Core Concepts
Das 3D-TransUNet-Modell, das Transformer-Selbstaufmerksamkeit mit dem lokalisierten Ansatz von U-Net kombiniert, erweist sich als vielversprechende Lösung für die Segmentierung von Hirnmetastasen.
Abstract
Der Artikel beschreibt den Einsatz des 3D-TransUNet-Modells zur Segmentierung von Hirnmetastasen im Rahmen des BraTS2023-Wettbewerbs.
Kernpunkte:
- Hirnmetastasen stellen eine Herausforderung für die Segmentierung dar, da sie eine große Variabilität in Erscheinungsbild und Größe aufweisen.
- Das 3D-TransUNet-Modell kombiniert die Vorteile von Transformer-Selbstaufmerksamkeit und dem lokalisierten Ansatz von U-Net, um diese Herausforderung zu adressieren.
- Es werden zwei Architekturvarianten untersucht: Encoder-only und Decoder-only.
- Für die Encoder-only-Variante wird eine Masked-Autoencoder-Vortrainierung verwendet, um die Initialisierung des Transformer-Encoders zu verbessern.
- Die Decoder-only-Variante zeigt in der Evaluation auf dem Trainingsdatensatz eine höhere Effektivität bei der Segmentierung von Hirnmetastasen.
- Für die Testphase wird jedoch die Encoder-only-Variante verwendet, da sie schneller trainiert werden kann.
- Das Encoder-only-Modell erzielt auf dem Testdatensatz einen durchschnittlichen läsionsspezifischen Dice-Wert von 59,8% und belegt damit den zweiten Platz im BraTS2023-Wettbewerb.
Stats
Die Inzidenz von Hirnmetastasen beträgt jährlich 24 pro 100.000 Personen und übersteigt damit die Häufigkeit aller primären Hirntumoren zusammen.
Quotes
"Hirnmetastasen, die Hirntumore, die anderweitig im Körper entstehen, stellen die häufigsten bösartigen Tumore im Zentralnervensystem dar."
"Das TransUNet-Modell, das Transformer-Selbstaufmerksamkeit mit dem symmetrischen Encoder-Decoder-Aufbau und den Skip-Verbindungen von U-Net kombiniert, erweist sich als vielversprechende Lösung für diese Aufgabe."