Otimizando a Segmentação de Tumores Cerebrais com o MedNeXt: BraTS 2024 SSA e Pediatria

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

Resumo

A identificação de características patológicas chave em ressonâncias magnéticas cerebrais é crucial para a sobrevivência a longo prazo de pacientes com glioma. No entanto, a segmentação manual é demorada, requer intervenção de especialistas e é suscetível a erros humanos. Portanto, significativa pesquisa tem sido dedicada ao desenvolvimento de métodos de aprendizado de máquina que possam segmentar com precisão tumores em ressonâncias magnéticas cerebrais 3D multimodais. Apesar do progresso, os modelos de ponta frequentemente são limitados pelos dados nos quais são treinados, levantando preocupações sobre sua confiabilidade quando aplicados a populações diversas que podem introduzir mudanças na distribuição. Tais mudanças podem surgir de tecnologia de ressonância magnética de menor qualidade (por exemplo, na África subsaariana) ou variações nas características demográficas dos pacientes (por exemplo, crianças). O desafio BraTS-2024 fornece uma plataforma para abordar essas questões. Este estudo apresenta nossa metodologia para segmentar tumores nas tarefas BraTS-2024 SSA e Tumores Pediátricos usando MedNeXt, ensemble abrangente de modelos e pós-processamento detalhado. Nossa abordagem demonstrou um desempenho sólido no conjunto de validação não visto, alcançando um Coeficiente de Similaridade de Dice (DSC) médio de 0,896 no conjunto de dados BraTS-2024 SSA e um DSC médio de 0,830 no conjunto de dados BraTS de Tumores Pediátricos. Além disso, nosso método alcançou uma Distância de Hausdorff (HD95) média de 14,682 no conjunto de dados BraTS-2024 SSA e uma HD95 média de 37,508 no conjunto de dados BraTS de Tumores Pediátricos. Nosso repositório no GitHub pode ser acessado aqui: Repositório do Projeto: https://github.com/python-arch/BioMbz-Optimizando-Segmentação-de-Tumores-Cerebrais-com-MedNeXt-BraTS-2024-SSA-e-Pediatria

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