Abstract
| Original language | Undefined |
|---|---|
| State | Published - Nov 5 2018 |
Keywords
- cs.CV
- cs.AI
- cs.LG
- stat.ML
Cite this
- APA
- Standard
- Harvard
- Vancouver
- Author
- BIBTEX
- RIS
2018.
Research output: Working paper › Preprint
}
TY - UNPB
T1 - Identifying the Best Machine Learning Algorithms for Brain Tumor Segmentation, Progression Assessment, and Overall Survival Prediction in the BRATS Challenge
AU - Bakas, Spyridon
AU - Reyes, Mauricio
AU - Jakab, Andras
AU - Bauer, Stefan
AU - Rempfler, Markus
AU - Crimi, Alessandro
AU - Shinohara, Russell Takeshi
AU - Berger, Christoph
AU - Ha, Sung Min
AU - Rozycki, Martin
AU - Prastawa, Marcel
AU - Alberts, Esther
AU - Lipkova, Jana
AU - Freymann, John
AU - Kirby, Justin
AU - Bilello, Michel
AU - Fathallah-Shaykh, Hassan
AU - Wiest, Roland
AU - Kirschke, Jan
AU - Wiestler, Benedikt
AU - Colen, Rivka
AU - Kotrotsou, Aikaterini
AU - Lamontagne, Pamela
AU - Marcus, Daniel
AU - Milchenko, Mikhail
AU - Nazeri, Arash
AU - Weber, Marc-Andre
AU - Mahajan, Abhishek
AU - Baid, Ujjwal
AU - Gerstner, Elizabeth
AU - Kwon, Dongjin
AU - Acharya, Gagan
AU - Agarwal, Manu
AU - Alam, Mahbubul
AU - Albiol, Alberto
AU - Albiol, Antonio
AU - Albiol, Francisco J.
AU - Alex, Varghese
AU - Allinson, Nigel
AU - Amorim, Pedro H. A.
AU - Amrutkar, Abhijit
AU - Anand, Ganesh
AU - Andermatt, Simon
AU - Arbel, Tal
AU - Arbelaez, Pablo
AU - Avery, Aaron
AU - Azmat, Muneeza
AU - Pranjal, B.
AU - Bai, W
AU - Banerjee, Subhashis
AU - Barth, Bill
AU - Batchelder, Thomas
AU - Batmanghelich, Kayhan
AU - Battistella, Enzo
AU - Beers, Andrew
AU - Belyaev, Mikhail
AU - Bendszus, Martin
AU - Benson, Eze
AU - Bernal, Jose
AU - Bharath, Halandur Nagaraja
AU - Biros, George
AU - Bisdas, Sotirios
AU - Brown, James
AU - Cabezas, Mariano
AU - Cao, Shilei
AU - Cardoso, Jorge M.
AU - Carver, Eric N
AU - Casamitjana, Adrià
AU - Castillo, Laura Silvana
AU - Catà, Marcel
AU - Cattin, Philippe
AU - Cerigues, Albert
AU - Chagas, Vinicius S.
AU - Chandra, Siddhartha
AU - Chang, Yi-Ju
AU - Chang, Shiyu
AU - Chang, Ken
AU - Chazalon, Joseph
AU - Chen, Shengcong
AU - Chen, Wei
AU - Chen, Jefferson W
AU - Chen, Zhaolin
AU - Cheng, Kun
AU - Choudhury, Ahana Roy
AU - Chylla, Roger
AU - Clérigues, Albert
AU - Colleman, Steven
AU - Colmeiro, Ramiro German Rodriguez
AU - Combalia, Marc
AU - Costa, Anthony
AU - Cui, Xiaomeng
AU - Dai, Zhenzhen
AU - Dai, Lutao
AU - Daza, Laura Alexandra
AU - Deutsch, Eric
AU - Ding, Changxing
AU - Dong, Chao
AU - Dong, Shidu
AU - Dudzik, Wojciech
AU - Eaton-Rosen, Zach
AU - Egan, Gary
AU - Escudero, Guilherme
AU - Estienne, Théo
AU - Everson, Richard
AU - Fabrizio, Jonathan
AU - Fan, Yong
AU - Fang, Longwei
AU - Feng, Xue
AU - Ferrante, Enzo
AU - Fidon, Lucas
AU - Fischer, Martin
AU - French, Andrew P.
AU - Fridman, Naomi
AU - Fu, Huan
AU - Fuentes, David
AU - Gao, Yaozong
AU - Gates, Evan
AU - Gering, David
AU - Gholami, Amir
AU - Gierke, Willi
AU - Glocker, Ben
AU - Gong, Mingming
AU - González-Villá, Sandra
AU - Grosges, T.
AU - Guan, Yuanfang
AU - Guo, Sheng
AU - Gupta, Sudeep
AU - Han, Woo-Sup
AU - Han, Il Song
AU - Harmuth, Konstantin
AU - He, Huiguang
AU - Hernández-Sabaté, Aura
AU - Herrmann, Evelyn
AU - Himthani, Naveen
AU - Hsu, Winston
AU - Hsu, Cheyu
AU - Hu, Xiaojun
AU - Hu, Xiaobin
AU - Hu, Yan
AU - Hu, Yifan
AU - Hua, Rui
AU - Huang, Teng-Yi
AU - Huang, Weilin
AU - Huffel, Sabine Van
AU - Huo, Quan
AU - Vivek, HV
AU - Iftekharuddin, Khan M.
AU - Isensee, Fabian
AU - Islam, Mobarakol
AU - Jackson, Aaron S.
AU - Jambawalikar, Sachin R.
AU - Jesson, Andrew
AU - Jian, Weijian
AU - Jin, Peter
AU - Jose, V Jeya Maria
AU - Jungo, Alain
AU - Kainz, B
AU - Kamnitsas, Konstantinos
AU - Kao, Po-Yu
AU - Karnawat, Ayush
AU - Kellermeier, Thomas
AU - Kermi, Adel
AU - Keutzer, Kurt
AU - Khadir, Mohamed Tarek
AU - Khened, Mahendra
AU - Kickingereder, Philipp
AU - Kim, Geena
AU - King, Nik
AU - Knapp, Haley
AU - Knecht, Urspeter
AU - Kohli, Lisa
AU - Kong, Deren
AU - Kong, Xiangmao
AU - Koppers, Simon
AU - Kori, Avinash
AU - Krishnamurthi, Ganapathy
AU - Krivov, Egor
AU - Kumar, Piyush
AU - Kushibar, Kaisar
AU - Lachinov, Dmitrii
AU - Lambrou, Tryphon
AU - Lee, Joon
AU - Lee, Chengen
AU - Lee, Yuehchou
AU - Lee, M
AU - Lefkovits, Szidonia
AU - Lefkovits, Laszlo
AU - Levitt, James
AU - Li, Tengfei
AU - Li, Hongwei
AU - Li, Wenqi
AU - Li, Hongyang
AU - Li, Xiaochuan
AU - Li, Yuexiang
AU - Li, Heng
AU - Li, Zhenye
AU - Li, Xiaoyu
AU - Li, Zeju
AU - Li, XiaoGang
AU - Li, Wenqi
AU - Lin, Zheng-Shen
AU - Lin, Fengming
AU - Lio, Pietro
AU - Liu, Chang
AU - Liu, Boqiang
AU - Liu, Xiang
AU - Liu, Mingyuan
AU - Liu, Ju
AU - Liu, Luyan
AU - Llado, Xavier
AU - Lopez, Marc Moreno
AU - Lorenzo, Pablo Ribalta
AU - Lu, Zhentai
AU - Luo, Lin
AU - Luo, Zhigang
AU - Ma, Jun
AU - Ma, Kai
AU - Mackie, Thomas
AU - Madabushi, Anant
AU - Mahmoudi, Issam
AU - Maier-Hein, Klaus H.
AU - Maji, Pradipta
AU - Mammen, CP
AU - Mang, Andreas
AU - Manjunath, B. S.
AU - Marcinkiewicz, Michal
AU - McDonagh, S
AU - McKenna, Stephen
AU - McKinley, Richard
AU - Mehl, Miriam
AU - Mehta, Sachin
AU - Mehta, Raghav
AU - Meier, Raphael
AU - Meinel, Christoph
AU - Merhof, Dorit
AU - Meyer, Craig
AU - Miller, Robert
AU - Mitra, Sushmita
AU - Moiyadi, Aliasgar
AU - Molina-Garcia, David
AU - Monteiro, Miguel A. B.
AU - Mrukwa, Grzegorz
AU - Myronenko, Andriy
AU - Nalepa, Jakub
AU - Ngo, Thuyen
AU - Nie, Dong
AU - Ning, Holly
AU - Niu, Chen
AU - Nuechterlein, Nicholas K
AU - Oermann, Eric
AU - Oliveira, Arlindo
AU - Oliveira, Diego D. C.
AU - Oliver, Arnau
AU - Osman, Alexander F. I.
AU - Ou, Yu-Nian
AU - Ourselin, Sebastien
AU - Paragios, Nikos
AU - Park, Moo Sung
AU - Paschke, Brad
AU - Pauloski, J. Gregory
AU - Pawar, Kamlesh
AU - Pawlowski, Nick
AU - Pei, Linmin
AU - Peng, Suting
AU - Pereira, Silvio M.
AU - Perez-Beteta, Julian
AU - Perez-Garcia, Victor M.
AU - Pezold, Simon
AU - Pham, Bao
AU - Phophalia, Ashish
AU - Piella, Gemma
AU - Pillai, G. N.
AU - Piraud, Marie
AU - Pisov, Maxim
AU - Popli, Anmol
AU - Pound, Michael P.
AU - Pourreza, Reza
AU - Prasanna, Prateek
AU - Prkovska, Vesna
AU - Pridmore, Tony P.
AU - Puch, Santi
AU - Puybareau, Élodie
AU - Qian, Buyue
AU - Qiao, Xu
AU - Rajchl, Martin
AU - Rane, Swapnil
AU - Rebsamen, Michael
AU - Ren, Hongliang
AU - Ren, Xuhua
AU - Revanuru, Karthik
AU - Rezaei, Mina
AU - Rippel, Oliver
AU - Rivera, Luis Carlos
AU - Robert, Charlotte
AU - Rosen, Bruce
AU - Rueckert, Daniel
AU - Safwan, Mohammed
AU - Salem, Mostafa
AU - Salvi, Joaquim
AU - Sanchez, Irina
AU - Sánchez, Irina
AU - Santos, Heitor M.
AU - Sartor, Emmett
AU - Schellingerhout, Dawid
AU - Scheufele, Klaudius
AU - Scott, Matthew R.
AU - Scussel, Artur A.
AU - Sedlar, Sara
AU - Serrano-Rubio, Juan Pablo
AU - Shah, N. Jon
AU - Shah, Nameetha
AU - Shaikh, Mazhar
AU - Shankar, B. Uma
AU - Shboul, Zeina
AU - Shen, Haipeng
AU - Shen, Dinggang
AU - Shen, Linlin
AU - Shen, Haocheng
AU - Shenoy, Varun
AU - Shi, Feng
AU - Shin, Hyung Eun
AU - Shu, Hai
AU - Sima, Diana
AU - Sinclair, M
AU - Smedby, Orjan
AU - Snyder, James M.
AU - Soltaninejad, Mohammadreza
AU - Song, Guidong
AU - Soni, Mehul
AU - Stawiaski, Jean
AU - Subramanian, Shashank
AU - Sun, Li
AU - Sun, Roger
AU - Sun, Jiawei
AU - Sun, Kay
AU - Sun, Yu
AU - Sun, Guoxia
AU - Sun, Shuang
AU - Suter, Yannick R
AU - Szilagyi, Laszlo
AU - Talbar, Sanjay
AU - Tao, Dacheng
AU - Tao, Dacheng
AU - Teng, Zhongzhao
AU - Thakur, Siddhesh
AU - Thakur, Meenakshi H
AU - Tharakan, Sameer
AU - Tiwari, Pallavi
AU - Tochon, Guillaume
AU - Tran, Tuan
AU - Tsai, Yuhsiang M.
AU - Tseng, Kuan-Lun
AU - Tuan, Tran Anh
AU - Turlapov, Vadim
AU - Tustison, Nicholas
AU - Vakalopoulou, Maria
AU - Valverde, Sergi
AU - Vanguri, Rami
AU - Vasiliev, Evgeny
AU - Ventura, Jonathan
AU - Vera, Luis
AU - Vercauteren, Tom
AU - Verrastro, C. A.
AU - Vidyaratne, Lasitha
AU - Vilaplana, Veronica
AU - Vivekanandan, Ajeet
AU - Wang, Guotai
AU - Wang, Qian
AU - Wang, Chiatse J.
AU - Wang, Weichung
AU - Wang, Duo
AU - Wang, Ruixuan
AU - Wang, Yuanyuan
AU - Wang, Chunliang
AU - Wang, Guotai
AU - Wen, Ning
AU - Wen, Xin
AU - Weninger, Leon
AU - Wick, Wolfgang
AU - Wu, Shaocheng
AU - Wu, Qiang
AU - Wu, Yihong
AU - Xia, Yong
AU - Xu, Yanwu
AU - Xu, Xiaowen
AU - Xu, Peiyuan
AU - Yang, Tsai-Ling
AU - Yang, Xiaoping
AU - Yang, Hao-Yu
AU - Yang, Junlin
AU - Yang, Haojin
AU - Yang, Guang
AU - Yao, Hongdou
AU - Ye, Xujiong
AU - Yin, Changchang
AU - Young-Moxon, Brett
AU - Yu, Jinhua
AU - Yue, Xiangyu
AU - Zhang, Songtao
AU - Zhang, Angela
AU - Zhang, Kun
AU - Zhang, Xuejie
AU - Zhang, Lichi
AU - Zhang, Xiaoyue
AU - Zhang, Yazhuo
AU - Zhang, Lei
AU - Zhang, Jianguo
AU - Zhang, Xiang
AU - Zhang, Tianhao
AU - Zhao, Sicheng
AU - Zhao, Yu
AU - Zhao, Xiaomei
AU - Zhao, Liang
AU - Zheng, Yefeng
AU - Zhong, Liming
AU - Zhou, Chenhong
AU - Zhou, Xiaobing
AU - Zhou, Fan
AU - Zhu, Hongtu
AU - Zhu, Jin
AU - Zhuge, Ying
AU - Zong, Weiwei
AU - Kalpathy-Cramer, Jayashree
AU - Farahani, Keyvan
AU - Davatzikos, Christos
AU - Leemput, Koen van
AU - Menze, Bjoern
N1 - The International Multimodal Brain Tumor Segmentation (BraTS) Challenge
PY - 2018/11/5
Y1 - 2018/11/5
N2 - Gliomas are the most common primary brain malignancies, with different degrees of aggressiveness, variable prognosis and various heterogeneous histologic sub-regions, i.e., peritumoral edematous/invaded tissue, necrotic core, active and non-enhancing core. This intrinsic heterogeneity is also portrayed in their radio-phenotype, as their sub-regions are depicted by varying intensity profiles disseminated across multi-parametric magnetic resonance imaging (mpMRI) scans, reflecting varying biological properties. Their heterogeneous shape, extent, and location are some of the factors that make these tumors difficult to resect, and in some cases inoperable. The amount of resected tumor is a factor also considered in longitudinal scans, when evaluating the apparent tumor for potential diagnosis of progression. Furthermore, there is mounting evidence that accurate segmentation of the various tumor sub-regions can offer the basis for quantitative image analysis towards prediction of patient overall survival. This study assesses the state-of-the-art machine learning (ML) methods used for brain tumor image analysis in mpMRI scans, during the last seven instances of the International Brain Tumor Segmentation (BraTS) challenge, i.e., 2012-2018. Specifically, we focus on i) evaluating segmentations of the various glioma sub-regions in pre-operative mpMRI scans, ii) assessing potential tumor progression by virtue of longitudinal growth of tumor sub-regions, beyond use of the RECIST/RANO criteria, and iii) predicting the overall survival from pre-operative mpMRI scans of patients that underwent gross total resection. Finally, we investigate the challenge of identifying the best ML algorithms for each of these tasks, considering that apart from being diverse on each instance of the challenge, the multi-institutional mpMRI BraTS dataset has also been a continuously evolving/growing dataset.
AB - Gliomas are the most common primary brain malignancies, with different degrees of aggressiveness, variable prognosis and various heterogeneous histologic sub-regions, i.e., peritumoral edematous/invaded tissue, necrotic core, active and non-enhancing core. This intrinsic heterogeneity is also portrayed in their radio-phenotype, as their sub-regions are depicted by varying intensity profiles disseminated across multi-parametric magnetic resonance imaging (mpMRI) scans, reflecting varying biological properties. Their heterogeneous shape, extent, and location are some of the factors that make these tumors difficult to resect, and in some cases inoperable. The amount of resected tumor is a factor also considered in longitudinal scans, when evaluating the apparent tumor for potential diagnosis of progression. Furthermore, there is mounting evidence that accurate segmentation of the various tumor sub-regions can offer the basis for quantitative image analysis towards prediction of patient overall survival. This study assesses the state-of-the-art machine learning (ML) methods used for brain tumor image analysis in mpMRI scans, during the last seven instances of the International Brain Tumor Segmentation (BraTS) challenge, i.e., 2012-2018. Specifically, we focus on i) evaluating segmentations of the various glioma sub-regions in pre-operative mpMRI scans, ii) assessing potential tumor progression by virtue of longitudinal growth of tumor sub-regions, beyond use of the RECIST/RANO criteria, and iii) predicting the overall survival from pre-operative mpMRI scans of patients that underwent gross total resection. Finally, we investigate the challenge of identifying the best ML algorithms for each of these tasks, considering that apart from being diverse on each instance of the challenge, the multi-institutional mpMRI BraTS dataset has also been a continuously evolving/growing dataset.
KW - cs.CV
KW - cs.AI
KW - cs.LG
KW - stat.ML
M3 - Preprint
BT - Identifying the Best Machine Learning Algorithms for Brain Tumor Segmentation, Progression Assessment, and Overall Survival Prediction in the BRATS Challenge
ER -