Ottimizzazione della segmentazione dei tumori cerebrali con MedNeXt: BraTS 2024 SSA e Pediatria

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

November 24, 2024

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

cs.AI

Abstract

Identificare le principali caratteristiche patologiche nelle MRI cerebrali è cruciale per la sopravvivenza a lungo termine dei pazienti affetti da glioma. Tuttavia, la segmentazione manuale è dispendiosa in termini di tempo, richiede l'intervento di esperti ed è suscettibile agli errori umani. Pertanto, significative ricerche sono state dedicate allo sviluppo di metodi di apprendimento automatico che possano segmentare con precisione i tumori nelle scansioni MRI cerebrali 3D multimodali. Nonostante i progressi compiuti, i modelli all'avanguardia sono spesso limitati dai dati su cui vengono addestrati, sollevando preoccupazioni sulla loro affidabilità quando applicati a popolazioni diverse che possono introdurre spostamenti nella distribuzione. Tali spostamenti possono derivare da tecnologie MRI di qualità inferiore (ad esempio, in Africa subsahariana) o da variazioni nelle caratteristiche demografiche dei pazienti (ad esempio, bambini). La sfida BraTS-2024 fornisce una piattaforma per affrontare tali questioni. Questo studio presenta la nostra metodologia per la segmentazione dei tumori nei compiti BraTS-2024 SSA e Tumori Pediatrici utilizzando MedNeXt, l'ensemble di modelli completo e un accurato postprocessing. Il nostro approccio ha dimostrato ottime prestazioni sul set di validazione non visto, raggiungendo un Coefficiente di Similarità di Dice (DSC) medio di 0,896 sul dataset BraTS-2024 SSA e un DSC medio di 0,830 sul dataset BraTS Tumori Pediatrici. Inoltre, il nostro metodo ha ottenuto una Distanza di Hausdorff media (HD95) di 14,682 sul dataset BraTS-2024 SSA e un HD95 medio di 37,508 sul dataset BraTS Pediatrici. Il nostro repository GitHub è accessibile qui: Repository del Progetto: 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