arXiv	https://arxiv.org/abs/2411.15872
論文のライセンス	http://creativecommons.org/licenses/by/4.0/

Optimizing Brain Tumor Segmentation with MedNeXt: BraTS 2024 SSA and Pediatrics

Sarim Hashmi Juan Lugo Abdelrahman Elsayed Dinesh Saggurthi Mohammed Elseiagy Alikhan Nurkamal Jaskaran Walia Fadillah Adamsyah Maani Mohammad Yaqub

Abstract

脳MRIにおける主要な病理学的特徴を特定することは、神経膠腫患者の長期生存にとって極めて重要である。しかしながら、手動による分割は時間がかかり、専門家の介入を必要とし、人為的ミスの影響を受けやすい。そのため、3Dマルチモーダル脳MRIスキャンにおいて腫瘍を正確に分割できる機械学習手法の開発に多大な研究が注がれてきた。これらの進歩にもかかわらず、最先端のモデルは多くの場合、学習に使用されたデータによって制限されており、分布シフトをもたらす可能性のある多様な集団に適用された場合の信頼性に懸念が生じている。このようなシフトは、低品質のMRI技術（例：サハラ以南アフリカ）や患者の人口統計学的変動（例：小児）に起因する可能性がある。BraTS-2024チャレンジは、これらの問題に取り組むためのプラットフォームを提供している。本稿では、MedNeXt、包括的なモデルアンサンブル、および徹底的な後処理を用いて、BraTS-2024 SSAおよび小児腫瘍タスクにおける腫瘍分割のための我々の方法論を提示する。我々のアプローチは、未見の検証セットにおいて強力な性能を示し、BraTS-2024 SSAデータセットで平均Dice類似係数（DSC）0.896、BraTS小児腫瘍データセットで平均DSC 0.830を達成した。さらに、我々の手法はBraTS-2024 SSAデータセットで平均ハウスドルフ距離（HD95）14.682、BraTS小児データセットで平均HD95 37.508を達成した。我々のGitHubリポジトリは以下からアクセス可能である：プロジェクトリポジトリ。

1 Introduction

神経膠腫は、その病態生理学の理解が進歩しているにもかかわらず、依然として最も一般的で悪性度の高い原発性脳腫瘍の種類である[14]。神経膠腫患者の約20%しか診断後2年間生存せず、小児がん関連死の最大の原因となっている。その存在は磁気共鳴画像（MRI）スキャンを通じて可視化され、患者の内部構造、組織、臓器に関する詳細な情報を提供する。MRIスキャンから腫瘍を正確に境界付け、その亜領域を特定することは、手術、化学療法、放射線療法を含む治療選択肢の重要な第一歩である。さらに、治療反応の評価や患者の長期的なモニタリングにも重要である[15]。

放射線科医はMRIスキャンに依存して手動で腫瘍の分類と局在化を予測しているが、これは時間がかかり、労働集約的で、人為的ミスの可能性がある。これらの課題は、過負荷の医療システムと資格を持つ専門家の不足が蔓延している低所得国ではさらに複雑化している[2]。その結果、自動化されたソリューションが緊急に必要とされており、自動腫瘍セグメンテーションのための機械学習パイプラインは、正確かつ効率的な測定を提供する有望なツールとなっている。

医用画像コンピューティングとコンピュータ支援介入（MICCAI）会議は、毎年、国際的な研究チームを引き付ける様々な医用画像コンペティションを開催している。その中にはBraTSチャレンジ[13]があり、今年は10の異なる脳腫瘍関連タスクで構成されている。当初、BraTSは成人の神経膠腫セグメンテーションに焦点を当てており[5, 4]、データセットは主に北半球から収集されていた。しかし、この年次チャレンジがもたらした進歩にもかかわらず、元のデータセットから分布シフトを引き起こす集団に最先端モデルを適用した場合の信頼性に関する懸念が生じている[1]。このようなシフトは、低品質のMRI技術（例：サハラ以南アフリカ）や集団の解剖学的差異（例：小児の脳）から生じる可能性がある。そのため、BraTSチャレンジはデータセットを拡大し、サハラ以南アフリカ、小児、髄膜腫の腫瘍を含めるようになった。本稿では、アフリカと小児のタスクに焦点を当てる。

2014年のチャレンジ以降、GPUテクノロジーの急速な進歩と大規模データセットの利用可能性に後押しされ、深層学習が脳腫瘍セグメンテーションの最先端技術となった[7]。ほとんどのソリューションは、畳み込みネットワークに類似した収縮パスとアップサンプリング畳み込みの拡張パスを特徴とするU-Net アーキテクチャを利用している。U-Netには数多くの改良が加えられており[17]、残差接続、密接続層、注意機構の組み込みなどが含まれる[7]。

本稿では、自動脳腫瘍セグメンテーションのためのU-Netの変形であり、ConvNeXt[10]ブロックを採用したMedNeXtアーキテクチャ[18]に焦点を当てる。我々は、高精度を達成するために実装された様々な前処理、アンサンブル技術、トレーニング修正について深く掘り下げる。性能評価に使用されたデータは、脳腫瘍の標準的な臨床ケアから得られ、精度を確保するために放射線科医によって慎重に注釈が付けられ、神経科医によってレビューされた[2, 9]。これらの技術の複合的な改善により、BraTS AfricaおよびPediatricチャレンジのための最先端の機械学習パイプラインが実現される。

我々の主な貢献は以下の通りである：

•

BraTS 2024のアフリカおよび小児タスクに対応する脳腫瘍セグメンテーションのための深層学習パイプライン。
•

トレーニングアルゴリズムへの新規スケジュールフリー[6]オプティマイザーの統合。
•

ファインチューニングおよびアンサンブル技術の徹底的な分析と、それらの性能への影響。

2 Methods

2.1 Brain MRI Data

脳MRIは神経学的診断において重要な画像技術であり、脳の解剖学的構造と機能の高解像度画像を提供する。患者のMRIは、医学的に重要な異なる側面を詳細に示す4つの主要なモダリティに分けられる。これらは、詳細な解剖学的構造を示すT1強調画像（T1）、高血管性病変を示すガドリニウム造影後T1強調画像（T1Gd）、浮腫や炎症を検出するT2強調画像（T2W）、そして病変の可視性を向上させるT2液体減衰反転回復（T2-FLAIR）である[13]。これらのモダリティを組み合わせることで、脳卒中、腫瘍、多発性硬化症、外傷性脳損傷などの状態の診断と管理に包括的な洞察を提供し、最終的に患者の転帰を改善する。

2012年以来継続している国際脳腫瘍セグメンテーション（BraTS）チャレンジは、前述のモダリティに従ってMRIスキャンから成人脳グリオーマを描出するためのベンチマーキング環境とデータセットの作成に焦点を当てている。2024年には、チャレンジは約4,500症例に拡大し、多様な臨床的および技術的考慮事項に対応している。主要なタスクには、治療後グリオーマ、放射線療法髄膜腫、脳転移のアルゴリズム評価、欠損データの処理、病理学的分析、特定の人口統計の腫瘍セグメンテーションが含まれる。特に本稿では、BraTS-AfricaとPediatricsのチャレンジに焦点を当てる。

BraTS-Africaデータセットこのデータセット[2]は、サハラ以南アフリカの95人の患者から得られた多施設構造的MRIスキャンで構成されている。これらのうち、60サンプルが訓練用、35サンプルが検証用に使用される。今年のタスクは、腫瘍を3つのサブ領域に識別しセグメンテーションすることである：造影腫瘍（ET）、非造影腫瘍核（NETC）、周囲の非造影FLAIR高信号（SNFH）。データセットのセグメンテーションラベルは、認定放射線科医によって注釈が付けられ、BRATSプロトコルに従って専門の神経放射線科医によって検証された。リーダーボードの有効性を確保するため、35の検証データポイントの正解は公開されていない。図1は訓練分割のサンプルを示している。さらに、BraTS SSA 2024では、追加の訓練のためにBraTS-2023成人グリオーマチャレンジの1470のMRIとラベルの使用が許可されている[3]。

Refer to caption — 図1: BraTS-Africaチャレンジのために提供されたデータセットのサンプルデータポイントから得られた4つのモダリティの断面図と対応するセグメンテーションマスク

BraTS PED BraTS-PEDデータセット[9]は、464例の小児高悪性度グリオーマの多施設従来型および構造的MRIスキャンで構成されている。異なるプロトコルと機器が使用されているため、画像の品質にはばらつきがある。データは、データの整合性と患者の匿名性を確保するために複数の前処理ステップを経ている。今年のタスクでは、腫瘍を6つの関心サブ領域にセグメンテーションする精度を評価する：造影腫瘍（ET）、腫瘍核（TC）、全腫瘍（WT）、非造影腫瘍核（NETC）、嚢胞成分（CC）、腫瘍周囲浮腫（ED）。これらの領域のうち、最初の3つのみがモデルによって予測され、後の3つはテスト時にBRATSの主催者によって推論される。データセットのサンプルを図2に示す。予備的な自動セグメンテーションパイプラインを使用してセグメンテーションラベルを取得し、その結果をボランティアの神経放射線科医が手動で精緻化した。これらの精緻化は、3人の認定神経放射線科医による反復的なレビューと承認を受け、ラベルが公開基準を満たすまで行われた[9]。

前処理チャレンジの主催者は、4つのモダリティを標準SR124テンプレート[16]に共登録し、1mm³の解像度を達成するために等方的に補間することで、MRIスキャンの初期前処理を行った。BraTS Africaデータセットには頭蓋骨除去が適用されたが、小児データセットには適用されていない。すべてのMRI画像は240 × 240 × 155の均一なサイズを持つ。

我々はさらに、前景のクロッピング、ゼロでない強度を持つボクセルの正規化、4つのモダリティを単一画像にスタッキングすることで画像を前処理した。さらに、MRIを128 x 160 x 112の形状のパッチにクロッピングした。我々はすべてのMRIスキャンを事前に前処理し、".npy"形式で保存し、訓練中にNumpy配列を読み込むことでデータ読み込みを高速化し、CPUのボトルネックを防いだ。

2.2 MedNeXt

[11, 12]に触発され、我々はMedNeXtをベースラインモデルとして採用した（図3）。これはGitHubで利用可能な標準実装に従っている¹¹1https://github.com/MIC-DKFZ/MedNeXt。MedNeXtは、トランスフォーマーの長距離空間表現とConvNetの帰納的バイアスを組み合わせた最先端のビジョンアーキテクチャである。U-net様の形状に配置されたMedNeXtブロックを利用し、左側に特徴的なエンコーダー、中央にボトルネック、右側にデコーダーを持つ。各「左側」MedNeXtブロックには3つの畳み込みが含まれる：まず、ビジョントランスフォーマーの大きな注意ウィンドウを模倣する $k\times k\times k$ （ $k\in\{3,5,7,9\}$ ）次元のデプスワイズ畳み込み；次に、チャンネル数を拡張比率で乗算するトランスフォーマー様の逆ボトルネック層；そして最後に、チャンネル数を $1\times 1\times 1$ カーネルで再び減少させる圧縮層である。各「右側」MedNeXtブロックは同様の構造に従うが、必要なアップサンプリングに対応するために転置畳み込みを使用する。MedNeXtは勾配消失を防ぎ、性能を向上させるためにディープスーパービジョンも含む。我々はアーキテクチャにBase（B）とMedium（M）サイズを使用した。

2.3 Model Development

2.3.1 Model training

我々は24 GBのメモリを搭載したNVIDIA GPUで実験を行った。SSAチャレンジに対しては、BraTS成人グリオーマとBRATSアフリカトレーニングデータセットを組み合わせた。小児科とアフリカの両タスクにおいて、前処理に従い、モデルの入力サイズを128x160x112ボクセルに設定した。BRATSアフリカデータセットに対しては、トレーニングセットで5分割交差検証を用いて、MedNeXt-BとMedNeXt-Mモデルをトレーニングした。両モデルはカーネルサイズ3で150エポック実装された。一方、BRATS小児科データセットに対しては、MedNeXt-Bのみをカーネルサイズ3で75エポックトレーニングした。最適化は、Metaの基礎AI研究チームによって最近提案されたスケジュールフリーのAdamWオプティマイザー[6]を使用し、BRATSアフリカに対しては学習率0.0027、BRATS小児科に対しては学習率0.0027と0.0005を用い、重み減衰は行わなかった。トレーニングにはバッチサイズ2を使用した。目的関数（損失）、ディープスーパービジョン、脳MRI前処理、データ拡張については、で概説されたアプローチに従った。後処理のハイパーパラメータは、5分割交差検証でWandbスイープを使用してチューニングし、その後未見の検証セットに合わせて手動で調整した。

2.3.2 Hyper-parameter tuning experiments

モデルのハイパーパラメータ、特に学習率を微調整するために、いくつかの実験が行われた。ベースラインモデルはコサインアニーリングスケジューラーを用いたAdamWを使用していた。しかし、Metaの基礎AI研究チームによって開発されたスケジュールフリーのオプティマイザー[6]に移行した際、初期の実験構成が直接適用できなかった。その結果、最も効果的な学習率を決定するために、様々な学習率がテストされた。これらの異なる実験を通じて、最適な学習率0.0027が特定され、その後のBRATSアフリカのすべてのトレーニング実験で使用された。BRATS小児科の実験では、学習率0.0027と0.0005が使用された。この慎重なチューニングは、我々のモデルのパフォーマンスと効率を向上させるために不可欠であった。

2.3.3 Finetuning

BRATSアフリカチャレンジでは、チームはBRATS-2023成人グリオーマタスクで利用可能な1470サンプルを使用することが許可されていた。そこで我々は、このデータセットをアフリカのMRIと組み合わせて1530のトレーニングサンプルを得ることを選択した。その後、元のトレーニングハイパーパラメータを保持しながら、ベースモデルの最終デコーダーブロックとディープスーパービジョン層をアフリカのデータセットのみで微調整した。我々は2種類の初期化を試みた：(a)最終モデルチェックポイントからトレーニングを開始する、および(b)微調整された層を再初期化する。両方の初期化が同様の結果をもたらすことを観察したため、区別せずに最良のパフォーマンスを報告した。

2.4 Model Inference

我々は、サブセクション2で概説した通り、入力MRIスキャンの前処理から始める。腫瘍確率マップは、スライディングウィンドウ推論を通じて生成され、ウィンドウ間で $X\%$ （ $X\in\{50,70\}$ ）のオーバーラップを採用して予測の精度を向上させる。これらの予測の堅牢性を高めるため、アンサンブルアプローチですべてのモデルからの腫瘍確率マスクを平均化し、精緻化された最終的な腫瘍確率マップを得る。その後、腫瘍確率マップを後処理して腫瘍の検出とセグメンテーションを行う。

アンサンブル各モデルは5分割交差検証設定で訓練され、結果として5つの異なるモデルが完成する。この方法論により、単一のフォールドで訓練とテストを実施できるため、迅速なプロトタイピングが可能となり、これら5つのモデルのアンサンブルを通じて予測の堅牢性が向上する。推論時には、入力画像が5つのモデルそれぞれで処理され、その出力確率の平均が計算され、適切に正規化される。

性能は、ハイパーパラメータやアーキテクチャサイズを変更するなど、異なる訓練戦略から得られたモデルをアンサンブルすることでさらに最適化できる。アンサンブリングは個々のコンポーネントのユニークな強みを活用するという考えに基づいている[19]。本研究では、確率レベルでモデルを集約し、アンサンブル内の各コンポーネントに等しい重要性を割り当てる。このアンサンブリング戦略の結果はセクション3で詳述する。

2.5 Experimental Setup

我々は5分割交差検証（CV）訓練戦略を採用し、訓練データを5つのサブセットに分割している。各反復において、4つのサブセットを訓練に使用し、残りの1つをバリデーションセットとして使用する。我々のネットワークは、領域ベースのアプローチ[8]を用いて、バッチサイズ2で150エポック訓練される。我々はオンザフライのデータ拡張を実装しており、これには $128\times 160\times 112$ の次元へのランダムな空間クロッピング、ランダムなフリップ、およびランダムな強度、スケーリング、シフトが含まれる。

目的関数は、バッチDice損失と $\gamma$ 値2.0のフォーカル損失を組み合わせて総損失を計算する。最適化には、Schedule-free AdamW最適化器[6]を使用し、BraTS SSA 2024データセットには学習率（LR）0.0027を、BraTS小児データセットには0.0027と0.0005の2つの学習率を使用する。重み減衰はゼロとし、最大エポック数を150に設定する。

さらに、我々はBraTS SSA 2024で訓練されたモデルの最後の2段階をファインチューニングする追加実験を行う。

後処理パラメータについては、予測された腫瘍のサイズによって予測値にしきい値を設定する。最小しきい値サイズの値は、各腫瘍タイプに対する一連のしきい値を与えられた各モデルの性能を比較することで実験的に設定された。例えば、小児チャレンジにおけるETの最小サイズしきい値を100ボクセルに設定した場合、これより小さいサイズの検出された腫瘍はすべて除去される。性能の比較と使用されたしきい値については、BraTS小児の結果でさらに議論される。

3 Results & Discussion

3.1 BraTS Africa Results

S.No	Model Name	Dice Score			Avg	HD 95			Avg
		ET	TC	WT	Dice	ET	TC	WT	HD 95
1	Baseline	0.8229	0.8151	0.8812	0.8397	39.96	46.48	25.04	37.16
2	(+) Change patch size to: $128\times 160\times 112$	0.852	0.839	0.912	0.8677	12.406	26.09	10.431	16.31
3	(+) Train on SSA and Adult Gli.	0.867	0.869	0.932	0.8893	15.578	22.145	8.833	15.52
4	(+) Finetune the last 10 decoder layers on SSA	0.874	0.870	0.933	0.8923	15.320	22.039	8.805	15.39
5	(+) Reinitialize and finetune the last 10 decoder layers on SSA	0.876	0.870	0.933	0.8930	15.328	22.040	8.746	15.37
6	(+) Change the binarization threshold 0.7 for ET and TC ,0.5 for WT	0.883	0.873	0.933	0.8963	14.248	21.028	8.770	14.68

表1: 異なる訓練データ、パッチサイズ、および微調整戦略を用いたMedNeXtベースモデルの比較

BraTS SSA 2024における異なるMedNeXtモデルの性能を表1にまとめ、比較している。比較されたモデルは、サイズ（BaseまたはMedium）、最後の10層の重みのリセット（TrueまたはFalse）、ET、TC、WTのための二値化閾値（0.5または0.7）の3つの主要な側面で異なっている。比較のための指標は、造影腫瘍（ET）、腫瘍核（TC）、全腫瘍（WT）ラベルのDiceスコア（Dice）および95パーセンタイルのハウスドルフ距離（HD 95）である。さらに、我々は各モデルについて、ラベル間のDiceとHD 95の平均を記録している。

MedNextモデル：

•

MedNeXt Baseは、微調整されていないモデルの中で最高の0.889のDice平均を達成した。特にWTのセグメンテーションにおいて、0.932のDiceスコアで優れた性能を示した。
•

MedNeXt Baseは、微調整されていないモデルの中で最高の0.889のDice平均を達成した。特にWTのセグメンテーションにおいて、0.932のDiceスコアで優れた性能を示した。
•

MedNeXt Mediumは、MedNeXt Baseよりわずかに低い0.886のDice平均を示し、ET（0.875）とWT（0.933）で堅実な性能を示した。腫瘍核のHD 95スコアはBaseモデルと比較して高かった。しかし、WTのH95結果は全モデルの中で最良であった。
•

MedNeXtアンサンブル（Base + Medium）は0.868のDice平均を得た。このモデルはETのHD 95スコアで最良の結果を示したが、個別のモデルと比較してDiceスコアでは劣っていた。

微調整されたモデル：

•

MedNeXt Finetuned True 0.5は0.893のDice平均を記録し、Baseモデルよりも改善を示し、Finetuned True 0.7モデルと同様の性能を示した。
•

MedNeXt Finetuned True 0.7は全モデルの中で最高の0.883（ET）のDiceスコアを達成し、BaseおよびMediumモデルと比較して平均とTCのDiceスコアの両方で改善を示した。このモデルはまた、最低のHD 95平均（14.764）を示し、より優れたセグメンテーション能力とハウスドルフ距離の減少を示している。
•

MedNeXt Finetuned False 0.5は0.892のDice平均を得て、Finetuned True 0.5モデルと同等の性能を示した。
•

MedNeXt Finetuned False 0.7は全モデルの中で最高の0.895のDice平均を達成し、DiceスコアとHD 95メトリクスの両方で堅実な性能を示した。
•

MedNeXt Finetuned True 0.7,0.5は全モデルの中で最高の0.896の平均Diceスコアを記録し、ETとWTの両方で最高のDiceスコアを示した。さらに、14.682の値でHD95平均でも強力な性能を示した。

結論として、微調整されたモデル、特にMedNeXt Finetuned True 0.7,0.5が、ほとんどのメトリクスにおいて優れた性能を示した。Diceスコアの改善とHD 95値の減少は、微調整プロセスがモデルの腫瘍領域を正確にセグメンテーションする能力を向上させ、ハウスドルフ距離値を減少させたことを示している。

3.2 BraTS pediatric Results

Model	Learning Rate	Min Size Th.			Dice Scores						HD 95
		ET	TC	WT	ET	TC	WT	NETC	CC	ED	ET	TC	WT	NETC	CC	ED
MedNeXt Base	0.0027	100	150	500	0.555	0.869	0.869	0.834	0.71	0.967	122.219	20.595	20.595	23.842	91.287	12.33
		50	75	250	0.543	0.838	0.838	0.798	0.655	0.967	124.183	33.228	33.226	34.421	98.004	12.33
		25	37	125	0.507	0.832	0.832	0.791	0.634	0.967	122.545	37.176	37.173	38.199	104.089	12.33
	0.0005	100	150	500	0.654	0.89	0.89	0.853	0.723	0.967	88.651	17.269	17.269	18.571	83.234	12.33
		50	75	250	0.657	0.89	0.89	0.853	0.723	0.967	76.553	17.269	17.269	18.391	83.234	12.33
		25	37	125	0.619	0.885	0.885	0.848	0.659	0.967	86.829	19.312	19.312	20.398	104.002	12.33

表2: 様々な実行におけるレジョンごとのDiceスコア、HD 95結果、最小サイズしきい値、および学習率

我々は検証リーダーボードにおける結果を表2にまとめた。我々のアプローチはMedNeXt Baseモデルから始まり、これが強力な性能のベースラインを確立した。我々は2つの異なる学習率と、腫瘍検出のための様々な最小サイズしきい値を用いてモデルを実験した。ET、TC、WTについて、それぞれ100、150、500のしきい値をテストした。学習率0.0027の場合、初期のしきい値が最良のDiceスコアをもたらし、HD 95メトリクスのバランスを維持した。しきい値をETで50、TCで75、WTで250といった低い値に調整すると、全ての腫瘍クラスでDiceスコアが低下し、一方でHD 95メトリクスは増加した結果を示した。さらにしきい値をETで25、TCで37、WTで125に下げると、Diceスコアがさらに低下し、HD 95メトリクスのほとんども増加し、セグメンテーションの精度が低下したことを示した。しかし、学習率を0.0005に変更することで、モデルの性能が向上し、0.0027の学習率を使用した場合よりも良好な結果が得られた。最も性能の高いモデルは、ET、TC、WTについてそれぞれ50、75、250のしきい値を使用して得られた。これらの結果は、我々のモデル性能におけるデータ後処理の選択パラメータと学習率の重要性を強調している。最適なしきい値サイズと最適な学習率を選択することが、モデルの性能に大きな影響を与える可能性がある。

4 Conclusion

本稿は、BraTS 2024チャレンジのアフリカおよび小児科タスクに対する我々の貢献を表している。我々は、脳MRIスキャンから腫瘍を検出するためにMedNeXtベースのモデルを使用した。このモデルは4つのMRI入力チャンネルを処理し、TC、WT、ETに対応する3つの出力チャンネルを生成する。我々は標準的な訓練手順にいくつかの変更を加えた。特筆すべきは、スケジュールフリーの最適化器を用いて優れたメトリクスを達成し、さらに特定の微調整によってそれらを改善したことである。加えて、予測を向上させノイズを低減するための後処理技術の重要性を確認し、予測ウィンドウ間のオーバーラップ比率に特に注意を払った。アフリカデータセットにおける我々の最高性能モデルは、0.895を超える最先端の平均Diceスコアを獲得し、14.765未満の優れたハウスドルフ距離も達成した。最後に、小児データセットにおける我々の最高性能モデルは、0.83の平均Diceスコアと、平均37.508という良好なHD95値を達成した。

Acknowledgement

我々は、本プロジェクトに対する貴重な支援と貢献を提供してくださったSanoojan BaliahとDana Mohamedに深甚なる謝意を表明したい。

References

[1] Adewole, M., Rudie, J.D., Gbadamosi, A., Toyobo, O., Raymond, C., Zhang, D., Omidiji, O., Akinola, R., Suwaid, M.A., Emegoakor, A., Ojo, N., Aguh, K., Kalaiwo, C., Babatunde, G., Ogunleye, A., Gbadamosi, Y., Iorpagher, K., Calabrese, E., Aboian, M., Linguraru, M., Albrecht, J., Wiestler, B., Kofler, F., Janas, A., LaBella, D., Kzerooni, A.F., Li, H.B., Iglesias, J.E., Farahani, K., Eddy, J., Bergquist, T., Chung, V., Shinohara, R.T., Wiggins, W., Reitman, Z., Wang, C., Liu, X., Jiang, Z., Familiar, A., Leemput, K.V., Bukas, C., Piraud, M., Conte, G.M., Johansson, E., Meier, Z., Menze, B.H., Baid, U., Bakas, S., Dako, F., Fatade, A., Anazodo, U.C.: The brain tumor segmentation (brats) challenge 2023: Glioma segmentation in sub-saharan africa patient population (brats-africa) (2023), https://arxiv.org/abs/2305.19369
[2] Adewole, M., Rudie, J.D., Gbdamosi, A., Toyobo, O., Raymond, C., Zhang, D., Omidiji, O., Akinola, R., Suwaid, M.A., Emegoakor, A., et al.: The brain tumor segmentation (brats) challenge 2023: glioma segmentation in sub-saharan africa patient population (brats-africa). ArXiv (2023)
[3] Baid, U., Ghodasara, S., Mohan, S., Bilello, M., Calabrese, E., Colak, E., Farahani, K., Kalpathy-Cramer, J., Kitamura, F.C., Pati, S., et al.: The rsna-asnr-miccai brats 2021 benchmark on brain tumor segmentation and radiogenomic classification. arXiv preprint arXiv:2107.02314 (2021)
[4] Bakas, S., Akbari, H., Sotiras, A., Bilello, M., Rozycki, M., Kirby, J., Freymann, J., Farahani, K., Davatzikos, C.: Segmentation labels and radiomic features for the pre-operative scans of the tcga-lgg collection. The cancer imaging archive 286 (2017)
[5] Bakas, S., Akbari, H., Sotiras, A., Bilello, M., Rozycki, M., Kirby, J.S., Freymann, J.B., Farahani, K., Davatzikos, C.: Advancing the cancer genome atlas glioma mri collections with expert segmentation labels and radiomic features. Scientific data 4(1), 1–13 (2017)
[6] Defazio, A., Mehta, H., Mishchenko, K., Khaled, A., Cutkosky, A., et al.: The road less scheduled. arXiv preprint arXiv:2405.15682 (2024)
[7] Ferreira, A., Solak, N., Li, J., Dammann, P., Kleesiek, J., Alves, V., Egger, J.: How we won brats 2023 adult glioma challenge? just faking it! enhanced synthetic data augmentation and model ensemble for brain tumour segmentation (2024), https://arxiv.org/abs/2402.17317
[8] Isensee, F., Jäger, P.F., Full, P.M., Vollmuth, P., Maier-Hein, K.H.: nnu-net for brain tumor segmentation. In: Crimi, A., Bakas, S. (eds.) Brainlesion: Glioma, Multiple Sclerosis, Stroke and Traumatic Brain Injuries. pp. 118–132. Springer International Publishing, Cham (2021)
[9] Kazerooni, A.F., Khalili, N., Liu, X., Gandhi, D., Jiang, Z., Anwar, S.M., Albrecht, J., Adewole, M., Anazodo, U., Anderson, H., Baid, U., Bergquist, T., Borja, A.J., Calabrese, E., Chung, V., Conte, G.M., Dako, F., Eddy, J., Ezhov, I., Familiar, A., Farahani, K., Franson, A., Gottipati, A., Haldar, S., Iglesias, J.E., Janas, A., Johansen, E., Jones, B.V., Khalili, N., Kofler, F., LaBella, D., Lai, H.A., Leemput, K.V., Li, H.B., Maleki, N., McAllister, A.S., Meier, Z., Menze, B., Moawad, A.W., Nandolia, K.K., Pavaine, J., Piraud, M., Poussaint, T., Prabhu, S.P., Reitman, Z., Rudie, J.D., Sanchez-Montano, M., Shaikh, I.S., Sheth, N., Tu, W., Wang, C., Ware, J.B., Wiestler, B., Zapaishchykova, A., Bornhorst, M., Deutsch, M., Fouladi, M., Lazow, M., Mikael, L., Hummel, T., Kann, B., de Blank, P., Hoffman, L., Aboian, M., Nabavizadeh, A., Packer, R., Bakas, S., Resnick, A., Rood, B., Vossough, A., Linguraru, M.G.: The brain tumor segmentation in pediatrics (brats-peds) challenge: Focus on pediatrics (cbtn-connect-dipgr-asnr-miccai brats-peds) (2024), https://arxiv.org/abs/2404.15009
[10] Liu, Z., Mao, H., Wu, C.Y., Feichtenhofer, C., Darrell, T., Xie, S.: A convnet for the 2020s. In: Proceedings of the IEEE/CVF conference on computer vision and pattern recognition. pp. 11976–11986 (2022)
[11] Maani, F., Hashmi, A.U.R., Aljuboory, M., Saeed, N., Sobirov, I., Yaqub, M.: Advanced tumor segmentation in medical imaging: An ensemble approach for brats 2023 adult glioma and pediatric tumor tasks (2024), https://arxiv.org/abs/2403.09262
[12] Maani, F.A., Ur Rehman Hashmi, A., Saeed, N., Yaqub, M.: On enhancing brain tumor segmentation across diverse populations with convolutional neural networks. In: 2024 IEEE International Symposium on Biomedical Imaging (ISBI). pp. 1–4 (2024). https://doi.org/10.1109/ISBI56570.2024.10635463
[13] Menze, B.H., Jakab, A., Bauer, S., Kalpathy-Cramer, J., Farahani, K., Kirby, J., Burren, Y., Porz, N., Slotboom, J., Wiest, R., et al.: The multimodal brain tumor image segmentation benchmark (brats). IEEE transactions on medical imaging 34(10), 1993–2024 (2014)
[14] Mesfin, F.B., et al.: Gliomas. StatPearls [Internet] (2024), https://www.ncbi.nlm.nih.gov/books/NBK441874/, updated 2023 May 20
[15] Owrangi, A.M., Greer, P.B., Glide-Hurst, C.K.: Mri-only treatment planning: benefits and challenges. Physics in Medicine & Biology 63(5), 05TR01 (2018)
[16] Rohlfing, T., Zahr, N., Sullivan, E., Pfefferbaum, A.: The sri24 multichannel atlas of normal adult human brain structure. Human brain mapping 31, 798–819 (05 2009). https://doi.org/10.1002/hbm.20906
[17] Ronneberger, O., Fischer, P., Brox, T.: U-net: Convolutional networks for biomedical image segmentation. In: Navab, N., Hornegger, J., Wells, W.M., Frangi, A.F. (eds.) Medical Image Computing and Computer-Assisted Intervention – MICCAI 2015. pp. 234–241. Springer International Publishing, Cham (2015)
[18] Roy, S., Koehler, G., Ulrich, C., Baumgartner, M., Petersen, J., Isensee, F., Jaeger, P.F., Maier-Hein, K.: Mednext: Transformer-driven scaling of convnets for medical image segmentation. arXiv preprint arXiv:2303.09975 (2023)
[19] Zeineldin, R.A., Karar, M.E., Burgert, O., Mathis-Ullrich, F.: Multimodal cnn networks for brain tumor segmentation in mri: A brats 2022 challenge solution. In: Bakas, S., Crimi, A., Baid, U., Malec, S., Pytlarz, M., Baheti, B., Zenk, M., Dorent, R. (eds.) Brainlesion: Glioma, Multiple Sclerosis, Stroke and Traumatic Brain Injuries. pp. 127–137. Springer Nature Switzerland, Cham (2023)