Optimierung der automatischen Segmentierung von Hirntumoren in der Pädiatrie und Subsahara-Afrika mit MedNeXt

Optimierung der Hirntumorsegmentierung mit MedNeXt: BraTS 2024 SSA und Pädiatrie

Die Identifizierung pathologischer Merkmale in MRT-Aufnahmen des Gehirns ist entscheidend für das Überleben von Patienten mit Gliomen. Die manuelle Segmentierung ist jedoch zeitaufwendig, erfordert Expertenwissen und ist anfällig für menschliche Fehler. Daher wird intensiv an der Entwicklung von maschinellen Lernmethoden geforscht, die Tumore in 3D-multimodalen MRT-Scans des Gehirns präzise segmentieren können. Trotz des Fortschritts sind moderne Modelle oft durch die Daten begrenzt, mit denen sie trainiert wurden, was Bedenken hinsichtlich ihrer Zuverlässigkeit bei Anwendung auf verschiedene Populationen aufwirft, die Verteilungsverschiebungen einführen können. Solche Verschiebungen können von einer geringeren Qualität der MRT-Technologie (z. B. in Subsahara-Afrika) oder von Variationen in der Patientendemographie (z. B. bei Kindern) herrühren. Die BraTS-2024-Challenge bietet eine Plattform, um diese Probleme anzugehen.

Diese Studie präsentiert unsere Methodik zur Segmentierung von Tumoren in den BraTS-2024 SSA- und Pediatric Tumors-Aufgaben unter Verwendung von MedNeXt, umfassender Model-Ensembling und gründlicher Nachbearbeitung. Unser Ansatz zeigte eine starke Leistung auf dem unsichtbaren Validierungsdatensatz und erreichte einen durchschnittlichen Dice Similarity Coefficient (DSC) von 0.896 auf dem BraTS-2024 SSA-Datensatz und einen durchschnittlichen DSC von 0.830 auf dem BraTS Pediatric Tumor-Datensatz. Darüber hinaus erreichte unsere Methode eine durchschnittliche Hausdorff-Distanz (HD95) von 14.682 auf dem BraTS-2024 SSA-Datensatz und eine durchschnittliche HD95 von 37.508 auf dem BraTS Pediatric-Datensatz.

Hintergrund

Gliome stellen trotz Fortschritten im Verständnis ihrer Pathophysiologie die häufigste und bösartigste Art von primären Hirntumoren dar. Nur etwa 20% der Patienten mit Gliomen überleben zwei Jahre nach der Diagnose, und sie verursachen die meisten krebsbedingten Todesfälle in der Pädiatrie. Ihre Präsenz ist durch Magnetresonanztomographie (MRT)-Scans sichtbar, die detaillierte Informationen über die inneren Strukturen, Gewebe und Organe des Patienten liefern. Die korrekte Abgrenzung des Tumors und die Identifizierung seiner Subregionen aus dem MRT-Scan ist ein entscheidender erster Schritt bei den Behandlungsoptionen, einschließlich Chirurgie, Chemotherapie und Strahlentherapie. Darüber hinaus ist sie wichtig für die Beurteilung des Behandlungsresponses und für die longitudinale Überwachung des Patienten.

Radiologen verlassen sich auf MRT-Scans, um die Tumorklassifizierung und -lokalisierung manuell vorherzusagen, was zeitaufwendig, arbeitsintensiv und anfällig für menschliche Fehler ist. Diese Herausforderungen werden in Ländern mit niedrigem Einkommen noch verschärft, in denen überlastete Gesundheitssysteme und ein Mangel an qualifizierten Fachkräften herrschen. Infolgedessen besteht ein kritischer Bedarf an automatisierten Lösungen, und Machine-Learning-Pipelines für die automatische Tumorsegmentierung bieten ein vielversprechendes Werkzeug, um genaue und effiziente Messungen zu liefern.

Die BraTS-Challenge

Die Konferenz Medical Image Computing and Computer Assisted Interventions (MICCAI) veranstaltet jährlich verschiedene Wettbewerbe für medizinische Bildgebung, die Forschungsteams international anziehen. Dazu gehört auch die BraTS-Challenge, die in diesem Jahr aus zehn verschiedenen Aufgaben im Zusammenhang mit Hirntumoren besteht. Ursprünglich konzentrierte sich BraTS auf die Segmentierung von Gliomen bei Erwachsenen, wobei die Datensätze hauptsächlich aus dem globalen Norden stammten. Trotz der Fortschritte, die diese jährliche Herausforderung mit sich gebracht hat, gibt es Bedenken hinsichtlich der Zuverlässigkeit modernster Modelle, wenn sie auf Populationen angewendet werden, die Verteilungsverschiebungen gegenüber dem ursprünglichen Datensatz einführen. Solche Verschiebungen können sich aus einer geringeren Qualität der MRT-Technologien (z. B. in Subsahara-Afrika) oder aus Unterschieden in der Anatomie der Bevölkerung (z. B. bei Kindergehirnen) ergeben. Daher hat die BraTS-Challenge ihren Datensatz erweitert, um Tumore in Subsahara-Afrika, Pädiatrie und Meningeome einzubeziehen. Dieser Artikel konzentriert sich auf die Aufgaben Afrika und Pädiatrie.

Methodik

Diese Studie verwendet die MedNeXt-Architektur, eine Variante von U-Net, die ConvNeXt-Blöcke verwendet, für die automatische Hirntumorsegmentierung. Die verwendeten Daten stammen aus der Standardversorgung von Hirntumoren und wurden von Radiologen sorgfältig annotiert und von Neurologen überprüft, um die Genauigkeit zu gewährleisten. Die kombinierten Verbesserungen dieser Techniken führen zu einer hochmodernen Machine-Learning-Pipeline für die BraTS Africa- und Pediatric-Challenges.

Die wichtigsten Beiträge dieser Studie sind:

- Eine Deep-Learning-Pipeline für die Segmentierung von Hirntumoren in Afrika und der Pädiatrie für die entsprechenden BraTS 2024-Aufgaben. - Eine Integration des neuartigen Schedule-Free-Optimierers in den Trainingsalgorithmus. - Eine gründliche Analyse von Finetuning- und Ensembling-Techniken und deren Auswirkungen auf die Leistung.

Ergebnisse

Unser Ansatz zeigte eine starke Leistung auf dem unsichtbaren Validierungsdatensatz und erreichte einen durchschnittlichen Dice Similarity Coefficient (DSC) von 0.896 auf dem BraTS-2024 SSA-Datensatz und einen durchschnittlichen DSC von 0.830 auf dem BraTS Pediatric Tumor-Datensatz. Darüber hinaus erreichte unsere Methode eine durchschnittliche Hausdorff-Distanz (HD95) von 14.682 auf dem BraTS-2024 SSA-Datensatz und eine durchschnittliche HD95 von 37.508 auf dem BraTS Pediatric-Datensatz. Das GitHub-Repository ist hier verfügbar: https://github.com/python-arch/BioMbz-Optimizing-Brain-Tumor-Segmentation-with-MedNeXt-BraTS-2024-SSA-and-Pediatrics

Bibliographie Hashmi et al. “Optimizing Brain Tumor Segmentation with MedNeXt: BraTS 2024 SSA and Pediatrics.” arXiv preprint arXiv:2411.15872 (2024). Hashmi et al. “Optimizing Brain Tumor Segmentation with MedNeXt: BraTS 2024 SSA and Pediatrics.” arXiv preprint arXiv:2411.15872v1 (2024). GitHub Repository: https://github.com/python-arch/BioMbz-Optimizing-Brain-Tumor-Segmentation-with-MedNeXt-BraTS-2024-SSA-and-Pediatrics Synapse BraTS 2024: https://www.synapse.org/brats2024 Uhlitz et al. “The Brain Tumor Segmentation (BraTS) Challenge 2023: Focus on Pediatrics (CBTN-CONNECT-DIPGR-ASNR-MICCAI BraTS-PEDs).” ResearchGate (2024). Boyd et al. “Stepwise Transfer Learning for Expert-level Pediatric Brain Tumor MRI Segmentation in a Limited Data Scenario.” Radiology Artificial Intelligence 6.4 (2024): e230254. Elseiagy et al. “On Enhancing Brain Tumor Segmentation across Diverse Populations with Convolutional Neural Networks.” ResearchGate (2024).