Оптимизация сегментации опухолей головного мозга с помощью MedNeXt: BraTS 2024 SSA и Педиатрия

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

November 24, 2024

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

cs.AI

Аннотация

Выявление ключевых патологических особенностей на магнитно-резонансных изображениях мозга имеет решающее значение для долгосрочного выживания пациентов с глиомой. Однако ручная сегментация требует много времени, вмешательства эксперта и подвержена человеческой ошибке. Поэтому значительные исследования были посвящены разработке методов машинного обучения, способных точно сегментировать опухоли на 3D мультимодальных магнитно-резонансных изображениях мозга. Несмотря на их прогресс, передовые модели часто ограничены данными, на которых они обучены, возникают опасения относительно их надежности при применении к разнообразным популяциям, что может вызвать сдвиги в распределении. Такие сдвиги могут быть обусловлены более низким качеством технологии МРТ (например, в странах южной части Африки) или различиями в демографии пациентов (например, дети). Соревнование BraTS-2024 предоставляет платформу для решения этих проблем. В данном исследовании представлена наша методология сегментации опухолей в задачах BraTS-2024 SSA и детских опухолях с использованием MedNeXt, комплексного ансамблирования моделей и тщательной постобработки. Наш подход продемонстрировал высокую производительность на невидимом валидационном наборе данных, достигнув среднего коэффициента сходства Дайса (DSC) 0.896 на наборе данных BraTS-2024 SSA и среднего DSC 0.830 на наборе данных BraTS детских опухолей. Кроме того, наш метод достиг среднего расстояния Хаусдорфа (HD95) 14.682 на наборе данных BraTS-2024 SSA и среднего HD95 37.508 на наборе данных BraTS детских опухолей. Наш репозиторий GitHub доступен по ссылке: Репозиторий проекта: 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