSC van 0.830 op de BraTS Pediatrische Tumor dataset. Daarnaast behaalde onze methode een gemiddelde Hausdorff Afstand (HD95) van 14.682 op de BraTS-2024 SSA dataset en een gemiddelde HD95 van 37.508 op de BraTS Pediatrische dataset. Ons GitHub-repository is hier toegankelijk: Project Repository: https://github.com/python-arch/BioMbz-Optimaliseren-Hersen-Tumor-Segmentatie-met-MedNeXt-BraTS-2024-SSA-en-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