Neues Attention-Gated U‑Net: Präzise Tumorsegmentierung & Prognosevorhersage

Ein brandneues Modell zur Segmentierung von Gliomen, den häufigsten primären Hirntumoren, wurde auf arXiv veröffentlicht. Gliome variieren stark in Aggressivität, Prognose und Histologie, was die Behandlung durch komplexe und zeitintensive Operationen erschwert. Das neue Attention‑Gated Recurrent Residual U‑Net (R2U‑Net) nutzt eine Triplanar‑(2,5‑D) Architektur, um diese Herausforderungen zu adressieren.

Das Modell kombiniert Residual‑, Recurrent‑ und Triplanar‑Techniken, um die Merkmalrepräsentation zu verbessern und gleichzeitig die Rechenleistung zu optimieren. Durch diese Integration erreicht es eine bemerkenswerte Genauigkeit bei der Segmentierung von Tumoren, ohne die Effizienz zu beeinträchtigen – ein entscheidender Vorteil für die klinische Praxis.

Auf dem BraTS2021‑Validierungsdatensatz erzielt das Modell einen Dice Similarity Score (DSC) von 0,900 für die Segmentierung des gesamten Tumors (Whole Tumor, WT). Dieser Wert steht im Einklang mit den führenden Modellen der Branche und demonstriert die hohe Leistungsfähigkeit der neuen Architektur.

Zusätzlich extrahiert das Triplanar‑Netzwerk 64 Merkmale pro Ebene, die anschließend auf 28 Merkmale reduziert werden, um die Überlebensdauer in Tagen vorherzusagen. Die daraus resultierende Vorhersage erreicht eine Genauigkeit von 45,71 %, einen mittleren quadratischen Fehler (MSE) von 108 318,128 und einen Spearman‑Rangkorrelationskoeffizienten (SRC) von 0,338 auf dem Testdatensatz.

Diese Fortschritte bieten nicht nur eine präzisere Tumorsegmentierung, sondern auch wertvolle Einblicke in die Prognose von Patienten. Durch die Kombination von hochpräziser Bildanalyse und datengetriebener Überlebensvorhersage kann das Modell die Planung von Operationen und Therapien erheblich verbessern.