面向肿瘤分割的开源多中心全身 FDG PET/CT 基础模型
图像与视频处理
2026-05-22 v1 人工智能
计算机视觉与模式识别
医学物理
摘要
对计算器断层（CT）中解剖信息与正电子断层成像（PET）中代谢信息的协同解释对于肿瘤成像至关重要。然而，现有的 PET/CT 深度学习方法仍大多以特定任务为主，常在单中心队列上训练，或采用延迟跨模态交互且未充分利用早期空间对应关系的双支路融合方案。为克服这些限制，我们提出了一个开源、跨中心、全身 FDG PET/CT 基础模型，利用来自四个公开数据集的 4997 套和谐化扫描。我们的框架采用具有层次结构的 UNet 形状背板，采用早期通道级拼接，使解剖和代谢特征从第一个嵌入层开始就能进行交互。我们进一步引入了基于零均值插值的掩码自编码目标，结合加权全局重构损失。该设计避免了可学习掩码标记在掩码区域边界处产生的非物理强度不连续。 在下游 AutoPET 肿瘤分割任务上，所提出的模型显示出强大的标签效率：仅使用 10% 标注训练数据，即可实现与在完整数据集上从头训练的模型相当的性能。在极端 5 shot 线性探测下，联合 PET/CT 预训练也优于分离模态预训练。该多中心基础模型在标签效率和跨模态表征学习方面表现出色，为 PET/CT 肿瘤分割提供了稳健的开源基础，显著减少了临床实践中大规模手动标注的需求。
引用
@article{arxiv.2605.21835,
title = {An Open Multi-Center Whole-Body FDG PET/CT Foundation Model for Tumor Segmentation},
author = {Xiaofeng Liu and Qianru Zhang and Thibault Marin and Menghua Xia and Chi Liu and Georges El Fakhri and Jinsong Ouyang},
journal= {arXiv preprint arXiv:2605.21835},
year = {2026}
}
备注
Code available at: https://github.com/liu-xiaofeng/Foundation-Model-for-PET-CT