Advanced Tumor Segmentation in Medical Imaging: An Ensemble Approach for BraTS 2023 Adult Glioma and Pediatric Tumor Tasks

自动化分割证明是在医学图像中精确检测肿瘤的有价值工具。准确识别和分割肿瘤类型在诊断、监测和治疗高度致命的脑肿瘤方面具有至关重要的意义。BraTS挑战作为一个平台，让研究人员参加以肿瘤分割为重点的开放挑战，以解决这个问题。本研究概述了我们在BraTS 2023挑战的两个不同任务背景下分割肿瘤的方法：成人胶质瘤和儿童肿瘤。我们的方法利用了两个基于编码器-解码器的CNN模型，即SegResNet和MedNeXt，用于分割肿瘤的三个不同子区域。我们进一步引入了一组强大的后处理方法，以提高分割的准确性，特别是针对新引入的BraTS 2023指标。我们在本文中详细阐述了我们的方法和全面的性能分析。我们提出的方法在BraTS 2023成人胶质瘤分割挑战中取得第三名，测试集上的平均得分为0.8313，Dice和HD95得分分别为36.38。

论文旨在解决医学图像中肿瘤的精确检测和分割问题，特别是针对高致死率的脑肿瘤，通过参加BraTS挑战赛，提出了一种基于两个编码器-解码器CNN模型的方法，并引入了一组强大的后处理方法来提高分割的准确性。

该方法利用SegResNet和MedNeXt两个CNN模型，对肿瘤的三个不同子区域进行分割，并引入一组强大的后处理方法来提高分割的准确性，特别是针对BraTS 2023指标。

实验结果表明，该方法在BraTS 2023 Adult Glioma Segmentation Challenges中获得第三名，测试集上的平均Dice得分为0.8313，HD95得分为36.38。此外，该论文还开源了代码和使用的数据集。

在最近的相关研究中，也有一些关于医学图像分割的研究，例如“Deep Learning for Brain Tumor Segmentation: State of the Art and Future Directions”和“Brain Tumor Segmentation: A Survey”。