مقاله آموزش و مقایسه روش‌های nnU-Net و DeepMedic برای تقسیم‌بندی خودکار تومورهای مغزی کودکان

چکیده

Brain tumors are the most common solid tumors and the leading cause of cancer-related death among children. Tumor segmentation is essential in surgical and treatment planning, and response assessment and monitoring. However, manual segmentation is time-consuming and has high inter-operator variability, underscoring the need for more efficient methods. We compared two deep learning-based 3D segmentation models, DeepMedic and nnU-Net, after training with pediatric-specific multi-institutional brain tumor data using based on multi-parametric MRI scans.Multi-parametric preoperative MRI scans of 339 pediatric patients (n=293 internal and n=46 external cohorts) with a variety of tumor subtypes, were preprocessed and manually segmented into four tumor subregions, i.e., enhancing tumor (ET), non-enhancing tumor (NET), cystic components (CC), and peritumoral edema (ED). After training, performance of the two models on internal and external test sets was evaluated using Dice scores, sensitivity, and Hausdorff distance with reference to ground truth manual segmentations. Dice score for nnU-Net internal test sets was (mean +/- SD (median)) 0.9+/-0.07 (0.94) for WT, 0.77+/-0.29 for ET, 0.66+/-0.32 for NET, 0.71+/-0.33 for CC, and 0.71+/-0.40 for ED, respectively. For DeepMedic the Dice scores were 0.82+/-0.16 for WT, 0.66+/-0.32 for ET, 0.48+/-0.27, for NET, 0.48+/-0.36 for CC, and 0.19+/-0.33 for ED, respectively. Dice scores were significantly higher for nnU-Net (p<=0.01). External validation of the trained nnU-Net model on the multi-institutional BraTS-PEDs 2023 dataset revealed high generalization capability in segmentation of whole tumor and tumor core with Dice scores of 0.87+/-0.13 (0.91) and 0.83+/-0.18 (0.89), respectively. Pediatric-specific data trained nnU-Net model is superior to DeepMedic for whole tumor and subregion segmentation of pediatric brain tumors.

چکیده به فارسی (ترجمه ماشینی)

تومورهای مغزی شایع ترین تومورهای جامد و علت اصلی مرگ ناشی از سرطان در کودکان است.تقسیم تومور در برنامه ریزی جراحی و درمان و ارزیابی و نظارت پاسخ ضروری است.با این حال ، تقسیم بندی دستی وقت گیر است و دارای تنوع بین اپراتور بالایی است و بر نیاز به روشهای کارآمدتر تأکید می کند.ما دو مدل تقسیم بندی سه بعدی مبتنی بر یادگیری عمیق ، DeepMedic و NNU-NET را پس از آموزش با داده های تومور مغزی چند جانبه خاص کودکان با استفاده از بر اساس اسکن MRI چند پارامتری مقایسه کردیم. اسکن MRI قبل از عمل-پارامتری از 339 بیمار کودکان (N= 293 گروه داخلی و N = 46 خارجی) با انواع زیرگروه های تومور ، از پیش پردازش شده و به صورت دستی در چهار زیر منطقه تومور ، یعنی تقویت تومور (ET) ، تومور غیر تقویت کننده (NET) ، اجزای کیستیک (CC) و تقسیم شدند.ورم peritumoral (ed).پس از آموزش ، عملکرد دو مدل در مجموعه های آزمون داخلی و خارجی با استفاده از نمرات تاس ، حساسیت و فاصله هاوسدورف با استناد به تقسیم بندی های دستی حقیقت زمین مورد بررسی قرار گرفت.نمره تاس برای مجموعه های آزمون داخلی NNU-NET (میانگین +/- SD (متوسط)) 0.9 +/- 0.07 (0.94) برای WT ، 0.77 +/- 0.29 برای ET ، 0.66 +/- 0.32 برای خالص ، 0.71++///-0.33 برای CC ، و 0.71 +/- 0.40 برای ED.برای DeepMedic نمرات تاس ها 0.82 +/- 0.16 برای WT ، 0.66 +/- 0.32 برای ET ، 0.48 +/- 0.27 ، برای خالص ، 0.48 +/- 0.36 برای CC و 0.19 +/- 0.33 برای ED بود.نمرات تاس برای NNU-NET به طور قابل توجهی بالاتر بود (P <0.01).اعتبار سنجی خارجی مدل NNU-NET آموزش دیده در مجموعه داده های چند جانبه BRATS-PEDS 2023 توانایی تعمیم بالا در تقسیم هسته کل تومور و تومور با نمرات تاس 0.87 +/- 0.13 (0.91) و 0.18 0.18 (0.18 0.18 (0.18) را نشان داد.0.89) ، به ترتیب.داده های خاص کودکان آموزش داده شده مدل NNU-NET برای تقسیم کامل تومور و زیر منطقه تومورهای مغزی کودکان برتر از DeepMedic است. [sc name="paperTranslation2"][/sc]