Bildgebende Subtypisierung basierend auf Magnetresonanztomographie und Modellensembles zur verbesserten Segmentierung von Hirntumoren

Genau und automatisierte Segmentierung von Hirntumoren in multi-parametrischen Magnetresonanztomographie-Bildern (mpMRI) ist entscheidend für quantitative Messungen, die in der klinischen Diagnose und Prognose eine zunehmend wichtigere Rolle spielen. Der International Brain Tumor Segmentation (BraTS) Challenge 2024 bietet eine einzigartige Benchmarking-Möglichkeit, der verschiedene Hirntumorarten sowohl bei Erwachsenen als auch bei Kindern umfasst, darunter kindliche Hirntumoren (PED), Meningeome (MEN-RT) und Hirnmetastasen (MET). Im Vergleich zu früheren Ausgaben wurde die BraTS 2024 erheblich an klinischer Relevanz verbessert, beispielsweise durch verfeinerte Tumorgebiete zur Bewertung. Wir stellen einen auf Deep Learning basierenden Ensemble-Ansatz vor, der state-of-the-art-Segmentierungsmodelle integriert. Zudem führen wir innovative, adaptive Vor- und Nachverarbeitungstechniken ein, die radiomische Analysen auf der Basis von MRI-Bildern nutzen, um Tumortypen differenzieren zu können. Angesichts der heterogenen Natur der in den BraTS-Datensätzen enthaltenen Tumoren verbessert dieser Ansatz die Genauigkeit und Generalisierbarkeit von Segmentierungsmodellen. Auf den endgültigen Testdatensätzen erzielte unsere Methode mittlere lesion-wise Dice-Similarity-Koeffizienten von 0,926, 0,801 und 0,688 für den gesamten Tumor bei PED, MEN-RT und MET, jeweils. Diese Ergebnisse belegen die Wirksamkeit unseres Ansatzes zur Verbesserung der Segmentierungsgenauigkeit und Generalisierbarkeit für verschiedene Hirntumorarten.Der Quellcode unserer Implementierung ist unter https://github.com/Precision-Medical-Imaging-Group/HOPE-Segmenter-Kids verfügbar. Zudem steht eine Open-Source-Webanwendung unter https://segmenter.hope4kids.io/ zur Verfügung, die den Docker-Container aparida12/brats-peds-2024:v20240913 nutzt.