Segmentazione di precisione per tumori cerebrali con R2U-Net

La segmentazione accurata dei gliomi, tumori cerebrali primari, rappresenta una sfida complessa a causa della loro eterogeneità in termini di aggressività, prognosi e istologia. Un recente studio ha presentato un modello Triplanare (2.5D) basato su Attention-Gated Recurrent Residual U-Net (R2U-Net) per migliorare la segmentazione di questi tumori.

Architettura e performance del modello

Il modello proposto integra architetture residuali, ricorrenti e triplanari per migliorare la rappresentazione delle feature e l'accuratezza della segmentazione, mantenendo al contempo l'efficienza computazionale. Questo approccio potrebbe supportare una migliore pianificazione del trattamento. Il modello ha raggiunto un Dice Similarity Score (DSC) di 0.900 per la segmentazione dell'intero tumore (WT) sul set di validazione BraTS2021, dimostrando prestazioni paragonabili ai modelli leader.

Predizione della sopravvivenza

La rete triplanare estrae 64 feature per modello planare per la predizione dei giorni di sopravvivenza, ridotte a 28 tramite una Rete Neurale Artificiale (ANN). Questo approccio ha ottenuto un'accuratezza del 45.71%, un Mean Squared Error (MSE) di 108,318.128 e uno Spearman Rank Correlation Coefficient (SRC) di 0.338 sul dataset di test.