Ай Дайджест - категория mri

Оптимизация сегментации опухолей мозга с помощью MedNeXt: вызовы BraTS 2024 SSA и педиатрии

Определение основных патологических признаков на МРТ мозга имеет решающее значение для долгосрочного выживания пациентов с глиомами. Однако ручная сегментация занимает много времени, требует участия экспертов и подвержена человеческой ошибке. В связи с этим значительное внимание уделяется разработке методов машинного обучения, которые могут точно сегментировать опухоли в 3D мультимодальных МРТ сканированиях мозга. Несмотря на их достижения, современные модели часто ограничены данными, на которых они обучены, что вызывает обеспокоенность по поводу их надежности при применении к различным популяциям, которые могут вносить изменения в распределение данных. Такие изменения могут возникать из-за более низкого качества МРТ-технологий (например, в странах Южной Сахары) или различий в демографии пациентов (например, дети). Конкурс BraTS-2024 предоставляет платформу для решения этих проблем. В данном исследовании представлена наша методология сегментации опухолей в задачах BraTS-2024 SSA и Педиатрических Опухолей, использующая MedNeXt, комплексное моделирование и тщательную постобработку. Наш подход продемонстрировал хорошие результаты на невидимом валидационном наборе, достигнув среднего коэффициента схожести Дайса (DSC) 0,896 на наборе данных BraTS-2024 SSA и среднего DSC 0,830 на наборе данных педиатрических опухолей BraTS. Дополнительно наш метод достиг среднего расстояния Хаусдорфа (HD95) 14,682 на наборе данных BraTS-2024 SSA и среднего HD95 37,508 на наборе данных педиатрических опухолей BraTS. Наш репозиторий на GitHub доступен здесь: Репозиторий проекта: https://github.com/python-arch/BioMbz-Optimizing-Brain-Tumor-Segmentation-with-MedNeXt-BraTS-2024-SSA-and-Pediatrics

2024-11-28mri model validation

SegBook: A Comprehensive Guide to Volumetric Medical Image Segmentation

Компьютерная томография (КТ) является одной из самых популярных модальностей для медицинской визуализации. КТ-изображения внесли наибольший вклад в создание общедоступных наборов данных для задач сегментации объемных медицинских изображений, охватывающих анатомические структуры всего тела. Большое количество изображений КТ всего тела предоставляет возможность предварительно обучать мощные модели, например, STU-Net, обученную в контролируемом режиме, для сегментации множества анатомических структур. Однако остается неясным, в каких условиях эти предварительно обученные модели могут быть перенесены на различные задачи медицинской сегментации, особенно при сегментации других модальностей и разнообразных целей. Для решения этой проблемы важно создать крупномасштабный эталон для всеобъемлющей оценки условий переноса. Таким образом, мы собрали 87 публичных наборов данных, различающихся по модальности, цели и размеру выборки, для оценки способности к переносу моделей, предварительно обученных на КТ всего тела. Затем мы использовали представительную модель, STU-Net с несколькими масштабами моделей, для проведения обучения с переносом через модальности и цели. Наши экспериментальные результаты показывают, что (1) может существовать эффект узкого места, связанный с размером набора данных при тонкой настройке, с большим улучшением как на малых, так и на больших наборах данных, чем на средних. (2) Модели, предварительно обученные на КТ всего тела, демонстрируют эффективный перенос модальностей, хорошо адаптируясь к другим модальностям, таким как МРТ. (3) Предварительное обучение на КТ всего тела не только поддерживает высокую производительность в обнаружении структур, но и показывает эффективность в обнаружении поражений, демонстрируя адаптивность по отношению к различным целевым задачам. Мы надеемся, что эта крупномасштабная открытая оценка обучения с переносом сможет направить будущие исследования в области сегментации объемных медицинских изображений.

2024-11-26benchmark segmentation transfer