用于PET/CT病灶分割的镜像Unet架构
图像与视频处理
2023-09-26 v1 计算机视觉与模式识别
摘要
由于[F]FDG PET/CT扫描所呈现的病灶在形状、大小、FDG摄取与位置上具有多样性，且健康组织中也存在生理性摄取，因此从[F]FDG PET/CT扫描中自动检测与分割病灶是一项具有挑战性的任务。在本工作中，我们提出一种基于两个UNet-3D分支组合的深度学习方法来分割肿瘤病灶。首先，网络的一个分支被训练用于从CT图像中分割一组组织；另一分支被训练用于从PET图像中分割病灶，并在瓶颈处结合已训练CT分支的嵌入信息。我们在AutoPET MICCAI 2023挑战赛数据集上训练并验证了我们的网络。我们的代码可在 https://github.com/yrotstein/AutoPET2023_Mv1 获取。
引用
@article{arxiv.2309.13398,
title = {A mirror-Unet architecture for PET/CT lesion segmentation},
author = {Yamila Rotstein Habarnau and Mauro Namías},
journal= {arXiv preprint arXiv:2309.13398},
year = {2023}
}