DOI: https://doi.org/10.3389/fradi.2025.1616293
PMID: https://pubmed.ncbi.nlm.nih.gov/40697313
تاريخ النشر: 2025-07-08
المؤلف: Jacky Huang وآخرون
الموضوع الرئيسي: كشف وتصنيف أورام الدماغ
نظرة عامة
هدفت الدراسة إلى تحسين تقسيم أورام الدماغ من صور الرنين المغناطيسي من خلال استخدام نموذج تعلم عميق (DL)، وبالتحديد 3D U-Net، مع تقليل عدد تسلسلات الرنين المغناطيسي المطلوبة. باستخدام مجموعة بيانات MICCAI BraTS لعام 2018، ركزت الدراسة على تقسيم الأورام المعززة (ET) ولب الأورام (TC) مع تركيبات مختلفة من تسلسلات الرنين المغناطيسي: T1C فقط، FLAIR فقط، T1C + FLAIR، و T1 + T2 + T1C + FLAIR. تم تقييم الأداء باستخدام درجات Dice من خلال التحقق المتقاطع 5-fold وعلى مجموعة بيانات اختبار منفصلة، مما كشف أن تركيبة T1C + FLAIR تفوقت باستمرار أو تطابقت مع أداء التركيبات الأكثر شمولاً.
أشارت النتائج إلى أن استخدام T1C + FLAIR فقط حقق دقة عالية في تقسيم الأورام، مع درجات Dice تبلغ 0.867 لـ ET و 0.926 لـ TC على مجموعة بيانات الاختبار. لم يظهر هذا النهج فقط أداءً مقاربًا لتسلسل الرباعي الكامل، بل أيضًا عالج تحديات خوارزميات DL التي تتطلب بيانات كثيفة، لا سيما في البيئات السريرية ذات الموارد المحدودة. تقترح الدراسة أن اعتماد اعتماد تسلسل مخفض يمكن أن يسهل التنفيذ الأوسع لتقسيم الأورام الآلي، مما يجعله أداة قابلة للتطبيق في بيئات الرعاية الصحية المتنوعة وقد يحسن من كفاءة تحليل الصور الطبية.
مقدمة
في مقدمة هذه الورقة البحثية، يؤكد المؤلفون على الأهمية الحاسمة للتفريق بدقة بين أورام الدماغ القابلة للحياة والتموت والوذمة المحيطة بالورم من أجل إدارة سريرية فعالة، بما في ذلك التصنيف، تخطيط العلاج، والمراقبة. يبرزون التحديات المرتبطة بتقسيم الأورام يدويًا، والذي يستغرق وقتًا طويلاً وعرضة للتباين بين المشغلين. لمعالجة هذه القضايا، يقترح المؤلفون استخدام الذكاء الاصطناعي (AI) وخوارزميات التعلم العميق (DL)، مع التركيز بشكل خاص على بنية 3D U-Net، التي أثبتت فعاليتها في مهام تقسيم أورام الدماغ.
تهدف الدراسة إلى تحديد الحد الأدنى من عدد تسلسلات الرنين المغناطيسي المطلوبة لتحقيق دقة عالية في تقسيم الأورام، مع فرضية أن مجموعة بيانات مخفضة يمكن أن تؤدي بشكل مقارب لمجموعة بيانات تسلسل كامل. يعطي المؤلفون الأولوية لتسلسلات T1C و FLAIR بسبب فعاليتها المثبتة في تحديد الأورام. من خلال الاستفادة من مجموعات بيانات عالية الجودة ومشروحة من تحديات تقسيم أورام الدماغ (BraTS)، تقيم الدراسة مجموعات فرعية مختلفة من تسلسلات الرنين المغناطيسي لتحديد التركيبة الأكثر إفادة لتدريب 3D U-Net. الهدف الشامل هو تعزيز التطبيق العملي ونشر تقنيات DL في البيئات السريرية الواقعية، مما يحسن في النهاية نتائج المرضى في إدارة الأورام الدبقية.
النتائج
في هذه الدراسة، قام المؤلفون بتقييم أداء مجموعات تسلسلات التصوير المختلفة لتقسيم الأورام باستخدام مجموعة بيانات التحقق من BraTS 2018. أظهر التحليل النوعي للأقنعة الناتجة عن الأورام، وخاصة لورم دبقي، أن تركيبة تسلسلات T1C و FLAIR حققت أعلى درجات Dice لتقسيم الأورام المعززة (ET)، متفوقة على التركيبات الأخرى، بما في ذلك الإدخال الرباعي الكامل. على وجه التحديد، حققت تركيبة T1C + FLAIR درجة Dice تبلغ 0.867 في مجموعة بيانات الاختبار لتقسيم ET، بينما أدت تسلسلات FLAIR الفردية أداءً ضعيفًا مع درجات 0.008 و 0.056 لمجموعات بيانات التدريب والاختبار، على التوالي. كما أبرزت الدراسة أن تسلسل T1C وحده قدم نتائج تنافسية لتقسيم لب الورم (TC)، مع درجات Dice قابلة للمقارنة مع تلك الخاصة بتركيبة T1C + FLAIR.
دعمت مقاييس كمية مثل الحساسية والمسافة هاوسدورف النتائج، مشيرة إلى أن تكوينات T1C و T1C + FLAIR أظهرت توافقًا أفضل في الحدود وأداء كشف. تم تسجيل أعلى حساسية لـ ET عند 0.828 مع T1C، بينما حقق التسلسل الرباعي أعلى حساسية لـ TC عند 0.754. من الجدير بالذكر أن مجموعة FLAIR فقط أظهرت أداءً ضعيفًا باستمرار عبر جميع المقاييس. تشير النتائج إلى أن دمج تسلسلات T1C و FLAIR لا يعزز فقط دقة التقسيم ولكن أيضًا يقلل من العبء الحاسوبي ووقت الاكتساب، مما يجعلها نهجًا قويًا لتحديد الأورام. تختتم الدراسة بأن الاعتماد على T1C + FLAIR يمكن أن يبسط عملية التقسيم مع الحفاظ على أداء عالٍ.
المناقشة
في هذه الدراسة، استخدمنا بيانات الرنين المغناطيسي متعددة التسلسلات من مجموعات بيانات MICCAI BraTS 2018 و BraTS 2021 للتحقيق في فعالية تركيبات تسلسل الرنين المغناطيسي المخفضة لتقسيم الأورام الدبقية. تضمنت مجموعة بيانات التدريب لدينا 285 حالة ورم دبقي، بينما شملت مجموعة بيانات الاختبار 358 مريضًا، مع توفير تقسيمات الحقيقة الأرضية لمناطق فرعية مختلفة من الورم. ركزنا على تقسيم لب الورم (TC) والأورام المعززة (ET) باستخدام بنية 3D U-Net، مع استخدام تدريب قائم على الرقع وتقنيات تعزيز البيانات المختلفة لتحسين أداء النموذج. أظهرت النتائج أن تركيبة تسلسلات T1C و FLAIR حققت أداء تقسيم قابل للمقارنة مع نموذج التسلسل الرباعي الكامل، مما يتحدى الفكرة القائلة بأن البيانات الشاملة ضرورية لتطبيقات التعلم العميق (DL) الفعالة في هذا المجال.
كشفت نتائجنا أن الثنائي T1C + FLAIR لم يحافظ فقط على دقة تقسيم عالية ولكن أيضًا قلل من متطلبات البيانات، مما يجعله بديلاً عمليًا في البيئات السريرية ذات الموارد المحدودة. من الجدير بالذكر أنه بينما كان أداء T1C وحده كافيًا، خاصة لأورام الدماغ عالية الدرجة (HGGs)، فإن إضافة FLAIR حسنت الأداء في أورام الدماغ منخفضة الدرجة (LGGs). كما أبرزت الدراسة القيود المرتبطة باستخدام FLAIR وحده، والذي كان أقل فعالية في تقسيم ET و TC. علاوة على ذلك، كان أداء النموذج الرباعي غير متسق، مما يشير إلى أن عددًا أقل من التسلسلات يمكن أن يؤدي إلى نتائج أفضل دون العبء الحاسوبي المرتبط بمجموعات البيانات الأكبر. بشكل عام، تؤكد أبحاثنا على إمكانية تبسيط بروتوكولات الرنين المغناطيسي في تعزيز إمكانية الوصول وكفاءة تقسيم الأورام الآلي في الممارسة السريرية.
DOI: https://doi.org/10.3389/fradi.2025.1616293
PMID: https://pubmed.ncbi.nlm.nih.gov/40697313
Publication Date: 2025-07-08
Author(s): Jacky Huang et al.
Primary Topic: Brain Tumor Detection and Classification
Overview
The research aimed to enhance brain tumor segmentation from MRI scans by employing a deep learning (DL) model, specifically a 3D U-Net, while minimizing the number of required MRI sequences. Utilizing the 2018 MICCAI BraTS dataset, the study focused on sub-segmenting enhancing tumors (ET) and tumor cores (TC) with various combinations of MRI sequences: T1C-only, FLAIR-only, T1C + FLAIR, and T1 + T2 + T1C + FLAIR. Performance was evaluated using Dice scores through 5-fold cross-validation and on a separate test dataset, revealing that the T1C + FLAIR combination consistently outperformed or matched the performance of the more comprehensive sequence combinations.
The findings indicated that using only T1C + FLAIR achieved high accuracy in tumor segmentation, with Dice scores of 0.867 for ET and 0.926 for TC on the test dataset. This approach not only demonstrated comparable performance to the full quadruplet sequence but also addressed the challenges of data-intensive DL algorithms, particularly in resource-constrained clinical settings. The study suggests that adopting a reduced sequence dependency can facilitate the broader implementation of automated tumor segmentation, making it a viable tool in diverse healthcare environments and potentially improving the efficiency of medical imaging analysis.
Introduction
In the introduction of this research paper, the authors emphasize the critical importance of accurately differentiating viable brain tumors from necrosis and peritumoral edema for effective clinical management, including staging, treatment planning, and monitoring. They highlight the challenges associated with manual tumor segmentation, which is time-consuming and prone to variability among operators. To address these issues, the authors propose the use of artificial intelligence (AI) and deep learning (DL) algorithms, specifically focusing on the 3D U-Net architecture, which has proven effective in brain tumor segmentation tasks.
The study aims to determine the minimum number of MRI sequences required to achieve high accuracy in tumor segmentation, hypothesizing that a reduced dataset could perform comparably to a full-sequence dataset. The authors prioritize the T1C and FLAIR sequences due to their established efficacy in tumor delineation. By leveraging high-quality, annotated datasets from the Brain Tumor Segmentation (BraTS) Challenges, the research evaluates various subsets of MRI sequences to identify the most informative combination for training the 3D U-Net. The overarching goal is to enhance the practical applicability and dissemination of DL technologies in real-world clinical settings, ultimately improving patient outcomes in glioma management.
Results
In this study, the authors evaluated the performance of various imaging sequence combinations for tumor segmentation using the BraTS 2018 validation dataset. The qualitative analysis of generated tumor masks, particularly for a glial tumor, revealed that the combination of T1C and FLAIR sequences yielded the highest Dice scores for enhancing tumor (ET) segmentation, outperforming other combinations, including the full four-sequence input. Specifically, the T1C + FLAIR combination achieved a Dice score of 0.867 in the test dataset for ET segmentation, while single sequence FLAIR performed poorly with scores of 0.008 and 0.056 for training and test datasets, respectively. The study also highlighted that the T1C sequence alone provided competitive results for tumor core (TC) segmentation, with Dice scores comparable to those of the T1C + FLAIR combination.
Quantitative metrics such as sensitivity and Hausdorff distance further supported the findings, indicating that T1C and T1C + FLAIR configurations exhibited superior boundary agreement and detection performance. The highest sensitivity for ET was recorded at 0.828 with T1C, while the quadruplet sequence achieved the highest sensitivity for TC at 0.754. Notably, the FLAIR-only subset consistently demonstrated poor performance across all metrics. The results suggest that integrating T1C and FLAIR sequences not only enhances segmentation accuracy but also reduces computational load and acquisition time, making it a robust approach for tumor delineation. The study concludes that reliance on T1C + FLAIR can streamline the segmentation process while maintaining high performance.
Discussion
In this study, we utilized multi-sequence MRI data from the MICCAI BraTS 2018 and BraTS 2021 datasets to investigate the effectiveness of reduced MRI sequence combinations for glioma segmentation. Our training dataset comprised 285 glioma cases, while the test dataset included 358 patients, with ground-truth segmentations provided for various tumor subregions. We focused on segmenting the tumor core (TC) and enhancing tumor (ET) using a 3D U-Net architecture, employing patch-based training and various data augmentation techniques to enhance model performance. The results indicated that a combination of T1C and FLAIR sequences achieved segmentation performance comparable to the full four-sequence model, challenging the notion that comprehensive data is necessary for effective deep learning (DL) applications in this domain.
Our findings revealed that the T1C + FLAIR doublet not only maintained high segmentation accuracy but also reduced the data requirements, making it a practical alternative in resource-limited clinical settings. Notably, while T1C alone performed adequately, especially for high-grade gliomas (HGGs), the addition of FLAIR improved performance in low-grade gliomas (LGGs). The study also highlighted the limitations of using FLAIR alone, which was less effective for segmenting ET and TC. Furthermore, the performance of the quadruplet model was inconsistent, suggesting that fewer sequences could yield better results without the computational burden associated with larger datasets. Overall, our research underscores the potential for streamlined MRI protocols in enhancing the accessibility and efficiency of automated tumor segmentation in clinical practice.