摘要

胶质瘤是一类具有高致死率的脑肿瘤，在低收入和中等收入国家，尤其是撒哈拉以南非洲地区，其诊断面临巨大挑战。本文提出一种基于迁移学习的新型胶质瘤分割方法，旨在应对资源匮乏地区普遍存在的MRI数据量少且质量低的问题。我们采用预训练的深度学习模型nnU-Net与MedNeXt，并结合分层微调策略，利用BraTS2023-Adult-Glioma和BraTS-Africa数据集进行模型优化。该方法通过放射组学分析构建分层训练折（folds），在大规模脑肿瘤数据集上完成模型训练，并将其迁移应用于撒哈拉以南非洲的临床场景。为提升分割精度，我们引入加权模型集成策略与自适应后处理技术。在BraTS-Africa 2024挑战赛中对未见验证样本的评估结果显示，针对增强肿瘤、肿瘤核心及整体肿瘤区域，病变级平均Dice系数分别达到0.870、0.865和0.926，位居该挑战赛第一名。本研究凸显了集成式机器学习技术在弥合资源有限国家与发达地区医学影像能力差距方面的潜力。通过针对目标人群的具体需求与实际约束条件定制方法，我们致力于提升偏远地区环境下的诊断能力。研究结果强调了本地数据整合与分层优化策略的重要性，有助于缓解医疗资源不平等，保障技术的实用性与实际影响力。 BraTS-Africa 2024冠军算法的Docker版本现已发布，可通过以下链接获取：https://hub.docker.com/r/aparida12/brats-ssa-2024