Исследователи представили ReFusionNet — локализационно-управляемую двухэтапную 3D-архитектуру для автоматической сегментации опухолей головного мозга. Фреймворк сначала определяет единую область интереса (ROI), содержащую опухоль, а затем сегментирует в её пределах целую опухоль (whole tumor), ядро опухоли (tumor core) и контрастируемую часть опухоли (enhancing tumor).

Архитектура оценивалась на датасетах UPENN-GBM и BraTS 2021 с использованием метрик recall, precision, Dice score и 95-го процентиля расстояния Хаусдорфа (HD95).

На тестовом наборе UPENN-GBM модель ReFusionNet-A продемонстрировала:

• Dice scores: 0.90 (целая опухоль), 0.81 (ядро), 0.77 (контрастируемая часть)
• HD95: 11.68, 21.53 и 10.49 соответственно

Локализационно-управляемые модели в целом показали более высокую точность (precision) и более низкие значения HD95 для выбранных регионов, однако в некоторых сравнениях для ядра опухоли и контрастируемой части наблюдались более низкие recall и Dice scores.

На датасете BraTS 2021 ReFusionNet-C достигла конкурентоспособных Dice scores, хотя её значения HD95 не были самыми низкими среди сравниваемых моделей.

ReFusionNet продемонстрировала конкурентоспособную производительность сегментации на оценённых публичных датасетах. Основными наблюдаемыми преимуществами стали более высокая точность и меньшие расстояния HD95 в выбранных опухолевых регионах, при этом улучшение производительности не было равномерным по всем метрикам.

Двухэтапный подход с предварительной локализацией может быть особенно полезен в клинической практике для уменьшения ложноположительных результатов и повышения геометрической точности контуров опухоли при планировании лучевой терапии и нейрохирургических вмешательств.