A carregar...
Publicação
Artificial intelligence applied to brain tumor classification in MRI scans
| Nome: | Descrição: | Tamanho: | Formato: | |
|---|---|---|---|---|
| 4.05 MB | Adobe PDF |
Autores
Resumo(s)
Abstract
Gliomas are heterogeneous, difficult to delineate, and consume significant clinical time. This work prioritizes MRI preprocessing and a simple 2D U-Net, comparing pipelines that improve image quality instead of optimizing a full segmentation system under GPU/time constraints. We used multimodal BraTS 2023 data (FLAIR, T1Gd, and T2), excluding native T1 due to practical redundancy. Three methods were compared. Method 1 applied per-volume min–max normalization and geometric-center cropping. Method 2 replaced this with z-score normalization (computed only on intracranial/non-zero voxels) and centering guided by T1Gd intensity. Method 3 added bias-field correction (N4) and label-free localization based on FLAIR (Otsu + largest connected component), avoiding label leakage in testing/validation. In all cases, a simple 2D U-Net (MONAI) with three input channels and four classes was trained using Dice + cross-entropy loss and early stopping. Evaluation followed the BraTS subregions (ET, TC, WT) and standard metrics (Dice, IoU, sensitivity, precision, and specificity). Results show consistent gains for Method 3 over the others. On the test set, Method 3 achieved mean Dice of 0.626 (ET), 0.682 (TC), and 0.844 (WT), surpassing Method 2 by +0.073, +0.153, and +0.072, respectively. Improvements are most pronounced in the TC, the most challenging region. In conclusion, the intracranial normalization, bias-field correction, and FLAIR-guided centering increase input reliability and the stability of the 2D model, providing a solid foundation for future 3D extensions and external validation.
Os gliomas são heterogéneos, difíceis de delinear e consomem tempo clínico. Este trabalho privilegia o pré-processamento em RM e um U-Net 2D, comparando pipelines que melhoram a qualidade das imagens, em vez de otimizar um sistema de segmentação completo sob limitações de recursos computacionais (GPU) e de tempo. Trabalhou-se com dados multimodais do BraTS 2023 (FLAIR, T1Gd e T2), excluindo a sequência T1 nativa por ser considerada redundante na prática. Foram comparados três métodos. O Método 1 aplicou normalização min–max por volume e recorte geométrico. O Método 2 substituiu por z-score (apenas nos voxels intracranianos) e centragem guiada pela intensidade do T1Gd. O Método 3 acrescentou correção de bias (N4) e localização sem rótulo baseada no FLAIR (Otsu + componente conexa maior), evitando label leakage em teste/validação. Em todos os casos, treinou-se um U-Net 2D (MONAI) com três canais e quatro classes, usando perda Dice + cross-entropy e early stopping. A avaliação seguiu as regiões BraTS (ET, TC, WT) e métricas padrão (Dice, IoU, sensibilidade, precisão e especificidade). Os resultados mostram ganhos consistentes do Método 3 face aos restantes. No conjunto de teste, o Método 3 obteve Dice médio de 0,626 (ET), 0,682 (TC) e 0,844 (WT), superando o Método 2 em +0,073, +0,153 e +0,072, respetivamente. As melhorias são mais expressivas no núcleo tumoral (TC), a região mais desafiante. Conclui-se que a normalização intracraniana, correção de bias e centragem guiada por FLAIR aumentam a fiabilidade das entradas e a estabilidade do modelo 2D, podendo fornecer uma base sólida para o desenvolvimento de futuras extensões 3D e validação externa.
Os gliomas são heterogéneos, difíceis de delinear e consomem tempo clínico. Este trabalho privilegia o pré-processamento em RM e um U-Net 2D, comparando pipelines que melhoram a qualidade das imagens, em vez de otimizar um sistema de segmentação completo sob limitações de recursos computacionais (GPU) e de tempo. Trabalhou-se com dados multimodais do BraTS 2023 (FLAIR, T1Gd e T2), excluindo a sequência T1 nativa por ser considerada redundante na prática. Foram comparados três métodos. O Método 1 aplicou normalização min–max por volume e recorte geométrico. O Método 2 substituiu por z-score (apenas nos voxels intracranianos) e centragem guiada pela intensidade do T1Gd. O Método 3 acrescentou correção de bias (N4) e localização sem rótulo baseada no FLAIR (Otsu + componente conexa maior), evitando label leakage em teste/validação. Em todos os casos, treinou-se um U-Net 2D (MONAI) com três canais e quatro classes, usando perda Dice + cross-entropy e early stopping. A avaliação seguiu as regiões BraTS (ET, TC, WT) e métricas padrão (Dice, IoU, sensibilidade, precisão e especificidade). Os resultados mostram ganhos consistentes do Método 3 face aos restantes. No conjunto de teste, o Método 3 obteve Dice médio de 0,626 (ET), 0,682 (TC) e 0,844 (WT), superando o Método 2 em +0,073, +0,153 e +0,072, respetivamente. As melhorias são mais expressivas no núcleo tumoral (TC), a região mais desafiante. Conclui-se que a normalização intracraniana, correção de bias e centragem guiada por FLAIR aumentam a fiabilidade das entradas e a estabilidade do modelo 2D, podendo fornecer uma base sólida para o desenvolvimento de futuras extensões 3D e validação externa.
Descrição
Palavras-chave
Gliomas Magnetic resonance imaging Preprocessing Ressonância magnética Pré-processamento