Sub-Saharan Africa データセットにおける脳腫瘍セグメンテーションにおける nnU-Net と MedNeXt のトポロジー駆動型統合による高精度化

arXiv:2604.15964v1 Announce Type: cross Abstract: Low and Middle-Income (LMIC) 国における正確な自動脳腫瘍セグメンテーションは、定義された国家画像処理プロトコルの欠如、多様な画像データ、低野 MRI (MRI) スキャナーの広範な使用、および限られた医療資源により課題となっています。Brain Tumor Segmentation (BraTS) Africa 2025 チャレンジの一部として、最先端のセグメンテーションモデルである nnU-Net、MedNeXt および両者の組み合わせに対してトポロジーを修正することを適用しました。BraTS-Africa データセットの低品質な MRI 画像品質に対処するため、事前治療成人 glioma（Task 1）を含む BraTS 2025 チャレンジデータをセグメンテーションモデルの予習（pre-training）に使用し、それを BraTS-Africa データセット上で微調整（fine-tuning）しました。予測におけるトポロジー誤差により生じる変形の問題に対処するために、追加のトポロジー修正モジュールを導入しました。このモジュールの導入により、周囲非増強 FLAIR 高信号（SNFH）、非増瘍腫瘍核（NETC）、増瘍腫瘍（ET）それぞれに対して、正規化表面距離（NSD）をそれぞれ 0.810、0.829、0.895 と良好に実現しました。

arXiv:2604.15964v1 Announce Type: cross Abstract: Accurate automatic brain tumor segmentation in Low and Middle-Income (LMIC) countries is challenging due to the lack of defined national imaging protocols, diverse imaging data, extensive use of low-field Magnetic Resonance Imaging (MRI) scanners and limited health-care resources. As part of the Brain Tumor Segmentation (BraTS) Africa 2025 Challenge, we applied topology refinement to the state-of-the-art segmentation models like nnU-Net, MedNeXt, and a combination of both. Since the BraTS-Africa dataset has low MRI image quality, we incorporated the BraTS 2025 challenge data of pre-treatment adult glioma (Task 1) to pre-train the segmentation model and use it to fine-tune on the BraTS-Africa dataset. We added an extra topology refinement module to address the issue of deformation in prediction that arose due to topological error. With the introduction of this module, we achieved a better Normalized Surface Distance (NSD) of 0.810, 0.829, and 0.895 on Surrounding Non-Enhancing FLAIR Hyperintensity (SNFH) , Non-Enhancing Tumor Core (NETC) and Enhancing tumor (ET).