Small Lesions, Big Impact: An Automated Segmentation Framework for Brain Metastases<sup>*</sup>
Notice bibliographique
Résumé
Accurate delineation of brain metastases on MRI is crucial for effective radiation treatment planning and outcome evaluation. However, manual segmentation of these images is resource-intensive and time-consuming, especially for patients with multiple brain metastases. Recently, several deep learning-based approaches have been introduced for the segmentation of brain tumors; however, these approaches generally fail to delineate small lesions accurately. In this paper, we have introduced a deep learning framework for automatic segmentation of brain metastases with a focus on improving the accuracy for smaller lesions. Our approach utilizes the strengths of Swin Transformer's attention mechanism with a hierarchical encoder to capture the intricate characteristics of brain metastases on multi-modal MRI precisely. In the context of stereotactic radiotherapy, this precision-focused strategy holds particular significance, where accurate segmentation is a necessity even for tiny tumors. The framework was trained and validated on the BraTS-METS dataset, where it achieved a Dice score and volume estimation error of 84.4 ± 3.4 and 0.37 ± 0.4 cc, respectively, on an independent test set. The performance of the framework was compared with two state-of-the-art segmentation models over different tumor size categories, where it demonstrated a considerable improvement in all experiments. Beyond its technical accomplishments, this study is a step forward towards automating stereotactic radiotherapy planning and outcome evaluation for brain tumors.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».