17일 전

자기공명영상 특징 기반 하위유형 분류 및 모델 앙상블을 통한 뇌종양 세그멘테이션 향상

Zhifan Jiang, Daniel Capellán-Martín, Abhijeet Parida, Austin Tapp, Xinyang Liu, María J. Ledesma-Carbayo, Syed Muhammad Anwar, Marius George Linguraru
자기공명영상 특징 기반 하위유형 분류 및 모델 앙상블을 통한 뇌종양 세그멘테이션 향상
초록

다중 매개변수 자기공명영상(multi-parametric magnetic resonance imaging, mpMRI)에서 뇌종양의 정확하고 자동적인 분할은 정량적 측정에 필수적이며, 이러한 측정은 임상 진단 및 예후 평가에서 점점 더 중요한 역할을 하고 있다. 2024년 국제 뇌종양 분할(Brain Tumor Segmentation, BraTS) 챌린지는 성인 및 소아 환자 집단에 포함된 다양한 유형의 뇌종양(예: 소아 뇌종양(PED), 뇌막종(MEN-RT), 뇌전이성 종양(MET) 등)을 대상으로 하여 독보적인 벤치마킹 기회를 제공한다. 이전 버전과 비교해 BraTS 2024는 평가를 위한 종양 영역을 더욱 정밀하게 정의하는 등 임상적 관련성을 크게 향상시킨 변화를 도입하였다. 본 연구에서는 최신 세분화 모델들을 통합한 딥러닝 기반 앙상블 접근법을 제안한다. 또한, MRI 기반 방사형학적 분석(radiomic analysis)을 활용하여 종양 아형(subtype)을 구분하는 혁신적이고 적응형의 전처리 및 후처리 기법을 도입하였다. BraTS 데이터셋에 존재하는 종양의 이질성에 기반하여, 본 접근법은 세분화 모델의 정밀도와 일반화 능력을 향상시킨다. 최종 테스트 세트에서 제안한 방법은 PED, MEN-RT, MET의 전반적인 종양에 대해 각각 평균 병변 수준의 Dice 유사도 계수(Dice similarity coefficient) 0.926, 0.801, 0.688을 달성하였다. 이러한 결과는 다양한 뇌종양 유형에 대해 세분화 성능과 일반화 능력을 향상시키는 본 방법의 효과를 입증한다. 본 연구의 소스 코드는 https://github.com/Precision-Medical-Imaging-Group/HOPE-Segmenter-Kids 에서 공개되어 있으며, Docker 컨테이너 aparida12/brats-peds-2024:v20240913 를 기반으로 하는 오픈소스 웹 애플리케이션은 https://segmenter.hope4kids.io/ 에서 접근 가능하다.

자기공명영상 특징 기반 하위유형 분류 및 모델 앙상블을 통한 뇌종양 세그멘테이션 향상 | 최신 연구 논문 | HyperAI초신경