BeSt-LeS: Benchmarking der Schlaganfall-Lesion-Segmentierung mit tiefen Überwachungstechniken

Schlaganfall ist zu einem erheblichen Belastungsfaktor für die globale Gesundheit geworden, weshalb wir Mittel und Präventionsstrategien benötigen, um dieser Herausforderung zu begegnen. Dafür ist die unmittelbare Identifizierung von Schlaganfällen und das Risikostufenmanagement die wichtigste Aufgabe für klinische Fachkräfte. Um Experten zu unterstützen, sind automatisierte Segmentierungsmodelle entscheidend. In dieser Arbeit verwenden wir den öffentlich zugänglichen Datensatz ATLAS v2.0, um verschiedene end-to-end überwachte U-Net-artige Modelle zu bewerten. Insbesondere haben wir Modelle sowohl auf 2D- als auch auf 3D-Gehirnbildern evaluiert und sie mit Standardmetriken bewertet. Wir erreichten den höchsten Dice-Wert von 0,583 bei dem 2D-transformer-basierten Modell und 0,504 bei dem 3D-residuellen U-Net jeweils. Um den Zusammenhang zwischen vorhergesagtem und tatsächlichem Schlaganfallvolumen zu untersuchen, haben wir den Wilcoxon-Test für 3D-Modelle durchgeführt. Für Wiederverwendbarkeit wurden der Code und die Modellgewichte öffentlich zugänglich gemacht: https://github.com/prantik-pdeb/BeSt-LeS.