PET/CT 成像中的高级肿瘤分割：面向 AutoPET III 的 nnU-Net 训练策略研究
计算机视觉与模式识别
2026-05-12 v1
摘要
全身 PET/CT 成像中的肿瘤分割对于精确的疾病评估和治疗计划至关重要。然而，由于病灶大小、对比度和解剖分布的变异性，这仍然具有挑战性。依赖手动分割使得该过程耗时且易受观察者内和观察者间变异性的影响。本研究提出了一种为 AutoPET III 挑战赛开发的全身肿瘤分割方法，该挑战赛的目标是构建能够跨示踪剂和多中心数据泛化的模型。我们采用基于 ResNet 编码器的 nnU-Net 框架作为基线，并系统地研究了训练策略的影响，包括强度归一化、批量 Dice 优化以及使用 CraveMix 的数据增强。我们的实验表明，这些策略显著影响模型性能，特别是在减少假阳性和提高对病灶变异性的鲁棒性方面。性能最佳的配置在初步测试阶段达到了高达 0.80 的 Dice 分数，我们的方法在 AutoPET III 挑战赛中排名第三。代码在此公开。
引用
@article{arxiv.2605.08161,
title = {Advanced Tumor Segmentation in PET/CT Imaging: A Training Strategy Study with nnU-Net for AutoPET III},
author = {Hussain Alasmawi},
journal= {arXiv preprint arXiv:2605.08161},
year = {2026}
}