Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > eess > arXiv:2507.23256

帮助 | 高级搜索

电气工程与系统科学 > 图像与视频处理

arXiv:2507.23256 (eess)
[提交于 2025年7月31日 ]

标题: EMedNeXt:一种改进的脑肿瘤分割框架,用于撒哈拉以南非洲地区,使用带有深度监督的MedNeXt V2

标题: EMedNeXt: An Enhanced Brain Tumor Segmentation Framework for Sub-Saharan Africa using MedNeXt V2 with Deep Supervision

Authors:Ahmed Jaheen, Abdelrahman Elsayed, Damir Kim, Daniil Tikhonov, Matheus Scatolin, Mohor Banerjee, Qiankun Ji, Mostafa Salem, Hu Wang, Sarim Hashmi, Mohammad Yaqub
摘要: 脑癌影响全球数百万人,在几乎每个临床环境中,医生都依赖磁共振成像(MRI)来诊断和监测胶质瘤。 然而,目前通过手动分割多参数MRI进行肿瘤定量的标准方法耗时,需要专家放射科医生,并且在资源匮乏的医疗系统中往往不可行。 这个问题在低收入地区尤为明显,因为MRI扫描仪的质量较低,放射科专业知识稀缺,导致分割和定量错误。 此外,非洲获得的MRI扫描数量通常较少。 为了解决这些挑战,BraTS-Lighthouse 2025 挑战专注于撒哈拉以南非洲(SSA)的稳健肿瘤分割,其中资源限制和图像质量退化引入了显著的变化。 在本研究中,我们提出了 EMedNeXt——一种基于 MedNeXt V2 的增强脑肿瘤分割框架,具有深度监督和针对 SSA 优化的后处理管道。 EMedNeXt 引入了三个关键贡献:更大的感兴趣区域、基于 nnU-Net v2 的改进架构骨架,以及稳健的模型集成系统。 在隐藏验证集上评估,我们的解决方案在 0.5 mm 和 1.0 mm 的容差下,平均 LesionWise DSC 为 0.897,平均 LesionWise NSD 为 0.541 和 0.84。
摘要: Brain cancer affects millions worldwide, and in nearly every clinical setting, doctors rely on magnetic resonance imaging (MRI) to diagnose and monitor gliomas. However, the current standard for tumor quantification through manual segmentation of multi-parametric MRI is time-consuming, requires expert radiologists, and is often infeasible in under-resourced healthcare systems. This problem is especially pronounced in low-income regions, where MRI scanners are of lower quality and radiology expertise is scarce, leading to incorrect segmentation and quantification. In addition, the number of acquired MRI scans in Africa is typically small. To address these challenges, the BraTS-Lighthouse 2025 Challenge focuses on robust tumor segmentation in sub-Saharan Africa (SSA), where resource constraints and image quality degradation introduce significant shifts. In this study, we present EMedNeXt -- an enhanced brain tumor segmentation framework based on MedNeXt V2 with deep supervision and optimized post-processing pipelines tailored for SSA. EMedNeXt introduces three key contributions: a larger region of interest, an improved nnU-Net v2-based architectural skeleton, and a robust model ensembling system. Evaluated on the hidden validation set, our solution achieved an average LesionWise DSC of 0.897 with an average LesionWise NSD of 0.541 and 0.84 at a tolerance of 0.5 mm and 1.0 mm, respectively.
评论: 提交至BraTS-Lighthouse 2025挑战赛(MICCAI 2025)
主题: 图像与视频处理 (eess.IV) ; 计算机视觉与模式识别 (cs.CV)
引用方式: arXiv:2507.23256 [eess.IV]
  (或者 arXiv:2507.23256v1 [eess.IV] 对于此版本)
  https://doi.org/10.48550/arXiv.2507.23256
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Ahmed Jaheen [查看电子邮件]
[v1] 星期四, 2025 年 7 月 31 日 05:30:19 UTC (4,462 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • HTML(实验性)
  • TeX 源代码
  • 其他格式
许可图标 查看许可
当前浏览上下文:
eess.IV
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-07
切换浏览方式为:
cs
cs.CV
eess

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号