在脑膜瘤和转移病例中使用nnUNet进行脑瘤细分的meta转移学习
Mehnaz Tabassum1,2, Antonio Di Ieva3, Sidong Liu4,3
1Centre for Health Informatics, Australian Institute of Health Innovation, Macquarie University, 75, Talavera Road, North Ryde, Sydney, 2113, NSW, Australia. mehnaz.tabassum1@hdr.mq.edu.au.
Scientific reports
|October 29, 2025
概括
一种新的元转移学习方法增强了脑瘤的细分. 这种方法提高了nnUNet模型细分脑膜瘤和转移的能力,这对于准确的诊断和治疗计划至关重要.
科学领域:
- 医疗图像分析 医学图像分析
- 人工智能在瘤学中的应用
- 神经外科和瘤学
背景情况:
- 像nnUNet这样的深度学习模型在质瘤细分方面表现出色.
- 它们在其他脑瘤亚型 (脑膜瘤,转移) 上的表现不确定,特别是有限的数据.
- 准确的细分对于诊断和治疗规划至关重要.
研究的目的:
- 改进深度学习模型对多样化脑瘤细分的概括性.
- 调整nnUNet以使用元转移学习对脑膜瘤和转移进行细分.
- 为了提高这些瘤类型的诊断准确性和治疗计划.
主要方法:
- 采用了一种元转移学习策略.
- nnUNet模型在脑膜瘤和转移数据集上进行了微调.
- 从之前的质瘤细分的知识被利用.
主要成果:
- 提出的方法显著改善了细分性能.
- 在脑膜瘤中,为整个瘤 (WT) 达到0.8621 ± 0.2413的子系数.
- 在转移中获得了0.8141 ± 0.0562的WT子系数.
结论:
- 超转移学习增强了nnUNet对各种脑瘤的适应能力.
- 这种方法为脑瘤细分精度设定了新的基准.
- 这项工作使得医疗图像分析工具更强大,更具普遍性.
